用端到端训练的蛋白质语言模型对光免疫传感器工程预测单个突变效应

科学领域:

• 生物技术和生物传感技术
• 蛋白质工程是指蛋白质的工程.
• 计算生物学 计算生物学

背景情况:

• 火体 (Q-body) 是使用在抗原结合部位附近的托残留物灭光体的同质免疫传感器.
• 根据需求开发Q体是具有挑战性的,因为影响抗原结合和火的互补性决定区域 (CDR) 的巨大序列空间.
• 现有的方法缺乏有效的策略来预测和优化Q体性能.

研究的目的:

• 开创一种结合高通量选和蛋白质语言模型 (pLMs) 的战略,以预测单个氨基酸分辨率的Q体光火.
• 通过合理设计突变来提高火效率来提高Q体性能.
• 为了实现对免疫传感器应用的Q体的按需开发.

主要方法:

• 从一个大型合成图书馆收集了酵母显示的纳米体,具有不同的TAMRA光体灭特性.
• 训练了一个预训练的pLM,加上一个单层感知子,在丰富的CDR序列上进行端到端的火预测.
• 利用经过训练的模型进行反SARS-CoV-2纳米体 (RBD1i13和RBD10i14) 中影响火的突变的in silico预测,并通过酵母表面显示进行验证.

主要成果:

• 开发的火预测模型,专注于CDR1 + 3,在评估中表现出高的性能.
• 在光扫描成功地预测了在RBD1i13和RBD10i14纳米体中增强火的突变.
• 实验验证证了工程Q体中增强的光火,从而改善了反应.

结论:

• 开发的策略允许精确预测光反应,仅基于抗体序列.
• 这种方法促进了抗体的合理选择和设计,用于创建高性能免疫传感器.
• 该方法对于推进Q体和其他基于抗体的生物传感器的发展至关重要.