IA e os Problemas Difíceis do Mundo · Bioengenharia e biologia sintética · Nature (computational biology) · 2026-10-26
Otimização multipropriedade de anticorpos terapêuticos por meio da edição de sequências com grande modelo de linguagem e aprendizado por reforço
Título original: Multiproperty optimization of therapeutic antibodies through sequence editing via large language model and reinforcement learning
Projetar anticorpos terapêuticos que melhorem várias propriedades ao mesmo tempo é difícil porque o espaço de sequências é vasto, as anotações de propriedades são escassas e as propriedades frequentemente entram em conflito entre si. Os autores propõem o AbOptimizer, um framework de aprendizado por reforço que seleciona sítios e ações de edição (reserva, substituição e, opcionalmente, inserção ou deleção) e recomenda mutações a partir de modelos de linguagem de proteínas. Testado em três anticorpos terapêuticos, ele melhorou in silico as propriedades otimizadas além dos métodos de referência, e as variantes selecionadas mostraram cootimização de afinidade e especificidade para o emibetuzumabe, melhora de afinidade e especificidade com estabilidade térmica em grande parte mantida para o siltuximabe, e otimização de afinidade com indels para o trastuzumabe.