An interpretable open platform for sequence-based antibody developability prediction
Het artikel introduceert DELPHI, een open-source platform dat laboratoria in staat stelt om sequentiegebaseerde voorspellers voor de ontwikkelbaarheid van antilichamen te trainen, te evalueren en te interpreteren met behulp van rigoureuze kruisvalidatie, waarbij een hoge prestatie wordt behaald op zowel propriëtaire als publieke datasets zonder dat toegang tot propriëtaire trainingsdata vereist is.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Antilichamen zijn de gespecialiseerde soldaten van het immuunsysteem, Y-vormige eiwitten die ontworpen zijn om specifieke indringers zoals virussen of bacteriën te herkennen en te neutraliseren. In de moderne geneeskunde ontwerpen wetenschappers deze moleculen om ziekten te bestrijden die variëren van kanker tot auto-immuunziekten. Het creëren van een therapeutisch antilichaam is echter een gok met hoge inzet. Alleen omdat een molecuul zich aan een doelwit kan hechten, betekent niet dat het de reis naar een patiënt zal overleven. Veel kandidaten falen omdat ze "plakkerig" zijn, waardoor ze samenklonteren of aan de verkeerde eiwitten in het lichaam binden, wat ertoe kan leiden dat ze te snel worden opgeruimd of gevaarlijke immuunreacties veroorzaken. Deze mislukkingen, bekend als developability liabilities (ontwikkelbaarheid-gebreken), worden vaak pas laat in het ontwikkelingsproces ontdekt, waardoor jaren aan onderzoek en miljoenen dollars verloren gaan. Decennialang was de enige manier om te weten of een antilichaam veilig en stabiel was, het synthetiseren ervan in een laboratorium en het uitvoeren van fysieke tests, een trage en dure flessenhals die niet kon meekomen met de miljoenen potentiële kandidaten die door moderne genetische technologieën worden gegenereerd.
Een team van onderzoekers aan het Institute for Protein Innovation heeft een nieuwe tool gebouwd genaamd DELPHI om deze flessenhals op te lossen. Denk aan een hooggetrainde digitale verkenner die naar het genetische blauwdruk van een antilichaam kan kijken en kan voorspellen of het stabiel en veilig zal zijn, lang voordat er ooit een enkel molecuul in een laboratorium wordt gemaakt. De onderzoekers hebben niet alleen één voorspellingsmodel gemaakt; ze hebben een open platform gebouwd waarmee elk laboratorium zijn eigen aangepaste voorspellers kan trainen met hun specifieke gegevens. Door vijfentwintig verschillende combinaties van kunstmatige intelligentie-technieken te testen tegen experimentele gegevens uit de echte wereld, ontdekten zij dat de sleutel tot nauwkeurige voorspelling niet ligt in de complexiteit van het computeralgoritme, maar in hoe de sequentie van het antilichaam aan de machine wordt gepresenteerd. Hun systeem leerde succesvol de subtiele chemische handtekeningen te herkennen die leiden tot falen, zoals een onbalans in de elektrische ladingen in het bindingsgebied van het antilichaam, en het kan nu kandidaten screenen met een nauwkeurigheid die die van de beste menselijke experts evenaart.
De kern van dit werk bestaat uit het leren aan computers om de taal van eiwitten te lezen. Antilichamen zijn gemaakt van ketens van aminozuren, en de specifieke volgorde van deze bouwstenen bepaalt hoe het molecuul zich gedraagt. De onderzoekers verzamelden een enorme collectie antilichaamsequenties die al in het laboratorium waren getest, waarbij ze werden gelabeld als ofwel "pass" (stabiel en niet-plakkerig) of "fail" (gevoelig voor klontering of plakken aan de verkeerde dingen). Ze voedden deze gegevens aan DELPHI, dat verschillende manieren probeerde om deze aminozuurketens te vertalen naar een formaat dat een computer kan begrijpen. Sommige methoden behandelden de sequentie als een eenvoudige lijst van onderdelen, terwijl andere geavanceerde "taalmodellen" gebruikten die de context en relaties tussen verschillende delen van het eiwit begrijpen, net zoals een mens begrijpt dat de betekenis van een woord verandert afhankelijk van de zin waarin het staat.
De resultaten waren opmerkelijk. Het systeem leerde dat de keuze van hoe de antilichaamsequentie wordt gerepresenteerd veel belangrijker was dan het type computermodel dat werd gebruikt om de voorspelling te doen. Specifiek waren modellen die naar de zware en lichte ketens van het antilichaam samen keken, in plaats van in isolatie, veel beter in het opsporen van de subtiele patronen die leiden tot falen. Bij het testen op een bibliotheek van meer dan 246.000 antilichamen bereikte de beste versie van DELPHI een AUC van 0,95 in het onderscheiden van stabiele van onstabiele antilichamen. Deze prestatie hield stand, zelfs wanneer het systeem werd gevraagd de gedragingen van antilichamen te voorspellen die het nog nooit eerder had gezien, inclusclusief die uit klinische studies die niet deel uitmaakten van de trainingsdata. In een blinde test tegen een belangrijke industriële wedstrijd presteerde de tool even goed als de beste menselijke inzendingen, ondanks dat het geen toegang had tot de specifieke gegevens van de wedstrijd.
Buiten het simpelweg voorspellen van pass of fail, biedt DELPHI een niveau van detail dat voor de meeste onderzoekers voorheen niet beschikbaar was. Het geeft niet alleen een score; het legt uit waarom het die score gaf door te wijzen naar de specifieke aminozuren die verantwoordelijk zijn voor het risico. De analyse onthulde een consistent patroon: antilichamen die faalden, hadden de neiging om een overschot aan positief geladen bouwstenen te hebben, met name arginine en lysine, in hun bindingsloops, terwijl ze een tekort hadden aan negatief geladen bouwstenen zoals aspartaat. Deze elektrische onbalans maakt het antilichaam "plakkerig", waardoor het zich aan ongerelateerde eiwitten hecht of samenklontert. De tool identificeerde deze zelfde gevaarlijke handtekening in twee verschillende soorten falen: antilichamen die aan de verkeerde dingen bleven plakken en antilichamen die er niet in slaagden om als enkelvoudige, stabiele eenheden te blijven bestaan. Dit suggereert dat het corrigeren van de elektrische lading in deze specifieke regio's meerdere soorten falen tegelijkertijd kan voorkomen.
De onderzoekers brachten ook in kaart hoeveel gegevens nodig zijn om deze voorspellingen betrouwbaar te maken. Ze ontdekten dat de nauwkeurigheid van het systeem snel verbeterde naarmate er meer gegevens werden toegevoegd, maar dat dit begon af te vlakken na ongeveer 5.000 diverse antilichaamsequenties. Dit biedt een duidelijke richtlijn voor laboratoria: ze hebben geen miljoenen monsters nodig om een nuttige voorspeller te bouwen; een paar duizend goed gekarakteriseerde voorbeelden zijn vaak genoeg om een hoog niveau van vertrouwen te bereiken. Bovendien is de tool ontworpen om flexibel te zijn. Omdat het open-source software is, kan elk laboratorium zijn eigen experimentele resultaten uploaden, het model hertrainen op zijn specifieke type antilichaam, en onmiddellijk nieuwe kandidaten gaan screenen. Dit democratiseert de mogelijkheid om de ontwikkelbaarheid te voorspellen, waardoor het vakgebied verschuift van dure, laat stadium falen naar een toekomst waarin de meest veelbelovende antilichamen vroegtijdig worden geïdentificeerd, wat tijd en middelen bespaart voor de patiënten die ze nodig hebben.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.