Projeto de regiões determinantes de complementaridade de anticorpos usando aprendizado de máquina de alta capacidade

MOTIVAÇÃO: O direcionamento preciso de anticorpos e outras terapias proteicas é necessário para sua função adequada e a eliminação de efeitos indesejados fora do alvo. Muitas vezes, a estrutura molecular de um alvo terapêutico é desconhecida e métodos aleatórios são usados para projetar anticorpos sem um modelo que relacione a sequência do anticorpo às propriedades desejadas. RESULTADOS: Aqui, apresentamos o Ens-Grad, um método de aprendizado de máquina que pode projetar regiões determinantes de complementaridade de anticorpos humanos IgG com afinidades aos alvos superiores às de candidatos derivados de experimentos de triagem com exofagos. Também demonstramos que o aprendizado de máquina pode melhorar a especificidade do alvo pela composição modular de modelos de diferentes campanhas experimentais, possibilitando uma nova abordagem integrativa para melhorar a especificidade do alvo. Nossos resultados sugerem um novo caminho para a descoberta de moléculas terapêuticas, demonstrando que modelos preditivos e diferenciáveis de ligação de anticorpos podem ser aprendidos a partir de dados experimentais de alto rendimento sem a necessidade de dados estruturais do alvo. DISPONIBILIDADE E IMPLEMENTAÇÃO: Os dados de sequenciamento do experimento de triagem com exofagos estão depositados no Archive de Leitura de Sequências do NIH (SRA) sob o número de acesso SRP158510. Disponibilizamos nosso código em https://github.com/gifford-lab/antibody-2019. INFORMAÇÕES SUPLEMENTARES: Os dados suplementares estão disponíveis online em Bioinformatics.