通过使用机器学习和信息驱动的对接,从序列中准确建模抗体-抗原复合体
Marco Giulini1, Constantin Schneider2, Daniel Cutting2
1Bijvoet Centre for Biomolecular Research, Faculty of Science-Chemistry, Utrecht University, Utrecht CH 3584, The Netherlands.
Bioinformatics (Oxford, England)
|September 30, 2024
概括
机器学习模型准确地预测抗体和抗原结构,使得像HADDOCK这样的蛋白质-蛋白质对接工具能够生成可靠的抗体-抗原复杂模型,用于治疗性抗体设计.
科学领域:
- 计算生物学是一种计算生物学.
- 结构生物学是结构生物学.
- 免疫信息学是指免疫信息学.
背景情况:
- 准确的抗体-抗原复合体建模对于治疗抗体设计至关重要.
- 实验结构通常是不可用的,需要计算方法.
- 机器学习的进步使抗体和抗原结构的准确预测成为可能.
研究的目的:
- 用机器学习生成的输入结构来分析蛋白质-蛋白质对接工具的有效性.
- 评估用于治疗抗体设计的信息驱动对接协议.
主要方法:
- 利用机器学习工具生成一组抗体结构.
- 使用AlphaFold2来预测抗原结构.
- 应用HADDOCK用于信息驱动的蛋白质-蛋白质对接.
主要成果:
- 哈德克成功地使用ML预测结构生成了准确的抗体-抗原复合模型.
- 有针对性的对接与对互补的确定区域和表位信息的了解改善了模型质量.
- 该协议通过减少采样实现了高质量的模型,超过了ZDOCK基线.
结论:
- 机器学习生成的结构是蛋白质-蛋白质对接的可行输入.
- 使用HADDOCK的信息驱动对接为治疗抗体设计提供了一个计算效率高,准确的方法.
- 这种工作流可以增强新型抗体疗法的设计.
更多相关视频
08:58Characterization of Glycoproteins with the Immunoglobulin Fold by X-Ray Crystallography and Biophysical Techniques
Published on: July 5, 2018
12.6K
04:24Author Spotlight: Advancing Biotherapeutic Mass Calculation by Introducing mAbScale, a Python-Based Desktop Application
Published on: June 16, 2023
1.4K
