그렇다면 우리는 무엇을 할 수 있을까?
최근 몇 년간 생물학적 연구는 실험적 백신과 감작화 기반 면역치료제부터 특정 알레르기 민감도를 놀라운 정밀도로 식별할 수 있는 개선된 진단 도구까지 여러 획기적인 진전을 이루었습니다. 이러한 발전들은 장기적인 면역 내성을 구축하는 올바른 방향으로 우리를 지시하고 있지만, 우리는 아직 그 목표에 도달하지는 않았습니다.
그 사이, 생물학 및 의학에 적용된 인공지능 (AI) 에 대한 획기적인 진전도 목격되었습니다. AlphaFold 와 같은 모델은 단백질 구조 예측을 혁신했으며, 유전체학, 의약품 개발, 분자 모델링 분야에서 AI 기반 접근법은 생물학적 의학 혁신의 속도를 가속화하고 있습니다. 이러한 세계들의 수렴은 복잡한 면역 질환인 알레르기 연구, 예측 및 궁극적으로 치료에 대한 새로운 가능성을 열었습니다.
AlphaFold 로 접힌 주요 알레르기 단백질 4 가지. 위 왼쪽에서 아래 오른쪽: 글리시닌 (콩), 오발부민 (계란), 알파 락타알BUMIN (우유), 아라-H-2 (견과류).
AI for Food Allergies 프로젝트의 비전은 인공지능이 알레르기 연구 분야를 의미 있게 발전시킬 수 있는 방법을 탐구하는 데 전념하는 첫 번째 커뮤니티 주도 연구실을 구축하는 것입니다. 우리는 최첨단 AI 와 생물학적 의학 사이를 연결하기 위해 연구자, 임상 의사 및 환자 alike 에 실질적인 가치를 제공하는 개방적이고 협력적인 프로젝트를 개발할 것을 목표로 합니다.
최근 몇 년은 알레르기 연구에 변혁적이었습니다. 인공지능은 이미지 인식이나 텍스트 번역으로만 제한되었던 과거와 달리, 이제 식품 안전을 정의하는 생물학적 및 규제적 공간에서 편안하게 작동합니다.
이 진화는 초기 생정보학 기법으로 서열 정렬과 물리화학적 설명자를 사용하여 잠재적인 알레르기를 탐지하고 표시하는 데 사용되었습니다. SDAP 와 같은 데이터베이스는 교차 반응성 단백질을 식별하는 데 사용되었으며, AllerHunter 및 NetAllergen 과 같은 머신러닝 알고리즘은 수천 개의 알려진 알레르기 및 비알레르기를 훈련하여 예측 정확도를 개선했습니다.
오늘날, 분자 수준에서 ProtBERT, ESM-2, AllergenBERT 와 같은 딥러닝 모델은 아미노산 서열을 분석하여 단백질이 알레르기로 작용할지 여부를 예측할 수 있습니다. 그들은 면역 반응과 상관관계가 있는 미세한 생화학적 패턴, 서열 모티프, 2 차 구조 신호 및 에피토프 유사성을 식별합니다. 예를 들어, AllergenAI 는 SDAP 2.0, COMPARE, AlgPred 2 에서의 알레르기 시퀀스에 대해 합성 신경망을 적용하여 IgE 결합에 필수적인 모티프를 발견하고 구조 데이터를 예측 파이프라인에 통합하는 잠재력을 입증했습니다. 실험실에서 수 개월이 걸리던 것은 이제 컴퓨팅으로 스크리닝할 수 있으며, 새로운 식품 및 식물성 단백질에서 알레르기 발견을 크게 가속화합니다.
동시에, AI 는 의약품-표적 상호작용 (DTI) 모델링의 발전을 통해 알레르기 치료의 범위를 확장하고 있습니다. 딥 신경망, 그래프 신경망 및 트랜스포머 모델은 DAVIS, PDBbind 와 같은 화학유전체학 데이터셋에서 데이터를 사용하여 결합 친화도를 예측하며, IgE–FcεRI 결합을 억제하거나 염증 경로를 조절할 수 있는 화합물을 가상 스크리닝할 수 있게 합니다. 분자 구조, 전사체학 및 이미징 읽기값이 포함된 멀티모달 데이터셋은 작은 분자 생성, 특성 예측 및 면역 세포 반응 평가와 같은 작업을 위해 사용될 수 있습니다. 다음 섹션은 언급된 AI 접근법을 지원하는 중요한 데이터셋을 제시하며 각 리소스가 식품 알레르기 의약품 설계에 어떻게 사용되는지 설명합니다.
임상 연구에서 AI 는 진단을 정교화하는 데 도움이 되고 있습니다. 전통적으로, 알레르기 전문의는 피부 찌름 결과와 혈청 특이적 IgE 수준 및 환자 기록의 혼합물을 의존하지만, 인...
