通过高吞吐量实验和机器学习加速抗体发现和优化
Ryo Matsunaga1,2, Kouhei Tsumoto3,4,5
1Department of Bioengineering, School of Engineering, The University of Tokyo, Tokyo, 113-8656, Japan.
Journal of biomedical science
|May 9, 2025
概括
高通量实验和机器学习通过使用数据来预测和优化治疗性质来加速抗体工程. 这种人工智能驱动的方法提高了抗体的发现和开发.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 抗体工程对于开发新疗法至关重要.
- 传统方法在效率和范围方面面临挑战.
- 数据驱动的方法正在出现以解决这些局限性.
研究的目的:
- 审查用于抗体工程的高通量实验和机器学习整合方面的进展.
- 突出这些方法如何实现抗体治疗的合理设计和优化.
- 讨论人工智能驱动的抗体发现当前的挑战和未来的方向.
主要方法:
- 使用广泛的抗体序列,结构和功能性质数据集.
- 训练预测机器学习模型,包括蛋白质语言模型.
- 整合实验数据采集与计算特征提取.
主要成果:
- 机器学习模型可以预测和优化抗体亲和力,特异性,稳定性,粘度和可制造性.
- 实验和计算方法之间的协同作用加速了抗体工程.
- 通过实际例子和案例研究来证明.
结论:
- 人工智能和高通量实验显著改变了抗体发现和优化.
- 捕获序列和结构信息对于预测模型的准确性至关重要.
- 需要进一步开发才能充分实现AI在加速治疗开发方面的潜力.
