通过整合批量分类和机器学习来增强单克隆抗体的多样性
Daisuke Hisamatsu1, Rion Ozaki1, Akari Ikeda1
1Intractable Disease Research Center, Juntendo University Graduate School of Medicine, Tokyo, Japan.
Biochemistry and biophysics reports
|October 27, 2025
概括
一种新的合成化学抗体 (SynCA) 技术通过整合批量B细胞分类和机器学习来增强抗体发现. 这种具有成本效益的方法迅速从康复者血清中产生多种治疗性单克隆抗体 (mAbs).
科学领域:
- 免疫学 免疫学 免疫学
- 生物技术是生物技术.
- 生物信息学是一种生物信息学.
背景情况:
- 治疗单克隆抗体 (mAb) 工程旨在提高亲和力和活性.
- 传统的单细胞分类用于mAb发现是昂贵的,并限制了分析.
- 识别强大的中和抗体需要多样化的人类mAb库,特别是对于像SARS-CoV-2这样的快速突变病毒.
研究的目的:
- 开发一种具有成本效益和快速的方法来生成多样化的人类mAb库.
- 为了克服在抗体发现中单细胞分类的局限性.
- 探索合成化学抗体 (SynCA) 技术在治疗性抗体开发中的潜力.
主要方法:
- 开发了合成化学抗体 (SynCA) 技术,集成了抗原特异性B细胞的批量分类和机器学习.
- 从大约5000个B细胞中提取的单个cDNA中克隆抗体变异区域.
- 将SynCA方法与使用COVID-19患者康复期血清进行单细胞分类进行比较.
主要成果:
- 在重链和轻链基因中,SynCA方法显著增强了B细胞受体谱的多样性.
- 重链和轻链基因的随机配对在体外重建了多种不同的mAbs.
- 发现来自抗体基因区域 (DH和JL) 的核酸序列信息可以预测抗体的复合.
结论:
- SynCA 技术为生成多样化的 mAb 库提供了一种具有成本效益和快速的替代方案.
- 这种方法促进了治疗,诊断和研究 mAbs. 的发现.
- 这些发现为基于核酸序列信息的抗体复合预测提供了新的见解.


