抗体不仅是由我们的免疫细胞产生的，可以抵抗体内的病毒和其他病原体。几十年来，医学还一直在使用生物技术生产的抗体作为药物。这是因为根据锁钥原理，抗体非常擅长特异性结合分子结构。它们的使用范围从肿瘤学到自身免疫性疾病和神经退行性疾病的治疗。
但是，开发此类抗体药物绝非易事。基本要求是抗体以最佳方式结合其靶分子。同时，抗体药物必须满足许多其他标准。例如，它不应该在人体内引发免疫反应，应该使用生物技术生产出有效的蛋白质，并且应该在很长一段时间内保持稳定。
一旦科学家发现了一种与所需分子靶结构结合的抗体，开发过程就远远没有结束。相反，这标志着研究人员使用生物工程来尝试改善抗体特性的阶段的开始。巴塞尔ETH苏黎世生物系统科学与工程系教授Sai Reddy领导的科学家们现已开发出一种支持这种优化阶段的机器学习方法，有助于开发更有效的抗体药物。
机器人最多只能管理数千个
当研究人员优化治疗形式的整个抗体分子(即不仅是抗体的片段)时，它通常以与目标靶结构合理结合的抗体先导候选物开始。然后研究人员随机变异携带抗体蓝图的基因，以便在实验室中产生数千个相关的候选抗体。下一步是在它们之间进行搜索，以找到与目标结构最紧密结合的结构。
Reddy说：“通过自动化流程，您可以在实验室中测试数千个候选治疗药物。但是，仅进行筛查实际上是不可行的。”通常，此筛选中最好的十几种抗体会继续进行下一步，并测试它们满足其他标准的程度。他说：“最终，这种方法可以让您从数千个抗体中鉴定出最好的抗体。”
机器学习极大地增加了候选人池
Reddy和他的同事现在正在使用机器学习将要测试的初始抗体集增加到几百万。雷迪说：“可供选择的候选人越多，找到真正符合药物开发所需所有标准的候选人的机会就越大。”
ETH研究人员使用罗氏公司的抗癌药物赫赛汀(Herceptin)为他们的新方法提供了概念验证，该药物已经上市了20年。
标签： 抗体药物
免责声明：本文由用户上传，如有侵权请联系删除！