开发in silico模型来预测粘度和小鼠清除,使用对83个支架一致的单克隆抗体收集的综合分析数据集来预测粘度和小鼠清除
Marissa Mock1, Alex W Jacobitz2, Christopher James Langmead1
1Biologic Therapeutic Discovery, Amgen Research, Thousand Oaks, CA, USA.
mAbs
|September 12, 2023
概括
机器学习模型从蛋白质序列中预测抗体开发能力. 这些模型准确地预测粘度和药物动力学特性,加速治疗工程.
科学领域:
- 生物学的药物发现.
- 蛋白质疗法工程工程 蛋白质疗法工程
- 计算生物学是一种计算生物学.
背景情况:
- 生物药物发现的目标是强效的,具有适合制造和管理的生物物理性质的选择性蛋白质疗法.
- 预测计算方法可以通过减少蛋白质生产和测试周期来简化治疗可开发性工程.
研究的目的:
- 为抗体开发能力开发高质量的预测模型.
- 支持具有增强可开发性特征的治疗性蛋白质的工程.
主要方法:
- 设计了一个由83个无功能的IgG1抗体组成的多种序列组.
- 在标准条件下生产和配制抗体,收集全面的分析数据 (体外测定,体内小鼠药理动力学).
- 构建了机器学习分类器模型,使用这些数据和结构特征来预测蛋白质行为.
主要成果:
- 模型预测粘度在150 mg/mL (值15 cP) 时,准确度为87%.
- 模型以75%的准确度预测小鼠的血药物度-时间曲线 (AUC) 下面的面积 (值3.9 × 10^6 h × ng/mL).
结论:
- 机器学习模型可以从序列和结构数据准确地预测抗体的关键可开发性属性.
- 这些预测能力可以通过减少实验测试来加速蛋白质疗法的发展.
- 开发的模型为优化药物发现管道中的抗体开发能力提供了有价值的工具.


