人工智能驱动的分子对接和引导的分子动力学,用于精确的scFv选择抗CD30化学抗原受体
Nico Martarelli1, Michela Capurro1, Gizem Mansour2
1Institute of Hematology and Center for Hemato-Oncology Research, University of Perugia and Santa Maria della Misericordia Hospital, 06132 Perugia, Italy.
International journal of molecular sciences
|July 13, 2024
概括
人工智能准确地预测了用于CAR T细胞治疗的最佳抗体碎片,加速了开发. 这种计算方法降低了成本和实验室工作,改善了嵌合式抗原受体 (CAR) T细胞工程.
科学领域:
- 免疫治疗是一种免疫疗法.
- 计算生物学 计算生物学
- 生物技术是生物技术.
背景情况:
- 化学抗原受体 (CAR) T细胞是癌症治疗的革命性免疫疗法.
- 有效的CAR T细胞疗法依赖于从单克隆抗体 (mAbs) 获得的最佳单链片段变量 (scFv) 组件的选择.
- 传统的scFv选择方法是昂贵的,耗时的,劳动密集的.
研究的目的:
- 在CAR-T细胞工程之前开发一种快速,低成本的计算方法来预测scFv结合亲和力.
- 通过使用人工智能 (AI) 来识别最有效的 scFv 对抗CD30 CAR 构造.
主要方法:
- 人工智能引导的分子对接和引导的分子动力学模拟被用于分析反CD30 mAb克隆.
- 进行虚拟计算scFv查以评估结合能力.
- 结果与传统的体外 (表面等离子体共振) 和体内测试进行了比较.
主要成果:
- 人工智能引导的虚拟选准确地预测了scFv结合能力.
- 计算结果与表面等离子体共振 (SPR) 数据的相关性很好.
- 在的方法证明了与体外和体内活体试验相比的抗瘤疗效.
结论:
- 人工智能驱动的基分析为CAR-T细胞发育中的scFv选择提供了一个可行的,具有成本效益的替代方案.
- 这种方法大大减少了工程新型CAR构造中的动物模型的时间,成本和需求.
- 这项研究强调了计算方法在加速免疫疗法进步方面的潜力.
