Ứng dụng học máy để phát triển vắc-xin cá nhân hóa cho bệnh ung thư
Các nhà nghiên cứu tại Yale đã phát triển một mô hình học máy, được gọi là Immunostruct, có thể giúp các nhà khoa học tạo ra các loại vắc-xin cá nhân hóa hơn, bao gồm cả vắc-xin ung thư. Họ đã nghiên cứu trong tạp chí Nature Machine Intelligence cùng với những phát hiện từ việc áp dụng nó vào dữ liệu về ung thư và miễn dịch học.
Khi một mối đe dọa tiềm tàng, chẳng hạn như virus hoặc khối u, xuất hiện trong cơ thể, các tế bào miễn dịch của chúng ta sẽ nhận biết các peptide về cơ bản là các protein ngắn trên bề mặt của kẻ xâm nhập và tạo ra phản ứng phòng vệ. Vùng nhỏ mà hệ thống miễn dịch tương tác được gọi là epitope.
Vắc xin dựa trên epitope là một công nghệ mới nổi, chứa các peptide đặc hiệu để kích hoạt phản ứng miễn dịch nhắm mục tiêu chính xác vào các bệnh cụ thể. Các nghiên cứu đang được tiến hành cho thấy những vắc xin này là một liệu pháp miễn dịch đầy hứa hẹn cho một loạt các bệnh ung thư, bao gồm ung thư hắc tố, ung thư vú và u nguyên bào thần kinh đệm. Các nhà nghiên cứu cũng đang điều tra xem liệu những vắc xin này có thể chống lại các biến thể mới của bệnh truyền nhiễm hiệu quả hơn hay không.
Để phát triển các loại vắc-xin này, các nhà khoa học có thể sử dụng các mô hình giúp họ dự đoán những peptide nào có khả năng kích hoạt phản ứng miễn dịch mạnh mẽ nhất đối với một kháng nguyên cụ thể. Các nhà nghiên cứu cho biết, một hạn chế của nhiều mô hình này là chúng coi peptide như một chuỗi axit amin một chiều, chứ không phải là cấu trúc ba chiều, hoạt động thực sự của chúng.
Giờ đây, các nhà nghiên cứu tại Đại học Yale đã tạo ra một mô hình kết hợp cả các đặc tính cấu trúc và sinh hóa của peptit. Trong nghiên cứu mới này, họ chỉ ra rằng mô hình đa phương thức hiệu quả hơn trong việc xác định các peptit tiềm năng so với các mô hình trước đó.
Mô hình Immunostruct có sẵn dưới dạng mã nguồn mở trên GitHub.
Các mô hình dự đoán trước đây mã hóa chuỗi axit amin dưới dạng văn bản, Chen Liu, nghiên cứu sinh tiến sĩ ngành khoa học máy tính và đồng tác giả chính, giải thích. “Nhưng sau đó chúng đã bỏ qua tất cả thông tin phong phú này trong không gian 3D,” anh nói. “Chúng tôi đã cố gắng mã hóa các thuộc tính cấu trúc và sinh hóa để đưa vào nhiều thông tin hơn mà trước đây đã bị bỏ qua.”
Trong nghiên cứu này, các nhà nghiên cứu đã cùng nhau huấn luyện Immunostruct dựa trên thông tin về axit amin, dữ liệu cấu trúc và các đặc tính sinh hóa. Họ nhận thấy rằng mỗi thành phần này đều phối hợp giúp cải thiện hiệu suất của mô hình.