مروری بر روش های پیش بینی سایت های تعامل کمپلکس های آنتی بادی–پروتئین مبتنی بر هوش مصنوعی

مقدمه: سرطان یکی از مهمترین چالش های بهداشتی قرن اخیر و آینده می باشد. طراحی داروهای ضدسرطان هدفمند، مبتنی بر آنتی بادی های مونوکلونال، نیازمند درک مکانیسم تعامل آنتی بادی–پروتئین در سطح باقی مانده ها است. اولین گام برای تولید آنتی بادی های مونوکلونال، پیش بینی ساختار آن ها می باشد. روش: در این مقاله، مهم ترین تحقیقات منتشر شده در پایگاه های اطلاعاتی PubMed، ScienceDirect، Springer و IEEE، برای پیش بینی سایت های تعامل کمپلکس های آنتی بادی-پروتئین و تعیین ساختار موثر آنتی بادی ها، به صورت ساختاریافته مورد بررسی قرار گرفت. معمولا برای این منظور، از شبکه های عصبی مصنوعی یا وب سرورها استفاده می شود. به علاوه، برخی محققین نیز از الگوریتم های تکاملی برای پیش بینی ساختار موثر آنتی بادی ها استفاده نموده اند. بر این اساس، تعداد ۱۴ روش مبتنی بر ساختار فضایی پروتئین ها، ۲۸ روش مبتنی بر توالی اسیدهای آمینه (مستقل از ساختار فضایی) و ۱۸ روش پیش بینی ساختار آنتی ژن/آنتی بادی مورد بررسی قرار گرفت. نتایج: مطالعه حاضر نشان داد که دقت روش های مبتنی بر ساختار فضایی تا ۸۰ % قابل افزایش می باشد؛ در حالی که دقت روش های پیش بینی مبتنی بر توالی اسیدهای آمینه به ندرت بهتر از ۷۵ % بود. از آنجا که ساختار فضایی بسیاری از آنتی بادی ها در دسترس نمی باشد؛ برخی محققین برای بهبود دقت (حتی تا ۹۶%)، تنها از توالی آنتی بادی های موثر بر چند آنتی ژن مشابه در آموزش شبکه عصبی استفاده نموده اند؛ لذا با توجه به دقت بالای به دست آمده، پیشنهاد می شود که از روش اخیر برای پیش بینی ساختار آنتی بادی های مونوکلونال استفاده گردد. نتیجه­گیری: در این مقاله، پس از مرور روش های موجود برای پیش بینی سایت های تعامل آنتی بادی -پروتئین، پیشنهادهایی برای پیش بینی ساختار آنتی بادی های مونوکلونال پیشنهاد گردید.

کلیدواژه ها:

Immunology ، Monoclonal Antibodies ، Antibody-Protein Complexes ، Artificial Intelligence ، Neural Networks ، ایمونولوژی ، آنتی بادی های مونوکلونال ، کمپلکس آنتی بادی-پروتئین ، هوش مصنوعی ، شبکه های عصبی