利用多模式特征学习来预测抗体粘度
Krishna D B Anapindi1, Kai Liu2, Willie Wang1
1Protein Therapeutics, Gilead Sciences, Foster City, CA, USA.
mAbs
|April 11, 2025
概括
预测生物治疗粘度对于皮下输送至关重要. 一个新的多式学习工作流可以准确预测抗体粘度,帮助药物开发和改善患者治疗.
科学领域:
- 生物制药开发 生物制药开发
- 计算化学计算化学
- 药物运输 药物运输 药物运输
背景情况:
- 皮下注射生物治疗药物与静脉注射相比,具有优势,包括患者的便利性和更好的遵守性.
- 生物配方的高粘度在开发,制造和患者服药方面带来了重大挑战,可能会影响疗效.
- 管理粘度对于成功过渡到皮下输送抗体治疗药物至关重要.
研究的目的:
- 开发和评估一种多式特征学习工作流程,用于预测抗体的粘度.
- 评估工作流程集成多种数据源的能力,以提高预测能力.
- 将拟议的方法与现有的粘度预测技术进行比较,用于早期抗体开发.
主要方法:
- 应用多式特征学习工作流程,整合序列,结构和物理化学性质.
- 从语言模型中利用嵌入来捕获蛋白质进化模式.
- 从分子模拟中获得的物理化学规则的整合.
主要成果:
- 多模式工作流在预测抗体粘度方面表现强.
- 该方法成功地从各种数据类型中学习,包括分子模拟和深度学习模型.
- 对比分析提供了对各种粘度预测方法的预测潜力和可用性的见解.
结论:
- 多模式特征学习为预测治疗开发中的抗体粘度提供了一种强大的方法.
- 准确的粘度预测可以简化皮下生物治疗的开发.
- 该方法通过解决关键的配方挑战,支持早期药物开发管道.
更多相关视频
08:17A Semi-automated Approach to Preparing Antibody Cocktails for Immunophenotypic Analysis of Human Peripheral Blood
Published on: February 8, 2016
10.7K
11:07Whole-animal Imaging and Flow Cytometric Techniques for Analysis of Antigen-specific CD8+ T Cell Responses after Nanoparticle Vaccination
Published on: April 29, 2015
13.2K
