استخلاص وظائف الأجسام المضادة عبر تخطيط المناظر البنيوية بقيادة الذكاء الاصطناعي

لماذا تهم هذه الدراسة

كانت اللقاحات والأدوية القائمة على الأجسام المضادة من الأسلحة الأساسية ضد كوفيد-19، لكن جهازنا المناعي ينتج تنوعًا هائلاً تقريبًا من الأجسام المضادة، ومعظمها لا ندرسه بتفصيل. توضح هذه الورقة كيف يمكن للذكاء الاصطناعي قراءة تسلسلات الجينات للأجسام المضادة واستنتاج أين وكيف تتشبث بشوكة فيروس كورونا، مما يساعد العلماء على انتقاء الجزيئات النادرة التي تعطل الفيروس بسرعة وتظل فعالة مع طفراته. يمكن لنفس الاستراتيجية تسريع البحث عن أدوية بالأجسام المضادة ضد العديد من الممرضات المستقبلية.

تحويل تسلسلات الأجسام المضادة إلى خريطة

يركز المؤلفون على الأجسام المضادة التي تتعرف على مجال ربط المستقبل (RBD) في بروتين الشوكة لـ SARS-CoV-2، وهي قبضة رئيسية يستخدمها الفيروس لالتقاط الخلايا البشرية. جمعوا مجموعة تدريب كبيرة من الهياكل المتاحة للعامة لمجمعات الجسم المضاد–RBD ومن تجارب المسح الطفري العميق التي ترسم كيف تؤثر التغييرات في الفيروس على ارتباط الأجسام المضادة. من خلال تجميع هذه البيانات، حددوا 12 «فئة مستضدية» مميزة — مناطق متكررة على RBD التي تستهدفها أجسام مضادة مختلفة، كل منها مرتبط بقوة ونطاق لتعطيل الفيروس يميِّزانها.

بناء دليل ذكاء اصطناعي لوظيفة الأجسام المضادة

فوق هذه الخريطة البنيوية، بنى الفريق أداة ذكاء اصطناعي تسمى RBD-AIM. أولًا، يحلل نموذج لغوي مدرَّب خصيصًا على تسلسلات الأجسام المضادة الشيفرة الجينية لسلاسل الثِقل والخفة للجسم المضاد ويتنبأ بأي فئة مستضدية ينتمي إليها. ثم خطوة توقع البنية تستخدم قوالب ثلاثية الأبعاد معروفة وخوارزميات طي حديثة لتنقيح كيفية جلوس ذلك الجسم المضاد على الأرجح على RBD. يساعد مقياس الثقة المستمد من المحاذاة ثلاثية الأبعاد المتوقعة في تقرير متى يُعتمد على النموذج البنيوي مقابل المصنف الأبسط القائم على التسلسل. عموماً، تتفوق هذه المقاربة المركبة على بحث التقارب التقليدي وبعض أدوات التنبؤ بالهياكل الحديثة في تخمين مكان ارتباط الجسم المضاد ومدى احتمالية قدرته على إيقاف الفيروس.

إعادة خلق الاستجابات المناعية الحقيقية في المختبر

لاختبار RBD-AIM على مجموعات أجسام مضادة واقعية، أعاد الباحثون بناء مجموعات خلايا B الأصلية من أشخاص تلقوا لقاحًا إما من نوع mRNA (فايزر–بيونتك) أو لقاحًا ناقلًا للأدينوفيروس (سبوتنيك V). باستخدام الميكروفلويديك في القطرات، التقطوا التزاوجات الأصلية لسلاسل الثِقل والخفة من خلايا B مفردة وعرضوا الشظايا الناتجة على سطح خلايا الخميرة. حافظ ذلك على التنوع الطبيعي للأجسام المضادة بشكل أفضل بكثير من الطرق التقليدية التي تخلط السلاسل عشوائيًا. سمح لهم RBD الموسوم فلوريسنتيًا بفرز خلايا الخميرة الحاملة لروباطات RBD ذات ألفة عالية، بما في ذلك تلك التي تتنافس مباشرة مع مستقبل ACE2 البشري على نفس البقعة في الشوكة.

التنبؤ والتحقق من أي الأجسام المضادة تعمل فعلاً

تم بعدها تشغيل عشرات الأجسام المضادة المرتبطة بقوة بـ RBD من هؤلاء المتبرعين الملقحين عبر RBD-AIM. تنبأت الأداة بأي فئة مستضدية يتعرف عليها كل واحد، وما إذا كان من المحتمل أن يمنع ACE2، ومدى صلابته أمام طفرات الشوكة الموجودة في متغيرات مثل دلتا وأوميكرون. كما هو متوقع، كانت الأجسام المضادة الموجهة إلى منطقة اتصال ACE2 قوية لكن ضيقة النطاق، تفقد فعاليتها ضد أوميكرون. مقابل ذلك، تنبأ جزء من الأجسام المضادة من فئة مستضدية أبعد مكانيًا (أطلق المؤلفون عليها اسم E221) بأنه سيحتفظ بقدرة معطلة عبر المتغيرات. أكدت اختبارات الارتباط والتعطيل الفيروسي المعملية هذه الأنماط، وأظهرت الهياكل البلورية أن تخمينات RBD-AIM البنيوية غالبًا ما كانت دقيقة حتى إلى أسطح التلامس المفصَّلة.

من التنبؤ إلى الحماية في الحيوانات

لاختبار ما إذا كانت هذه الأجسام المضادة ذات الأولوية من قِبل الذكاء الاصطناعي يمكن أن تعمل كعقاقير حقيقية، اختار الفريق جزيئات تمثيلية: جسم مضاد كلاسيكي يعيق ACE2 وجسم مضاد من فئة E221 يعطل الفيروس بآلية أكثر غير مباشرة. في نموذج تحدٍّ قاتل لـ SARS-CoV-2 باستخدام فئران مهندَسة للتعبير عن ACE2 البشري، جرعة واحدة منخفضة من أي من الجسمين المضادين حمت جميع الحيوانات المعالجة، بما يتوافق مع ملفاتهم المتوقعة للتعطيل. أشارت أعمال بنيوية ومحاكاة إضافية إلى أن جسم E221 واسع النطاق يعمل عن طريق «تجميد» أجزاء مرنة من RBD اللازمة للالتحاق بالكفاءة بالمستقبل، وهي آلية أقل عرضة للاعتماد على الشكل الدقيق لبقعة اتصال ACE2.

ماذا يعني هذا بالنسبة للجوائح المستقبلية

عمليًا، تقدم هذه الدراسة مخططًا عمليًا لدمج تقنيات العرض عالية الإنتاجية مع الذكاء الاصطناعي لتحويل بيانات تسلسل الأجسام المضادة الخام إلى رؤى وظيفية. بدلاً من توصيف جسم مضاد واحد بعامل تلو الآخر بعناء، يمكن للباحثين الآن مسح التشكيلات بأكملها بسرعة، وترتيب المرشحين الواعدين حسب الفعالية والنطاق، وفهم أي مناطق في بروتين الفيروس هي الأكثر أهمية للاستهداف. وعلى الرغم من أن RBD-AIM تم تدريبه على SARS-CoV-2، يظهر المؤلفون أنه مع توفر بيانات بنيوية وطفرية كافية يمكن تطبيق نفس الاستراتيجية على فيروسات أخرى، مما يشير إلى مستقبل قد يساعد فيه «تخطيط المنظر البنيوي» بقيادة الذكاء الاصطناعي في استخراج استجاباتنا المناعية لعلاجات الأجسام المضادة من الجيل القادم.

الاستشهاد: Terekhov, S.S., Ivanisenko, N.V., Zhang, N. et al. Mining antibody functionality via AI-guided structural landscape profiling. Nat Commun 17, 4009 (2026). https://doi.org/10.1038/s41467-026-70553-6

الكلمات المفتاحية: اكتشاف الأجسام المضادة, الذكاء الاصطناعي, شوكة SARS-CoV-2, تعيين المستضدات, الأجسام المضادة العلاجية