设计具有人工智能的更好的抗体药物

抗体不仅由我们的免疫细胞产生对抗体内病毒和其他病原体。现在几十年来，医学也一直使用由生物技术生产的抗体作为药物。这是因为根据锁定和关键原理，抗体特别擅长结合分子结构。它们的使用范围从肿瘤学到治疗自身免疫疾病和神经变性条件。

然而，开发这种抗体药物绝非易事。最基本的要求是抗体以一种最佳的方式与目标分子结合。同时，一种抗体药品必须满足一系列额外的标准。例如，它不应该在体内引发免疫反应，它应该是利用生物技术高效生产，它应该在很长一段时间内保持稳定。

一旦科学家发现了与所需分子靶结构结合的抗体，开发过程远远超过。相反，这标志着研究人员使用生物工程来试图改善抗体的性质的阶段的开始。Sai Reddy领导的科学家们在巴塞尔·埃尔·苏黎世的生物系统科学与工程系教授，现在已经开发出一个机器学习方法这支持了优化阶段，有助于开发更有效的抗体药物。

机器人无法管理超过几千

当研究人员以其治疗形式优化整个抗体分子（即不仅仅是抗体的片段），它用于从抗体铅候选者开始，所述铅候选者合理地结合到所需的靶结构。然后研究人员随机突变抗体的蓝图的基因，以便在实验室中产生几千个相关的抗体候选者。下一步是搜索其中，找到最适合目标结构的那些。“通过自动化进程，您可以在实验室中测试几千名治疗性候选人。但筛选的不仅仅是真的不可行，”雷迪说。通常，来自该筛选的最佳十几种抗体移动到下一步，并测试它们的达到额外标准。他说：“最终，这种方法让您识别来自一千几千人的最佳抗体，”他说。

通过机器学习，候选人池大量增加

Reddy和他的同事现在正在使用机器学习，以增加初始的抗体进行测试到数百万。“候选人越多，可以选择真正符合药物发展所需的所有标准的机会越大，”雷迪说。

ETH的研究人员使用罗氏的抗癌抗体药物赫赛汀为他们的新方法提供了概念证明，赫赛汀已经在市场上上市20年了。Reddy解释说:“但是我们并不是在寻求如何改进它的建议——你不能只是追溯更改一种已批准的药物。”“我们选择这种抗体的原因是因为它在科学界很有名，而且它的结构发表在开放获取的数据库中。”

计算机预测

从赫赛汀抗体的DNA序列开始，ETH的研究人员利用几年前开发的CRISPR突变方法创造了大约4万个相关抗体。实验表明，其中的1万个细胞与靶蛋白一种特定的细胞表面蛋白。科学家们利用这4万个抗体的DNA序列来训练机器学习算法。

然后，他们用训练过的算法搜索一个包含7000万个潜在抗体DNA序列的数据库。对于这7000万个候选基因，算法预测了相应的抗体与目标蛋白结合的效果，从而产生了数百万个预期能结合的序列。

使用进一步的计算机模型，科学家预测了这些数百万次序列会符合药物开发的额外标准（耐受性，生产，物理性质）的额外标准。这将候选序列的数量减少到8,000。

提高抗体的发现

从计算机上的最佳候选序列列表中，科学家们选择了55个序列用于在实验室中产生抗体，并确定了它们的特性。随后的实验表明，其中一些比赫赛汀本身更容易与目标蛋白结合，而且比赫赛汀更容易产生，也更稳定。Reddy说:“一种新的变体在体内的耐受性甚至可能比赫赛汀更好。”“众所周知，赫赛汀会引发较弱的免疫反应，但在这种情况下，这通常不是问题。”然而，这对其他许多人来说是个问题抗体这对于药物的开发是必要的。

Eth科学家现在应用了他们的人工智能方法来优化临床发展的抗体药物。为此，他们最近建立了奥尔斯特脱离的深度生物制剂，其与早期阶段和成立的生物技术和制药公司合作，为抗体药物开发合作。

这项研究发表在自然生物医学工程。

---

---