2022年3月1日，《美国科学院院报》发表了清华大学和麻省理工学院合作的一项成果。研究人员通过修改一种已知的针对COVID-19的抗体，设计出能够抵抗COVID-19免疫逃逸的突变单克隆抗体，提高其针对多种疾病变体的功效。

该项研究利用深度学习有两个非常重要的原因。一个是扩展所谓的搜索空间，即修改抗体的一组潜在解决方案。其次，诸如随机诱变之类的方法在带来好处的同时带走抗体好的部分，结果可能并不是最理想。通过使用深度学习方法，研究人员希望在扩展功效的同时保留已完成的工作，不仅寻求改进，而且寻求优化。

团队在方法上采用了AlphaFold 2的基本技术：图网络和称为“注意”的变量处理。AlphaFold 2使用有关蛋白质的信息来构建不同氨基酸彼此之间的接近程度的图表。然后通过注意力机制处理这些图，以计算每个氨基酸与另一个氨基酸的相关程度。研究团队采用同样的方法，将其应用于病毒的氨基酸、抗原以及抗体的氨基酸。通过将所谓的野生型与两者的突变形式进行比较，以确定抗体与抗原的结合如何随着野生型和突变型之间的氨基酸对的变化而变化。

研究团队从一种对Delta变体无效的抗体开始，使抗体的广度和对SARS-CoV-2变体（包括Delta）的效力提高了10到600倍。他们甚至发现了该方法可以对抗Omicron变体的颇有希望的迹象。研究人员获得了双重、三重甚至四重突变的抗体。在实验室中对它们进行针对合成病毒的测试，发现降低抗原浓度作为突变化合物的强度越来越大。他们得出结论，突变抗体和病毒之间的“结合”更好。研究还发现，突变抗体可能足以避免病毒中的问题突变，从而更有效。

这项新工作标志着人工智能的一个里程碑：通过用新的计算机驱动方法改进传统的生物产品，将传统的湿实验室方法扩展到传染病治疗中。

信息来源：

https://www.pnas.org/doi/10.1073/pnas.2122954119

ScienceAI.https://mp.weixin.qq.com/s/_A-81TILwrUj0Pe3d_6veg

https://www.zdnet.com/article/mit-and-tsinghua-scholars-use-deepminds-alphafold-approach-to-boost-covid-19-antibodies/