💻 bioinformatics

An interpretable open platform for sequence-based antibody developability prediction

Il documento presenta DELPHI, una piattaforma open-source che consente ai laboratori di addestrare, valutare e interpretare predittori di sviluppabilità anticorpale basati su sequenze mediante una rigorosa validazione incrociata, raggiungendo alte prestazioni sia su dataset proprietari che pubblici senza richiedere l'accesso ai dati di addestramento proprietari.

Autori originali: Nguyen, H. N., Kothiwal, D., Su, Y., Kieu, M. A., Cao, R., Zhu, H., Teixeira, A. A. R.

Pubblicato 2026-09-24

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Nguyen, H. N., Kothiwal, D., Su, Y., Kieu, M. A., Cao, R., Zhu, H., Teixeira, A. A. R.

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

Gli anticorpi sono i soldati specializzati del sistema immunitario, proteine a forma di Y progettate per riconoscere e neutralizzare invasori specifici come virus o batteri. Nella medicina moderna, gli scienziati progettano queste molecole per combattere malattie che vanno dal cancro ai disturbi autoimmuni. Tuttavia, creare un anticorpo terapeutico è una scommessa ad alto rischio. Il solo fatto che una molecola possa agganciarsi a un bersaglio non significa che sopravviverà al viaggio verso il paziente. Molti candidati falliscono perché sono "appiccicosi", ovvero tendono ad aggregarsi o a legarsi alle proteine sbagliate nel corpo, il che può causare una loro eliminazione troppo rapida o scatenare pericolose reazioni immunitarie. Questi fallimenti, noti come criticità di sviluppabilità (developability liabilities), vengono spesso scoperti nelle fasi avanzate del processo di sviluppo, sprecando anni di ricerca e milioni di dollari. Per decenni, l'unico modo per sapere se un anticorpo fosse sicuro e stabile era sintetizzarlo in laboratorio ed eseguire test fisici, un collo di bottiglia lento ed costoso che non riusciva a stare al passo con i milioni di potenziali candidati generati dalle moderne tecnologie genetiche.

Un team di ricercatori presso l'Institute for Protein Innovation ha costruito un nuovo strumento chiamato DELPHI per risolvere questo collo di bottiglia. Pensatelo come una sentinella digitale altamente addestrata che può esaminare la bluprint genetica di un anticorpo e prevedere se sarà stabile e sicuro, molto prima che venga prodotta anche una singola molecola in laboratorio. I ricercatori non si sono limitati a creare un singolo modello di previsione; hanno costruito una piattaforma aperta che consente a qualsiasi laboratorio di addestrare i propri predittori personalizzati utilizzando i propri dati specifici. Testando venticinque diverse combinazioni di tecniche di intelligenza artificiale contro dati sperimentali del mondo reale, hanno scoperto che la chiave per una previsione accurata non risiede nella complessità dell'algoritmo informatico, ma nel modo in cui la sequenza dell'anticorpo viene rappresentata alla macchina. Il loro sistema è riuscito a imparare a individuare le sottili firme chimiche che portano al fallimento, come uno squilibrio delle cariche elettriche nella regione di legame dell'anticorpo, e può ora esaminare i candidati con un livello di precisione che rivaleggia con quello dei migliori esperti umani.

Il nucleo di questo lavoro consiste nell'insegnare ai computer a leggere il linguaggio delle proteine. Gli anticorpi sono composti da catene di amminoacidi, e l'ordine specifico di questi mattoni determina il comportamento della molecola. I ricercatori hanno raccolto una vasta collezione di sequenze di anticorpi che erano già stati testati in laboratorio, etichettandoli come "pass" (stabili e non appiccicosi) o "fail" (propensi ad aggregarsi o ad attaccarsi alle cose sbagliate). Hanno inserito questi dati in DELPHI, che ha provato diversi modi per tradurre queste catene di amminoacidi in un formato comprensibile per un computer. Alcuni metodi trattavano la sequenza come una semplice lista di parti, mentre altri utilizzavano avanzati "modelli linguistici" capaci di comprendere il contesto e le relazioni tra le diverse parti della proteina, proprio come un essere umano comprende che il significato di una parola cambia a seconda della frase in cui si trova.

I risultati sono stati sorprendenti. Il sistema ha appreso che la scelta di come rappresentare la sequenza dell'anticorpo era molto più importante del tipo di modello informatico utilizzato per effettuare la previsione. Nello specifico, i modelli che analizzavano insieme le catene pesanti e leggere dell'anticorpo, invece di esaminarle isolatamente, erano molto più efficaci nel rilevare i pattern sottili che portano al fallimento. Testato su una libreria di oltre 246.000 anticorpi, la versione migliore di DELPHI ha raggiunto un AUC di 0,95 nel distinguere anticorpi stabili da quelli instabili. Questa prestazione è rimasta costante anche quando al sistema veniva chiesto di prevedere il comportamento di anticorpi che non aveva mai visto prima, inclusi quelli provenienti da studi clinici che non facevano parte dei dati di addestramento. In un test cieco contro una importante competizione del settore, lo strumento ha performato al pari dei migliori contributi umani, nonostante non avesse accesso ai dati specifici della competizione.

Oltre a prevedere semplicemente il passaggio o il fallimento, DELPHI offre un livello di dettaglio precedentemente non disponibile per la maggior parte dei ricercatori. Non fornisce solo un punteggio; spiega perché ha dato quel punteggio, indicando gli amminoacidi specifici responsabili del rischio. L'analisi ha rivelato un pattern costante: gli anticorpi che fallivano tendevano ad avere un eccesso di componenti con carica positiva, in particolare arginina e lisina, nei loro loop di legame, pur mancando di componenti con carica negativa come l'aspartato. Questo squilibrio elettrico rende l'anticorpo "appiccicoso", facendolo agganciare a proteine non correlate o causandone l'aggregazione. Lo strumento ha identificato questa stessa firma pericolosa in due diversi tipi di fallimento: anticorpi che si attaccavano alle cose sbagliate e anticorpi che non riuscivano a rimanere come unità singole e stabili. Ciò suggerisce che correggere la carica elettrica in queste regioni specifiche potrebbe prevenire più tipi di fallimento contemporaneamente.

I ricercatori hanno anche mappato quanto dato sia necessario per rendere affidabili queste previsioni. Hanno scoperto che l'accuratezza del sistema migliorava rapidamente con l'aggiunta di nuovi dati, ma iniziava a stabilizzarsi dopo circa 5.000 sequenze di anticorpi diversificate. Questo fornisce una guida chiara per i laboratori: non è necessario disporre di milioni di campioni per costruire un predittore utile; un numero limitato di esempi ben caratterizzati è spesso sufficiente per raggiungere un alto livello di confidenza. Inoltre, lo strumento è progettato per essere flessibile. Poiché si tratta di un software open-source, qualsiasi laboratorio può caricare i propri risultati sperimentali, riaddestrare il modello sul proprio tipo specifico di anticorpo e iniziare immediatamente a esaminare nuovi candidati. Questo democratizza la capacità di prevedere la sviluppabilità, spostando il campo dai costosi fallimenti in fase avanzata verso un futuro in cui gli anticorpi più promettenti vengono identificati precocemente, risparmiando tempo e risorse per i pazienti che ne hanno bisogno.

Sintesi Tecnica: DELPHI – Una Piattaforma Aperta e Interpretabile per la Predizione della Developability di Anticorpi Basata su Sequenze

Definizione del Problema

Le criticità di developability degli anticorpi, come la polireattività (legame non specifico) e l'aggregazione (fallimento non monomerico), sono cause principali del fallimento dei candidati durante lo sviluppo terapeutico, spesso scoperte nelle fasi avanzate del processo con costi significativi. Sebbene le moderne tecnologie di display e il sequenziamento di nuova generazione (NGS) generino librerie di $10^6$ – $10^{10}$ sequenze diverse, lo screening sperimentale non riesce a tenere il passo. Sebbene l'apprendimento automatico (ML) basato su sequenze e i modelli linguistici proteici (PLM) offrano una via per lo pre-screening in silico, la maggior parte degli approcci pubblicati manca di riutilizzabilità, capacità di riaddestramento e interpretabilità granulare. Gli strumenti esistenti raramente forniscono piattaforme integrate che combinino il benchmarking multi-PLM, la cross-validazione consapevole delle perdite (leakage-aware), l'analisi delle dimensioni del set di addestramento e l'attribuzione per residuo in un unico framework open-source.

Metodologia

Gli autori presentano DELPHI (Deep End-to-end Learning Platform for antibody developability with High Interpretability), una pipeline open-source progettata per costruire, testare e implementare classificatori di developability basati su sequenze.

Curatela dei Dati e Set di Addestramento

Dataset IPI PSR: Curato da librerie Fab di display su lievito con diversità confinata nella CDR H3 attraverso otto germline VH e sei VL. Combina 7.494 anticorpi con etichettatura binaria ad alta confidenza da PSR-ELISA (contro DNA, avidina, insulina, OVA/SMP) e 3.771 anticorpi "Fail" ad alta polireattività identificati tramite selezione ssDNA basata su NGS, risultando in un set quasi bilanciato di 11.265 anticorpi (53% Pass / 47% Fail).
Dataset IPI SEC: Contiene 5.045 anticorpi con annotazioni binarie basate su profili di cromatografia a esclusione dimensionale (SEC) (~64% Pass / 36% Fail). La classe Pass è stata sottocampionata utilizzando punteggi di consenso k-mer RF/XGBoost out-of-fold per affrontare lo sbilanciamento delle classi pur mantenendo tutti gli anticorpi Fail.
Benchmark Esterni: La libreria pubblica DS1 (246.293 anticorpi scFv) e tre coorti esterne in fase clinica (Jain 2017, GDPa1, GDPa3) sono state utilizzate per il transfer e la validazione zero-shot.

Architettura del Modello e Benchmarking

DELPHI valuta 25 combinazioni di classificatori e rappresentazioni di sequenza:

Classificatori: XGBoost, Random Forest (RF), CNN, un Transformer su embedding di modelli linguistici e un Transformer dual-branch one-hot.
Rappresentazioni: Cinque PLM specifici per anticorpi (AbLang2, IgBert, AntiBERTy, AntiBERTa2, AntiBERTa2-CSSP) più descrittori biofisici, frequenze k-mer e codifiche one-hot.
Strategia di Validazione: La piattaforma impiega una cross-validazione stratificata per cluster CDR H3 (soglia di identità dell'80%) per prevenire la perdita di somiglianza di sequenza (leakage). Include inoltre un'analisi automatizzata delle curve di apprendimento per caratterizzare la scalabilità delle prestazioni con la dimensione del dataset.

Interpretabilità

La piattaforma fornisce interpretabilità a multiresoluzione:

Modelli basati su alberi (RF, XGBoost): Utilizzano SHAP (SHapley Additive exPlanations) per attribuire le predizioni a caratteristiche biofisiche e conteggi di residui.
Reti Neurali: L'architettura dual-branch TransformerOneHot utilizza Integrated Gradients (IG). A differenza degli embedding PLM che comprimono le sequenze in vettori latenti, la rappresentazione one-hot mappa direttamente gli input a specifici amminoacidi in posizioni definite, consentendo l'attribuzione a livello di residuo attraverso l'intera sequenza VH + VL + CDR H3.
Mutagenesi In Silico: La piattaforma genera mappe di calore di mutagenesi del loop CDR3 per testare ipotesi di ingegneria, sostituendo i residui e osservando la variazione $\Delta P(\text{Pass})$ .

Risultati Chiave

Benchmark delle Prestazioni

All'interno della Distribuzione (Within-Distribution): Sul dataset IPI PSR, tutte le 20 combinazioni basate su PLM hanno raggiunto un AUC medio di 0,959 ( $\pm$ 0,005). La migliore combinazione (XGBoost + IgBert) ha raggiunto 0,967. Per la purezza monomerica SEC, l'AUC medio tra le combinazioni PLM era 0,933, con XGBoost + caratteristiche biofisiche che ha raggiunto l'AUC più elevato di 0,9596.
Transfer tra Librerie: La scelta del PLM si è dimostrata un determinante delle prestazioni più forte rispetto all'architettura del classificatore. I modelli PLM focalizzati sulla coppia di anticorpi (framework-centric) come IgBert e AbLang2 hanno dimostrato una generalizzazione superiore.
- I modelli addestrati sulla libreria IPI, più piccola ma altamente diversificata, sono stati trasferiti con successo alla massiccia libreria pubblica DS1 con un AUC di 0,950 (AbLang2).
- Al contrario, i modelli addestrati su DS1 si sono trasferiti male su IPI (AUC 0,741–0,883), evidenziando l'importanza della diversità del set di addestramento rispetto al mero volume.
Transfer Clinico Zero-Shot: I modelli addestrati su IPI hanno ottenuto un transfer zero-shot su coorti cliniche esterne:
- Jain 2017: AUC di 0,73 su un pannello di polireattività binarizzato.
- Ginkgo PR-CHO: Spearman $|\rho| = 0,35$ , comparabile al miglior stima puntuale riportata (0,337) dalla competizione di Developability di Ginkgo 2025, senza addestramento sui dati della competizione.

Curve di Apprendimento

L'analisi ha rivelato che i guadagni di prestazione si sono stabilizzati a circa 5.000 anticorpi con CDR H3 diversificati per il modello Transformer + AbLang2. Al di sotto di questa soglia, le prestazioni erano volatili; al di sopra, l'AUC si è stabilizzato vicino a 0,95–0,96 per IPI e ~0,98 per DS1.

Approfondimenti Biologici e Interpretabilità

Firma Conservata della CDR H3: Sia la polireattività che il fallimento della purezza monomerica SEC sono stati associati a una specifica firma elettrostatica: arricchimento di arginina (R) e lisina (K), deplezione di aspartato (D), loop CDR H3 più lunghi e una carica netta positiva della CDR H3.
Attribuzione a Livello di Residuo: Le analisi IG e SHAP hanno confermato che i residui cationici (R, K) e il triptofano (W) guidano le predizioni "Fail", mentre i residui anionici (D) guidano le predizioni "Pass".
Ipotesi della Duplice Criticità (Dual-Liability): La convergenza di queste firme attraverso due distinte criticità biofisiche suggerisce che ridurre la carica netta positiva della CDR H3 potrebbe mitigare simultaneamente i rischi di polireattività e aggregazione.

Significato e Rivendicazioni

Il documento sostiene che DELPHI affronti le lacune critiche nel campo fornendo:

Strumenti Open e Ritirabili: A differenza di molti modelli pubblicati, DELPHI è rilasciato come software eseguibile e riaddestrabile, permettendo a qualsiasi laboratorio di costruire predittori dai propri dati sperimentali.
Guida Quantitativa dei Dati: Le curve di apprendimento forniscono regole di design pratiche, indicando che ~5.000 anticorpi diversificati sono sufficienti per raggiungere i plateau delle prestazioni per questi compiti.
Selezione Consapevole della Rappresentazione: Lo studio dimostra che la scelta del PLM (specificamente i modelli a catena accoppiata come AbLang2 e IgBert) è più critica per il transfer tra librerie rispetto all'architettura del classificatore a valle.
Ipotesi di Ingegneria a Livello di Residuo: Risolvendo le predizioni ai singoli residui, DELPHI consente la generazione di ipotesi di ingegneria testabili (ad esempio, mutazioni specifiche della CDR3 per ridurre il rischio) piuttosto che semplici classificazioni binarie.

Gli autori mantengono la modestia riguardo alla generalizzazione, notando che i loro modelli sono addestrati su librerie con diversità di germline limitata (8 VH, 6 VL) e che le prestazioni calano quando intere germline VH vengono tenute fuori dall'addestramento (l'AUC scende da 0,965 a 0,903). Riconoscono che le criticità governate da piegamenti assemblati piuttosto che dalla composizione dei loop potrebbero ancora richiedere informazioni strutturali. Tuttavia, per le criticità e le librerie esaminate, DELPHI stabilisce che la developability è in parte prevedibile dalla sola sequenza, offrendo un framework scalabile e interpretabile per le prime fasi della scoperta di anticorpi.