使用序列,结构和机器学习相似性测量用于抗体发现应用的基准抗体聚类方法
Dawid Chomicz1, Jarosław Kończak1, Sonia Wróbel1
1NaturalAntibody, Szczecin, West Pomeranian, Poland.
Frontiers in molecular biosciences
|April 12, 2024
概括
研究人员对抗体分组方法进行了基准比较,用于生物治疗发现. 结合多种方法,包括克隆型,帕拉托普和嵌入,比单个方法单独产生更多样化的抗体候选池.
科学领域:
- 生物化学 生物化学
- 免疫学 免疫学 免疫学
- 生物信息学是一种生物信息学.
背景情况:
- 抗体是来自免疫系统蛋白质的关键生物治疗药物.
- 发现治疗性抗体需要从菌体显示等方法分析大量序列数据.
- 目前的方法通常仅依赖于序列相似性来分组抗体候选者,这可能会限制多样性.
研究的目的:
- 为了比较不同的抗体分组方法,超越序列相似性.
- 评估结合物检测和表位图绘制任务上的分组性能.
- 评估结合直角分组策略的多样性收益.
主要方法:
- 使用克隆型,序列,帕拉托普预测,结构预测和嵌入进行基准抗体分组.
- 评估结合物检测和表位图绘制的方法.
- 开发一个在线工具 (CLAP) 用于可视化和对比抗体分组.
主要成果:
- 没有一个单一的方法在粘合剂检测方面显著超过其他方法.
- 克隆型,帕拉托普和基于嵌入的分组是表位图绘制的最佳表现.
- 所有测试的方法都提供了直角分组,在组合使用时增强了候选池的多样性.
结论:
- 结合多种抗体分组方法可以增加候选人池的多样性.
- 该CLAP工具有助于在不同的分组策略中探索和可视化抗体多样性.
- 这种方法有助于选择更多样化的抗体候选组用于治疗开发.
更多相关视频
07:25In Vitro Methods for Comparing Target Binding and CDC Induction Between Therapeutic Antibodies: Applications in Biosimilarity Analysis
Published on: May 4, 2017
17.8K
00:09Single-cell Screening Method for the Selection and Recovery of Antibodies with Desired Specificities from Enriched Human Memory B Cell Populations
Published on: August 22, 2019
10.7K
