通过大规模粘度数据和集体深度学习加速高度单克隆抗体的开发.
Lateefat A Kalejaye1, Jia-Min Chu1, I-En Wu1
1Department of Chemical Engineering and Materials Science, Stevens Institute of Technology, Hoboken, NJ, USA.
mAbs
|April 1, 2025
概括
研究人员开发了DeepViscosity,一种人工智能模型,用于预测抗体粘度. 该工具有助于选择低粘度单克隆抗体 (mAbs) 用于皮下注射,改善药物开发和输送.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 制药科学 制药科学
背景情况:
- 缩抗体溶液中的高粘度阻碍了皮下注射的发展.
- 由于训练数据有限,现有的计算模型缺乏通用性.
研究的目的:
- 开发准确的预测模型来选高度的单克隆抗体 (mAb) 粘度.
- 创建一个工具,以促进选择低粘度的mAbs,以改善药物开发和管理.
主要方法:
- 对229个单克隆抗体 (mAbs) 的测量粘度.
- 开发了DeepViscosity,这是一个由102个人工神经网络模型组成的集合.
- 利用来自DeepSP模型的30个基于序列的特性进行预测.
- 将mAbs分类为低粘度 (≤20cP) 或高粘度 (>20cP) 在150mg/ml时.
主要成果:
- 在两个独立的测试组中,DeepViscosity实现了87.5%和89.5%的准确性.
- 与其他预测方法相比,该模型表现出优越的性能.
- 成功预测了229mAbs的大面板的粘度.
结论:
- 深度粘度使得低粘度mAbs.的早期选择成为可能.
- 促进了改善的可制造性和配方特性,用于皮下药物输送.
- 提供网络服务器应用程序,以便在抗体开发中使用.


