作者 | 陈梓豪 审稿 | 余梁 指导 | 闵小平(厦门大学)
大家好,这次分享的是苏黎世联邦理工大学系统与免疫学实验室Sai T. Reddy课题组发表在Natrue Biomedical Engineering上的一篇优化治疗抗体的文章,题目是Optimization of therapeutic antibodies by predicting antigen specificity from antibody sequence via deep learning。
在传统方法中,治疗性抗体的优化是时间和资源密集型的,这主要是因为对在哺乳动物细胞中表达的全长抗体(~1000突变体)的低通量筛选中,通常很少得到优化前体。本文使用了深度学习方法,从大量不同的抗体序列空间中学习,通过预测抗原特异性来优化抗体的突变体。
为了产生训练数据,作者测序了治疗抗体曲妥珠单抗(trastuzumab,一种抗肿瘤药物,~10000突变体)的深度序列库,并筛选了这些库对人类表皮生长因子受体2(HER2)的特异性。然后,使用训练过的神经网络来筛选曲妥珠变异体的文库(~1亿突变体),并预测HER2特异性子集(~100万突变体),过滤其粘度、间隙、溶解度和免疫原性后,以产生数千个高度优化的优化前体。对未筛选文库中随机选择的30个变异的重组表达和实验测试表明,所有30个变异都对HER2保持了特异性。
主要流程
参考资料
Mason, D.M., Friedensohn, S., Weber, C.R. et al. Optimization of therapeutic antibodies by predicting antigen specificity from antibody sequence via deep learning. Nat Biomed Eng (2021).
https://doi.org/10.1038/s41551-021-00699-9