Video Experimental Relacionado
Updated: Feb 24, 2026
06:53
Rapid Antibody Glycoengineering in Chinese Hamster Ovary Cells
Published on: June 2, 2022
3.8K
Ginkgo Datapoints Desarrollabilidad de anticuerpos Resultados de la competencia: rendimiento limitado del modelo y
Lood van Niekerk1, Joshua Moller1, Seth Ritter1
1Ginkgo Bioworks Inc, Boston, MA, USA.
mAbs
|February 22, 2026
Resumen
La competencia de desarrollo de anticuerpos (AbDev) comparó modelos de predicción para propiedades de anticuerpos. Los modelos actuales se ajustan demasiado a pequeños conjuntos de datos, lo que limita la generalización y destaca la necesidad de datos experimentales más grandes y estandarizados para el descubrimiento de anticuerpos.
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.
