- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugOne
bioRxiv | 抗体的幻想设计
在这篇文章中，作者团队提出了一个用于抗体设计的快速、通用的深度学习框架，旨在缩短抗体库生成和抗体亲和力成熟的周期。 介绍 抗体被广泛开发并作用于治疗癌症、传染病和炎症等疾病。 作者团队受到精确结构预测DL模型——幻想框架的启发，提出了FvHallucinator这一DL框架，以目标抗体结构为条件，设计抗体（特别是CDR环上）的序列。 为CDR H1、H1、L1、L2和L3设计了50个序列，为CDR H3设计了100个序列（参见方法）。将AAR计算为所有50种设计中每个设计CDR回收的天然残留物的百分比。 图2显示了在有（深蓝色）和无（浅蓝色）野生型种子的情况下，所有六个CDRs的序列恢复情况。在没有野生型种子的情况下，AAR较低，因为该算法只恢复较保守的残基。 图2 序列回收率 这项工作的另外一个比较重要的内容是作者团队证明了幻想VH-VL界面设计积累了丰富的人类基因库和治疗性抗体突变，通过优化VH-VL界面，可以实现稳定性和亲和力的改善。
59120编辑于 2022-11-28 - 来自专栏DrugOne
VibrantFold实现 1分钟精准预测抗体结构，精度媲美Alphafold2
2020 年底，AlphaFold2的出现破解了困扰学界长达五十年之久的“蛋白质折叠”难题，基于氨基酸序列近乎完美地精确预测出了蛋白质三维结构，这项生命科学领域的颠覆性成果被施一公教授誉为“21世纪截至目前人类在科学技术领域上的最大突破之一 VibrantFold在发布前与另外两个国际顶尖蛋白预测平台AlphaFold2和 RoseTTAFold一同进行了内测。通过比较预测结构和实验结构的差异性对三个结构预测平台进行评分。 VibrantFold的抗体结构预测精度与AlphaFold2和RoseTTAfold不相上下，已达到全球领先水平，更令人兴奋的是，VibrantFold的预测速度一骑绝尘，计算效率比上述两个软件提升多个数量级 目前我们可以不用合成突变文库，完全用电脑就可以产生一个包含数以千万计抗体分子的虚拟抗体突变文库，而且这个结构抗体库的容量几乎可以无限放大。 结构是抗体性质和功能的基础，构建高通量抗体虚拟结构 Virtual Library是实现AI主导的抗体药物工程的第一步。” 拥有20年抗体药物工程经验的信华生物资深VP张剑冰博士这样评价这一成果。
1.3K30发布于 2021-09-17 - 来自专栏DrugScience
榕树集--AF2在抗体复合物结构预测方面的表现
简介 今天介绍一些测评类文章，主要看看AF2在抗体预测方面的表现。先来简要回顾一下Alphafold的历程。 AF2 在抗原--抗体上的表现 随后，有人对AF2进行了具体的测量,在抗原抗体复合物预测领域，根据Brian G. Pierce[6]的文章来看。 对于一些具有能量偏好的界面，AF2也会表现的好一些。 优化 随后出现了一些策略，用于优化AF2在抗原抗体上的表现。Alexandre M.J.J. 但是由于判断标准不同，仅能说明这个流程要比AF2的效果好，但是好多少，存疑。同时可以明显看到的是，抗原/抗体结构越接近binding时候的构象，表现越好。 讨论 AF2在抗原抗体复合物预测结果上效果并不是很好，而传统的对接手段，在这方面的表现只能说聊胜于无。
93211编辑于 2024-01-09 - 来自专栏流式抗体推文
靶向人 CCL2 蛋白！Elabscience PE 标记抗人CCL2 抗体，科研数据更可靠
内容概要Elabscience PE 标记的 PE Anti-Human CCL2 Antibody[2H5]源自亚美尼亚仓鼠，专为流式细胞术（FCM）设计，可特异性识别人类 CCL2 蛋白（又称 MCP 检测原理PE Anti-Human CCL2 抗体 [2H5] 通过特异性结合样本中的 CCL2 蛋白，利用 PE 标记物的荧光特性实现检测。 产品优势高特异性与活性：单克隆抗体确保靶向结合精准度，可中和天然或重组 CCL2 的生物活性。多激光适配：兼容多种常见激发激光，适配主流流式细胞仪，实验灵活性高。 总结Elabscience PE 标记抗人CCL2 抗体[2H5]凭借高特异性、稳定性能及专业适配性，成为流式细胞术检测 CCL2 的优选工具。 无论是基础科研中的机制探索，还是疾病相关的应用研究，该抗体都能提供精准可靠的实验数据支持。
22510编辑于 2025-11-11 - 来自专栏DrugOne
AntiBERTy-抗体预训练模型
前几天，在NeurIPS 2021上，RosettaCommons的Gray Lab团队展示了抗体预训练模型AntiBERTy，相对于AntiBERTa的参数量增加了10倍，并展示了如何用于分析抗体在体内的亲和成熟轨迹以及抗体 在Bag classification中使用gated attention对64条Instance embedding进一步池化，最后接上2层的NN来预测64条序列(Bag)的label标签，使用的是交叉熵训练了 ，其中有3位都进化出了类似的VRC01组抗体序列，通过统计冗余度，作者发现embedding空间的序列分布较为均一，这一现象可能与抗体的多轮迭代的亲和成熟有关，从而产生了足够的抗体多样性。 使用MIL model进行弱监督式学习，预测VRC01抗体的补位信息：为了验证MIL模型学到了抗体的结合性质，作者搜集了10个VRC01抗体-复合物的晶体结构。 其次为了分析MIL中是否学习到了结合的关键信息，作者通过将MIL的4个注意力头的per-residue attention score映射回抗体的三维结构中，结果表明10条序列中有7条序列的CDR-H2
1.2K20编辑于 2021-12-29 - 来自专栏DrugOne
. | 机器学习优化抗体得到高度多样和亲和力抗体库
由于抗体序列的庞大搜索空间使得对整个抗体空间进行详尽评估变得不可行，因此通常从合成产生、动物免疫或人体供体中筛选相对较少的抗体来识别候选抗体。 目标肽是冠状病毒蛋白突刺蛋白HR2区域中发现的保守序列，并且之前已经确认了中和抗体对其的结合。 图 2 图2显示了设计库的性能和多样性。 对于Ab-14-H重链设计，除了En-Gibbs库中的序列外，所有机器学习优化的库在中位结合亲和力方面都优于PSSM库（图2a），并且在成功率方面明显优于PSSM库的23.8%（图2b）。 对于Ab-14-L轻链设计，所有机器学习优化的库在中位结合亲和力（图2d）和成功率方面均优于PSSM库，而PSSM库的成功率为45.6%（图2e）。
1.3K30编辑于 2023-09-19 小鼠IL-2单克隆抗体如何揭示IL-2信号在免疫调节中的双重角色？
利用小鼠IL-2单克隆抗体进行的阻断实验，可直接验证IL-2信号缺失对Treg细胞数量与功能的损害；而使用能模拟IL-2信号的激动型抗体或抗体-细胞因子融合蛋白，则可探究增强该信号通路对促进免疫耐受的潜在治疗价值 通过抗体精确控制IL-2的生物利用度与靶向性，可以研究不同信号强度对效应T细胞分化轨迹、功能恢复及持久性的影响。四、小鼠IL-2单克隆抗体在免疫治疗研究中如何应用？ 小鼠IL-2单克隆抗体在临床前免疫治疗机制研究中具有多方面应用。 其次，作为捕获或递送工具，抗体工程技术可将抗IL-2抗体改造为"细胞因子缓释剂"或"靶向递送载体"。 例如，通过将抗IL-2抗体与抗肿瘤抗原的抗体融合，构建双特异性抗体，可将IL-2精准递送至肿瘤微环境，在局部激活T细胞的同时减少全身毒性。
18510编辑于 2026-02-13- 来自专栏DrugOne
. | 评估抗体和纳米抗体用于筛选有效候选物
单克隆抗体已成为关键的治疗药物。特别是纳米抗体，这种小型的、单域的抗体自然表达于骆驼科动物中。自2019年首个纳米抗体药物获批后迅速受到关注。然而，将这些生物制品作为治疗药物开发仍然具有挑战性。 在这项工作中，作者引入了一种新的深度学习方法来解决这些挑战，使计算工程能够处理与免疫系统获得的抗体和纳米抗体序列几乎无区别的的抗体和纳米抗体序列。 抗体分类能力 图 2 为了量化AbNatiV的性能，作者首先评估了它区分人类抗体Fv序列和其他物种抗体Fv序列的能力（图2）。使用ROC-AUC和PR-AUC来量化模型正确分类序列的能力。 在抗体治疗的应用 图 3 在抗体药物开发中，评估抗体人类可用性是一个关键步骤，目的是确保药物候选物对患者的最小风险。 天然骆驼科纳米抗体 图 4 自2019年首个基于纳米抗体的治疗药物Caplacizumab获批以来，单域抗体的发展势头更加强劲。
48310编辑于 2024-02-23 - 来自专栏生命科学
靶向抗体偶联药物 (ADC)——抗肿瘤 | MedChemExpress
肿瘤靶抗原 理想的靶抗原应该是：1、在肿瘤中高表达，异质性有限，正常组织中低表达；2、尽量减少抗原脱落，以防止抗体在循环中与其结合；3、抗体应通过受体介导的内吞作用很好地被内化，并且在内吞作用期间不应被调节 目前，所有临床和临床前发展的 ADCs 都含有免疫球蛋白 G (IgG) 同种型的抗体。IgGs 可分为四个亚型：IgG1、IgG2、IgG3 和 IgG4 (如图 5)。 Antibody-drug Conjugate (ADC) Trastuzumab emtansine 是一种抗体偶联药物 (ADC)，其结合了 HER2 靶向的曲妥珠单抗的抗肿瘤特性以及微管抑制剂 DM1 Trastuzumab deruxtecan 是一种抗人表皮生长因子受体 2 (HER2) 抗体-药物偶联物 (ADC)。由人源化抗 HER2 抗体，酶促裂解的肽接头和拓扑异构酶 I 抑制剂组成。 可用于 HER2 阳性乳腺癌和胃癌的研究。
1.3K20编辑于 2023-03-07 - 来自专栏智药邦
Nat Biomed Eng：利用深度学习从抗体序列中预测抗原特异性，优化抗体药物
研究人员从曲妥珠单抗的DNA序列开始，使用CRISPR突变方法创建了约50,000个抗体变体，并分析抗体变体对抗原HER2的结合特异性。 测序结果显示，分别有11,300和27,539个独特的结合抗体变体和非结合抗体变体。然后，所有结合抗体变体和非结合抗体变体的序列被用来训练深度神经网络。 为了进一步证明深度学习识别新的抗体变体序列的能力，作者随机选择了42个不同的抗体变体序列，其中30个是结合抗体变体，12个是非结合抗体变体。 发现改良的抗体药物 研究人员对经过计算优化的候选抗体变体序列进行实验表征，确定了高亲和力、高表达力、热稳定性良好和去免疫化的抗体变体。经过单细胞分选，选择了55个抗体变体。 参考资料 1.https://www.nature.com/articles/s41551-021-00699-9 2.https://www.eurekalert.org/pub_releases/2021
4.3K51发布于 2021-06-07 - 来自专栏智药邦
腾讯AI Lab｜自适应自回归扩散模型设计活性人源化抗体和纳米抗体
预训练阶段：使用人类抗体重链进行训练，学习人类抗体重链的序列特征。预训练阶段的目标是让模型掌握人类重链的通用特征，以便在纳米抗体上进行适应性调整。 2. 图5 HuDiff-Ab模型的人性化过程和性能 3.1.2 SARS-CoV-2 RBD目标抗体2B04的人源化实验 本文选取了针对SARS-CoV-2的中和抗体2B04进行人源化，以评估HuDiff-Ab 2B04抗体是一种具有强中和活性的鼠源抗体，能够有效结合SARS-CoV-2的受体结合域（RBD）。 图7 HuDiff-Nb模型的人性化过程和性能 3.2.2 SARS-CoV-2 RBD目标纳米抗体3-2A2-4的人源化实验 针对SARS-CoV-2 RBD的纳米抗体3-2A2-4，本文通过HuDiff-Nb 3-2A2-4是一种骆驼类纳米抗体，能够与SARS-CoV-2的RBD结合，其结合能力在体外实验中得到了验证。
1.2K10编辑于 2024-12-06 - 来自专栏DrugOne
. | 通过深度学习从抗体序列预测抗原特异性优化治疗性抗体
治疗性抗体的优化需要大量的时间和资源，这主要是因为哺乳动物细胞中表达的全长抗体的低通量筛选（大约以千为单位），通常得到少量的优化前体。 本文中作者展示优化的抗体突变体可以从大量不同的抗体序列空间中经由深度学习预测抗原特异性来识别。 ? ，并筛选了针对人表皮生长因子受体2（HER2）的特异性文库。 接着作者使用训练好的神经网络来筛选一个上亿个突变体的trastuzumab变体的计算库，并预测HER2特异性的子集（~百万），然后可以通过其粘度、清除率、溶解度和免疫原性进行过滤，以产生数千个高度优化的候选突变体 而从未筛选文库中随机选择的30个变异体进行重组表达和实验测试，结果显示所有30个突变体也都保持对HER2的特异性。 本文作者展示了深度学习促进抗体工程和优化的强大能力。
1.2K11发布于 2021-04-30 - 来自专栏DrugOne
学习抗体高变异性的语言
通用的蛋白质结构预测技术（如AlphaFold 2）在预测抗体结构方面存在困难，因为后者的高变异性区域（也称为互补决定区，CDR）显示出进化上新颖的结构模式。 事实上，缺乏高质量的多序列比对（MSAs）也是AlphaFold 2在抗体上表现不如常规蛋白质的关键原因之一。因此，另一组方法被提出：这些方法仅在抗体和B细胞受体序列库上训练PLMs。 此外，每个任务的固定长度特征都经过L2归一化，并使用最大熵形式进行正则化。 AbMAP有效地对抗体特征进行微调 图 2 作者首先评估了方法改进和微调方法的有效性。 在图2中展示了AbMAP-B在重链抗体上的结果。虽然基础蛋白质语言模型本身非常强大，但其一致性有些有限，特别是在表示相似性较低的配对中。 作者计算了每个残基的结果，并在表2中报告了总体统计数据。AbMAP-B在每个残基的表位预测中实现了最高的整体准确性。
46010编辑于 2023-09-19 - 来自专栏DrugAI
. | RESP2：不确定性感知的抗体优化AI
结果 RESP2管道设计 RESP2相较前一版本的提升包括： 文库生成与筛选：通过随机突变生成抗体可变区片段文库，并在多抗原条件下进行流式分选，采集增强结合力的亚群。 抗体数据库的13种抗原上进行测试，RESP2始终表现出优于其他AI方法的成功率，≥85%，而流行生成式AI方法的成功率低于1.5%。这表明RESP2在多靶点、多参数优化方面显著优越。 实际案例：新冠RBD抗体发现 研究人员选择了对Delta变体RBD有有限亲和力的Delta-6抗体作为起点，利用RESP2进行单轮筛选和测序。 结果发现了一种名为Delta-63的人源化抗体，对包括BA.2在内的多个RBD变体均展现出高亲和力，其中对BA.2的结合力达到纳摩尔级，而原始抗体几乎无结合活性。 结论 研究人员提出的RESP2是一种先进的AI抗体发现管道，能够在多靶点和多属性条件下进行优化。
28220编辑于 2026-01-06 - 来自专栏流式抗体推文
靶向 CCL2 通路研究！Elab Fluor® 647 标记抗人 CCL2 抗体，赋能基础科研与药物研发
内容概要Elab Fluor® 647 标记抗人 CCL2 抗体[2H5]（货号：AN00841M）是一款专为流式细胞术（FCM）打造的单克隆抗体，源自亚美尼亚仓鼠，以 Elab Fluor®647 为荧光标记 检测原理Elab Fluor® 647 标记抗人 CCL2 抗体通过特异性结合细胞内的 CCL2 蛋白实现检测：先利用细胞表面标志物抗体（如 FITC 标记的 CD14 抗体）进行表面染色，再通过固定破膜处理使抗体进入细胞内 例如，人外周血单个核细胞（PBMC）经 LPS 刺激后，可通过该抗体检测到 CCL2 表达水平的变化。应用领域免疫细胞功能研究：如单核细胞、巨噬细胞等免疫细胞中 CCL2 的表达检测与功能分析。 药物活性评价：针对 CCL2 通路的药物筛选与中和活性验证实验。产品优势高特异性与功能性：单克隆抗体确保靶向性，可特异性识别人和小鼠、大鼠的 CCL2，且能中和其生物活性，兼具检测与功能验证双重价值。 总结Elab Fluor® 647 标记抗人 CCL2 抗体[2H5]凭借高特异性、可靠性能与便捷操作，成为 CCL2 相关研究的优选工具。
32110编辑于 2025-11-26 - 来自专栏DrugOne
用于药物发现的抗体表征学习
每条链的可变区包含互补决定区 (CDR)，分别表示为 CDR-L1、CDR-L2、CDR-L3 和 CDRH1、CDR-H2、CDR-H3分别位于轻链和重链。CDR的氨基酸序列决定了抗体将结合的抗原。 有标签的序列数据 LL-SARS-CoV-2 data：这是SARS-CoV-2 靶标（冠状病毒中的一种保守肽）的抗体序列的标记结合亲和力数据集（Walsh et al. 2021）。 二是冻结氨基酸嵌入层，然后构建一个序列长度不变的嵌入 表1：通过微调预训练语言模型预测抗体结合亲和力的 Pearson 相关性 表2：:通过在预训练语言模型中提取的特征训练高斯过程模型来预测抗体结合亲和力的 图 2 分别显示了预测性能。 图2：14H、14L 和 IgG 亲和力预测任务的特征表示比较 总体而言，所有学习实验的结果表明，与其他特征学习方法相比，预训练模型能够更好地学习到抗体特征来进行结合预测。
88150编辑于 2022-11-28 - 来自专栏生命科学
PROTAC与抗体偶联药物的结合 | MedChemExpress
非特异性蛋白靶向思路二：PAC 分子 这是一种采用了抗体偶联药物 (ADC) 技术的分子，这种将 PROTAC 与 ADC 结合的技术也被称为抗体 PROTAC 复合物 (PAC)。 Maneiro 等在曲妥珠单抗上通过一段连接子片段连上上文的 BRD4 降解剂 ARV-771，连接后的分子仅在 HER2 阳性乳腺癌细胞系中降解 BRD4，而避开了 HER2 阴性细胞。 SNIPER (BRD)-1 同时抑制 cIAP1，cIAP2 和 XIAP，IC50 分别为 6.8 nM，17 nM 和 49 nM。 PAC 由 ADC linker 和 PROTAC 分子组成，PAC 与抗体偶联。与 PROTAC (不偶联 Ab) 相比，PAC 偶联抗体之后更加显著降低雌激素受体-α (ERα) 水平。 Antibody-PROTAC Conjugates Enable HER2-Dependent Targeted Protein Degradation of BRD4.
64720编辑于 2023-02-28 - 来自专栏智药邦
治疗性抗体开发中的深度学习
数据量的不足和生物平台的差异使得开发能够预测抗体行为(实际商业开发步骤中)的监督模型具有挑战性。但是在一般蛋白质行为建模方面的成功和早期的抗体模型表明了这种可能性，特别是由于抗体有一个共同的折叠。 跨越复杂空间数据的设计 1.细胞系 2.CDR多样性 3.抗体形式（例如，scFv、全长、Fab、Fc 融合、多特异性抗体）。 4.特定的序列倾向（例如，脱酰胺、异构化、糖基化位点）。 2 抗体开发中的监督学习 在抗体开发的背景下，监督学习的最常见形式是预测建模，其中分子的特性和行为是根据分子“特征”的某些表示来预测的，通常来自氨基酸序列或结构。 Jain等人使用该数据集创建两个传统的机器学习预测器来预测（1）来自工程序列特征的溶剂可及表面积（SASA）和（2）来自 SASA 的HIC RT类。 生成器可以在人类抗体库上进行训练，然后产生大型、多样化的合成抗体库，这些抗体在序列上是唯一的，但在其他方面与人类库抗体无法区分。这种抗体库生成方法允许使用迁移学习明确控制给定库中抗体的特性。
1.3K20编辑于 2022-03-04 - 来自专栏新智元
AlphaFold2立功！清华团队用深度学习增强新冠抗体，创AI里程碑
地址：https://www.pnas.org/doi/10.1073/pnas.2122954119 科学家们写道，「我们可以使抗体宽度以及sars-cov-2变体 (包括 Delta) 的效力提高10 虽然Shan和他的团队提到了AlphaFold2，他们也使用了AlphaFold2所使用的方法，但他们没用DeepMind的代码。 因为ΔΔG预测器和AlphaFold2都是开源的，每个人都可以亲自去体验，去看看二者的比较。ΔΔG预测器的代码在GitHub，AlphaFold2的代码在它自己的网站。 作者们在研究的抗体正好是由Shan和他的同事们去年引入的。这一事实让整个研究变得更加有趣。 名叫P36-5D2的抗体是从一名患过新冠病毒的康复患者的血清中提取出来的。 2020年，AlphaFold2的问世成为生物学界海啸级的地震。 紧接着DeepMind开源了AlphaFold2，并能够预测出98.5%的蛋白质结构，让学术圈再次沸腾。
56830编辑于 2022-03-24 功能抗体如何实现生物学功能调控？
一、什么是功能抗体？功能抗体是指除特异性结合抗原外，还能够主动调控靶蛋白生物学活性、激活或阻断特定信号通路、或介导免疫效应细胞杀伤作用的一类抗体。 与传统仅用于检测的抗体不同，功能抗体本身就是一种生物活性分子，能够直接干预生命过程。其在基础研究中用于解析信号机制，在转化应用中则发展为治疗性抗体，成为肿瘤、自身免疫病及感染性疾病治疗的重要力量。 抗体亲和力及解离速率直接影响中和效力。抗体依赖的细胞介导的细胞毒性作用（ADCC）及抗体依赖的细胞吞噬作用（ADCP）是Fc段介导的效应功能。 不同IgG亚型激活补体的能力差异显著，IgG1和IgG3较强，IgG2和IgG4较弱。三、功能抗体的开发有哪些关键考量？表位选择决定功能抗体的作用机制。 IgG1具有强ADCC及CDC活性，适合杀伤靶细胞；IgG2及IgG4效应功能弱，适合仅需阻断功能而不希望消耗靶细胞的应用；可通过基因工程改造恒定区（如引入LALA突变），增强或减弱效应功能。
18310编辑于 2026-03-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号