Antibody design across observed and forecasted antigenic evolution
L'article présente « Germinal Multi », un cadre computationnel qui conçoit et sauve avec succès des anticorps en optimisant conjointement un paratope unique contre plusieurs variantes antigéniques observées et prévues, générant ainsi une efficacité thérapeutique large contre les cibles virales et cancéreuses actuelles et prospectives.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Les anticorps sont les outils de précision du système immunitaire, des protéines qui patrouillent dans le flux sanguin à la recherche d'envahisseurs spécifiques comme les virus ou les cellules cancéreuses. Lorsqu'un anticorps trouve sa cible, il s'y accroche avec une forme unique, un peu comme une clé s'insérant dans une serrure, et neutralise la menace. Ce mécanisme est devenu une pierre angulaire de la médecine moderne, offrant des traitements pour tout, des infections au cancer. Cependant, les cibles que recherchent ces anticorps ne sont pas statiques. Les virus et les cellules cancéreuses modifient constamment leur surface externe par un processus d'évolution, accumulant de petites mutations qui peuvent altérer la forme de la « serrure ». Si la serrure change même légèrement de forme, la clé de l'anticorps peut ne plus correspondre, rendant le traitement inutile. Cette course aux armements entre nos défenses et les agents pathogènes en évolution est une raison majeure pour laquelle certains médicaments cessent de fonctionner avec le temps.
Les scientifiques cherchent depuis longtemps un moyen de concevoir des anticorps capables de suivre ces changements, en créant des clés qui s'adaptent non pas à une seule serrure, mais à plusieurs versions différentes de la même serrure. Le défi a été que concevoir un seul anticorps capable de reconnaître plusieurs formes légèrement différentes est incroyablement difficile. Les méthodes traditionnelles reposent souvent sur le criblage de vastes bibliothèques d'anticorps naturels ou sur la modification d'anticorps existants, un processus qui peut être lent et gourmand en ressources. De plus, prédire comment un virus pourrait changer à l'avenir pour échapper à nos défenses actuelles ajoute une autre couche de complexité. Les chercheurs ont besoin d'un moyen de concevoir des anticorps qui soient robustes face aux variations que nous voyons aujourd'hui et aux changements potentiels qui pourraient émerger demain.
Une équipe de chercheurs a développé un nouveau cadre computationnel appelé Germinal Multi pour s'attaquer à ce problème. Au lieu de concevoir un anticorps pour une cible unique, ce système permet aux scientifiques de concevoir un seul anticorps qui est optimisé pour se lier simultanément à plusieurs versions d'une cible. Les chercheurs ont testé cette approche dans trois scénarios distincts : contre des protéines liées au cancer qui ont développé une résistance aux médicaments existants, contre des versions historiques d'un virus qui ont déjà changé, et contre une version future prédite d'un virus qui n'existe pas encore dans la nature. Dans chaque cas, l'objectif était de créer un seul anticorps capable de reconnaître et de neutraliser un ensemble diversifié de cibles, en restant ainsi un pas en avant sur l'évolution.
Le premier cas de test concernait une protéine présente à la surface des cellules cancéreuses appelée EGFR. Certaines mutations dans cette protéine permettent aux cellules cancéreuses de résister au traitement par un médicament anticorps courant appelé cetuximab. Les chercheurs ont identifié six mutations spécifiques connues pour causer cette résistance et ont demandé à l'ordinateur de concevoir un nouvel anticorps capable de se lier à la protéine originale ainsi qu'aux six versions mutées. Ils n'ont pas conçu l'anticorps pour s'adapter à chaque mutation individuellement ; ils ont plutôt créé un processus de conception unique qui les considérait toutes en même temps. L'ordinateur a généré 60 séquences d'anticorps potentielles et, après avoir testé un petit nombre des candidats les plus prometteurs en laboratoire, l'équipe a trouvé que plusieurs fonctionnaient. Quatre de ces nouveaux designs se liaient fortement à la protéine originale et aux six variantes résistantes, alors que le médicament original ne parvenait pas à se lier à la plupart d'entre elles. Cela a démontré qu'il est possible de concevoir un nouvel anticorps qui ignore les changements spécifiques que les cellules cancéreuses utilisent pour se cacher du traitement.
La deuxième application s'est concentrée sur le virus SARS-CoV-2, spécifiquement la partie du virus qui lui permet d'entrer dans les cellules humaines. Les chercheurs ont choisi deux versions distinctes du virus apparues à des moments différents : une provenant d'une vague antérieure de la pandémie et une version plus évoluée et plus récente qui avait déjà échappé à la protection d'un anticorps connu. Ils ont utilisé l'ordinateur pour concevoir un nouvel anticorps de toutes pièces qui se lierait aux deux versions simultanément. Après avoir examiné 57 designs, ils ont identifié un candidat qui a réussi à neutraliser les deux variants du virus lors de tests en laboratoire. Remarquablement, ce nouvel anticorps a également fonctionné contre plusieurs autres versions intermédiaires du virus qui ne faisaient pas partie du processus de conception initial, montrant que l'approche peut générer une protection large à travers une gamme d'étapes évolutives.
L'expérience la plus prospective impliquait de prédire comment le virus pourrait changer à l'avenir. Les chercheurs ont utilisé un modèle informatique distinct pour prévoir quelles mutations seraient susceptibles d'apparaître ensuite dans une lignée de virus circulant actuellement. Ils ont combiné ces prédictions avec des données d'expériences précédentes pour identifier un ensemble spécifique de changements qui permettraient probablement au virus d'échapper à un anticorps puissant à large spectre. Ils ont ensuite construit une version synthétique du virus avec ces changements prédits, créant ainsi un variant de « défi » que l'anticorps existant ne pouvait plus neutraliser. En utilisant leur système de conception multi-cibles, ils ont redessiné l'anticorps original pour qu'il reconnaisse à la fois le virus actuel et cette menace future ingéniérée. Le résultat fut un nouvel anticorps qui neutralisait le virus actuel de manière encore plus efficace que l'original et qui neutralisait également le variant de défi futur. Cela a prouvé que la prévision évolutive pouvait être utilisée pour guider la conception de médicaments avant même que la menace n'apparaisse dans la nature.
Tout au long de ces expériences, les chercheurs ont constaté que concevoir pour plusieurs cibles à la fois était plus efficace que d'essayer de résoudre chaque problème séparément. Les modèles informatiques ont réussi à identifier une forme d'anticorps unique capable d'accommoder les différences entre les diverses cibles. L'équipe a examiné des dizaines de designs pour chaque campagne, un nombre bien inférieur aux milliers souvent testés dans les méthodes traditionnelles, tout en trouvant des candidats hautement efficaces. Cela suggère que la conception computationnelle peut naviguer efficacement dans l'espace complexe des formes d'anticorps possibles pour trouver celles qui possèdent la largeur d'activité souhaitée. Le travail a également souligné que la liaison à une cible ne garantit pas toujours que l'anticorps neutralisera le virus, comme on l'a vu lorsqu'un candidat se liait au virus mais ne parvenait pas à l'empêcher d'infecter les cellules. Cela souligne l'importance de tester les conceptions finales dans des essais fonctionnels qui mesurent la neutralisation réelle.
L'étude conclut qu'il est possible d'aller au-delà de la conception d'anticorps pour un instantané unique d'un virus ou d'une cellule cancéreuse. En traitant le processus de conception comme un problème multi-objectif, les scientifiques peuvent créer des thérapies qui sont résilientes aux changements naturels de leurs cibles. La capacité d'incorporer des prédictions sur l'évolution future dans le processus de conception offre une nouvelle voie pour une médecine proactive, permettant potentiellement de préparer des traitements pour des menaces qui n'ont pas encore émergé. Bien que ces résultats soient issus d'études de laboratoire et nécessitent une validation supplémentaire pour une utilisation clinique, ils établissent une nouvelle stratégie puissante pour générer des anticorps capables de résister à la pression incessante de l'évolution.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.