登Science，药物亲和力增加37倍，AI对蛋白、抗体复合物进行无监督优化
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。
延伸解读
结构信息语言模型的优势
该研究将蛋白质骨架的3D结构与基于氨基酸序列的大型语言模型结合，无需针对特定功能任务进行训练或监督，即可预测高适应度序列。这种方法利用序列-结构退化，通过保留蛋白质主链折叠来间接探索适应度景观，从而在多种蛋白质进化中展现出优势，且不依赖分析标记的适应度数据。
抗体优化的实验验证
研究人员筛选了约30种针对SARS-CoV-2的治疗性抗体变体，发现对BQ.1.1和XBB.1.5逃逸变体的中和作用提高了25倍，亲和力提高了37倍。这表明该方法能有效优化抗体，增强其中和效力和弹性，为应对新出现或发展的疾病提供了快速工具。
降低药物开发门槛
该方法降低了制造更有效药物的门槛，更强的药物意味着需要更低的剂量，从而使给定剂量可以受益更多患者。这有助于快速应对新出现或正在发展的疾病，并可能减少传统定向进化中所需的大量猜测和验证成本。
Q&A
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。
