虚拟实验室：人工智能代理通过实验验证设计新的 SARS-CoV-2 纳米抗体

追随人工智能在药物发现方面取得的进步，可以说还有巨大的未开发潜力。尤其是治疗性纳米抗体，由于需要复杂的跨学科知识，因此取得的突破相对有限。COVID-19 大流行促使开发能够在短时间内对 SARS-CoV-2 表现出高结合亲和力和稳定性的治疗性纳米抗体。然而，开发和测试新药是一项资源密集型且耗时的工作。斯坦福大学计算机科学和生物医学数据科学系和旧金山 Chan Zuckerberg Biohub 的研究人员使用了一个著名的框架“虚拟实验室”，该框架有助于简化从设计到测试的药物开发过程。 

传统方法涉及对针对靶抗原的纳米抗体候选物的大型文库进行实验筛选，以鉴定高亲和力结合物。然而，这需要大量的时间、资源和劳动力。还开发了计算方法来识别候选纳米抗体，但发现它们缺乏准确性，如果用作治疗方法，这可能非常有害。鉴于 SARS-CoV-2 病毒的快速突变率，在药物开发过程中必然会造成大量生命损失。这些限制给医疗保健系统带来了压力。 

所提出的方法采用虚拟实验室环境，具有不同专业领域的人工智能代理可以协作并解决问题，模仿现实世界的科学团队合作。在人工智能代理之间进行会议后，开发了计算管道。该管道的关键组件包括：

• ESM（进化规模模型）：分析蛋白质序列并记录各种突变对蛋白质功能和稳定性的影响。该工具对于寻找增强纳米抗体与病毒刺突蛋白结合的潜在突变至关重要。 
• AlphaFold-Multimer：为了预测病毒和纳米抗体之间的蛋白质-蛋白质相互作用，AplhaFold-Multimer 使用深度学习并生成高可信度的结构预测。 
• Rosetta：它使用迭代细化过程来优化所设计的纳米体的三维结构。

实验验证表明，超过 90% 的工程化纳米抗体被表达且可溶，并且两种候选物表现出优异的结合特性，特别针对 SARS-CoV-2 的新 JN.1 和 KP.3 变体，同时保留与祖先刺突的牢固相互作用蛋白质。这是证明虚拟实验室计算框架在快速生成可行的候选治疗药物方面的有效性的重要结果。

总之，本文描述了结合现有实验方法产生的基于人工智能的纳米抗体。这种由多个人工智能体组成的协同框架极大地提升了许多既定方法的设计和验证阶段，而这些方法往往非常耗时和资源消耗。针对 SARS-CoV-2 变体的定向纳米抗体的最佳识别提供了必要的证据，表明人工智能可能对加速治疗发现至关重要。这种新颖的方法提高了纳米抗体设计的有效性，并有助于快速响应新出现的病毒威胁。这给了它一个概述人工智能在生物医学研究及其在开发治疗中的应用的巨大影响的前景。

查看报纸。这项研究的所有功劳都归功于该项目的研究人员。另外，不要忘记关注我们 叽叽喳喳并加入我们的 电报频道和 领英 集团奥普。如果您喜欢我们的工作，您就会喜欢我们的新闻通讯..不要忘记加入我们的 59k+ ML SubReddit。

ðï¸ ðœ大型语言模型漏洞评估：红队技术的比较分析 — 阅读完整报告_{（已晋升）}