新型抗体语言模型加速IgG查和广泛抗病毒疗法的设计

科学领域:

• 计算生物学和生物信息学
• 免疫学和传染病.
• 人工智能在药物发现中的作用

背景情况:

• 治疗性抗体对于治疗疾病至关重要,但实验性查是昂贵和耗时的.
• 快速突变的病原体,如SARS-CoV-2变种,对现有的抗体疗法构成挑战.
• 开发针对多样化和不断变化的抗原点的有效抗体需要加速方法.

研究的目的:

• 开发一个机器学习辅助管道 (AbGen) 快速查和治疗抗体 (IgG) 的重新设计.
• 创建一种新的抗体语言模型 (AbLM),用于预测针对SARS-CoV-2变种的IgG活性.
• 为了证明AbGen在识别和优化针对多个病毒菌株的中和抗体方面的有效性.

主要方法:

• 开发了AbLM,一种在蛋白质序列上预训练的语言模型,并对配对抗体序列 (VH-VL) 进行微调.
• 集成的ABLM与结构预测和高斯过程回归用于分析IgG活性和变体易感性.
• 将AbGen管道应用于康复期患者衍生的IgG序列,并进行计算性蛋白质重新设计.

主要成果:

• AbGen有效地优先考虑了对野生型,三角体和Omicron SARS-CoV-2 变体有效的IgG,显示了体外和体内保护.
• 与其他模型相比,AbLM提高了低变异易感性IgG的预测准确度,从50%到75%.
• 基于结构的IgG重新设计,通过单个氨基酸替代,增强了对三角洲变种的封锁疗效的两倍.

结论:

• AbGen管道显著加快了针对新出现的病毒威胁的抗体发现和优化.
• AbLM提供了一种强大的工具,用于预测抗体对多样化和不断变化的抗原标的有效性.
• 这种由人工智能驱动的方法将数据驱动的建模与物理驱动的设计相结合,用于增强治疗抗体的开发.