Ginkgo Datapoints Antibody Developability コンペティションの結果: モデルのパフォーマンスが限られ,データの標準化のための呼びかけが行われました

科学分野:

• バイオテクノロジー バイオテクノロジー
• コンピュータ生物学 コンピュータ生物学
• ドラッグ・ディスカバリー・ディスカバリー・ドラッグ・ディスカバリー・ドラッグ・ディスカバリー

背景:

• 抗体開発能力は,薬剤開発の成功に不可欠です.
• 抗体の開発可能性を計算的に予測することは,研究の活発な分野です.
• モデルトレーニングのための既存のデータセットは,しばしば小さく,異質である.

研究 の 目的:

• 抗体開発可能性を予測するための計算モデルをベンチマークする.
• 目に見えないデータに対するこれらのモデルの一般化能力を評価する.
• 抗体開発可能性の予測の限界と将来の方向性を特定する.

主な方法:

• Ginkgo Datapointsのアンチボディ開発能力 (AbDev) コンテストを盲目的に実施しました.
• 5つの生体物理学的性質の評価された予測要因: 排水性,熱安定性,自己結合,発現位数,および多活性性.
• パブリックトレーニングセット (246個の抗体) とホールドアウトテストセット (80個の抗体) を使用しました.

主要な成果:

• 最高性能は特性によって異なるが,水害性予測が最も強い (スピーマンの ρ = 0.708).
• トレーニングデータのクロス検証スコアは,テストセットの性能を一貫して上回り,オーバーフィッティングを示しています.
• 予測者間で限定的な分布外一般化が観察されました.

結論:

• 現在の抗体開発可能性モデルでは,小型で異質なデータセットのため,一般化は限られています.
• 調和したプロトコルを持つより大きく,標準化され,多様な実験データセットは,堅牢なモデルトレーニングと検証に不可欠です.
• 将来の抗体発見キャンペーンは,信頼できる,一般化可能な開発可能性予測モデルを必要とします.