抗体治疗或许能够激活免疫系统来对抗帕金森氏症、阿尔茨海默氏症和结直肠癌等疾病，但当它们与自身和其他非疾病标志分子结合时，其效果就会较差。
现在，密歇根大学开发的新机器学习算法可以突出抗体中容易结合非目标分子的问题区域。
我们可以使用这些模型来查明抗体中造成问题的位置，并改变这些位置来纠正问题，而不会引起新的问题。”
Peter Tessier，密歇根大学阿尔伯特·M·马托克斯制药科学教授，《自然生物医学工程》研究的通讯作者
“这些模型很有用，因为它们可以用于现有的抗体、正在开发的全新抗体，甚至尚未制造的抗体。”
抗体通过结合致病因子上称为抗原的特定分子（例如引起 COVID-19 的病毒上的刺突蛋白）来对抗疾病。一旦结合，抗体要么直接灭活有害病毒或细胞，要么向身体的免疫细胞发出信号以灭活有害病毒或细胞。
不幸的是，设计用于非常强烈和快速地结合其特定抗原的抗体也可以结合非抗原分子，从而在抗体针对疾病之前将其去除。此类抗体还容易与同类型的其他抗体结合，并在此过程中形成浓稠溶液，不易流过输送抗体药物的针头。
“理想的抗体应该同时做三件事：与它们应该做的事情紧密结合，相互排斥并忽略体内的其他事情，”泰西尔说。
不满足所有三个条件的抗体不太可能成为成功的药物，但许多临床阶段的抗体却不能。在他们的新研究中，Tessier 的团队在实验室中测量了 80 种临床阶段抗体的活性，发现 75% 的抗体与错误的分子、彼此或两者相互作用。
改变构成抗体的氨基酸，进而改变抗体的 3D 结构，可以防止抗体出现异常行为，因为抗体的结构决定了它可以结合的内容。但是，一些变化可能会导致比它们解决的问题更多的问题，而且平均抗体有数百个不同的氨基酸位置可以改变。
“用我们的模型探索单一抗体的所有变化大约需要两个工作日，这比通过实验测量每种修饰抗体要短得多——最多需要几个月的时间，”最近获得博士学位的 Emily Makowski 说。制药科学专业的毕业生，也是该研究的第一作者。
该团队的模型根据从临床阶段抗体收集的实验数据进行训练，可以识别如何改变抗体，从而以 78% 至 88% 的准确度检查所有三个框。这缩小了化学和生物医学工程师需要在实验室制造和测试的抗体变化的数量。
“机器学习是加速药物开发的关键，”化学工程博士生兼研究合著者王铁新说。
生物技术公司已经开始认识到机器学习优化下一代治疗抗体的潜力。
“一些公司已经开发出了他们非常兴奋的抗体，因为它们具有所需的生物活性，但他们知道当他们尝试将这些抗体用作药物时会遇到问题，”泰西尔说。“这就是我们介入的地方，向他们展示抗体中需要修复的特定位点，我们已经在帮助一些公司做到这一点。”
该研究由生物分子相互作用技术中心、美国国立卫生研究院、美国国家科学基金会和 Albert M. Mattocks 主席资助，并与生物界面研究所和 EpiVax Inc 合作进行。
密歇根大学和赛诺菲已经为实验方法提交了专利申请，该方法提供了用于训练算法的数据。
Tessier 因邀请葛兰素史克、百时美施贵宝、杨森和基因泰克就这项研究发表演讲而获得酬金。
泰西尔还是化学工程和生物医学工程教授。
