KI und die schwierigen Probleme der Welt · Bioengineering & synthetische Biologie · Nature (computational biology) · 2026-10-26
Multiproperty-Optimierung therapeutischer Antikörper durch Sequenzeditierung mittels großer Sprachmodelle und Reinforcement Learning
Originaltitel: Multiproperty optimization of therapeutic antibodies through sequence editing via large language model and reinforcement learning
Das Design therapeutischer Antikörper, die mehrere Eigenschaften gleichzeitig verbessern, ist schwierig, da der Sequenzraum riesig ist, Eigenschaftsannotationen spärlich sind und Eigenschaften oft in Zielkonflikt zueinander stehen. Die Autorinnen und Autoren schlagen AbOptimizer vor, ein Reinforcement-Learning-Framework, das Editierstellen und Aktionen (Beibehaltung, Substitution sowie optional Insertion oder Deletion) auswählt und Mutationen aus Protein-Sprachmodellen empfiehlt. In Tests an drei therapeutischen Antikörpern verbesserte es die optimierten Eigenschaften in silico stärker als Baseline-Methoden; ausgewählte Varianten zeigten eine gemeinsame Optimierung von Affinität und Spezifität bei Emibetuzumab, verbesserte Affinität und Spezifität bei weitgehend erhaltener thermischer Stabilität bei Siltuximab sowie eine Affinitätsoptimierung unter Einbeziehung von Indels bei Trastuzumab.