Generación de anticuerpos de cadena emparejada específicos del antígeno utilizando modelos de lenguaje de gran tamaño

Área de la Ciencia:

• Biotecnología
• Inmunología
• Biología computacional

Sus antecedentes:

• El descubrimiento tradicional de anticuerpos es ineficiente, costoso y tiene bajas tasas de éxito.
• La inteligencia artificial (IA) ofrece nuevos enfoques para la optimización y generación de anticuerpos.
• Los métodos de IA existentes pueden generar secuencias de anticuerpos de una manera agnóstica del objetivo.

Objetivo del estudio:

• Para presentar MAGE (generador de anticuerpos monoclonales), una nueva herramienta de IA para la generación de secuencias de anticuerpos.
• Afinar un modelo de lenguaje de proteínas basado en secuencias (PLM) para generar secuencias de anticuerpos de cadena ligera y pesada variables en pares.
• Demostrar la capacidad de MAGE para diseñar anticuerpos contra objetivos virales específicos.

Principales métodos:

• Desarrollo de MAGE, un modelo de lenguaje de proteínas basado en secuencias (PLM).
• Ajuste fino del PLM para generar secuencias de anticuerpos de cadena ligera y pesada variables en pares.
• Validación experimental de la especificidad de unión de anticuerpos generados contra el SARS-CoV-2, H5N1 y RSV-A.

Principales resultados:

• MAGE generó con éxito nuevas y diversas secuencias de anticuerpos.
• Especificidad de unión validada experimentalmente de anticuerpos generados por MAGE contra el SARS-CoV-2, la gripe aviar H5N1 y el RSV-A.
• Demostró la capacidad de MAGE para diseñar anticuerpos humanos contra múltiples objetivos sin una plantilla inicial.

Conclusiones:

• MAGE es un modelo de IA de primera clase para diseñar anticuerpos humanos contra múltiples objetivos.
• El modelo supera las limitaciones de los métodos tradicionales de descubrimiento de anticuerpos.
• MAGE muestra potencial para el desarrollo rápido de terapias de anticuerpos dirigidos.