生物物理抗体开发能力评估的高通量平台,使AI/ML模型培训成为可能.

科学领域:

• 生物制药的发展.
• 计算生物学是一种计算生物学.
• 机器学习在药物发现中的作用

背景情况:

• 治疗性抗体需要高亲和力,特异性和良好的开发能力,以制造和体内表现.
• 由于训练数据有限,预测抗体开发能力具有挑战性,通常依赖于经验测试.
• 抗体结合的计算模型正在改进,但可开发性预测落后.

研究的目的:

• 建立一个高通量平台,用于生成大型抗体可开发性数据集.
• 开发和验证用于预测抗体开发能力的机器学习模型.
• 与现有方法相比,改进抗体开发能力的预测.

主要方法:

• 优化和自动化现有的可开发性测试.
• 开发了一种针对抗体数据的综合数据分析管道.
• 在10个可开发性试验中生成了246个抗体的数据.
• 使用整齐的数据格式训练了一个XGBoost机器学习模型.

主要成果:

• 收集了246种抗体的发育能力数据 (已批准,临床阶段和撤回).
• 开发了一种XGBoost模型,该模型比传统值更有效地预测了与已批准抗体的相似性.
• 证明预测模型的性能随着培训数据的增加而提高.

结论:

• 该PROPHET-Ab平台可实现可扩展的数据生成,以实现抗体开发.
• 改进的机器学习模型可以提高对抗体开发能力的预测.
• 这项工作有助于开发更成功的治疗抗体.