PNAS顶刊 | 抗体中和活性提升1000倍，百奥几何生成式AI高效反击病毒新变种
内容提要
百奥几何与上海交通大学合作，利用生成式AI优化8G3抗体，使其对病毒变异株JN.1的中和活性提升1000-1500倍。研究成果发表在《美国国家科学院院刊》，展示了生成式AI在抗体工程中的应用潜力。
关键要点
-
百奥几何与上海交通大学合作，利用生成式AI优化8G3抗体。
-
8G3抗体对病毒变异株JN.1的中和活性提升1000-1500倍。
-
研究成果发表在《美国国家科学院院刊》，展示生成式AI在抗体工程中的应用潜力。
-
病毒基因组快速进化导致早期开发的抗体失效，需优化现有抗体。
-
研究团队利用GeoBiologics平台和几何深度学习进行抗体优化。
-
8G3抗体在多个变异株中表现良好，但对JN.1的中和能力显著下降。
-
采用两轮优化策略，第一轮通过AI筛选单点突变，第二轮进行组合突变。
-
双点突变使中和活性提升100-300倍，四点突变提升1000-1500倍。
-
GearBind模型在抗体亲和力优化中表现卓越，减少实验时间和成本。
-
生成式AI在抗体优化和生物制造领域展现巨大潜力，推动智能化生物制造的发展。
延伸解读
生成式AI在抗体优化中的应用前景
本研究展示了生成式AI在抗体工程中的巨大潜力，尤其是在应对病毒变异方面。随着病毒基因组的快速进化，传统抗体的有效性逐渐下降，利用AI技术优化抗体可以快速适应新变种，提升中和活性。这一方法不仅提高了抗体的亲和力，还能显著缩短研发周期，降低实验成本，推动生物医药领域的创新。
抗体优化的双轮策略
研究团队采用的双轮优化策略，通过AI筛选单点突变和组合突变，显著提升了8G3抗体对JN.1变异株的中和能力。这种系统化的优化流程为抗体研发提供了新的思路，尤其是在面对不断变化的病毒时，能够快速调整抗体特性，确保其有效性。
GearBind模型的创新优势
GearBind模型通过几何图神经网络优化抗体亲和力，突破了传统实验筛选的局限。其多级消息传递机制和对比学习预训练技术，使得模型能够在复杂的突变空间中高效识别最佳突变体。这一创新不仅提高了抗体优化的准确性，也为未来的生物制造提供了强有力的技术支持。
延伸问答
百奥几何与哪所大学合作进行抗体优化研究？
百奥几何与上海交通大学合作进行抗体优化研究。
8G3抗体对JN.1变异株的中和活性提升了多少倍？
8G3抗体对JN.1变异株的中和活性提升了1000-1500倍。
生成式AI在抗体工程中的应用潜力如何？
生成式AI在抗体工程中展现出广泛适用性和变革潜力，能够加速新型抗体的设计与筛选。
研究团队采用了什么策略来优化8G3抗体？
研究团队采用了两轮优化策略，第一轮通过AI筛选单点突变，第二轮进行组合突变。
GearBind模型在抗体优化中有什么优势？
GearBind模型能够在短时间内大幅提高抗体亲和力，减少实验时间和成本。
病毒基因组的快速进化对抗体开发有什么影响？
病毒基因组的快速进化导致早期开发的抗体失效，需优化现有抗体以应对新变种。
