仅使用初级序列预测单克隆抗体的临床皮下吸收率常数:一种机器学习方法

科学领域:

• 药理动力学和药物输送方法
• 生物药物和单克隆抗体 (mAb) 治疗药物
• 计算生物学和机器学习

背景情况:

• 皮下注射是提供生物疗法如单克隆抗体 (mAbs) 的首选途径,因为成本,时间和患者偏好的优势.
• 了解从皮下部位的mAb吸收对于开发有效的药物配方至关重要.
• 当前的预测模型通常需要大量的临床数据,限制了它们的早期应用.

研究的目的:

• 开发和验证一种新的预测模型,用于估计皮下注射后mAbs的吸收速率常数 (k_a).
• 为了利用*in silico*分子属性,仅从初级序列中导出,作为预测模型的输入.
• 建立能够预测mAb吸收的模型,而不依赖临床血度-时间数据.

主要方法:

• 使用XGBoost机器学习算法开发一个预测模型.
• 该模型的输入特征是从mAbs.的初级氨基酸序列生成的*in silico*分子特性.
• 模型的性能得到了验证,并与现有的机械模型进行了基准测试.

主要成果:

• 开发的模型准确地预测了mAbs的吸收率常数 (k_a),仅使用它们的初级序列.
• 该模型通过不需要临床药理动力学数据进行预测来证明一种新的能力.
• 与最近报告的一种机械模型相比,基准测试显示出更高的性能.

结论:

• 一个强大的,基于序列的预测模型用于皮下mAb吸收已经成功开发和验证.
• 这种模型在制剂开发过程的早期预测mAb的药理动力学方面取得了重大进展.
• 该模型的可解释性提供了对影响mAb吸收率的分子因素的见解,与实验发现保持一致.