04-09-2023
NEC Laboratories Europe e NEC Laboratories America hanno sviluppato un nuovo modello di intelligenza artificiale (IA) chiamato Attentive Variational Information Bottleneck (AVIB) per lo sviluppo avanzato di vaccini terapeutici contro il cancro. Basandosi su precedenti risultati scientifici, AVIB è in grado di predire se proteine e molecole diverse sono in grado di legarsi reciprocamente. Questa proprietà è di importanza fondamentale nel determinare la capacità del sistema immunitario umano di riconoscere e combattere il cancro. In particolare, AVIB consente ai biotecnologi di prevedere la capacità dei recettori delle cellule T di legarsi agli antigeni presenti sulla superficie delle cellule tumorali.
La tecnologia di profilazione immunitaria di NEC, NEC Immune Profiler, e il NEC Neoantigen Prediction System utilizzano la bioinformatica ed il Machine Learning per analizzare il DNA e l'RNA di pazienti affetti da cancro e identificare i neoantigeni derivanti dalle mutazioni tumorali. I neoantigeni possono essere utilizzati per sviluppare vaccini terapeutici personalizzati contro il cancro, che insegnano al sistema immunitario del paziente a riconoscere ed eliminare le cellule tumorali. Tuttavia, non tutti i neoantigeni presenti sulla superficie delle cellule tumorali hanno la stessa probabilità di legarsi ai recettori delle cellule T, responsabili di innescare la risposta immunitaria necessaria per distruggere le cellule tumorali.
Pierre Machart, Senior Research Scientist di NEC Laboratories Europe, spiega: «Quasi tutti i neoantigeni derivanti da mutazioni tumorali hanno un certo potenziale di suscitare una risposta immunitaria ed essere utilizzati nella progettazione di un vaccino antitumorale immunoterapeutico. Ma identificare i neoantigeni più efficaci può essere estremamente complicato».
Poiché i recettori delle cellule T variano notevolmente, verificare quali neoantigeni siano riconosciuti dai recettori delle cellule T è un problema ancora più complesso. Anja Moesch, ricercatrice presso NEC Laboratories Europe, ha dichiarato: «In caso di cancro, è essenziale intervenire il più rapidamente possibile. Fino a poco tempo fa, le aziende biotecnologiche erano solite sviluppare immunoterapie testando in laboratorio quali neoantigeni fossero presenti sulla superficie delle cellule tumorali del paziente e se questi potessero essere riconosciuti dalle cellule T del paziente. Gli approcci di Machine Learning hanno aiutato ad automatizzare questo processo, ma le grandi lacune ancora presenti nei modelli di Machine Learning impediscono di creare in tempi brevi vaccini efficaci. Continua Moesch: «L'AVIB può contribuire a colmare questa lacuna, consentendo ai biotecnologi di ridurre significativamente il tempo necessario a sviluppare un'immunoterapia personalizzata contro il cancro».
I recenti progressi nell'immunoterapia sono stati in buona parte realizzati grazie a metodi di Machine Learning in grado di prevedere la presentazione di neoantigeni sulla superficie di cellule tumorali. Tuttavia, i progressi sono limitati a causa della scarsa capacità degli attuali modellidi predire in modo affidabile quali recettori delle cellule T siano in grado di riconoscere neoantigeni. Ciò è dovuto sia alla quantità limitata di dati pubblicamente disponibili per addestrare i modelli di Machine Learning sia all'elevata complessità delle molecole che devono essere analizzate.
AVIB rappresenta un primo passo verso la predizione della probabilità che i recettori delle cellule T riconoscano i neoantigeni sulla superficie di cellule tumorali. Nell'immunoterapia contro il cancro, ciò consente ai biotecnologi di classificare in maniera più accurata gli elementi del vaccino più efficaci, considerando la presentazione dei neoantigeni sulle cellule tumorali del paziente e il loro legame con i linfociti T. Martin Renqiang Min, Capo del dipartimento di Machine Learning presso i NEC Laboratories America, ha dichiarato: «Utilizzando AVIB, possiamo migliorare la classificazione dei neoantigeni che costituiscono una formula di vaccino terapeutico. Possiamo farlo non solo in base alla loro presenza sulla superficie delle cellule tumorali, ma anche in base alla probabilità prevista di essere riconosciuti dalle cellule T del paziente. Ciò può migliorare notevolmente l'efficacia dell'immunoterapia».
La capacità di AVIB di prevedere se i linfociti T riconosceranno i neoantigeni, apre anche la possibilità di una potenziale terapia a base di cellule T, considerata un importante progresso nell'immunoterapia. Grazie a questo approccio, i linfociti T possono essere modificati direttamente con recettori delle cellule T per legarsi ai neoantigeni delle cellule tumorali del paziente, innescandone la loro distruzione.
Pierre Machart, Senior Research Scientist di NEC Laboratories Europe, spiega: «Quasi tutti i neoantigeni derivanti da mutazioni tumorali hanno un certo potenziale di suscitare una risposta immunitaria ed essere utilizzati nella progettazione di un vaccino antitumorale immunoterapeutico. Ma identificare i neoantigeni più efficaci può essere estremamente complicato».
Poiché i recettori delle cellule T variano notevolmente, verificare quali neoantigeni siano riconosciuti dai recettori delle cellule T è un problema ancora più complesso. Anja Moesch, ricercatrice presso NEC Laboratories Europe, ha dichiarato: «In caso di cancro, è essenziale intervenire il più rapidamente possibile. Fino a poco tempo fa, le aziende biotecnologiche erano solite sviluppare immunoterapie testando in laboratorio quali neoantigeni fossero presenti sulla superficie delle cellule tumorali del paziente e se questi potessero essere riconosciuti dalle cellule T del paziente. Gli approcci di Machine Learning hanno aiutato ad automatizzare questo processo, ma le grandi lacune ancora presenti nei modelli di Machine Learning impediscono di creare in tempi brevi vaccini efficaci. Continua Moesch: «L'AVIB può contribuire a colmare questa lacuna, consentendo ai biotecnologi di ridurre significativamente il tempo necessario a sviluppare un'immunoterapia personalizzata contro il cancro».
I recenti progressi nell'immunoterapia sono stati in buona parte realizzati grazie a metodi di Machine Learning in grado di prevedere la presentazione di neoantigeni sulla superficie di cellule tumorali. Tuttavia, i progressi sono limitati a causa della scarsa capacità degli attuali modellidi predire in modo affidabile quali recettori delle cellule T siano in grado di riconoscere neoantigeni. Ciò è dovuto sia alla quantità limitata di dati pubblicamente disponibili per addestrare i modelli di Machine Learning sia all'elevata complessità delle molecole che devono essere analizzate.
AVIB rappresenta un primo passo verso la predizione della probabilità che i recettori delle cellule T riconoscano i neoantigeni sulla superficie di cellule tumorali. Nell'immunoterapia contro il cancro, ciò consente ai biotecnologi di classificare in maniera più accurata gli elementi del vaccino più efficaci, considerando la presentazione dei neoantigeni sulle cellule tumorali del paziente e il loro legame con i linfociti T. Martin Renqiang Min, Capo del dipartimento di Machine Learning presso i NEC Laboratories America, ha dichiarato: «Utilizzando AVIB, possiamo migliorare la classificazione dei neoantigeni che costituiscono una formula di vaccino terapeutico. Possiamo farlo non solo in base alla loro presenza sulla superficie delle cellule tumorali, ma anche in base alla probabilità prevista di essere riconosciuti dalle cellule T del paziente. Ciò può migliorare notevolmente l'efficacia dell'immunoterapia».
La capacità di AVIB di prevedere se i linfociti T riconosceranno i neoantigeni, apre anche la possibilità di una potenziale terapia a base di cellule T, considerata un importante progresso nell'immunoterapia. Grazie a questo approccio, i linfociti T possono essere modificati direttamente con recettori delle cellule T per legarsi ai neoantigeni delle cellule tumorali del paziente, innescandone la loro distruzione.
