使用可解释机器学习来降低单克隆抗体粘度

科学领域:

• 生物技术是生物技术.
• 蛋白质工程是指蛋白质的工程.
• 计算生物学 计算生物学

背景情况:

• 早期识别具有有利药物样性质的抗体候选者对于有效的治疗开发至关重要.
• 皮下抗体配方需要较低的自我关联才能达到高度,同时最大限度地降低粘度,不透明度和聚合.

研究的目的:

• 开发一种可解释的机器学习模型,基于可变 (Fv) 区域序列来预测抗体 (IgG1) 粘度.
• 确定与抗体粘度相关的关键Fv序列特征.

主要方法:

• 一个机器学习模型被训练到抗体粘度数据 (>100 mg/mL mAb度) 在pH值5.2.
• 该模型利用抗体序列来预测粘度,重点关注Fv区域特征:同电点 (pI),疏水性补丁大小和负电荷补丁数.
• 模型性能在训练,测试和先前报告的数据集上得到验证.

主要成果:

• 该模型确定了低Fv同电点 (pI <6.3) 作为跨多种抗体生殖系和临床阶段IgG1s的高抗体粘度的主要预测因素.
• 开发的模型在识别粘性抗体方面表现出很高的准确性.
• 该模型的可解释性促进了对突变的设计,这些突变在实验中降低了抗体粘度.

结论:

• 一个可解释的机器学习模型可以从Fv序列中预测抗体粘度,有助于早期识别类似药物的抗体候选者.
• 低Fv pI是导致抗体粘度高的一个重要因素.
• 这种方法可以通过减少实验查和改善候选人选择来简化抗体药物开发.