Onderzoekers van het NKI en het Oncode Institute hebben ontdekt waarom AI tot nu toe tekortschoot bij het voorspellen van antigenen: het ligt aan de data, niet aan de modellen. De resultaten verschenen in het wetenschappelijke tijdschrift Immunity.

Antigenen zijn eiwitfragmenten die T-cellen helpen te herkennen welke cellen ziek zijn. Het team van groepsleider Ton Schumacher twijfelde aan de data waarmee AlphaFold3 was geëvalueerd. Daarom maakten de onderzoekers met hun eigen technologie duizenden T-celreceptoren en testten die op reactiviteit tegen bekende virale antigenen. Zo ontstond een gevalideerde dataset. Volgens eerste auteur Marius Messemaker bleek ongeveer de helft van de gegevens in de veelgebruikte database VDJdb, met data uit ongeveer 200 laboratoria, onjuist.

Met de gevalideerde data kon AlphaFold3 in ongeveer driekwart van de gevallen onderscheiden welke T-celreceptoren virale antigenen herkennen en welke niet. Het model wist ook receptoren te selecteren die patiëntspecifieke kankerantigenen in een melanoompatiënt herkennen, zonder dat het die antigenen tijdens de training had gezien.

Schumacher is voorzichtig optimistisch. Voorspelling van T-celreactiviteit op basis van alleen genetische sequentie-informatie lijkt haalbaar, maar er zijn nog grote stappen nodig. “Het is een belangrijke stap richting gepersonaliseerde therapieën.” Op termijn zou de T-celrespons van een patiënt zo direct uit een routinematig tumorbiopt of bloedafname kunnen worden afgelezen.

Het onderzoek werd mede gefinancierd door KWF Kankerbestrijding, de AVL Foundation en het MATCHMAKERS-team binnen Cancer Grand Challenges.