通过大型语言模型改进生成对抗网络的抗体优化能力
Wenbin Zhao1, Xiaowei Luo1, Fan Tong1
1Academy of Military Medical Sciences, Beijing 100850, China.
Computational and structural biotechnology journal
|December 11, 2023
概括
我们开发了AbGAN-LMG,这是一个新的生成对抗网络 (GAN),它使用语言模型来创建高质量的抗体序列. 这种方法改善了抗体优化,并产生了多样化的,可开发的抗体,对SARS-CoV-2具有更高的结合亲和力.
科学领域:
- 计算生物学 计算生物学
- 免疫信息学是指免疫信息学.
- 人工智能在药物发现中的作用
背景情况:
- 生成对抗网络 (GAN) 可以创建功能蛋白序列,但往往缺乏特异性,阻碍了理想抗体的识别.
- 由于实验验证的高成本,通过计算优化抗体至关重要,但提高GAN以产生高质量的候选者仍然是一个挑战.
研究的目的:
- 引入和评估语言模型引导的抗体生成对抗网络 (AbGAN-LMG),以改进抗体序列生成.
- 利用语言模型的代表性力量来增强GANs生产高质量,可开发抗体候选者的能力.
主要方法:
- 开发了AbGAN-LMG,这是一个新的GAN架构,将语言模型作为输入.
- 通过生成针对SARS-CoV-2和MERS-CoV的抗体库和序列来评估AbGAN-LMG的性能.
- 通过分子对接来评估序列质量,库的多样性,可开发性和结合性亲和力.
主要成果:
- AbGAN-LMG成功地学习了基本抗体特性,并增加了生成的抗体库的多样性.
- 与原始抗体相比,针对AZD-8895的产生的抗体序列中,超过50%的抗体呈现出优越的发育能力.
- 确定了70个候选抗体,它们与SARS-CoV-2受体结合域 (RBD) 的结合亲和力比AZD-8895高.
结论:
- 正如AbGAN-LMG所示,将语言模型与GAN集成,可以显著增强生成高质量的抗体库和候选序列.
- AbGAN-LMG提高了抗体优化的效率,为抗体发现和开发提供了一个有前途的计算工具.
- AbGAN-LMG模型是公开可用的,用于进一步的研究和应用在抗体工程.
