加快抗体发育:基于序列和结构的模型,通过大小排除色谱来预测可发育性质

科学领域:

• 生物制药的发展.
• 计算生物学是一种计算生物学.
• 蛋白质工程是一种蛋白质工程.

背景情况:

• 生物制药开发能力的实验查,例如尺寸排除染色体 (SEC),是资源密集且耗时的.
• 加快抗体开发过程需要有效的选方法来检测关键的可开发性质.

研究的目的:

• 探索和比较in silico模型,以加快对生物制药可开发性质的选.
• 为了确定最有效的计算方法来预测SEC试验中的抗体中的蛋白质聚合倾向.

主要方法:

• 使用预先计算的序列和预测的结构特征的替代模型的比较.
• 评估基于序列的方法,利用像ESM-2这样的蛋白质语言模型 (PLM),使用各种微调策略.
• 通过图形神经网络 (GNN) 将抗体结构信息集成到预测管道中.
• 应用这些多样化的in silico方法来预测大约1200个免疫球蛋白G (IgG1) 分子的数据集的聚合倾向.

主要成果:

• 经验评估确定了最有效的in silico方法来预测与SEC试验相关的可开发性质.
• 通过GNN与PLM一起展示了整合结构信息的潜力.
• 量化了基于特征的和端到端的PLM方法之间的性能差异.

结论:

• 在模型中,特别是那些利用序列和结构数据的模型,可以显著加快抗体开发性查.
• 这项研究为选择最佳计算策略来预测蛋白质聚合提供了宝贵的见解,有助于更快的抗体开发.
• 这项研究有助于优化早期生物制药查过程,减少实验负担.