通过深度测序和机器学习从不利丰富的菌体显示选择中发现和 affinity 成熟的抗体片段
Sakiya Kawada1, Yoichi Kurumida2, Tomoyuki Ito1
1Department of Biomolecular Engineering, Graduate School of Engineering, Tohoku University, 6-6-11 Aoba, Aramaki, Aoba-ku, Sendai 980-8579, Japan.
Journal of bioscience and bioengineering
|June 5, 2025
概括
深度测序和机器学习从菌体显示库中发现功能性抗体变体,即使目标结合菌体的丰富程度不高. 这种方法克服了针对定向进化的传统生物规划的局限性.
科学领域:
- 生物技术是生物技术.
- 分子生物学分子生物学
- 免疫学 免疫学 免疫学
背景情况:
- 菌体显示是一种强大的技术,用于抗体碎片进化.
- 生物包装可能会受到与目标无关的变体丰富的影响,阻碍功能性抗体的发现.
- 传统的选方法可能会因为缩偏差而错过有价值的变异.
研究的目的:
- 使用深度测序和机器学习从具有不利丰富的菌体显示库中获得功能性抗体变体.
- 为了克服放大偏差,影响生物分析期间的对象结合菌体丰富.
- 为了识别具有改善结合亲和力的抗体变体.
主要方法:
- 生物扫描菌体显示库的深度测序.
- 序列相似性搜索以减轻放大偏差.
- 机器学习分析深度测序数据,以预测有益的突变.
- 针对结合亲和力的抗体变体的表征.
主要成果:
- 深度测序揭示了放大偏差,可能会阻碍目标结合菌体丰富.
- 序列相似性搜索使得发现一种结合变异的发现成为可能,而传统查错过了这种结合变异.
- 机器学习发现了有效的突变,导致了具有增强亲和力的变体 (EC50 = 3.46 μM).
结论:
- 深度测序和机器学习可以成功地从不太丰富的菌体显示库中识别功能变体.
- 这种综合方法增强了抗体碎片的定向进化.
- 该研究展示了一种战略,以克服传统生物包装工艺的局限性.
