1770391622
2026-02-06 15:05:00
研究者は、有望な治療薬として多重特異性抗体にますます注目していますが、その挙動を予測することは依然として大きな課題です。 Prescient Design と Genentech の Joshua Southern、Changpeng Lu、Santrupti Nerli は、Samuel D Stanton、Andrew M Watkins、Franziska Seeger らと協力して、この問題に対処するための新しい計算フレームワークを開発しました。彼らの研究は、抗体の構造が機能にどのような影響を与えるかを予測するという困難、つまり限られた実験データによって妨げられる問題に取り組んでいます。生成モデリングとグラフ ニューラル ネットワークを組み合わせることで、研究チームは、生物学的データセットが限られている場合でも、抗体の形式を区別し、機能的特性を正確に予測できるシステムを作成し、最終的にはより効果的な抗体治療薬の合理的な設計を加速しました。
研究チームはまず、生物活性がドメインの接続性に依存する非線形相互作用を捕捉して、大規模な合成機能ランドスケープを作成するための生成手法を設計しました。
これらのランドスケープは、抗体の構造と機能の間の複雑な関係の研究を容易にし、実験のための仮想環境を提供します。その後、研究者らは、配列のみのモデルが同一であるとみなす可能性のある抗体フォーマットを区別する、トポロジカル制約を明示的にエンコードする新しいグラフ ニューラル ネットワーク アーキテクチャを提案しました。
このネットワークは合成ランドスケープでトレーニングされており、限られた生物学的データセットを使用して複雑な機能特性を再現し、高い予測精度の可能性を実証することができます。このアプローチにより、モデルは抗体の幾何学的形状とその治療効果の間の複雑な相互作用を学習できるようになります。
実験では、この訓練されたモデルを使用して、三重特異性 T 細胞エンゲージャーにおける有効性と毒性の間のトレードオフを最適化し、最適な共通軽鎖を取得することに成功しました。この研究は、合成データから得られた洞察を実際の生物学的システムに適用する転移学習の使用の先駆けとなり、設計プロセスを加速しました。
具体的には、研究チームは、三重特異性TCEの高親和性結合ドメインの位置を変更すると、in vivoモデルにおいて致死的サイトカイン放出症候群から抗腫瘍効果を切り離すことができることを実証した。さらに、このシステムは、複数種の組み合わせの複雑さを解きほぐすための堅牢なベンチマーク環境を提供し、研究者が微妙な構造変化の影響を体系的に調査できるようにします。
最近の研究では、たとえ一定の親和性であっても免疫学的シナプスを硬化させると効力が強化されることが強調されており、この発見は小角X線散乱と機能アッセイを組み合わせることによって裏付けられている。この研究は、包括的な実験データの不足に対処することで、次世代の治療薬の設計を加速するための基盤を提供します。
グラフ ニューラル ネットワークは、ドメインの接続性と配列情報のトポロジカル エンコーディングを通じて抗体の機能を予測します
科学者たちは、多重特異性抗体を合理的に設計する際の課題に対処するための計算フレームワークを開発しました。この研究では、生物活動を支配する非線形相互作用を正確に捉える大規模な合成機能ランドスケープを作成するための生成手法が導入されています。
実験により、生物学的活性はドメインがどのように結合されているかに依存するため、ドメインの接続性が重要であることが明らかになりました。研究チームは、配列のみのモデルが同一であるとみなす抗体フォーマットを区別する、トポロジカル制約を明示的にエンコードするグラフ ニューラル ネットワークを提案しています。
合成ランドスケープでトレーニングされたこのモデルは、複雑な機能特性をうまく再現し、限られた生物学的データセットを使用した転移学習による高い予測精度の可能性を実証します。結果は、三重特異性 T 細胞エンゲージャーにおける有効性と毒性の間のトレードオフの最適化、および最適な共通軽鎖の検索におけるモデルの有用性を示しています。
測定により、現在の計算アプローチは、堅牢な予測モデルをトレーニングするために必要なマルチフォーマットの関数データが不足しているために、しばしば困難を伴うことが確認されています。物理ベースの手法は存在しますが、広大な組み合わせ設計空間を高スループットでスクリーニングするには計算コストが高すぎます。
従来の配列ベースの機械学習モデルは、多重特異性関数を定義する複雑な 3D 相互作用を捕捉できません。 Synapse フレームワークは、任意の抗体フォーマットのグラウンドトゥルース関数データを生成し、グローバル関数がグラフ構造から現れる非線形相互作用をシミュレートします。
Synapse は、エールリッヒ関数の新しいグラフベースの拡張機能を利用し、各結合ドメインに固有のフィットネス スコアを割り当て、観察された抗体空間から導出された位置を認識した統計モデリングを通じて生物物理学的妥当性を強化します。全体的な生物学的活動は、接続に依存する読み出し関数によって定義され、ドメインの寄与が近隣ドメインによってどのように影響されるかをモデル化します。
試験により、このアプローチが、多重特異性抗体の機能を支配するアビディティーゲーティングや立体シールドなどの物理現象をシミュレートできることが証明されています。このブレークスルーにより、組み合わせの複雑さを解きほぐすための堅牢なベンチマーク環境が提供され、次世代の治療薬の設計が加速されます。
トポロジカルに基づいた生成モデルを使用して多重特異性抗体の機能を予測することは、困難ではあるが有望なアプローチです
科学者たちは、複数の生物学的経路を同時に標的とすることで治療効果が期待できる多重特異性抗体の設計を加速するための計算フレームワークを開発しました。この研究は、抗体構造の微妙な変化がその機能にどのような影響を与えるかを予測するという、この分野の重要な課題に取り組んでいますが、この問題は限られた実験データによって複雑化しています。
研究者らは、ドメインの接続性に基づいて抗体活性を支配する複雑な非線形相互作用をモデル化する、現実的な合成ランドスケープを作成するための生成手法を導入しました。さらに、彼らはトポロジカル制約を明示的に組み込んだグラフ ニューラル ネットワークを提案し、配列情報のみに焦点を当てたモデルと同一に見える抗体フォーマットを区別できるようにします。
このモデルを合成データでトレーニングすると、複雑な機能特性を正確に再現し、転移学習を通じて限られた生物学的データセットでも高い予測精度を達成できることが実証されました。このモデルの有用性は、三重特異性 T 細胞エンゲージャーにおける有効性と毒性の間のトレードオフの最適化と、最適な共通軽鎖の同定を通じて実証されました。
著者らは、多重特異性抗体の組み合わせの複雑さの特定の側面に焦点を当て、現在の研究範囲には限界があることを認めている。将来の研究では、翻訳後修飾や抗体の定常領域の影響など、抗体の機能に影響を与える追加の因子を組み込むためのフレームワークが拡張される可能性があります。この研究は、多重特異性抗体設計の複雑さを解きほぐすための堅牢なベンチマーク環境を確立し、次世代の治療用タンパク質の開発を加速する可能性があります。
#グラフニューラルネットワークが複雑な分子状況における抗体機能を明らかにする