AI与世界难题 · 生物工程与合成生物学 · Nature (computational biology) · 2026-10-26
通过大语言模型和强化学习进行序列编辑,实现治疗性抗体的多性质优化
原标题: Multiproperty optimization of therapeutic antibodies through sequence editing via large language model and reinforcement learning
设计能同时改善多种性质的治疗性抗体十分困难,原因在于序列空间巨大、性质标注稀疏,且各性质之间常常相互制约。作者提出了AbOptimizer,这是一个强化学习框架,可选择编辑位点和操作(保留、替换,以及可选的插入或删除),并借助蛋白质语言模型推荐突变。在三种治疗性抗体上的测试表明,其在计算机模拟中对被优化性质的改善超过了基线方法,所选变体在依米妥珠单抗(emibetuzumab)上实现了亲和力与特异性的协同优化,在司妥昔单抗(siltuximab)上提高了亲和力和特异性且基本保持热稳定性,在曲妥珠单抗(trastuzumab)上实现了包含插入缺失的亲和力优化。