Marco multimodal para la evaluación de la desarrollabilidad temprana para acelerar el desarrollo de proteínas y...

Área de la Ciencia:

• Desarrollo biofarmacéutico desarrollo biofarmacéutico.
• Química computacional es la química computacional.
• Formulación de las drogas.

Sus antecedentes:

• Las terapias de proteínas y anticuerpos son vitales en la medicina moderna, pero su éxito clínico depende de la capacidad de desarrollo.
• El desarrollo de la formulación es actualmente ineficiente y costoso debido a la extensa experimentación de ensayo y error.
• Predecir la desarrollabilidad requiere comprender las complejas interacciones entre las características de las proteínas y la composición de la formulación.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo multimodal, FormulationProtein, para la predicción precisa de la capacidad de desarrollo de la formulación de proteínas.
• Para crear y utilizar cuatro grandes conjuntos de datos que cubren la estabilidad conformacional, la estabilidad coloidal, la viscosidad y la solubilidad.
• Acelerar el desarrollo de proteínas y anticuerpos en etapa temprana a través de la predicción computacional.

Principales métodos:

• Construcción de cuatro conjuntos de datos relacionados con la desarrollabilidad que integran información sobre proteínas y excipientes.
• Desarrollo de una arquitectura de aprendizaje profundo multimodal (FormulationProtein) que incorpore datos de estructura, secuencia y formulación de proteínas.
• Aplicación de transfer learning y algoritmos convencionales de aprendizaje automático para la representación y predicción de características.

Principales resultados:

• FormulationProtein logró altas precisiones de predicción: 0.925 para la estabilidad conformacional, 0.858 para la estabilidad coloidal, 0.917 para la viscosidad y 0.742 para la solubilidad.
• El marco capturó con éxito la compleja interacción entre los atributos de las proteínas y los componentes de la formulación.
• La validación experimental confirmó las capacidades predictivas del marco en múltiples proteínas y formulaciones.

Conclusiones:

• FormulationProtein ofrece un enfoque computacional integral para la evaluación de la capacidad de desarrollo en etapas tempranas.
• Este marco impulsado por la IA acelera significativamente el desarrollo de fármacos de proteínas y anticuerpos.
• El estudio demuestra el potencial del aprendizaje profundo para optimizar la formulación biofarmacéutica.