1770390962
2026-02-06 15:05:00
Исследователи все больше внимания уделяют мультиспецифическим антителам как многообещающим терапевтическим агентам, но прогнозирование их поведения остается серьезной проблемой. Джошуа Саузерн, Чангпэн Лу и Сантрупти Нерли из Prescient Design и Genentech вместе с Сэмюэлем Д. Стэнтоном, Эндрю М. Уоткинсом и Франциской Сигер и др. разработали новую вычислительную структуру для решения этой проблемы. Их работа решает проблему предсказания того, как структура антител влияет на функцию, — проблема, которой препятствуют ограниченные экспериментальные данные. Объединив генеративное моделирование с графовыми нейронными сетями, команда создала систему, способную различать форматы антител и точно прогнозировать функциональные свойства даже при ограниченных наборах биологических данных, что в конечном итоге ускоряет рациональную разработку более эффективных терапевтических средств на основе антител.
Исследовательская группа сначала разработала генеративный метод для создания крупномасштабных синтетических функциональных ландшафтов, фиксирующих нелинейные взаимодействия, в которых биологическая активность зависит от связности доменов.
Эти ландшафты облегчили изучение сложных взаимосвязей между структурой и функцией антител, предоставив виртуальную среду для экспериментов. Впоследствии исследователи предложили новую архитектуру графовой нейронной сети, которая явно кодирует топологические ограничения, различая форматы антител, которые модели, основанные только на последовательностях, могут считать идентичными.
Эта сеть была обучена на синтетических ландшафтах, что позволило ей резюмировать сложные функциональные свойства и продемонстрировать потенциал высокой точности прогнозирования с использованием ограниченных наборов биологических данных. Этот подход позволяет модели изучить сложное взаимодействие между геометрией антитела и его терапевтическим эффектом.
В экспериментах эта обученная модель использовалась для оптимизации компромисса между эффективностью и токсичностью в триспецифических активаторах Т-клеток, успешно получая оптимальные общие легкие цепи. Исследование стало пионером в использовании трансферного обучения для применения идей, полученных на основе синтетических данных, к реальным биологическим системам, что ускоряет процесс проектирования.
В частности, команда продемонстрировала, что изменение положения высокоаффинного связывающего домена в триспецифическом ТВК может отделить противоопухолевую эффективность от синдрома фатального высвобождения цитокинов в моделях in vivo. Кроме того, система обеспечивает надежную среду сравнительного анализа для устранения комбинаторной сложности многоспецифичности, позволяя исследователям систематически исследовать влияние тонких структурных изменений.
Недавняя работа показала, что усиление иммунологического синапса, даже при постоянном сродстве, может повысить эффективность, и этот вывод подтверждается сочетанием малоуглового рассеяния рентгеновских лучей с функциональными анализами. Эта работа обеспечивает основу для ускорения разработки терапевтических средств следующего поколения за счет решения проблемы нехватки исчерпывающих экспериментальных данных.
Графовые нейронные сети прогнозируют функцию антител посредством топологического кодирования связности доменов и информации о последовательностях.
Ученые разработали вычислительную систему для решения проблем рационального проектирования мультиспецифических антител. Исследование представляет генеративный метод создания крупномасштабных синтетических функциональных ландшафтов, которые точно отражают нелинейные взаимодействия, управляющие биологической активностью.
Эксперименты показали, что связность доменов имеет решающее значение, поскольку биологическая активность зависит от того, как домены связаны друг с другом. Команда предлагает графовую нейронную сеть, которая явно кодирует топологические ограничения, различая форматы антител, которые модели, основанные только на последовательностях, считали бы идентичными.
Эта модель, обученная на синтетических ландшафтах, успешно воспроизводит сложные функциональные свойства и демонстрирует потенциал высокой точности прогнозирования с использованием ограниченных наборов биологических данных посредством трансферного обучения. Результаты демонстрируют полезность модели для оптимизации компромисса между эффективностью и токсичностью в триспецифических активаторах Т-клеток, а также для поиска оптимальных общих легких цепей.
Измерения подтверждают, что современные вычислительные подходы часто не справляются из-за нехватки многоформатных функциональных данных, необходимых для обучения надежных прогностических моделей. Хотя методы, основанные на физике, существуют, они слишком дороги в вычислительном отношении для высокопроизводительного скрининга огромных пространств комбинаторного проектирования.
Традиционные модели машинного обучения, основанные на последовательностях, не могут отразить сложные трехмерные взаимодействия, определяющие многоспецифическую функцию. Платформа Synapse генерирует достоверные функциональные данные для произвольных форматов антител, моделируя нелинейные взаимодействия, в которых глобальная функция возникает из структуры графа.
Synapse использует новое графическое расширение функций Эрлиха, присваивая внутренние оценки пригодности каждому домену связывания и обеспечивая биофизическую достоверность посредством статистического моделирования с учетом положения, полученного на основе наблюдаемого пространства антител. Глобальная биологическая активность определяется функцией считывания, зависящей от связности, моделирующей влияние соседей на вклад домена.
Тесты доказывают, что этот подход может моделировать физические явления, такие как авидность и стерическое экранирование, которые управляют функцией мультиспецифических антител. Этот прорыв обеспечивает надежную среду сравнительного анализа для устранения комбинаторной сложности и ускорения разработки терапевтических средств следующего поколения.
Прогнозирование функции мультиспецифических антител с использованием топологически обоснованных генеративных моделей является сложным, но многообещающим подходом.
Ученые разработали вычислительную систему для ускорения разработки мультиспецифических антител, которые обладают терапевтическими возможностями, одновременно воздействуя на несколько биологических путей. Эта работа решает ключевую задачу в этой области: предсказание того, как незначительные изменения в структуре антител влияют на их функцию, — проблема, осложняющаяся ограниченностью экспериментальных данных.
Исследователи представили генеративный метод для создания реалистичных синтетических ландшафтов, которые моделируют сложные нелинейные взаимодействия, управляющие активностью антител, на основе связности доменов. Кроме того, они предлагают графовую нейронную сеть, которая явно включает топологические ограничения, позволяя ей различать форматы антител, которые могут показаться идентичными моделям, ориентированным исключительно на информацию о последовательностях.
Обучение этой модели на синтетических данных продемонстрировало ее способность точно воспроизводить сложные функциональные свойства и посредством трансферного обучения достигать высокой точности прогнозирования даже с ограниченными наборами биологических данных. Полезность модели была продемонстрирована посредством оптимизации компромисса между эффективностью и токсичностью в триспецифических активаторах Т-клеток и идентификации оптимальных общих легких цепей.
Авторы признают ограничение текущего объема своей работы, сосредоточив внимание на конкретном аспекте комбинаторной сложности мультиспецифических антител. Будущие исследования могут расширить рамки, включив в них дополнительные факторы, влияющие на функцию антител, такие как посттрансляционные модификации или влияние константной области антитела. Это исследование создает надежную среду для сравнительного анализа, позволяющую разобраться в сложностях проектирования мультиспецифических антител, что потенциально ускоряет разработку терапевтических белков следующего поколения.
#Графовые #нейронные #сети #раскрывают #функцию #антител #сложных #молекулярных #ландшафтах
Ещё по этой теме
