💡
原文中文，约2000字，阅读约需5分钟。
📝
内容提要
斯坦福大学科学家开发了一种基于机器学习的新方法，能够更快、更准确地预测导致更好抗体药物的分子变化。他们结合了蛋白质骨架的3D结构和基于氨基酸序列的大型语言模型，在几分钟内找到罕见且理想的突变。这种方法有助于应对新出现或正在发展的疾病，并降低了制造更有效药物的门槛。
🎯
关键要点
- 斯坦福大学科学家开发了一种基于机器学习的新方法，能够更快、更准确地预测抗体药物的分子变化。
- 该方法结合了蛋白质骨架的3D结构和基于氨基酸序列的大型语言模型，能够在几分钟内找到理想的突变。
- 研究表明，增强蛋白质结构主干坐标的通用蛋白质语言模型可以指导不同蛋白质的进化。
- 结构引导方法可以间接研究蛋白质适应度景观，广泛应用于不同环境中的蛋白质。
- 这种方法对人类抗体的进化特别有价值，能够优化抗体以治疗多种疾病。
- 研究人员通过该方法筛选了约30种用于治疗SARS-CoV-2感染的抗体变体，显著提高了中和作用和亲和力。
- 这一工具将有助于快速应对新出现或正在发展的疾病，并降低制造更有效药物的门槛。
❓
延伸问答
斯坦福大学的科学家开发了什么新方法来优化抗体药物？
他们开发了一种基于机器学习的方法，结合蛋白质的3D结构和大型语言模型，能够更快、更准确地预测抗体药物的分子变化。
这种新方法如何提高抗体的亲和力？
研究人员通过该方法筛选了约30种抗体变体，显著提高了中和作用和亲和力，亲和力提高了37倍。
该研究的主要应用领域是什么？
该研究主要应用于应对新出现或正在发展的疾病，特别是优化人类抗体以治疗多种疾病。
这种方法与传统抗体优化方法相比有什么优势？
这种方法不需要分析标记的适应度数据用于训练，且成功率优于野生型蛋白质的设计。
研究人员如何利用结构信息来指导蛋白质的进化？
研究人员使用结构引导的语言模型，通过保留蛋白质主链折叠的区域来间接探索潜在的适应度景观。
这种新方法对药物开发的影响是什么？
这种方法降低了制造更有效药物的门槛，意味着需要更低的剂量，使更多患者受益。
➡️
