Mejora significativa de la afinidad de anticuerpos humanos a través del aprendizaje profundo y las mutaciones de un...

Área de la Ciencia:

• Biología computacional
• Inmunología
• Descubrimiento de drogas

Sus antecedentes:

• La mejora de la afinidad de los anticuerpos es crucial para la eficacia terapéutica y la seguridad.
• Los métodos tradicionales de mutación luchan con vastos espacios de secuencia.
• Las limitaciones actuales requieren enfoques computacionales avanzados para la ingeniería de anticuerpos.

Objetivo del estudio:

• Desarrollar una nueva tubería computacional para identificar mutaciones de anticuerpos que mejoran la afinidad.
• Aprovechar el aprendizaje profundo y las limitaciones evolutivas para una predicción precisa de mutaciones.
• Para demostrar la generalización de la tubería a través de diferentes objetivos de anticuerpos.

Principales métodos:

• La tubería computacional integrada: las restricciones evolutivas, los potenciales estadísticos, la dinámica molecular y la metodinámica.
• Marco de aprendizaje profundo: MicroMutate para mutaciones específicas del microambiente, modelos basados en gráficos para probabilidades de enlace.
• Cribado de anticuerpos mutantes de un solo punto contra la hemaglutinina de la influenza H7N9 y el receptor de muerte 5.

Principales resultados:

• Se identificó un anticuerpo mutante dirigido a la hemaglutinina H7N9 con una mejora de afinidad de 4,62 veces.
• Diseñado un anticuerpo contra el receptor de la muerte 5 con un aumento de 2,07 veces en la afinidad.
• Aplicación exitosa demostrada en la identificación de mutantes de alta afinidad a partir de anticuerpos subnanomolares.

Conclusiones:

• La tubería computacional integrada identifica efectivamente las mutaciones que mejoran la afinidad.
• El aprendizaje profundo y los métodos computacionales ofrecen una plataforma poderosa para el diseño de anticuerpos.
• Este enfoque acelera el descubrimiento de terapias de anticuerpos mejoradas mientras se mantiene la inmunogenicidad y la expresión.