分子建模和机器学习用于预测高度抗体粘度.

科学领域:

• 生物制药开发 生物制药开发
• 计算化学的计算化学
• 机器学习应用 机器学习应用

背景情况:

• 高度单克隆抗体配方对于皮下输送至关重要,但由于高粘度而面临挑战.
• 准确的粘度预测对于配方优化至关重要,但实验方法资源和时间密集.
• 包括机器学习 (ML) 和分子建模在内的in-silico方法为早期粘度选提供了有希望的解决方案.

研究的目的:

• 为提供基于ML的方法预测高度抗体粘度的最新进展提供全面的审查.
• 突出ML和分子建模在抗体开发能力管道中的整合.
• 为研究人员提供路线图,利用这些计算方法来加速配方开发.

主要方法:

• 对基于ML的技术进行抗体粘度预测的审查.
• 讨论关键方面,包括数据集生成,特征工程,模型培训,验证和解释.
• 在生物制药研究中探索模型部署策略.

主要成果:

• 在ML和分子建模方面的重大进展使得早期的抗体粘度查能够准确.
• 这些in-silico工具可以减少对广泛实验评估的依赖.
• 该审查综合了当前的能力,并确定了在ML驱动的粘度预测中未来发展的领域.

结论:

• ML和分子建模是加速开发高度抗体配方的强大工具.
• 整合这些计算方法可以简化配方优化过程.
• 在这个领域进行进一步的研究和开发将推动生物制药药物交付方面的创新.