BioForm-LM: Generative Design of Biologics Formulations via In-Context Learning and Physics-Informed Decoding
BioForm-LM is een nieuw generatief systeem dat mechanistische simulatie, in-context few-shot learning en physics-informed decoding combineert om de novo biologische formuleringen automatisch te ontwerpen, waarbij het traditionele rankingsmethoden en willekeurige bemonstering op echte benchmarks aanzienlijk overtreft.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Het maken van een levensreddend eiwitmedicijn is slechts de helft van de strijd; de andere helft is het stabiel genoeg houden om te overleven op een plank, in een spuit, of in het menselijk lichaam. Biologics, waaronder antilichamen en andere complexe eiwitten, zijn fragiele moleculen die gemakkelijk kunnen klonteren of hun vorm kunnen verliezen als de vloeistof waarin ze zijn opgelost niet perfect in balans is. Decennialang was het vinden van die perfecte balans een traag, handmatig proces van trial-and-error. Wetenschappers mengen een eiwit met verschillende buffers, suikers en zouten, en wachten dan wekenlang om te zien of het standhoudt. Deze flessenhals is duur en beperkt hoe snel nieuwe medicijnen patiënten kunnen bereiken, vooral in gebieden zonder betrouwbare koeling. De kern van de uitdaging is dat hoewel wetenschappers de basisregels kennen van hoe eiwitten interageren met hun omgeving, er zeer weinig real-world data beschikbaar is om computers te leren hoe ze de juiste mengeling voor een nieuw medicijn kunnen voorspellen. De meeste bestaande computertools kunnen slechts een lijst met mengsels rangschikken die mensen al hebben voorgesteld; geen enkele kan vanuit het niets een nieuwe, stabiele mengeling verzinnen.
Een onderzoeker heeft nu een nieuw systeem geïntroduceerd genaamd BioForm-LM, dat probeert dit probleem op te lossen door een computer te leren zich stabiele medicijnmengsels voor te stellen. In plaats van te vertrouwen op enorme bibliotheken van eerdere experimenten, die voor de meeste nieuwe eiwitten niet bestaan, gebruikt het systeem een drieledige strategie. Ten eerste voert het een snelle, op fysica gebaseerde simulatie uit die nabootst hoe eiwitten zich in verschillende vloeistoffen gedragen. Deze simulator genereert een miljoen synthetische voorbeelden van eiwitmengsels en hun stabiliteit, waardoor de computer de fundamentele wetten van de chemie en fysica leert. Ten tweede gebruikt het systeem een type kunstmatige intelligentie dat kan leren van slechts een paar voorbeelden. Wanneer een wetenschapper een nieuw eiwit wil stabiliseren, voert hij slechts drie tot tien echte metingen van dat specifieke eiwit aan de computer. Het systeem gebruikt deze paar datapunten om zijn begrip direct aan te passen, zonder dat het opnieuw getraind hoeft te worden. Ten slotte beoordeelt een gespecialiseerde controleur, getraind op dezelfde natuurkundige regels, de suggesties van de computer en kiest de voorstellen die het meest waarschijnlijk in de echte wereld zullen werken.
De onderzoeker testte deze aanpak op een kleine, zorgvuldig samengestelde collectie van achttien real-world medicijnformuleringen die in de wetenschappelijke literatuur zijn gevonden. De resultaten toonden aan dat het systeem nieuwe, levensvatbare recepten voor mengsels kon genereren die aanzienlijk beter waren dan willekeurige gissingen. In één specifiek geval met betrekking tot een klein antilichaamfragmentel bereikte het systeem een perfecte overeenkomst tussen de voorspellingen en de werkelijke experimentele resultaten, waarbij slechts drie echte datapunten werden gebruikt om het te sturen. Gemiddeld verkende het systeem een chemische ruimte die bijna vijf keer groter was dan wat een willekeurige zoektocht zou dekken, wat suggereert dat het werkelijke patronen heeft geleerd over hoe men eiwitten stabiliseert, in plaats van alleen oude data te hebben onthouden. Het systeem toonde ook aan dat het kan aanpassen aan verschillende soorten eiwitten, waarbij het zijn strategie wijzigt afhankelijk van het specifieke molecuul dat het probeert te redden.
De auteur merkt echter voorzichtig op dat deze resultaten momenteel computationele hypothesen zijn, geen afgewerkte medicijnen. Het systeem is nog niet getest in een nat laboratorium om te bevestigen dat de gegenereerde mengsels daadwerkelijk werken in een fysieke reageerbuis. De dataset die voor het testen werd gebruikt, was erg klein en bevatte slechts achttien records, wat de reikwijdte van de bevindingen vandaag de dag beperkt. De onderzoeker benadrukt dat hun tool is ontworpen om kandidaten voor te stellen die wetenschappers kunnen testen, niet om het laboratoriumwerk volledig te vervangen. Zij zien dit als een eerste stap naar een toekomst waarin computers snel duizenden mogelijke mengsels kunnen verkleinen tot een handvol van de meest veelbelovende opties, wat maanden aan handmatige screening bespaart. Hoewel het systeem grote belofte toonde in simulaties, zal het ultieme bewijs komen uit fysieke experimenten die verifiëren of deze door de computer gegenereerde recepten de fragiele eiwitten inderdaad jarenlang stabiel kunnen houden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.