研究人员利用机器学习来改善基因治疗

斯坦福大学高实验室正在利用人工智能来优化靶向细胞和基因治疗的功效和安全性。

　　

机器学习模型已经渗透到我们生活的方方面面，从策划播放列表到在几秒钟内解释复杂的概念。除了便捷之外，先进的算法正在成为现代医学中一种强大的潜在工具。一项这样的进展 发表 在6月3日的 《细胞系统》杂志上，斯坦福大学的研究人员利用机器学习，通过利用我们自身的蛋白质来提高靶向细胞和基因疗法的疗效和安全性。 

大多数人类疾病的发生是由于我们体内蛋白质的功能障碍，无论是系统性的还是局部性的。自然而然地，引入一种新的治疗性蛋白质来治愈功能失调的蛋白质将是理想的选择。尽管几乎所有治疗性蛋白质抗体要么是完全人源化的，要么是经过基因改造使其看起来像人源化的，但类似的方法尚未应用于其他治疗性蛋白质，尤其是那些在细胞中运作的蛋白质，例如参与CAR-T和基于CRISPR的疗法的蛋白质。后者仍然存在引发免疫反应的风险。为了解决这个问题， 高实验室的研究人员 现在转向了机器学习模型。 

“在本文中，我们提出了一个问题：为什么不从一开始就设计出避免免疫反应的治疗方法呢？随着计算工具的进步，我们现在正试图预测哪些蛋白质的变化可能引发免疫反应，并且只推进那些不太可能被人体排斥的设计，” 该论文的资深作者、斯坦福大学工程学院化学工程助理教授Xiaojing Gao说 。 

通过结合三种独立的机器学习算法，该团队在有效设计蛋白质的工具方面取得了重大进展，这种蛋白质可以避免此类免疫反应问题，并在引入人体后保持其功能。 

设计锌指 

减少这些疗法引起的免疫反应的一种方法是从人体中已有的蛋白质入手。因此，高团队选择了名为锌指的微小蛋白质，它们是真核生物中最丰富的蛋白质之一，负责调节基因表达。由于它们能够与人类DNA自然结合，因此是CRISPR等现有技术的良好替代品。CRISPR源于细菌，因此更容易引发免疫反应。 

“我们工作中最重要的部分是我们在设计锌指 DNA 结合域方面取得的进展，这种结合域可以靶向我们选择的任何基因组位点，同时保持引发免疫反应的较低预测风险，”化学工程博士生、论文第一作者 Eric Wolsberg 说道。 

由于进化过程，天然存在的锌指结构与人类基因组中的特定序列结合。然而，为了将其重新用于细胞或基因治疗，该团队使用了第一种算法来预测可能与锌指结构组合结合的新DNA靶点（例如致病基因）。由于锌指结构通常连接在一起以识别较长的DNA片段，因此该团队将它们组装成阵列，从而在单个锌指单元之间建立新的连接。 

但有一个复杂的问题。 

Xiaojing Gao教授说：“这些连接是不自然的，它们不存在于我们的身体中。 这意味着免疫系统可能会将它们识别为外来物质并做出反应。” 

随后，该团队利用了第二种机器学习算法 MARIA  ，该算法由论文的共同作者、斯坦福大学前研究生 Binbin Chen 和 医学院Moghadam Family 医学肿瘤学教授 Ash Alizadeh共同开发。MARIA 旨在预测这些锌蛋白连接的免疫原性，以设计癌症疫苗。 

疫苗的免疫原性优先考虑，这意味着团队反向使用MARIA模型，筛选那些可能逃避免疫检测的连接点或突变。如果MARIA模型预测改造后的锌指不太可能被免疫系统识别，则该设计被认为更安全。虽然这两种模型的结合确实产生了功能性的锌指阵列，但它们的疗效有限，这可能是由于用于预测锌指结合序列的算法存在局限性。 

为了保持较低的免疫原性并进一步提高工程锌指的功能，该团队应用了他们的第三种算法：一种名为 ESM-IF1 的强大的蛋白质语言模型。 

机器引导增强

ESM-IF1 借助数百万个天然蛋白质序列的训练，就像一位经验丰富的编辑，能够以较高的成功率提示哪些单字母基因调整可以提高锌指的性能。

Xiaojing Gao表示：“过去，研究人员尝试随机突变来改进锌指结构，但这种方法速度慢、效率低，而且与 MARIA 筛选不兼容。有了这个语言模型，我们可以专注于智能、有针对性的改变。” 在提出 ESM-IF1 的潜在突变后，该团队再次通过 MARIA 筛选修改后的序列，以确保这些改变不会引入新的免疫原性。

Xiaojing Gao说：“我们只推进通过两项测试的突变——高功能性和低免疫原性。”

研究团队通过评估计算机预测和实验室测试，将原始锌指蛋白与人工智能建议突变的版本进行了比较，以确认其性能的提升。原始蛋白质使人类基因的产量增加了2到4倍，而人工智能增强技术在实验室测试中进一步将其产量增加了2到6倍。 

Xiaojing Gao教授表示：“我们将锌指基因工程提升到了一个前所未有的高度，同时保留了其功能并降低了免疫原性。” 研究人员计划在此基础上进一步发展，旨在开发一种端到端算法，有朝一日能够帮助设计人类的锌指基因疗法。