Bild
Glykanernas mångfald
Forskare har utvecklat en modell för att analysera interaktionen mellan glykaner och virus, vilket ökar förståelsen för infektionsprocessen. Bilden ger en idé om glykaners mångfald och visar flera olika klasser av glykaner.
Foto: Daniel Bojar
Länkstig

Ny AI-modell ökar förståelsen för virusspridning från djur till människor

Publicerad

En ny modell som använder artificiell intelligens för att studera kolhydrater ökar förståelsen för infektionsprocessen och kan användas för att förutsäga vilka virus som kan spridas från djur till människor. Detta enligt en ny studie ledd av forskare vid Göteborgs universitet.

Trots att kolhydrater finns med i nästan alla biologiska processer är det fortfarande mycket vi inte vet om dem. Kolhydrater, som också kallas glykaner, är avgörande för att vår kropp ska fungera, men skrämmande ofta är de också inblandade när kroppen inte fungerar som den ska. Nästan alla virus använder glykaner som sin första kontakt med celler i infektionsprocessen, inklusive SARS-CoV-2 som har orsakat covid-19-pandemin.

Ny kunskap om hur virus tar sig in i celler

En forskargrupp ledd av Daniel Bojar, biträdande universitetslektor vid Göteborgs universitet inom ramen för Wallenbergcentrum för molekylär och translationell medicin, har nu utvecklat en modell baserad på artificiell intelligens för att analysera glykaner med en extrem noggrannhet. Modellen förbättrar förståelsen för infektionsprocessen genom att göra det möjligt att förutsäga nya virus-glykan-interaktioner, till exempel mellan glykaner och influensavirus eller rotavirus: en vanlig orsak till virusinfektioner hos spädbarn.

Modellen kan också leda till en bättre förståelse för zoonotiska sjukdomar, där virus sprids från djur till människor.

– Med uppkomsten av SARS-CoV-2 har vi sett vilka förödande konsekvenser det kan få när virus hoppar över från djur till människor. Vår modell kan nu användas för att förutsäga vilka virus som har störst potential att spridas på det här sättet. Det kan vi analysera genom att se hur många mutationer som behövs för att virus ska känna igen mänskliga glykaner, vilket ökar risken för infektion hos människor. Dessutom hjälper modellen oss att förutsäga vilka delar av människokroppen som riskerar att drabbas av ett zoonotiskt virus, som andningsorganen eller mag-tarmkanalen, säger Daniel Bojar, som är studiens huvudförfattare.

Underlättar utvecklingen av glykanbaserade antivirala medel

Bild
Daniel Bojar
Daniel Bojar
Foto: Johan Wingborg

Forskargruppen hoppas också kunna utnyttja den förbättrade förståelsen av infektionsprocessen för att förhindra virusinfektioner. Syftet är att använda modellen för att utveckla glykanbaserade antivirala medel: läkemedel som kan bromsa virusets tillväxt i kroppen vid en virusinfektion.

– Om vi kan förutsäga interaktionen mellan virus och glykaner kan vi leta efter glykaner som binder virus bättre än vad våra egna glykaner gör, och använda dem som ”lockbete” till antivirala medel som kan förhindra en virusinfektion. Det kräver dock att det görs framsteg inom glykantillverkningen, eftersom potentiella antivirala glykaner kan innehålla vissa sekvenser som än så länge är svåra att skapa, säger Daniel Bojar.

Förberedelser inför nästa pandemi

Daniel Bojar hoppas att modellen kan bli ett steg mot att även använda glykaner för att förebygga och bekämpa framtida pandemier, eftersom man för närvarande hellre använder molekyler som är enklare att analysera, till exempel DNA.

– Arbetet från många forskargrupper har revolutionerat glykobiologin de senaste åren, och jag tror att vi äntligen är på väg att börja använda dessa komplexa biomolekyler för medicinska ändamål. Vi går mot spännande tider, säger han.

Text: Ulrika Ernström

Kontakt:
Daniel Bojar, biträdande universitetslektor vid Wallenbergcentrum för molekylär och translationell medicin ( WTCMT) och Institutionen för kemi och molekylärbiologi vid Göteborgs universitet.

Telefonnummer: 072-209 98 22
E-postadress: daniel.bojar@gu.se

Hemsida: https://www.gu.se/en/research/daniel-bojar

Om forskningen

Titel: Using Graph Convolutional Neural Networks to Learn a Representation for Glycans

Forskarna har utvecklat grafiska neurala nätverk för analys av glykaner. Denna AI-teknik visar en glykan grafiskt och lär sig sekvensegenskaper som kan användas för att förutsäga glykanfunktioner och interaktioner. Resultaten har publicerats i Cell Reports.