Deep learning assessment of nativeness and pairing likelihood for antibody and nanobody design with AbNatiV2

Die Autoren stellen AbNatiV2 und p-AbNatiV2 vor, zwei tiefenlernbasierte Modelle, die die Bewertung der Natürlichkeit und der Paarungswahrscheinlichkeit für Antikörper und Nanobodies verbessern und so das Design von therapeutischen Kandidaten auf Einzelresiduen-, Sequenz- und Paarungsebene unterstützen.

Das Wesentliche

Stellen Sie sich vor, das Immunsystem ist ein riesiger, hochmoderner Schlossbauer. Über Millionen von Jahren hat es gelernt, perfekte Schlüssel (Antikörper) zu schmieden, die genau in die richtigen Schlösser (Viren oder Bakterien) passen. Diese Schlüssel sind nicht nur funktional, sondern auch stabil, ungiftig und werden vom menschlichen Körper nicht abgelehnt.

Wenn Wissenschaftler heute neue Medikamente entwickeln, müssen sie oft selbst solche Schlüssel erfinden. Das Problem: Wenn sie diese Schlüssel am Computer designen, landen sie manchmal in einer „falschen Dimension". Die Schlüssel sehen zwar auf dem Papier gut aus, funktionieren aber im echten Körper nicht, weil sie sich zu sehr von den natürlichen, erprobten Mustern unterscheiden.

Hier kommt die neue Studie mit AbNatiV2 ins Spiel. Man kann sich das wie einen Super-Experten für Echtheitsprüfungen vorstellen.

1. Der alte Experte (AbNatiV1) vs. Der neue Super-Experte (AbNatiV2)

Der Vorgänger, AbNatiV1, war schon ein guter Prüfer. Er konnte sagen: „Hey, dieser Schlüssel sieht aus wie ein echter, von der Natur gefertigter Schlüssel." Aber er hatte zwei Schwächen:

• Er konnte nur einen Teil des Schlüssels prüfen (entweder den oberen oder den unteren Teil), nicht aber, ob die beiden Teile gut zusammenpassen.
• Er hatte nur eine kleine Bibliothek von natürlichen Mustern gelernt, daher war er bei neuen, seltenen Designs manchmal unsicher.

AbNatiV2 ist die große Upgrade-Version. Die Forscher haben ihm eine riesige neue Bibliothek mit über 20 Millionen natürlichen Mustern (sogar aus Kamelen und Lamas, die für ihre besonderen „Mini-Schlüssel" bekannt sind) gegeben.

• Die Metapher: Stellen Sie sich vor, AbNatiV1 war ein Bibliothekar, der nur 2.000 Bücher kannte. AbNatiV2 ist ein Bibliothekar, der 20 Millionen Bücher gelesen hat und zudem ein Genie für Mustererkennung ist. Er kann jetzt sofort erkennen, ob ein neu entworfener „Mini-Schlüssel" (ein Nanobody) echt ist oder nur ein künstlicher Flickenteppich.

2. Der neue Partner-Check (p-AbNatiV2)

Das ist die wirklich spannende Neuerung. Ein normaler Antikörper besteht aus zwei Hälften: einer schweren Kette (VH) und einer leichten Kette (VL). Damit der Schlüssel funktioniert, müssen diese beiden Hälften wie ein perfektes Tanzpaar zusammenarbeiten. Wenn man sie zufällig kombiniert, stolpern sie oft und fallen auseinander.

Bisherige Computermodelle haben die beiden Hälften einzeln geprüft. p-AbNatiV2 schaut sich das Paar gemeinsam an.

• Die Analogie: Stellen Sie sich vor, Sie suchen einen Tanzpartner. Ein alter Algorithmus würde sagen: „Du siehst gut aus" und „Du siehst auch gut aus". Aber er würde nicht prüfen, ob ihr zusammen harmonieren.
• p-AbNatiV2 sagt: „Ihr zwei? Nein, das passt nicht. Eure Schritte passen nicht zusammen." Oder: „Ja, ihr seid ein perfektes Paar!"
• Das Modell lernt durch ein Spiel namens „Rauschen-Kontrast": Es bekommt echte Paare gezeigt und dann absichtlich falsche Kombinationen (wie wenn man die linke Hand eines Tänzers mit dem rechten Fuß eines anderen verbindet). Es lernt so, die echten Paare von den „falschen Ehen" zu unterscheiden.

3. Was bringt das uns?

Warum ist das wichtig für den normalen Menschen?

• Schnellere Medikamente: Wenn Pharmafirmen neue Medikamente entwickeln, können sie AbNatiV2 nutzen, um sofort die schlechten Kandidaten auszusortieren. Statt Jahre lang im Labor zu testen, welche Schlüssel funktionieren, filtert der Computer die „Fälschungen" heraus.
• Sicherere Therapien: Besonders bei „Nanobodies" (winzige Antikörper, die in den Körper eindringen können, wo normale Antikörper nicht hinkommen) hilft das Modell, sicherzustellen, dass diese winzigen Helfer stabil bleiben und keine unerwünschten Reaktionen auslösen.
• Die „Humanisierung": Oft kommen diese Schlüssel von Tieren (z.B. Kamelen). Damit der menschliche Körper sie nicht als Fremdkörper angreift, müssen sie „menschlicher" gemacht werden. AbNatiV2 hilft dabei, diese Umwandlung so durchzuführen, dass der Schlüssel zwar menschlich aussieht, aber seine ursprüngliche, starke Funktion behält.

Zusammenfassung

Die Forscher haben einen KI-Experten gebaut, der wie ein Meister-Schlossbauer denkt.

1. Er hat gelernt, Millionen von natürlichen Mustern zu erkennen (besser als je zuvor).
2. Er kann prüfen, ob die zwei Hälften eines Antikörpers harmonisch zusammenpassen.
3. Er hilft dabei, neue, sichere Medikamente schneller und effizienter zu entwickeln, indem er uns sagt: „Dieser Entwurf ist gut, jener ist es nicht."

Es ist ein Werkzeug, das die Lücke zwischen Computer-Design und echter biologischer Funktion schließt – wie ein Übersetzer, der sicherstellt, dass die Sprache des Computers auch die Sprache des menschlichen Körpers spricht.

Technische Zusammenfassung

Titel: Deep-Learning-Assessment von Natürlichkeit und Paarungswahrscheinlichkeit für Antikörper- und Nanobody-Design mit AbNatiV2

1. Problemstellung

Das Immunsystem produziert Antikörper, die eine optimale Balance aus guter Bindung, Stabilität, geringer Toxizität und fehlender Selbstreaktivität aufweisen. Bei der Entwicklung synthetischer Antikörpertherapeutika (z. B. aus synthetischen Bibliotheken, durch de-novo-Design oder Humanisierung) ist es schwierig, diese in vivo-Eigenschaften experimentell hochdurchsatzfähig zu messen oder direkt vorherzusagen.
Ein zentrales Problem besteht darin, die „Natürlichkeit" (Nativeness) einer Sequenz zu quantifizieren – also die Wahrscheinlichkeit, dass sie aus natürlichen Immunrepertoires stammt.

• Limitationen bestehender Modelle: Das Vorgängermodell AbNatiV1 funktionierte gut für unpaarierte Sequenzen, hatte jedoch Schwierigkeiten bei der Bewertung von Nanobodies aufgrund begrenzter Trainingsdaten. Zudem konnte es keine konventionellen Antikörper (VH-VL-Paare) bewerten, da es keine gepaarten Daten verarbeitete. Das Ignorieren der VH-VL-Paarung kann die strukturelle Integrität und Stabilität von Fv-Regionen beeinträchtigen.
• Herausforderung: Es fehlten Modelle, die sowohl die Natürlichkeit von Nanobodies als auch die „Humanität" (Humanness) und die Paarungswahrscheinlichkeit von konventionellen Antikörpern gleichzeitig und präzise bewerten können.

2. Methodik

Die Autoren stellen AbNatiV2 und p-AbNatiV2 vor, die auf einem Transformer-basierten VQ-VAE (Vector Quantized Variational Autoencoder) mit Masked Learning basieren.

• Datengrundlage:

  • Nanobodies (VHH): Das Trainingskorpus wurde von ~2 Millionen auf 20,2 Millionen Sequenzen erweitert (inkl. neuer alpaca-Repertoires und in-house Sequenzierung).
  • Menschliche Antikörper (VH/VL): Die unpaarierten Modelle wurden auf fast 40 Millionen Sequenzen (19,6 Mio. VH, 21,2 Mio. VL) trainiert.
  • Gepaarte Daten: Für das gepaarte Modell wurden 3,7 Millionen einzigartige gepaarte menschliche Sequenzen (VH-VL-Paare) aus OAS und PairedAbNGS kuratiert.

• Architektur-Verbesserungen (AbNatiV2):

  • Skalierung: Erhöhung der Transformer-Layer (von 3 auf 8), Attention-Heads (8 auf 16) und Embedding-Dimension (768 auf 1024).
  • Neue Komponenten: Einführung von rotary positional embeddings (für relative Positionsinformation), gated attention mechanisms und SwiGLU-Aktivierungsfunktionen.
  • Loss-Funktion: Einführung einer Focal Reconstruction Loss (FRL). Diese gewichtet die Rekonstruktionsfehler dynamisch: Positionen, die das Modell leicht vorhersagen kann (konservierte Regionen), werden heruntergewichtet, während schwer vorherzusagende, variable Regionen (z. B. CDRs) stärker gewichtet werden. Dies hilft, hochordentliche Beziehungen zwischen Aminosäuren zu erfassen und Germline-Bias zu reduzieren.

• Gepaartes Modell (p-AbNatiV2):

  • Cross-Attention: Zwei unpaarierte Encoder/Decoder-Modelle werden durch Cross-Attention-Layer verbunden, die Informationen zwischen der schweren (VH) und leichten Kette (VL) austauschen. Die Gewichte der unpaarierten Modelle bleiben eingefroren; nur die Cross-Attention-Schichten werden feinabgestimmt.
  • Pairing Prediction Head: Ein zusätzlicher Klassifikator nutzt Noise-Contrastive Learning, um native Paare von „schlechten" Paaren zu unterscheiden. Als Negative dienen:
    1. Shuffled Pairs: Innerhalb des Batches zufällig vertauschte Ketten (schwere Negative).
    2. Mismatched Pairs: Ketten aus verschiedenen B-Zell-Klassen, Spezies oder Studien (leichte, aber vertrauenswürdige Negative).
  • Ziel: Gleichzeitige Bewertung der Humanität des Paares und Vorhersage der Paarungswahrscheinlichkeit.

3. Wichtige Beiträge

1. AbNatiV2 (Unpaariert): Ein deutlich leistungsfähigeres Modell für Nanobodies und unpaarierte menschliche Antikörperketten, das durch größere Datenmengen und architektonische Verbesserungen generalisierbare Ergebnisse liefert.
2. p-AbNatiV2 (Gepaart): Das erste Modell dieser Art, das VH-VL-Paarungen bewertet. Es liefert:
   • Eine gemeinsame Humanitätsbewertung für das Fv-Paar.
   • Eine residuegenaue Humanitätsprofilierung.
   • Eine explizite Pairing-Likelihood-Score (Wahrscheinlichkeit, dass VH und VL ein natives, funktionales Paar bilden).
3. Datenverfügbarkeit: Bereitstellung von über 20 Millionen Nanobody-Sequenzen und fast 4 Millionen gepaarten menschlichen Sequenzen als öffentliche Datensätze.
4. Software: Open-Source-Verfügbarkeit des Codes, der Modelle und eines benutzerfreundlichen Webservers.

4. Ergebnisse

• Nanobody-Natürlichkeit: AbNatiV2 unterscheidet native Nanobodies von künstlichen PSSM-generierten Sequenzen mit einer PR-AUC von 0,984 (vs. 0,961 bei AbNatiV1). Es zeigt eine signifikant bessere Generalisierung auf diverse, vom Training entfernte Testsets.
• CDR-Grafting: Das Modell erkennt erfolgreich, wenn CDR-Schleifen auf einen fremden Gerüstträger (Scaffold) übertragen werden und dabei die Natürlichkeit verlieren (90% Erkennungsrate vs. 64% bei AbNatiV1).
• Humanität (Humanness): Die gepaarten Modelle (p-AbNatiV2) erreichen fast perfekte Klassifikation (PR-AUC ~1,0) bei der Unterscheidung menschlicher von nicht-menschlichen Paaren und übertreffen dabei unpaarierte Modelle und andere State-of-the-Art-Modelle (wie p-IgGen, Humatch).
• Paarungsvorhersage:
  • p-AbNatiV2 weist in 74% der Fälle dem nativen Paar eine höhere Paarungswahrscheinlichkeit zu als einem zufälligen Paar (vs. ~60% bei Humatch/ImmunoMatch).
  • In „One-vs-Fifty"-Tests (Ranking unter 50 zufälligen Partnern) liegt das native Paar in >35% der Fälle unter den Top 5 (vs. 18% bzw. 16% bei Konkurrenzmodellen).
  • Das Modell zeigt ein besseres Verhalten bei Out-of-Distribution-Daten (z. B. Maus-Antikörper oder künstliche Sequenzen), indem es diesen korrekt niedrige Scores zuweist, während andere Modelle hier versagen.
• Humanisierung: Das Modell ermöglicht eine neue Pipeline zur Humanisierung von Nanobodies und Fv-Regionen, bei der Mutationen so ausgewählt werden, dass die Natürlichkeit erhalten bleibt und die Paarungswahrscheinlichkeit nicht beeinträchtigt wird.

5. Bedeutung und Ausblick

AbNatiV2 und p-AbNatiV2 stellen einen Meilenstein im computergestützten Antikörperdesign dar. Sie adressieren die kritische Lücke zwischen Sequenzgenerierung und der Bewertung der biologischen Machbarkeit (Developability).

• Entscheidungsunterstützung: Die Modelle ermöglichen es, Kandidaten aus synthetischen Bibliotheken oder de-novo-Designs frühzeitig zu filtern, um Sequenzen mit hoher Wahrscheinlichkeit für Stabilität, geringe Immunogenität und korrekte Paarung auszuwählen.
• Rational Design: Durch die residuegenaue Auflösung können Mutationen gezielt an Stellen vorgenommen werden, die die „Natürlichkeit" oder „Humanität" verbessern, ohne die Struktur zu destabilisieren.
• Standardisierung: Die Veröffentlichung der Modelle und Daten standardisiert die Bewertung von Natürlichkeit und Paarung als Routinekriterium im Antikörper-Engineering, was die Anzahl experimenteller Fehlschläge reduzieren und die Entwicklungszeit verkürzen könnte.

Zusammenfassend erweitern diese Werkzeuge das Spektrum der computergestützten Antikörperoptimierung von einzelnen Ketten hin zu komplexen, gepaarten Systemen mit hoher biologischer Relevanz.