使用机器学习预测单克隆抗体的净化过程适合性

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.
• 计算化学计算化学

背景情况:

• 早期的治疗单克隆抗体 (mAb) 开发面临的挑战是为净化评估进行广泛的实验.
• 时间线压力和材料限制限制了对众多分子和工艺条件的评估.
• 高通量查数据和先进的分子描述器已经使mAb行为的预测建模成为可能.

研究的目的:

• 引入和验证一个定量结构-属性关系 (QSPR) 策略,用于*in silico*评估mAb净化工艺的适用性.
• 为了利用基于序列的预测,有效地选择净化树脂和操作条件.
• 为了减少早期生物制药开发中的实验工作量.

主要方法:

• 主要组件分析 (PCA) 的应用,将多维批量绑定数据减少到代表色谱行为的单个维度.
• 使用内核回归 (KRR) 来预测新型mAb序列的主要组件.
• 基准测试四个不同的描述器集,包括生物物理结构模型和蛋白质语言模型,用于模型开发.

主要成果:

• 在5种染色体树脂和不同缓冲条件 (pH,盐度) 中,成功证明了97mAbs的QSPR工作流.
• 这些模型准确地从氨基酸序列中预测了色谱结合行为的主要组成部分.
• 不同描述器集的性能比较突出了各种特征提取方法的实用性.

结论:

• QSPR模型提供了一种强大的计算工具,用于*in silico*净化过程对治疗 mAbs. 的适合性评估.
• 基于序列的预测可以在开发早期对染色体树脂和操作参数进行知情选择.
• 这一策略显著减轻了实验需求,加速了生物制剂的开发时间表.