Áttörés a specifikus T-sejtek tervezésében

A Frontiers in Immunology folyóiratban augusztus 29-én jelent meg a Terasaki Institute for Biomedical Innovation kutatóinak tanulmánya, amelyben egy olyan, mesterséges intelligencia alapú modellt mutattak be, amely képes megkülönböztetni a valódi epitópokat az irreleváns antigénektől, ami jelentős előrelépést jelent a T-sejt válaszok megbízható előrejelzése felé.

A mesterséges intelligencia alkalmazása új távlatokat nyitott az immunológia egyik legösszetettebb kérdésének megértésében: annak előrejelzésében, hogy a T-sejtek miként ismerik fel és reagálnak a specifikus peptid antigénekre. A kutatók az AlphaFold 3 (AF3) nevű, fehérjeszerkezet-előrejelzésre fejlesztett AI/ML modellt használták fel annak vizsgálatára, hogy a T-sejt receptorok (TCR) milyen módon lépnek kölcsönhatásba a peptid fő hisztokompatibilitási komplexszel (pMHC).

A T-sejtek az immunrendszer kulcsszereplői, amelyek kettős funkciót töltenek be: egyrészt védelmet nyújtanak a szervezet számára a daganatos és fertőzött sejtek eliminálásával, másrészt bizonyos esetekben sajnos hozzájárulhatnak autoimmun betegségek kialakulásához, amikor a saját szöveteket tévesen idegenként ismerik fel és támadják meg. Ennek a komplex egyensúlynak, barát-ellenség felismerő rendszernek a középpontjában a TCR-pMHC áll, amely meghatározza, hogy a T-sejtek immunválaszt indítanak-e, vagy kóros autoimmun reakciót váltanak ki. Mindeddig a TCR specificitásának előrejelzésére szolgáló modellek korlátozott pontossággal és alkalmazhatósággal rendelkeztek.

Dr. Chongming Jiang, a tanulmány első szerzője szerint az AI-alapú térszerkezeti biológia legújabb eredményei inspirálták őket arra, hogy megvizsgálják, vajon az AlphaFold képes-e előrejelezni, miként ismerik fel a T-sejtek az epitópokat. A vizsgálatok pozitív eredménnyel zárultak: az AlphaFold valóban képes volt megkülönböztetni a valódi epitópokat az irreleváns antigénektől, ami jelentős előrelépést jelent a T-sejt válaszok megbízható, nagy áteresztőképességű előrejelzése felé. A kutatócsoport beszámolója szerint az AlphaFold modell lehetővé teszi az immunogén epitópok in silico azonosítását, ami a gyakorlatban azt jelenti, hogy az ily módon azonosított fehérjék például jó vakcinacélpontokként szolgálhatnak. A módszer a preventív alkalmazásokon túlmenően az onkológiai immunterápiák területén a nagyobb affinitású és specifikusabb T-sejtek tervezésében új távlatokat nyit, mind a T-sejt alapú terápiák biztonságának, mind hatékonyságának növelésében.

Dr. Xiling Shen, a cikk társszerzője szerint a TCR-pMHC kölcsönhatások pontos előrejelzése alapvetően formálhatja át az immunterápiák és a vakcinák fejlesztését, egyben kulcsfontosságú lépést jelent a precíziós orvoslásban.

Bár a kutatók hangsúlyozzák, hogy a széles körű klinikai alkalmazás előtt további finomításra és validálásra van szükség, az eredmények egyértelműen rámutatnak a mélytanuláson (deep learing)  alapuló szerkezeti modellezés ígéretes lehetőségeire a TCR-pMHC interakciók előrejelzésében. Ez a felfedezés alátámasztja az AI-vezérelt megközelítések szerepét a gyógyszerkutatás és az immunterápiák fejlesztésének felgyorsításában.

Írásunk az alábbi közlemények alapján készült:

AI approach paves way for smarter T-cell immunotherapy and vaccine development

AI/ML-empowered approaches for predicting T Cell-mediated immunity and beyond

Irodalmi hivatkozás:

Cheng-chi Chao et al, AI/ML-empowered approaches for predicting T Cell-mediated immunity and beyond, Frontiers in Immunology (2025). DOI: 10.3389/fimmu.2025.1651533