超越序列相似性:使用ML驱动的pHLA目标外标的鉴定,用于使用高通量结合动力学的TCR模仿抗体
Alexander Sinclair1, Stefan Krämer1, Christoph Reinhart2
1R&D Department, BioCopy GmbH, Emmendingen, Germany.
mAbs
|December 12, 2025
概括
机器学习工具EpiPredict通过预测与人白细胞抗原 (pHLA) 复合体的相互作用来识别非目标T细胞受体模仿 (TCRm) 抗体. 这通过检测不同序列的交叉反应性来提高TCRm免疫治疗的安全性.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 模仿T细胞受体 (TCRm) 抗体对于CAR-T细胞等先进免疫疗法至关重要.
- 在瘤细胞上,TCRms向人白细胞抗原 (pHLA) 复合体的酸.
- 高特异性对于TCRms来说至关重要,以防止由于低pHLA丰度和序列相似性而导致非目标毒性.
研究的目的:
- 开发一种新的计算框架,用于预测TCRm的目标外相互作用.
- 为了识别与预期目标具有低序列同质性的交叉反应性.
- 加强基于TCRm的免疫疗法的临床前安全性评估.
主要方法:
- 开发了EpiPredict,这是一个机器学习框架,用于训练高通量动态目标外查数据.
- EpiPredict学习了抗体特定的序列,以进行结合强度映射.
- 应用EpiPredict对针对MAGE-A4抗原的TCRms.
主要成果:
- EpiPredict成功预测了MAGE-A4 TCRms的多个目标外相互作用.
- 预测的目标外显示出与预期的表位相对最小的序列相似性.
- 实验验证证通过T2细胞结合试验证实了几个预测的目标外相互作用.
结论:
- EpiPredict是TCRm领先优化的一个有价值的工具.
- 该框架确定了针对抗体的特定非目标,而传统的以为中心的方法错过了这些目标.
- 埃皮普雷迪克支持基于TCRm的免疫疗法的临床前降低风险.
