O nouă metodă AI monitorizează răspunsurile imune fără a folosi baze de date cu anticorpi
O echipă de cercetare de la Universitatea Kobe, formată din profesorii FUNAKOSHI Yohei, YAKUSHIJIN Kimikazu, MINAMI Hironobu, OHJI Goh și studenții absolvenți MASUDA Genki și IIZUMI Shunsuke, împreună cu asociatul OHUE Masahito și colegi de la Institutul de Știință Tokyo, a dezvoltat o nouă metodă de analiză, LM-QASAS.
Această metodă combină modelele de limbaj pentru anticorpi cu repertoriile receptorilor B (BCR) colectate înainte și după vaccinare, pentru a identifica și urmări secvențele candidate BCR care sunt susceptibile să fi răspuns la un stimul imunitar, fără a utiliza o bază de date cu anticorpi specifici cunoscuți. LM-QASAS extinde metoda QASAS (Quantification of Antigen-Specific Antibody Sequence), care evaluează cantitativ răspunsurile imune la un antigen specific prin analiza repertoriului receptorilor antigenului.
În analiza datelor longitudinale ale repertoriului IgG BCR de la 10 participanți din grupuri legate de SARS-CoV-2, candidații selectați printr-un model de limbaj pentru anticorpi au conținut o proporție mai mare de secvențe similare cu anticorpii cunoscuți decât candidații obținuți prin eșantionare aleatorie. De asemenea, o bază de date pseudo-referință construită din datele a nouă dintre participanți a reușit să urmărească creșterea, vârful și declinul ulterior al răspunsului imunitar în participantul exclus din construcția bazei de date.
Rezultatele sugerează că LM-QASAS ar putea permite construirea de baze de date pseudo-referință din repertoriile BCR ale mai multor indivizi și utilizarea acestora pentru a urmări răspunsurile imune în noi indivizi, chiar și pentru boli infecțioase emergente pentru care informațiile despre anticorpi cunoscuți sunt limitate. Acestea indică, de asemenea, că învățarea profundă poate capta modele biologic informative în secvențe de anticorpi extrem de diverse. Cu validarea pe o gamă mai largă de antigens și coorte mai mari, abordarea ar putea deveni o platformă pentru monitorizarea unei game variate de răspunsuri imune umorale, inclusiv răspunsuri relevante pentru vaccinuri, boli infecțioase, boli autoimune și imunitatea împotriva cancerului.
Cercetarea a fost publicată online în Frontiers in Immunology pe 30 iulie 2026.
Punctele principale includ:
- Metoda originală QASAS se bazează pe baze de date cu secvențe de anticorpi cunoscuți, ceea ce îi limitează aplicabilitatea atunci când informațiile despre anticorpi nu sunt suficiente.
- LM-QASAS utilizează AbLang2 pentru a converti secvențele CDR-H3 ale IgG BCR în reprezentări de 480 de dimensiuni și identifică populații ale căror densitate locală crește la vârful răspunsului și apoi scade.
- În datele legate de SARS-CoV-2 de la 10 participanți, LM-QASAS a îmbogățit secvențele similare cu anticorpii cunoscuți SARS-CoV-2 și a utilizat baze de date pseudo-referință construite din ceilalți nouă participanți pentru a urmări modelele de răspuns longitudinal.
- Folosind mostre clinice de la destinatari ai vaccinului SARS-CoV-2 și pacienți în recuperare, studiul a arătat că modelul de limbaj pentru anticorpi poate capta modele biologic informative în datele longitudinale ale repertoriului BCR, în ciuda diversității ridicate a secvențelor CDR-H3.
- Validarea pe mai multe antigens și coorte mai mari ar putea permite evaluarea vaccinurilor și monitorizarea răspunsurilor umorale în infecții emergente, boli autoimune și imunitatea împotriva cancerului.
Contextul cercetării subliniază că celulele B poartă forme de anticorpi legate de membrană, cunoscute sub numele de receptori pentru celulele B (BCR), pe suprafața lor. Teoretic, corpul uman poate genera până la 100 de trilioane de BCR-uri diferite. Colecția completă a acestor secvențe – repertoriul BCR – înregistrează istoricul imunologic al unui individ, inclusiv infecții, vaccinări și răspunsuri autoimune. Deși secvențierea de generație următoare poate citi acum un număr mare de secvențe BCR simultan, identificarea subsetului mic care a răspuns efectiv la un antigen particular rămâne o provocare.
Metoda QASAS dezvoltată anterior de grupul de cercetare vizualizează răspunsurile imune la un antigen specific de-a lungul timpului, comparând repertoriile BCR obținute înainte și după vaccinare cu baze de date de anticorpi specifici cunoscuți. Această abordare este utilă în domenii precum cercetarea COVID-19, pentru care s-au acumulat multe secvențe de anticorpi. Cu toate acestea, pentru bolile infecțioase emergente și alte condiții cu informații limitate despre anticorpi, o bază de referință adecvată poate să nu fie disponibilă. Echipa a căutat, prin urmare, o metodă care să poată descoperi secvențele candidate responsabile autonom din organizarea internă și dinamica temporală a repertoriului, fără a se baza pe o bază de date de secvențe de anticorpi specifici cunoscuți.
LM-QASAS caută populații de secvențe dense temporare în „spațiul limbajului” pentru anticorpi. Aceasta preia secvențele de aminoacizi din CDR-H3, o regiune a lanțului greu al anticorpului esențială pentru recunoașterea antigenelor, și le procesează cu modelul de limbaj pentru anticorpi AbLang2. Fiecare secvență este transformată în reprezentări de 480 de dimensiuni. Secvențele cu caracteristici similare învățate de model sunt poziționate aproape una de alta în acest spațiu lingvistic de înaltă dimensiune. Cercetătorii au reprezentat repertoriile dinainte de stimulare (Pre), vârful răspunsului (Peak) și faza de contracție (Post) ca distribuții în acest spațiu.
Într-un caz reprezentativ, o nouă regiune de înaltă densitate a apărut la vârful răspunsului. Secvențele similare cu anticorpii cunoscuți SARS-CoV-2 din baza de date publică CoV-AbDab s-au concentrat în această regiune. Această densitate și numărul de puncte roșii au scăzut după vârf, deși unele secvențe au persistat. UMAP a fost utilizat doar pentru a vizualiza modelul în două dimensiuni; estimarea densității și extragerea candidaților au fost realizate în spațiul de 480 de dimensiuni, bogat în informații. Aceste rezultate sugerează că, în ciuda diversității ridicate a secvențelor CDR-H3, un model de limbaj pentru anticorpi poate capta modele biologic informative dincolo de cele detectabile prin potrivirea exactă a secvențelor.
Validarea a fost realizată pe un set de date care a inclus repertoriile longitudinale IgG BCR de la patru destinatari sănătoși ai vaccinului mRNA SARS-CoV-2, trei persoane recuperate după COVID-19 și trei persoane care au primit un vaccin mRNA după ce au suferit o transplantare de celule stem hematopoietice. După ce LM-QASAS a extras secvențele candidate fără a folosi o bază de date cu anticorpi cunoscuți, cercetătorii au măsurat proporția acestor candidați care ave
