Ginkgo Datapoints Desarrollabilidad de anticuerpos Resultados de la competencia: rendimiento limitado del modelo y una convocatoria para la estandarización de datos. | JoVE Visualize

Área de la Ciencia:

Biotecnología La biotecnología es la biotecnología.
Biología computacional Biología computacional.
Descubrimiento de Drogas Descubrimiento de Drogas

Sus antecedentes:

La capacidad de desarrollo de anticuerpos es crucial para el desarrollo exitoso de fármacos.
La predicción computacional de la capacidad de desarrollo de anticuerpos es un área activa de investigación.
Los conjuntos de datos existentes para la formación de modelos a menudo son pequeños y heterogéneos.

Objetivo del estudio:

Para comparar modelos computacionales para predecir la capacidad de desarrollo de anticuerpos.
Para evaluar las capacidades de generalización de estos modelos en datos no vistos.
Identificar limitaciones y direcciones futuras para la predicción de la desarrollabilidad de anticuerpos.

Principales métodos:

Realizó el concurso ciego de desarrollo de anticuerpos de puntos de datos de Ginkgo (AbDev).
Predictores evaluados en cinco propiedades biofísicas: hidrofobia, termostabilidad, autoasociación, título de expresión y poliactividad.
Utilizó un conjunto de entrenamiento público (246 anticuerpos) y un conjunto de prueba de retención (80 anticuerpos).

Principales resultados:

El rendimiento superior varió según la propiedad, siendo la predicción de hidrofobidad la más fuerte (rp de Spearman = 0,708).
Las puntuaciones de validación cruzada de los datos de capacitación superaron constantemente el rendimiento del conjunto de pruebas, lo que indica un exceso de ajuste.
Se observó una generalización limitada fuera de distribución en todos los predictores.

Conclusiones:

Los modelos actuales de desarrollo de anticuerpos muestran una generalización limitada debido a conjuntos de datos pequeños y heterogéneos.
Los conjuntos de datos experimentales más grandes, estandarizados y diversos con protocolos armonizados son esenciales para la capacitación y validación de modelos robustos.
Las futuras campañas de descubrimiento de anticuerpos requieren modelos de predicción de desarrollo fiables y generalizables.