La IA y los problemas difíciles del mundo · Bioingeniería y biología sintética · Nature (computational biology) · 2026-10-26
Optimización multipropiedad de anticuerpos terapéuticos mediante edición de secuencias con un modelo de lenguaje grande y aprendizaje por refuerzo
Título original: Multiproperty optimization of therapeutic antibodies through sequence editing via large language model and reinforcement learning
Diseñar anticuerpos terapéuticos que mejoren varias propiedades a la vez es difícil porque el espacio de secuencias es enorme, las anotaciones de propiedades son escasas y las propiedades a menudo entran en conflicto entre sí. Los autores proponen AbOptimizer, un marco de aprendizaje por refuerzo que selecciona sitios y acciones de edición (conservación, sustitución e inserción o deleción opcionales) y recomienda mutaciones a partir de modelos de lenguaje de proteínas. Probado en tres anticuerpos terapéuticos, mejoró in silico las propiedades optimizadas más allá de los métodos de referencia, y las variantes seleccionadas mostraron una cooptimización de afinidad y especificidad para emibetuzumab, mejor afinidad y especificidad con la estabilidad térmica en gran parte mantenida para siltuximab, y optimización de la afinidad con inclusión de indels para trastuzumab.