通过结合高通量自动化片映射和基于深度学习模型的蛋白质语言模型来准确预测抗体消毒
Ben Niu1, Benjamin Lee1, Lili Wang2
1Discovery Biotherapeutics, Bristol Myers Squibb, San Diego, CA 92121, USA.
Antibodies (Basel, Switzerland)
|September 23, 2024
概括
识别抗体去化部位对于治疗性蛋白质的开发至关重要. 一个新的深度学习模型只使用抗体序列准确地预测除化倾向,简化了质量控制.
科学领域:
- 生物化学 生化学
- 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:
- 治疗性抗体,包括单克隆抗体 (mAbs),在现代医学中至关重要.
- 序列负债,如脱化损害抗体完整性,影响疗效,稳定性和安全性.
- 准确识别除化部位对于治疗性蛋白质的开发至关重要.
研究的目的:
- 开发一种可靠的方法来预测治疗性抗体中的除氧化位点.
- 为了创建一个全面的抗体除化数据集.
- 建立一个精简的工作流程,用于高吞吐量除预测.
主要方法:
- 使用自动化基映射生成了一个全面的抗体除化数据集 (n=2285).
- 雇员监督机器学习用于预测除氧化倾向和程度.
- 开发了一种新的模拟深度学习模型,将蛋白质语言模型 (pLM) 嵌入与本地序列信息相结合.
主要成果:
- 嵌合式深度学习模型在除化预测方面实现了最先进的性能.
- 该模型只需要氨基酸序列输入,不需要复杂的特征工程.
- 这种方法可以实现高通量自动化片映射和除化预测.
结论:
- 拟议的深度学习模型提供了一种有效和准确的方法来预测抗体除氧化.
- 这种方法简化了治疗抗体中脆弱部位的识别.
- 该方法显示了对其他抗体序列负债的更广泛应用的潜力.
