新一代的SARS-CoV-2抗体CDRH3与预先训练的生成性大语言模型
Haohuai He1,2, Bing He3, Lei Guan4
1AI Lab, Tencent, Shenzhen, 518052, China.
Nature communications
|August 10, 2024
概括
我们开发了PALM-H3,这是人工智能模型,用于新的抗体生成,减少对天然抗体的依赖. 生成的抗体显示出高结合亲和力和对抗SARS-CoV-2变体的中和.
科学领域:
- 生物技术是生物技术.
- 免疫学 免疫学 免疫学
- 人工智能的人工智能
背景情况:
- 抗体设计传统上依赖于分离天然抗体,这是一个缓慢而昂贵的方法.
- 人工智能 (AI) 在推进抗体设计技术方面表现有前途.
研究的目的:
- 开发一种新的AI模型,用于新的抗体重链互补性决定区域 (CDRH3) 的新生代,具有特定的抗原结合能力.
- 创建一个对抗原-抗体结合特异性和亲和性的预测模型.
- 为了减少对从血清中分离抗体的依赖.
主要方法:
- 开发了一种预训练的抗体生成性大语言模型 (PALM-H3),用于新的CDRH3代.
- 构建了一个高精度的抗原-抗体结合剂模型 (A2binder),用于预测结合特异性和亲和力.
- 整合了Roformer架构中的注意力机制到PALM-H3中,以提高可解释性.
主要成果:
- 通过PALM-H3生成的抗体被证明与SARS-CoV-2抗原结合,包括XBB变异,通过in-silico和in-vitro分析证实.
- 在体外分析证实了高结合亲和力和强大的中和SARS-CoV-2变体 (野生型,阿尔法,三角形,XBB) 的PALM-H3抗体.
- A2结合剂在各种表位和变异中表现出良好的结合特异性的预测性能.
结论:
- PALM-H3提供了一种可行的人工智能驱动的方法,用于新的抗体生成,特别针对所需的抗原特异性.
- A2结合剂模型准确地预测了抗原-抗体相互作用,有助于选择有效的抗体候选者.
- 整合注意力机制提高了模型的解释性,为抗体设计原则提供了洞察力.


