Hoe het immuunsysteem leert: diepgaande blik op de evolutie van antistoffen
Ons lichaam maakt antistoffen aan die steeds beter worden naarmate een infectie vordert. Dat proces verloopt via een soort evolutie in miniatuur, maar hoe die evolutie precies werkt, was altijd moeilijk te meten. Deep learning biedt nu een nieuwe manier om er achter te komen.
Wanneer het lichaam een ziekteverwekker tegenkomt, reageren B-cellen, een type witte bloedcel, door antistoffen te produceren. Maar ze doen meer dan dat. In structuren die kiemcentra heten, kleine ovale knooppunten in lymfklieren en de milt, ondergaan B-cellen een versneld evolutieproces. Ze muteren razendsnel, en de varianten die beter binden aan het binnendringende pathogeen, of aan een vaccin-eiwit, worden selectief vermenigvuldigd. Het resultaat: antistoffen van steeds hogere kwaliteit, toegesneden op precies dit indringer.
Dit proces, dat affiniteitsrijping heet, is essentieel voor een sterke en duurzame immuunrespons. Het is ook de reden waarom vaccins meerdere doses nodig hebben: elke herhaalde blootstelling drijft een nieuwe ronde van selectie en verfijning. Maar de exacte wiskunde achter dit proces, hoe sterk beïnvloedt een betere binding de kans dat een B-cel meer nakomelingen produceert?, was onbekend. Die relatie wordt de ‘affiniteit-fitnessresponsfunctie’ genoemd, en tot nu toe kon niemand haar goed meten.
Simulatie als microscoop
Onderzoekers ontwikkelden een aanpak die ze ‘simulation-based deep learning’ noemen. Ze bouwden gedetailleerde computermodellen van kiemcentra, lieten die simulaties draaien met verschillende veronderstellingen over de affiniteit-fitnessrelatie, en trainden vervolgens een neuraal netwerk om te leren welke simulaties het beste overeenkwamen met echte biologische data van B-cellen. Op die manier konden ze de onbekende responsfunctie afleiden zonder die direct te hoeven meten.
Wat de studie onthult, heeft gevolgen voor vaccinontwikkeling. Als je weet hoe sterk de selectie in kiemcentra werkt, kun je vaccins ontwerpen die die selectie optimaler aandrijven, en zo sneller leiden tot hoogwaardige, langdurige antilichaamreacties. Dat is bijzonder relevant voor vaccins tegen snel muterende virussen zoals influenza of toekomstige SARS-varianten, waar de lat voor antilichaamkwaliteit bijzonder hoog ligt.
Een methode met bredere toepassingen
De methodologische bijdrage is minstens zo relevant als de specifieke bevinding. Simulation-based inference, het gebruiken van simulaties om onmeetbare biologische parameters te schatten, is een opkomende techniek die in meerdere gebieden van de biologie toepassing vindt. De combinatie met deep learning maakt het mogelijk om complexe, niet-lineaire processen te begrijpen die met traditionele wiskundige benaderingen nauwelijks te vatten zijn.
Kiemcentra zijn ook betrokken bij auto-immuunziekten: wanneer het selectieproces ontspoort, kunnen B-cellen antistoffen produceren die het eigen lichaam aanvallen. Een beter begrip van de evolutionaire dynamiek in die structuren kan dus ook inzichten opleveren voor ziekten als lupus of reumatoïde artritis, al is dat vooralsnog toekomstmuziek.