مروري بر روش‌هاي پيش‌بيني سايت‌هاي تعامل كمپلكس‌هاي آنتي‌بادي – پروتئين مبتني بر هوش مصنوعي

A Review of Prediction Methods of Interaction Sites of Antibody-Protein Complexes Based on Artificial Intelligence

سرطان يكي از مهمترين چالش هاي بهداشتي قرن اخير و آينده مي باشد. طراحي داروهاي ضدسرطان هدفمند، مبتني بر آنتي بادي هاي مونوكلونال، نيازمند درك مكانيسم تعامل آنتي بادي-پروتئين در سطح باقي مانده ها است. اولين گام براي توليد آنتي بادي هاي مونوكلونال، پيش بيني ساختار آن ها مي باشد.روش: در اين مقاله، مهم ترين تحقيقات منتشر شده در پايگاه هاي اطلاعاتي pubmed، sciencedirect، springer و ieee، براي پيش بيني سايت هاي تعامل كمپلكس هاي آنتي بادي-پروتئين و تعيين ساختار موثر آنتي بادي ها، به صورت ساختاريافته مورد بررسي قرار گرفت. معمولاً براي اين منظور، از شبكه هاي عصبي مصنوعي يا وب سرورها استفاده مي شود. به علاوه، برخي محققين نيز از الگوريتم هاي تكاملي براي پيش بيني ساختار موثر آنتي بادي ها استفاده نموده اند. بر اين اساس، تعداد 14 روش مبتني بر ساختار فضايي پروتئين ها، 28 روش مبتني بر توالي اسيدهاي آمينه (مستقل از ساختار فضايي) و 18 روش پيش بيني ساختار آنتي ژن/آنتي بادي مورد بررسي قرار گرفت.نتايج: مطالعه حاضر نشان داد كه دقت روش هاي مبتني بر ساختار فضايي تا 80 % قابل افزايش مي باشد؛ در حالي كه دقت روش هاي پيش بيني مبتني بر توالي اسيدهاي آمينه به ندرت بهتر از 75 % بود. از آنجا كه ساختار فضايي بسياري از آنتي بادي ها در دسترس نمي باشد؛ برخي محققين براي بهبود دقت (حتي تا 96%)، تنها از توالي آنتي بادي هاي موثر بر چند آنتي ژن مشابه در آموزش شبكه عصبي استفاده نموده اند؛ لذا با توجه به دقت بالاي به دست آمده، پيشنهاد مي شود كه از روش اخير براي پيش بيني ساختار آنتي بادي هاي مونوكلونال استفاده گردد.نتيجه گيري: در اين مقاله، پس از مرور روش هاي موجود براي پيش بيني سايت هاي تعامل آنتي بادي پروتئين، پيشنهادهايي براي پيش بيني ساختار آنتي بادي هاي مونوكلونال پيشنهاد گرديد.

Introduction: Cancer is one of the most important health issues in the current and next centuries. Understanding the mechanism of interaction between antibody-protein residues is essential for designing targeted anticancer drugs based on monoclonal antibodies. Prediction of the effective structure is the first step for production of monoclonal antibodies. Methods: This paper is a systematic review of the state-of-the-art researches on prediction of interaction sites and specification of antibody structures. Artificial neural networks or web servers are frequently used for evaluation of interaction sites while some researchers have employed evolutionary algorithms for prediction of the effective structure of antibodies. Accordingly, 14 methods based on the protein spatial structure, 28 researches based on the molecular amino-acide sequence (without usage of the spatial structure), and 18 antigen/antibody structure prediction techniques were reviewed. Results: We demonstrated that the accuracy of structure-based methods can be increased up to 80% while the acuracy of sequence-based methods was rarely better than 75%. Since the spatial structure of many antibodies is unknown, some researchers raised the accuracy (even to 96%) by only antibody sequences able to interact with some similar antigens in training neural networks. Therefore, we suggest this approach for structure prediction of monoclonal antibodies because of its adequate high accuracy. Conclusion: In this paper, after reviewing available methods for prediction of antibody-protein interaction sites, some suggestions were made for effective prediction of structure of monoclonal antibodies.