Hírek

« vissza « előző hír | következő hír »

Új tanulmány tekinti át, hogyan alakíthatja át a mesterséges intelligencia és a számítógépes biológia az antitest–gyógyszer konjugátumok (ADC-k) fejlesztését, a célpontok kiválasztásától egészen a hatékonyság és a biztonság előrejelzéséig. A Signal Transduction and Targeted Therapy című rangos nemzetközi folyóiratban megjelent áttekintő tanulmány társszerzője Prof. Dr. Győrffy Balázs, a Pécsi Tudományegyetem Általános Orvostudományi Kar Transzdiszciplináris Kutatások Intézetének igazgatója. A tanulmány vezető szerzője Atanasio Pandiella, a CIBERONC, a CSIC–University of Salamanca Instituto de Biología Molecular y Celular del Cáncer és az Institute of Biomedical Research of Salamanca (IBSAL) kutatója.

Az antitest–gyógyszer konjugátumok olyan célzott daganatellenes gyógyszerek, amelyek egy daganatsejteket felismerő antitestet kapcsolnak össze egy nagy hatású sejtmérgező gyógyszerrel. A cél az, hogy a hatóanyag elsősorban a daganatsejtekhez jusson el, miközben a környező egészséges sejtek minél kevésbé károsodjanak. Az elmúlt években az ADC-k több daganattípus kezelésében is fontos terápiás lehetőséggé váltak.

A fejlesztésük azonban rendkívül összetett: megfelelő daganatos célpontot kell kiválasztani, meg kell tervezni az antitestet, a hatóanyagot a hordozó antitesthez kapcsoló kémiai „linkert”, valamint magát a sejtmérgező hatóanyagot is. Ezek a tényezők egymással szorosan összefüggnek, ezért a hagyományos, lépésről lépésre történő fejlesztés rendkívül idő- és erőforrás-igényes lehet.

Az MI a gyógyszertervezés több pontján is segítséget nyújthat

A tanulmány bemutatja, hogy a mesterséges intelligencia hogyan segíthet a daganatsejtek felszínén található, terápiás célpontként szóba jöhető fehérjék azonosításában. Nagy mennyiségű genomikai, transzkriptomikai és proteomikai adat együttes elemzésével olyan célpontok választhatók ki, amelyek nagyobb valószínűséggel találhatók meg a daganatsejteken, miközben az egészséges szövetekben kevésbé vannak jelen.

Az MI a következő lépésekben is alkalmazható: támogathatja az antitestek szerkezetének és kötődési tulajdonságainak optimalizálását, a kapcsoló molekulák és a sejtmérgező hatóanyagok kiválasztását, valamint előre jelezheti a gyógyszer stabilitását és a szervezetben történő viselkedését. A számítógépes modellezés emellett segíthet annak vizsgálatában is, hogy egy ADC milyen mértékben jut be a daganatszövetbe, illetve milyen mellékhatásokkal járhat.

Különösen ígéretes terület a daganatok közötti és daganaton belüli heterogenitás kezelése. Az egyes daganatsejtek felszínén nem feltétlenül ugyanolyan mennyiségben vannak jelen a célpontként szolgáló fehérjék. Az MI és az egysejtes vizsgálatok kombinációja segíthet feltérképezni ezeket a különbségeket, és ezáltal hozzájárulhat olyan ADC-k tervezéséhez, amelyek több célpontot is képesek felismerni.

A szerzők ugyanakkor hangsúlyozzák, hogy ezek a technológiák még számos kihívással szembesülnek. Az MI-modellek teljesítményét korlátozhatják a hiányos vagy kiegyensúlyozatlan adatok, az előrejelzések értelmezhetőségének nehézségei és a klinikai validáció hiánya. A számítógépes előrejelzéseket ezért továbbra is megfelelő laboratóriumi és klinikai vizsgálatokkal kell igazolni.

A tanulmány összességében azt mutatja, hogy a mesterséges intelligencia, a molekuláris biológia és a gyógyszerfejlesztés összekapcsolása új irányt jelenthet a személyre szabott daganatellenes terápiák fejlesztésében. A szerzők szerint ezek a módszerek hosszabb távon hozzájárulhatnak hatékonyabb, pontosabban célzott és biztonságosabb ADC-k létrehozásához, miközben a megközelítés a daganatos betegségeken túl más területeken – például autoimmun, neurodegeneratív, szív-érrendszeri és anyagcsere-betegségekben – is alkalmazható lehet.

Journal reference:
Ocana A, Espinosa JR, Alonso-Moreno C, Győrffy B, Tong H, Pandiella A. Antibody-drug conjugate engineering: from design to efficacy and safety. Signal Transduction and Targeted Therapy. 2026;11:401.
DOI: 10.1038/s41392-026-03057-w.