《“镜像”合成生物学技术提高抗体分子的治疗效果》

  • 来源专题:生物安全知识资源中心 | 领域情报网
  • 编译者: huangcui
  • 发布时间:2019-03-22
  • 来自德国癌症研究中心(DKFZ)的科学家成功地以镜像形式重建了生物分子。研究人员的目标是创建一个镜像人工蛋白质合成系统。他们的目标是生产镜像治疗蛋白,如抗体,这些蛋白质可以防止体内生物分解,并且不会引起任何免疫反应。

    几乎所有生物分子都存在两种不同的空间结构,它们彼此相关,如图像和镜像。这些分子称为对映体。就像一个人的右手和左手一样,它们不能相互叠加。根据分子旋转通过偏振光的方向,它们被称为D-对映体(右侧)或L-对映体(左侧)。虽然在自然界中发现的几乎所有蛋白质都是由L-氨基酸组成,但DNA和RNA是由D-分子构建的。

    来自海德堡德国癌症研究中心(DKFZ)的科学家正致力于以镜像形式合成生物分子。未来,他们打算构建不仅仅是单一的分子:“我们的长期目标是以镜像形式创建简单的人工生物系统,与自然界中的那些相对应,但不与环境相互作用,”项目负责人Jörg说。

    在他们目前的工作中,由Hoheisel领导的科学家已经能够从D-氨基酸生成DNA连接酶的镜像版本。连接酶将DNA片段连接在一起。镜像连接酶可以从同样的镜像DNA片段组成完整的镜像基因。更多的DNA复制DNA并将其转录成RNA也已经可以获得。 “这就是我们现在所做的,”Hoheisel报道。 “接下来,我们需要一个能够完成细胞内核糖体功能的镜像结构。”

    核糖体是细胞中的大分子复合物,其负责将RNA链翻译成氨基酸链,从而产生蛋白质。 “一旦我们生成了镜像核糖体,我们就会编制一个简单的系统,使我们能够很容易地生产任何类型的蛋白质,”Hoheisel说。 “人工系统将独立于自然界,但在所有生物物理和化学特征方面都是相同的,并最终可能导致细胞的原型,镜像复制。”

    虽然这仍然是更遥远的未来的愿景,但基础方法可能已经在不久的将来用于治疗目的,例如合成镜像抗体。今天,这些治疗性免疫蛋白是合成产生的并且用作治疗许多疾病(包括癌症)的药物。然而,患者的免疫系统可能产生针对治疗性抗体的身体抗体。 “对于身体来说,他们最终是外国入侵者,必须像病原体一样进行战斗,”Hoheisel解释说。 “由镜像D-氨基酸代替天然L-氨基酸组成的抗体药物可能不会引起任何免疫反应,因为免疫系统不识别D-分子。”

    此外,镜像抗体可以在较长时间内具有治疗活性,因为它们在体内生物学上会非常缓慢地分解。它们也可以方便地作为药丸服用,因为体内的消化酶不会影响它们。

  • 原文来源:https://www.sciencedirect.com/science/article/pii/S2451945619300431?via%3Dihub
相关报告
  • 《合成生物学能否帮助范德比尔特大学医学中心的研究人员在90天内研制出治疗性抗体?》

    • 来源专题:人类遗传资源和特殊生物资源流失
    • 编译者:yanyf@mail.las.ac.cn
    • 发布时间:2019-03-15
    • 似乎每年都有另一个病毒肆虐非洲、亚洲甚至美洲的故事。每当埃博拉病毒再次爆发或流感病毒以令人惊讶的方式变异时,有关全球大流行防范的讨论就会重新燃起。边界是封闭的。航班和游轮被取消。新闻媒体充斥着隔离帐篷和穿着太空服的医护人员的照片。 令人恐惧的事实是,我们对下一次全球大流行毫无准备——疫苗的研发、有效性测试和批准用于人类需要数年时间。即使是治疗性抗体,通常比疫苗有更宽松的监管措施,也可能需要数年时间来开发和实施。我们迫切需要一个更好、更快的解决方案,以确保下一次大流行发生时(它将会发生)对人类生活和社会的影响是有限的。 范德比尔特疫苗中心(VVC)由James Crowe博士领导,他是治疗和预防传染病单克隆抗体开发的全球领导者,该中心正迎头应对这一挑战,竞相大幅减少识别和评估高效力抗体所需的时间。他们的方法依赖于生物信息学和合成生物学技术,也将解决大规模基于抗体治疗的最大障碍之一:传递。不需要静脉注射抗体,编码所需抗体蛋白的信使RNA将被传递给患者,将他们的细胞转化为抗体工厂。 Crowe实验室的团队计划在60天内实现这一切。 一起工作,快速工作 这项任务可能看起来很大胆,但VVC并不是唯一这样做的公司。他们与圣路易斯华盛顿大学的研究人员合作,雷根研究所MGH正是从麻省理工学院和哈佛大学在波士顿、西雅图传染病研究所和波士顿贝斯以色列女执事医疗中心选择抗体,测试他们的抗病毒特性,并优化和测试RNA交付和体内蛋白质表达。 所有这些都是通过与DARPA签署一项为期五年、价值高达2800万美元的合作协议实现的。该计划的官方名称为大流行预防计划(P3),其核心是速度:VVC研究人员和他们的合作者有四次机会——可以说是科学上的“冲刺”——生产治疗性抗体,一线医护人员只需60天就能获得这些抗体。他们的第一次冲刺是在1月中旬,目标是一个熟悉的敌人:寨卡病毒。六周后,VVC团队比计划提前了近两周。 那么,他们是怎么做到的呢? 从供体到患者:如何识别和产生有效的治疗抗体 这一切都从捐献者开始——为了产生大量高效的抗体,你首先需要确定你想产生的抗体。最好的方法是什么?找到那些在你希望治疗的疾病中幸存下来的人,收集他们的抗体表达记忆b细胞。范德比尔特大学医学院(Vanderbilt University School of Medicine)儿科学副教授、美国国防部高级研究计划局(VVC Darpa) sprint团队负责人罗伯特•卡纳汉(Robert Carnahan)表示,这并不引人注目,但却是整个过程中至关重要的一部分,而且常常被忽视。 他表示:“我们有两名全职人员,他们的工作就是在全球范围内寻找捐赠者。”对于一些高死亡率的疾病,如埃博拉,这说起来容易做起来难。在寨卡P3项目中,所有捐赠者都来自美国,他们在前往病毒首次被发现的中美洲或南美洲时感染了寨卡病毒。 一名VVC团队成员准备纯化抗体蛋白,并将其发送给合作者进行功能分析。图像来源:罗伯特卡纳汉。 一旦收集了供体血清并分离出目标b细胞,它们就进入一个10倍单细胞乳液装置(10x Genomics公司出售),该装置封装了单个b细胞,并将抗体的重链和轻链序列物理配对成一个单一的、可测序的DNA分子。卡纳汉说,这一点很重要,因为抗原靶向区域位于重链和轻链结合的特定位置。 “如果你只是在做下一代b细胞测序,你可以得到整个重链序列池,也可以得到整个轻链序列池,但你不知道哪个与哪个相匹配。你可以进行混合和匹配,但这不太可能重现在供体中选择的最初的、优秀的抗体,”他解释道。 这个过程可以产生数百或数千种抗体,因此团队必须仔细选择要跟踪的候选抗体。一个专门的生物信息学团队通过抗体家族和血统进行搜索,可能从每个独特的家族中选择一个抗体,或者从一个家族的多个代表中选择一个。然后,将抗体序列发送到Twist Bioscience公司进行快速基因合成和克隆。 Carnahan说,对于寨卡P3项目,“Twist能够从头合成700个抗体序列,将它们克隆成质粒,进行质量控制,并在9天内将它们运回给我们,这非常惊人。” 在9个工作日内,第一批@VUMC_Vaccines基因已经准备好发货。很难相信这么小的事情就能成为大流行准备工作的核心部分。我们很荣幸能参与其中。”来源:扭转生物科学 然后,该团队表达质粒,并使用xCelligence平台,筛选抗体,以了解它们在细胞培养中识别病毒和抑制病毒感染过程的能力。这项研究和其他分析,最终将候选抗体库从数百种增加到少数几种。然后这些被提纯,送到华盛顿大学和拉贡研究所的合作者那里,以确定哪些是被选中的少数几个中最有效的。 卡纳汉说:“在那个时候,这是一个重大的决定。“我们的命运将由我们在那一刻的选择决定。卡纳汉和他的团队应该很快就会发现他们在寨卡P3项目中的命运:就在本周,他们向圣路易斯和波士顿的合作者发送了10种候选的抗寨卡抗体。 快速反应平台 快速生产抗体的最大优势之一是能够领先于病毒突变,或者至少是一步一步地与病毒突变同步。有时,病毒变异如此之快,以至于疫苗在投放市场时效果较差,甚至完全无效。在疾病爆发后60天内产生一种治疗方法的能力,可以帮助科学家领先于病毒一步,在病毒有机会变异之前降低其在人群中的流行程度。 而且,即使病毒发生变异,VVC团队和同事正在开发的快速方法将允许科学家在相关的时间框架内快速更新现有抗体,甚至创建新的抗体。例如,能够识别病毒颗粒不同部分的多种抗体可以被开发出来,并被连续或串联地给予,从而降低变异的速度。这一过程甚至可以用来对付疾病的细菌制剂,比如炭疽热——这是反生物恐怖主义研究的一个重要重点。 “我们喜欢一起制定计划!”我们自己的一个由帕夫洛和瑞秋组成的a团队刚刚证实,我们有对付寨卡病毒的有效治疗抗体线索!darpa冲刺前进!#vumcdarpasprint”阅读这张照片附带的推文。图像来源:罗伯特卡纳汉。 鉴于这些优势,治疗性抗体似乎有望完全取代疫苗,但卡纳汉认为这不太可能。在某些情况下疫苗仍然更合适,而在另一些情况下,抗体可能与疫苗一起使用效果最好。例如,在大流行情况下,抗体可立即为受影响和有危险的个人提供保护,如果有疫苗,可在以后提供长期保护(数年而不是数月),以预防疾病。 克服监管和道德障碍 但是,如果你不能得到批准将你的抗体提供给需要的人,那么所有这些速度都没有任何意义。在大流行的时间表上,生产抗体蛋白并使其通过所需的安全和监管限制可能是不可能的。 为了解决这个问题,VUMC团队采用了一种纯合成生物学的方法:他们在西雅图传染病研究所(Infectious Disease Research Institute)的合作者正在优化一种系统,该系统可以将编码抗体的信使RNA直接传递到细胞中,然后细胞利用自身的天然机制产生蛋白质。大量的RNA可以在几天内产生(相对于蛋白表达和纯化需要数周或数月)。人们还希望这种合成生产方法,而不是更复杂的基于细胞的蛋白质抗体生产方法,将在大流行环境中提供一种加速的安全和调控途径。 一个充满活力激情 目前还不清楚治疗性抗体将如何改变传染病预防和大流行的准备工作,但随着VVC团队和他们的同事所做的工作,我们可能不用等太久就能找到答案。而且,虽然这个故事对我们这些看着它展开的人来说可能是鼓舞人心的,但对那些参与这个项目的人来说,即使不是更鼓舞人心,也是同样鼓舞人心的。 “他们是几个已经六周没有休息过一天的团队成员。但他们精力充沛。他们知道我们将做一些我们从未做过的事情,没有人能真正以我们现在的方式去做,而不是以我们现在的速度去做,”卡纳汉说。 他们也许能及时改写下一次大爆发的故事。 ——文章发布于2019年3月6日
  • 《与五家使用AI工程生物学的合成生物学公司会面》

    • 来源专题:人类遗传资源和特殊生物资源流失
    • 编译者:yanyf@mail.las.ac.cn
    • 发布时间:2019-09-24
    • 电视和广播称“人工智能即将来临”,它将接替您的工作并在国际象棋上击败您。 但是,人工智能已经来临了,它可以在国际象棋上击败您,这是世界上最好的。在2012年,Google还使用它来识别YouTube视频中的猫。今天,这就是特斯拉拥有Autopilot,Netflix和Spotify似乎“读懂你的思想”的原因。现在,人工智能正在改变合成生物学的领域以及我们如何设计生物学。它可以帮助工程师设计出新的方法来设计基因回路,并且通过已获得的巨额投资(过去10年中的12.3亿美元)及其正在破坏的市场,它可能对人类的未来产生重大影响。 人工智能的概念相对简单,它是具有推理,学习和决策行为的机器编程。一些AI算法(只是计算机遵循的一组规则)在这些任务上非常出色,以至于可以轻易胜过人类专家。 我们听到的关于人工智能的大多数信息都涉及机器学习,这是AI算法的子类,可以从数据中推断出模式,然后使用该分析进行预测。这些算法收集的数据越多,其预测就越准确。深度学习是机器学习的一个更强大的子类别,其中大量称为神经网络(受大脑结构启发)的计算层协同工作以增加处理深度,从而促进诸如高级面部识别(包括iPhone上的FaceID)之类的技术)。 [有关人工智能及其各个子类别的更详细说明,请查看本文及其流程图。] 无论AI的类型或用途如何,我们都处于计算革命之中,它将其卷须扩展到“计算机世界”之外。很快,AI将影响您服用的药物,燃烧的燃料,甚至是您用来洗衣服的洗涤剂。 特别是生物学,是人工智能最有希望的受益者之一。从调查导致肥胖的遗传突变到检查癌细胞的病理样本,生物学产生的数据非常复杂,令人费解。但是,这些数据集中包含的信息通常提供有价值的见解,可用于改善我们的健康状况。 在合成生物学领域,工程师寻求“重新连接”活生物体并为其编程以新功能,许多科学家正在利用AI设计更有效的实验,分析其数据并使用其来创建突破性的疗法。这是五家将机器学习与合成生物学相结合的公司,为更好的科学和更好的工程铺平了道路。 Riffyn催化干净的数据收集和分析 (加州奥克兰,成立于2014年,已筹集了2490万美元) 机器学习算法必须从大量数据开始-但是,在生物学上,要生成好的数据非常困难,因为实验耗时,繁琐且难以复制。幸运的是,有一家公司正在通过简化科学家的工作来解决这一瓶颈。 Riffyn基于云的软件平台可帮助研究人员标准化,定义和执行实验,并简化数据分析,这使研究人员能够专注于进行实际的科学研究,并使使用机器学习算法从他们的实验中获得更深刻的见识成为日常现实。 使用此平台,可以更有效地进行实验,从而导致成本大幅下降,生产率和质量得到改善,并且准备使用复杂的机器学习技术进一步分析数据。这意味着公司可以使用这项技术来开发用于癌症治疗的新蛋白质,并且他们可以比以前更快,更好地做到这一点。里芬(Riffyn)已经与15家全球生物技术和生物制药公司中的8家进行了合作-他们成立于五年前。 Microsoft Research Station B:汇集编程生物学的难题 (英国剑桥,于2019年正式启动) 合成生物学世界中有许多活动的部分,这使得尽可能简化和整合操作变得困难而至关重要。在过去的十年中,Microsoft Research的计算生物学部门B站一直在开发生物学的机器学习模型,以解决此问题并加快从医学到建筑的各个领域的研究。 它的努力也以各种新的伙伴关系的形式获得了回报。借助Synthace,它正在开发用于自动化和加速实验室实验的软件。 B站还与普林斯顿大学合作,通过利用基于机器学习的方法从生物生长不同阶段拍摄的图像中提取图案,研究生物膜背后的机制(与细菌菌落如何产生抗生素抗性有关)。 B站还与牛津生物医学公司合作,该公司利用这些机器学习功能来改善针对白血病和淋巴瘤的有前途的基因疗法。这也许是合成生物学影响最大的领域之一:设计与多种疾病作斗争的疗法。 Atomwise:深度学习解码结构蛋白设计的黑匣子 (总部位于美国加利福尼亚州旧金山,成立于2012年,已筹集了5100万美元) Atomwise正在通过其称为AtomNet的深度学习平台来应对药物开发,该平台可以快速对分子结构进行建模。它可以准确地分析小分子内的化学相互作用,从而预测针对埃博拉病毒至多发性硬化症等疾病的功效。通过利用有关原子结构的数据,Atomwise设计了新颖的疗法,否则将几乎不可能开发。 他们与包括Charles River Laboratories,默克,多伦多大学和杜克大学医学院在内的机构建立了众多学术和公司合作伙伴关系,这些机构正在提供许多现实世界的应用程序和机会来推动这项研究的发展。他们最近还宣布了与江苏汉寿药业集团的高达$ 1.5B的合作,该公司是今年最大的生物制药IPO之一。 尽管Atomwise的分子设计方法功能强大且可以有效抵抗多种疾病,但还没有一种完美的方法来进行计算发现。那就是Arzeda进来的地方。 Arzeda:使用从头深度学习重写蛋白质设计规则 (华盛顿州西雅图市,成立于2008年,已筹集了1520万美元) Arzeda是一家来自华盛顿大学贝克实验室的公司,利用其蛋白质设计平台(当然植根于机器学习算法)来对蛋白质进行工程改造,从工业酶到农作物及其微生物群落。 Arzeda完全从零开始(或从头开始)构建其分子,而不是优化现有分子,以执行自然界中未发现的新功能;深度学习技术对于确保其设计的蛋白质正确折叠(非常复杂的计算问题)并按预期发挥功能至关重要。一旦完成计算步骤,就可以通过发酵(就像啤酒一样)来生产新蛋白质,而绕过自然进化过程以有效地生产全新的分子。 分布式生物:彻底改变流感,癌症,蛇咬等的未来 (加利福尼亚州南旧金山,成立于2012年,由许可技术自筹资金) 在设计范围的另一端,Distributed Bio利用合理的蛋白质工程技术来优化现有的抗体,这些抗体是您体内的蛋白质,可以检测细菌并与其他引起疾病的入侵者抗争,从而创造出新颖的疗法。 Tumbler平台是该公司拥有的众多免疫工程技术之一(从通用流感疫苗到广泛覆盖的蛇抗蛇毒)。 Tumbler使用机器学习方法创建了超过5亿种起始抗体变体,以扩展和量化分子中哪些变化最有价值的搜索空间。然后,它会对序列进行评分,以预测它们在现实生活中与目标的结合程度,并使用“有价值的变化”信息进一步改善得分最高的序列。随着最高级序列的合成和在实验室中的测试,生产周期继续进行。最终,原型分子应运而生,以实现预期的治疗目的-自然界中不一定观察到这种现象,而是结合了所有可能的最佳特征。 Tumbler已帮助实现了超越传统单一靶标药物开发的广泛应用-从设计可同时与多个靶标结合的抗体到创建嵌合抗原受体T细胞(CAR-T)治疗(与Chimera Bioengineering一起)用于癌症治疗具有降低的毒性,此端到端优化平台大规模产生理想抗体的能力是空前的。 尽管这一进展令人兴奋,但人工智能并不是我们对自然界研究的普遍替代,也不是开发治疗人类疾病的唯一方法。有时,它在技术上可能没有用,甚至从道德上讲也不是合理的。随着我们继续获得这项技术的好处并将其日益融入我们的日常生活中,我们必须继续就合成生物学和AI创新的设计,实施和道德操守进行对话。我们站在科学和人类新时代的悬崖上。 ——文章发布于2019年9月19日