← 最新论文
💻 生物信息学

Rapid generation of antibody conformational ensembles using machine learning

本文介绍了 Cadense,这是一个能够从序列快速生成多样化抗体构象系综的机器学习框架,旨在克服静态结构预测的局限性,从而实现对动态抗原-抗体相互作用更准确的建模并加速药物设计。

原作者: Rao, P. V., Sommer, D., Davidson, D., Alberstein, R. G., Ludwiczak, J., Kleinhenz, J., Vani, B., Park, E., Lee, J. H., Izadi, S., Kiefer, J. R., Bonneau, R., Mahajan, S. P., Watkins, A. M., Dreyer, F.
发布于 2026-11-09
📖 1 分钟阅读☕ 轻松阅读

原作者: Rao, P. V., Sommer, D., Davidson, D., Alberstein, R. G., Ludwiczak, J., Kleinhenz, J., Vani, B., Park, E., Lee, J. H., Izadi, S., Kiefer, J. R., Bonneau, R., Mahajan, S. P., Watkins, A. M., Dreyer, F. A.

原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明

蛋白质是生命的劳模,它们是微小的机器,通过折叠成特定的形状来执行任务,例如对抗感染或携带氧气。几十年来,科学家一直依赖一种称为 X 射线晶体学的方法来观察这些形状,该方法涉及将蛋白质冻结在晶体中并拍摄照片。问题在于,这张照片是静态的;它捕捉的是蛋白质在某一瞬间被冻结的状态,就像一张捕捉到跑步者在迈步中途的照片。实际上,蛋白质是动态的,它们在不同的形式之间不断地摆动和移动。这种运动对于抗体而言尤为关键。抗体是免疫系统的捍卫者,其末端拥有灵活的环状结构,必须通过弯曲和扭转来抓取特定的入侵者。如果科学家只看到抗体处于一种僵硬的姿态,他们可能会错过让抗体结合到致病病毒上的那种形状,或者可能因为蛋白质在仅仅一个冻结快照中看起来具有风险,就错误地认为它是危险的。

长期以来,观察这些运动的唯一方法是运行复杂的计算机模拟,以模拟水和原子的物理过程,这一过程计算量巨大,以至于模拟仅仅一秒钟的极小部分运动就需要数天时间。这使得快速测试成千上万种潜在药物候选物的变得不可能。Genentech 的研究人员现在推出了一种名为 Cadense 的新工具,它改变了游戏规则。Cadense 并不从头开始模拟每一次运动,而是利用一种经过数百万次以往模拟训练的人工智能,瞬间生成抗体的整个可能形状家族。它不仅仅是猜测一个结构,而是产生一个多样化的集合,即“系综”(ensemble)结构,展示抗体在现实生活中是如何摆动和弯曲的。这使得科学家能够在几秒钟内看到完整的运动范围,而不是耗费数天,从而更清晰地了解这些分子实际是如何行为的。

研究人员通过要求该系统预测他们已经通过实验知晓答案的抗体形状,来测试这一新系统。在一组测试中,他们观察了在两种不同状态下被结晶的抗体:一种是不带目标的(“apo”状态),另一种是与目标结合的(“holo”状态)。现有的多数计算机程序主要针对结合后的版本进行训练,往往只能预测出目标结合后的形状,而完全忽略了灵活的、未结合的形式。然而,Cadense 成功生成的样本覆盖了整个运动范围,产生的结构既看起来像未结合的形式,也像结合后的形式,以及两者之间的所有形态。在一项特别严格的测试中,团队使用该工具预测了一个他们刚刚在实验室中结晶的抗体形状,而这个结构是计算机从未见过的。该工具的最佳预测结果与单个原子的宽度误差在可接受范围内,证明了即使面对全新的结构,它也能找到正确的形状。

除了获得正确的形状之外,团队还想知道这些生成的系综是否可以帮助预测抗体的安全性和有效性。抗体需要在表面具有合适的电荷平衡和粘性,以便在发挥作用的同时不会发生聚集或引起副作用。当科学家观察单个、冻结的结构时,如果该结构在某种姿态下看起来过于粘稠或带电,他们往往会将其标记为高风险。通过使用 Cadense 系综(展示了蛋白质在多种形状中的运动),研究人员发现该工具可以纠正这些误报。在测试中,与观察单一静态图像相比,系综方法将错误的“高风险”警告减少了 3.5 倍。这意味着药物开发人员可以停止在那些因为单个快照看起来表现不佳而被错误拒绝的有前途的候选药物上浪费时间和资源,同时仍能捕捉到真正的危险分子。

最后的测试涉及观察这些灵活的系综是否能帮助科学家弄清楚抗体是如何抓取病毒或细菌的。这个过程被称为“对接”(docking),由于抗体的灵活环状结构必须完美地契合目标,因此这一过程极其困难。研究人员将 Cadense 系综作为输入传递给基于物理学的对接程序,并将结果与使用单一、静态结构的结果进行了比较。系综的表现明显更好,能够更频繁地找到正确的结合姿态。对于具有计算机从未见过的异常、新颖环状结构的抗体,这种现象尤为明显;虽然静态模型在处理这些新形状时显得力不从心,但 Cadense 系综保持了极高的准确性。这表明,通过提供一个可能的形状云而非单一的僵硬猜测,该工具为对接软件提供了解决如何使抗体与其目标结合这一难题所需的灵活性。

这项工作确立了 Cadense 作为连接缓慢、详细的物理模拟世界与快速、高速药物研发需求之间的实用桥梁。虽然该工具目前仅限于抗体的可变部分,尚无法预测分子的长期动力学行为,但它提供了一种将分子运动的现实性整合进设计过程的强大新方法。通过将数天的计算替换为秒级的生成,它允许研究人员在以前无法实现的规模上考虑抗体的动态特性。这种从静态快照向动态系综的转变,有望使寻找新疗法的过程变得更快、更准确,确保这些分子的灵活、生命特征最终能在下一代药物的设计中得到考量。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →