Discovery Studio——全方位抗體模擬計算平臺
與小分子藥物相比，生物療法提供了一系列獨特的益處。這使得以抗體和其他生物治療方式（如雙特異性抗體）為中心的研發項目大幅增加。然而，這些項目還必須克服小分子藥物在安全性和藥代動力學方面所面臨的類似挑戰。高免疫原性和低溶解度是影響抗體藥物開發和療效的重要因素。Discovery Studio從抗體序列出發，提供了一套豐富的工具來幫助指導抗體藥物設計、模擬優化候選分子，顯著加快抗體藥物研發速度和降低研發成本。
抗體序列注釋與性質預測
??抗體序列注釋
對給定的抗體序列可以通過多種方式（IMGT、Kabat、 Chothia 和 Honegger）注釋 CDR 區所對應的氨基酸，以及識別出抗體序列所對應的 Germline gene 序列。
?
圖1：抗體序列注釋
??抗體序列性質預測
對給定的抗體序列可以預測包括翻譯后修飾位點、 抗原線性表位、保守氨基酸位點以及分子量、等電點、凈電荷和摩爾消光系數等生物物理學性質。
抗體3D結構預測
結構是功能的基礎，Discovery Studio利用經典且強大的蛋白同源模建程序 MODELER開發了專門用于抗體結構預測的功能模塊，可預測包括單抗、雙抗、ADC、融合抗體、納米抗體等多種類型抗體的3D 結構，并對結構進行評估與優化。
?
圖2:抗體結構預測流程與對應工具
Discovery Studio將抗體數據全部內置在本地數據庫中，可以安全快速的檢索抗體數據。通過?Identify Framework Templates?識別Fv區或者Fab區對應的模板；依據選定的模板通過Model Antibody Framework進行Fv區或者Fab區結構構建；隨后利用Model Antibody Loops單獨針對每一個抗體CDR區進行模板識別和根據模板的結構構建，完成抗體Fv或Fab區的結構構建；也可在此基礎上進一步通過Model Full Length Antibody構建全長抗體的結構。除此之外，Antibody Modeling Cascade?將上訴步驟整合到了一起，對于給定的一條或多條抗體序列，能夠快速自動化構建抗體3D結構。
抗體結構評估與優化
??抗體結構評估
?
圖3：A 拉式圖 ; B Profile-3D圖
拉式圖用來評估抗體結構中氨基酸允許和不被允許的構象，圖中綠色的點越多，代表結構越合理。Profiles-3D測量給定3D結構中每個殘基的相容性得分來檢查蛋白質結構的準確度，打分低于0的氨基酸是需要優化的對象。
??抗體結構優化
?
圖4：抗體3D結構優化
使用LOOPER算法和基于CHARMm的能量最小化優化LOOP區構象；基于側鏈構象的系統搜索和CHARMm能量最小化，優化所選氨基酸側鏈構象；通過幾何優化能量最小化指定的抗體局部結構或者抗體整體結構的能量；利用分子動力學模擬優化抗體整體結構的能量。
抗體·抗原相互作用預測與親和力成熟
?
圖5:抗體·抗原相互作用圖
Discovery Studio 中包含一系列工具用于預測和優化抗體·抗原結合模式，識別抗體·抗原相互作用的關鍵殘基；進行虛擬氨基酸突變提高抗體親和力。
??抗體·抗原結合模式預測
利用剛性對接工具ZDOCK算法進行抗體·抗原的剛體對接，并根據抗原位置對結合構象進行聚類。此外，還可以使用ZRANK工具通過靜電、VDW和去溶劑化能將對接結果進行重新打分排序。除了用于抗體·抗原相互作用外，ZDOCK還可以用于蛋白·蛋白相互作用、蛋白·DNA相互作用和蛋白·多糖相互作用預測。
對ZDOCK中預測打分排名靠前的對接結果，通過RDOCK進行基于CHARMm的能量優化和打分，以挑選出接近實際情況的結合模式。
抗體·抗原結合模式分析，識別抗體·抗原之間非鍵相互作用的關鍵氨基酸以及顯示包括氫鍵、疏水、靜電作用等相互作用類型。
??抗體親和力成熟
?
圖6：虛擬氨基酸突變對親和力的影響
通過將一組選定的氨基酸依次突變為一種或多種指定的氨基酸，計算每種突變對結合親和力的能量效應，評估突變方案對抗體·抗原結合親和力的影響，發現能夠潛在提高抗體親和力的氨基酸突變類型。
抗體人源化
抗體人源化是保留非人源抗體的抗原結合特異性和親和力，但同時降低對人免疫原性并且不破壞抗體結構穩定性的過程。Discovery Studio 中包含一系列工具用于抗體人源化中的CRD移植、回復突變位點確定，其中影響回復突變的主要因素是mutation energy、氨基酸出現頻率、氨基酸相似性和側鏈溶劑可及表面積等等（圖7）。
?
圖7：抗體人源化流程
?
?
圖8：已知抗體Germline Identity?(Fv)?與ADA的關系圖[1]
從已知抗體數據（圖8）可以看出，ADA低于5%的抗體中超過78%的Germline Identity ≥80%，而且所有Germline Identity ≥80%的抗體中ADA出現頻率低于5%的概率超過72%，低于10%的概率接近90%。
抗體成藥性預測與優化
理想的抗體藥物，除了具備優良的抗原親和力和較低的免疫原性風險之外，還必須具有良好的理化性質，其中低溶解度是影響抗體藥物開發和療效的重要因素。
??聚集效應預測
抗體藥物作為大分子，在長期的高濃度溶液狀態下會有沉聚的趨勢，而蛋白表面疏水相互作用是其沉聚的主要原因。由MIT和Novatis合作開發、驗證了SAP（Spatial Aggregation Propensity）算法，用于預測可能發生的聚集區域以及該區域每一個氨基酸對聚集效應的貢獻。
?
圖9: A 抗體表面聚集SAP打分； B 抗體特定區域內氨基酸對SAP打分貢獻值
??抗體制劑性質預測
對于某一個或多個候選抗體，通過基于抗體3D結構的制劑性質預測，包括可開發性打分（DI值）、溶解度和粘度的預測，用于在抗體研發早期篩選合適的候選藥物。
?
圖10：A DI、Solubility and Aggr Score關系圖; B抗體DI值分布比例圖[1]
?
?
利用已知抗體藥物數據，在pH=6.0，離子強度為0.145M情況下進行抗體Fv區的制劑性質預測，可以看出（圖10）：DI、Solubility 和 Aggr Score（聚集效應打分）在三維關系上呈現出線性相關，而且有58%的抗體Fv區DI值小于90，79%的抗體DI值小于100。
參考文獻
[1]?David Prihoda, Jad Maamary, Andrew Waight, Veronica Juan, Laurence Fayadat-Dilman, Daniel Svozil & Danny A.?Bitton?(2022)?BioPhi: A platform for antibody design, humanization, and humanness evaluation based on natural antibody repertoires and deep learning,?mAbs,?14:1,?DOI:?10.1080/19420862.2021.2020203
-
企業風采
-
企業風采
-
企業風采
-
焦點事件
