L'IA face aux grands problèmes du monde · Bio-ingénierie et biologie synthétique · Nature (computational biology) · 2026-10-26
Optimisation multipropriété d'anticorps thérapeutiques par édition de séquences via un grand modèle de langage et l'apprentissage par renforcement
Titre original: Multiproperty optimization of therapeutic antibodies through sequence editing via large language model and reinforcement learning
Concevoir des anticorps thérapeutiques qui améliorent plusieurs propriétés à la fois est difficile, car l'espace des séquences est immense, les annotations de propriétés sont rares et les propriétés s'opposent souvent les unes aux autres. Les auteurs proposent AbOptimizer, un cadre d'apprentissage par renforcement qui sélectionne les sites et les actions d'édition (conservation, substitution, et insertion ou délétion facultatives) et recommande des mutations à partir de modèles de langage de protéines. Testé sur trois anticorps thérapeutiques, il a amélioré in silico les propriétés optimisées au-delà des méthodes de référence, et les variants sélectionnés ont montré une co-optimisation affinité–spécificité pour l'emibetuzumab, une amélioration de l'affinité et de la spécificité avec une stabilité thermique largement maintenue pour le siltuximab, et une optimisation de l'affinité incluant des indels pour le trastuzumab.