抗體是人體免疫系統的第一道防線,這些形狀特殊的蛋白質鏈,能黏附於受細菌和病毒入侵的細胞,有助免疫系統識別及清除之。1980 年代以來,藥廠一直生產合成抗體以治療癌症、器官移植排斥等;研發期間要對數百萬種潛在抗體的氨基酸組合作篩選及測試。近年英國生物製藥公司 LabGenius 就運用算法提升研發效率,為合成抗體帶來革命。
2012 年,正在倫敦帝國學院攻讀合成生物學博士學位的 James Field,趁當時 DNA 測序、AI 系統和機械人成本下降而創立 LabGenius。他把倫敦伯蒙西的一家舊餅乾工廠改裝成實驗室,內置培養病毒細胞、抗體,以及 DNA 測序等設施;從建構到測試合成抗體,幾乎全由機器自動執行。
科學家只需先輸入健康和患病細胞的樣本,並確定潛在抗體的 DNA 組合範圍;該公司開發的機器學習模型會從 10 萬個初始選項中,篩選出 700 多組 DNA。情形就如要從數千種汽車中挑選一款完美汽車:可先選定一種顏色,再從中揀出特定色調的車輛以收窄範圍。
其後,機器學習模型會自行創建抗體的 DNA 分子,於哺乳動物或細菌的細胞內培植。抗體根據特定的基因序列生長,再被置入患病細胞的樣本中;期間以一系列高端設備製成樣本,用作不同階段的試驗,從而檢測它們能否有效解決患病組織。
當獲得該 700 組分子的實驗結果後,有關信息會回饋到模型,透過機器學習找出不同的抗體設計將如何改變治療效果;經系統分析結果數據,從而不斷改良抗體的分子組合,以求於潛在分子組合與探尋新選項之間取得平衡,尋求最佳的抗體。
以往每當研究人員發現某種可能有效的分子,往往會對它作大量微調以力求完善。這些調整或會改良分子的某種特性,例如使其更易產生大量抗體,但同時亦可能伴隨著許多負面轉變,影響其識別細胞能力、毒性和效力等,換言之即「選錯目標」或「只見樹木而不見森林」;加上傳統方法的樣本測試數量或次數有限,研究人員傾向在已知的「安全範圍」內尋求方案,而錯過可能在未知領域中的更佳選項。
LabGenius 將加速研發效率:從確定需求到完成第一批抗體只需 6 星期,期間全由機器學習模型指導。該公司已籌得 2,800 萬美元,並開始為其他製藥公司提供諮詢服務,將來或有助研發其他藥物。Field 認為,傳統的蛋白質工程難以找出最佳分子組合,因它們通常與人類的設計相悖,該技術將有助建構治療效果好的抗體。