Contrastive learning enables epitope overlap predictions for targeted antibody discovery

科学分野:

• 免疫学
• 計算生物学
• 構造生物学

背景:

• 正確なエピトープ予測は、治療用抗体開発に不可欠です。
• 現在のエピトープ予測のための計算方法は改善が必要です。

研究 の 目的:

• 抗体配列からの抗体エピトープを予測するための新しい計算アプローチを開発および検証すること。
• エピトープ標的治療用抗体の発見を強化すること。

主な方法:

• 1800万の抗体ペアを分析し、重鎖相補性決定領域3（CDRH3）配列同一性とエピトープ重複を相関させました。
• エピトープ情報を組み込むために、抗体言語モデルの教師あり対照ファインチューニングフレームワークを開発しました。
• エピトープ予測のための汎用モデルであるAbLang-PDBを作成しました。

主要な成果:

• 70%以上の重鎖相補性決定領域3（CDRH3）配列同一性は、V遺伝子を共有する抗体におけるエピトープ重複を予測します。
• Contrastive learningフレームワークは、SARS-CoV-2抗体の構造的重複予測において97%の精度を達成しました。
• AbLang-PDBは、配列ベースの方法と比較して平均適合率で5倍の改善を示し、エピトープ重複との強い相関（ρ = 0.81）を示しました。
• 実験的検証により、選択された候補者の70%のHIV-1特異性と50%の結合競合が示されました。

結論:

• 抗体配列に基づく計算方法は、エピトープ関係を確実に予測できます。
• Contrastive learningは、エピトープ情報を抗体言語モデルに効果的にエンコードします。
• これらのモデルは、エピトープ標的抗体発見を加速するための強力なツールを提供します。