人工智能支持超级紧束缚抗体的发现

加州大学圣地亚哥医学院的科学家们已经开发出一种人工智能(AI)的策略发现的高亲和性抗体药物。

在这项研究中,出版自然通讯,研究人员使用的方法来确定一个新的抗体,结合一个主要癌症目标统计比现有的抗体药物。作者说的管道可能会加速发现小说对癌症和其他疾病的药物如COVID-19和风湿性关节炎。

为了成为一个成功的药物,一种抗体必须紧密结合的目标。为了找到这样的抗体,研究人员通常从一个已知抗体氨基酸序列并使用细菌或酵母细胞产生一系列新抗体的变化序列。这些突变体然后评估目标抗原结合的能力。抗体的子集,最好工作然后受到新一轮的突变和评估,这个循环重复,直到一组tightly-binding决赛。

尽管如此漫长而昂贵的过程,许多产生的抗体仍无法在临床试验中是有效的。在新的研究中,加州大学圣地亚哥分校的科学家设计了一种先进的机器学习算法来加速和简化这些努力。

与研究人员开始同样的方法,生成一个初始库的一百万可能抗体序列和检查他们的目标关联到一个特定的蛋白质。但不是一遍又一遍地重复这一过程,他们为数据集的贝叶斯神经网络分析的信息,可以使用它来预测其他序列的亲和力。

“用我们的机器学习工具,这些后续轮序列变异和选择可进行快速有效地在电脑上,而不是在实验室里,“说王伟(音译)资深作者,细胞和分子医学教授博士,加州大学圣地亚哥分校医学院的。

他们的人工智能模型的一个特定的优点是其报告的确定性预测的能力。“不像很多人工智能方法,我们的模型可以告诉我们自信在每个预测,这有助于我们排名优先的抗体和决定哪些药物开发,”王说。

验证管道、项目研究的科学家和co-first作者乔纳森·帕金森博士和瑞安,博士,着手设计一个抗体程序性死亡配体1 (PD-L1),蛋白高表达在癌症和一些商用抗癌药物的目标。使用这种方法,他们发现了一种新型抗体绑定到PD-L1 17倍比atezolizumab(品牌Tecentriq)野生型抗体批准临床使用由美国食品和药物管理局。

研究人员目前正在使用这种方法来确定承诺对其他抗原的抗体,比如SARS-CoV-2。他们也在开发额外的人工智能模型,分析氨基酸序列的其他抗体属性重要临床试验成功,如稳定性、溶解度和选择性。

“通过结合这些人工智能工具,科学家也许能够执行一个增加比例的抗体发现的努力在电脑上而不是在板凳上,可能导致破产的更快和更少的发现过程,”王说。“有很多应用程序这个管道,这些发现仅仅是一个开始。”

参考:帕金森J R,王w . RESP AI模型加速紧束缚抗体的识别。Nat审稿。2023;14 (1):454。doi:10.1038 / s41467 - 023 - 36028 - 8。

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。