Antibody design across observed and forecasted antigenic evolution
Il documento introduce "Germinal Multi", un framework computazionale che progetta e recupera con successo anticorpi ottimizzando congiuntamente un singolo paratopo contro molteplici varianti antigeniche osservate e previste, generando così una vasta efficacia terapeutica contro i target virali e tumorali attuali e prospettici.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Gli anticorpi sono gli strumenti di precisione del sistema immunitario, proteine che pattugliano il flusso sanguigno alla ricerca di invasori specifici come virus o cellule cancerose. Quando un anticorpo trova il suo bersaglio, si aggancia con una forma unica, proprio come una chiave che si inserisce in una serratura, e neutralizza la minaccia. Questo meccanismo è diventato una pietra miliare della medicina moderna, offrendo trattamenti per tutto, dalle infezioni al cancro. Tuttavia, i bersagli che questi anticorpi cercano non sono statici. I virus e le cellule cancerose cambiano costantemente la loro superficie esterna attraverso un processo di evoluzione, accumulando piccole mutazioni che possono alterare la forma della "serratura". Se la serratura cambia anche solo leggermente, la chiave dell'anticorpo potrebbe non incastrarsi più, rendendo il trattamento inutile. Questa corsa agli armamenti tra le nostre difese e i patogeni in evoluzione è uno dei motivi principali per cui alcuni medicinali smettono di funzionare nel tempo.
Gli scienziati cercano da tempo un modo per progettare anticorpi che possano tenere il passo con questi cambiamenti, creando chiavi che si adattino non a una sola serratura, ma a molte versioni diverse della stessa serratura. La sfida è stata che progettare un singolo anticorpo capace di riconoscere più forme, leggermente diverse, è incredibilmente difficile. I metodi tradizionali spesso si affidano allo screening di vaste librerie di anticorpi naturali o alla modifica di quelli esistenti, un processo che può essere lento e dispendioso in termini di risorse. Inoltre, prevedere come un virus possa cambiare in futuro per sfuggire alle nostre difese attuali aggiunge un ulteriore livello di complessità. I ricercatori hanno bisogno di un modo per progettare anticoroli che siano robusti sia contro le variazioni che vediamo oggi, sia contro i potenziali cambiamenti che potrebbero emergere domani.
Un team di ricercatori ha sviluppato un nuovo framework computazionale chiamato Germinal Multi per affrontare questo problema. Invece di progettare un anticorpo per un singolo bersaglio, questo sistema permette agli scienziati di progettare un singolo anticorpo che sia ottimizzato per legarsi simultaneamente a più versioni di un bersaglio. I ricercatori hanno testato questo approccio in tre scenari distinti: contro proteine legate al cancro che hanno sviluppato resistenza ai farmaci esistenti, contro versioni storiche di un virus che sono già cambiate e contro una versione futura prevista di un virus che non esiste ancora in natura. In ogni caso, l'obiettivo era creare un singolo anticorpo che potesse riconoscere e neutralizzare un insieme diversificato di bersagli, rimanendo efficacemente un passo avanti all'evoluzione.
Il primo caso di studio ha riguardato una proteina presente sulla superficie delle cellule cancerose chiamata EGFR. Determinate mutazioni in questa proteina permettono alle cellule cancerose di resistere al trattamento con un comune farmaco anticorpale chiamato cetuximab. I ricercatori hanno identificato sei mutazioni specifiche note per causare questa resistenza e hanno chiesto al computer di progettare un nuovo anticorpo che potesse legarsi alla proteina originale e a tutte le sei versioni mutate. Non hanno progettato l'anticorpo affinché si adattasse a ciascuna mutazione individualmente; invece, hanno creato un singolo processo di progettazione che le considerasse tutte contemporaneamente. Il computer ha generato 60 potenziali sequenze anticorpali e, dopo aver testato un piccolo numero di candidati più promettenti in laboratorio, il team ha trovato diversi esemplari funzionanti. Quattro di queste nuove progettazioni si legavano fortemente alla proteina originale e a tutte le sei varianti resistenti, mentre il farmaco originale non riusciva a legarsi alla maggior parte di esse. Ciò ha dimostrato che è possibile ingegnerizzare un singolo anticorpo che ignori i cambiamenti specifici che le cellule cancerose utilizzano per nascondersi dal trattamento.
La seconda applicazione si è concentrata sul virus SARS-CoV-2, specificamente sulla parte del virus che permette l'ingresso nelle cellule umane. I ricercatori hanno scelto due versioni distinte del virus che erano apparse in tempi diversi: una di un'ondata precedente della pandemia e una versione più recente ed evoluta che aveva già eluso la protezione di un noto anticorpo. Hanno utilizzato il computer per progettare un nuovo anticorpo da zero che si legasse a entrambe le versioni simultaneamente. Dopo aver esaminato 5�kiem 57 progetti, hanno identificato un candidato che ha neutralizzato con successo entrambi i varianti del virus nei test di laboratorio. Sorprendentemente, questo nuovo anticorpo ha funzionato anche contro diverse altre versioni intermedie del virus che non facevano parte del processo di progettazione originale, mostrando che l'approccio può generare una protezione ampia attraverso una gamma di tappe evolutive.
L'esperimento più lungimirante riguardava la previsione di come il virus potrebbe cambiare in futuro. I ricercatori hanno utilizzato un modello informatico separato per prevedere quali mutazioni sarebbero probabilmente apparse successivamente in una linea virale attualmente in circolazione. Hanno combinato queste previsioni con dati provenienti da esperimenti precedenti per identificare un set specifico di cambiamenti che avrebbero probabilmente permesso al virus di sfuggire a un potente anticorpo ad ampio spettro. Hanno poi costruito una versione sintetica del virus con queste mutazioni previste, creando una variante di "sfida" che l'anticorpo esistente non era più in grado di neutralizzare. Utilizzando il loro sistema di progettazione multi-target, hanno riprogettato l'anticorpo originale affinché riconoscesse sia il virus attuale che questa minaccia futura ingegnerizzata. Il risultato è stato un nuovo anticorpo che neutralizzava il virus attuale in modo ancora più efficace rispetto all'originale e che neutralizzava anche la variante di sfida futura. Ciò ha dimostrato che la previsione evolutiva può essere utilizzata per guidare la riprogettazione dei medicinali prima ancora che la minaccia appaia in natura.
Durante tutti questi esperimenti, i ricercatori hanno scoperto che progettare per più bersagli contemporaneamente era più efficace che cercare di risolvere ogni problema separatamente. I modelli computazionali sono riusciti a identificare una singola forma anticorpale che potesse accomodare le differenze tra i vari bersagli. Il team ha esaminato decine di design per ogni campagna, un numero molto inferiore ai migliaia spesso testati nei metodi tradizionali, eppure ha comunque trovato candidati altamente efficaci. Ciò suggerisce che la progettazione computazionale possa navigare efficientemente nello spazio complesso delle possibili forme anticorpali per trovare quelle con la desiderata ampiezza di attività. Il lavoro ha inoltre evidenziato che il legame con un bersaglio non garantisce sempre che l'anticorpo neutralizzi il virus, come visto quando un candidato si legava al virus ma non riusciva a impedirgli di infettare le cellule. Ciò sottolinea l'importanza di testare i design finali in saggi funzionali che misurano l'effettiva neutralizzazione.
Lo studio conclude che è possibile andare oltre la progettazione di anticorpi per un singolo istante temporale di un virus o di una cellula cancerosa. Trattando il processo di progettazione come un problema multi-obiettivo, gli scienziati possono creare terapie che siano resilienti ai cambiamenti naturali dei loro bersagli. La capacità di incorporare le previsioni sull'evoluzione futura nel processo di progettazione offre una nuova via per la medicina proattiva, permettendo potenzialmente di preparare trattamenti per minacce che non sono ancora emerse. Sebbene questi risultati derivino da studi di laboratorio e richiedano ulteriori validazioni per l'uso clinico, essi stabiliscono una nuova e potente strategia per generare anticorpi in grado di resistere alla implacabile pressione dell'evoluzione.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.