基于序列的粘度预测用于快速抗体工程

科学领域:

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

背景情况:

• 高蛋白度配方对于有效的治疗提供至关重要.
• 抗体聚合和高粘度可能会限制治疗疗效和给药途径.
• 需要预测模型来指导蛋白质工程的努力,以改善配方特性.

研究的目的:

• 开发一种基于氨基酸序列的机器学习模型,用于预测基于氨基酸序列的抗体粘度.
• 应用基于结构的合理设计策略,结合in silico选来降低抗体粘度.
• 为了高效地设计一种高粘度的抗IL-13单克隆抗体候选者.

主要方法:

• 机器学习算法被用来识别抗体氨基酸序列及其物理特征之间的相关性.
• 基于结构的理性设计方法被用于生成具有预测较低粘度的抗体变体.
• 在实验验证之前使用in silico粘度预测工具来选和优先考虑工程变体.

主要成果:

• 成功开发了一种针对抗体内部粘度的预测模型.
• 产生了一个由16种高度粘性抗IL-13单克隆抗体的变异组.
• 综合策略有效地降低了抗IL-13抗体候选者的粘度,从34cP降至13cP在150mg/ml的剂量下.

结论:

• 将基于机器学习的粘度预测与理性设计相结合,加速了低粘度抗体疗法的工程.
• 这种方法可以有效地优化用于高度配方的抗体候选物.
• 开发的方法提供了一个强大的工具,可以提高治疗抗体的开发能力.