抗体

抗体的优化需要大量时间和资源，这主要是因为在哺乳动物细胞中表达全长抗体的通量比较低很难进行高通量筛选，为了解决哺乳动物细胞表达在抗体优化中的局限，作者开发了一种基于深度学习的方法，能够高通量的识别具有抗原特异性结合的抗体序列；然后通过计算机预测最具可开发性的抗体分子，从而大大节省时间和成本，并大幅降低下游临床开发的风险。

传统的人源化方法是将抗体的CDR移植到与亲本抗体同源性较高的人源框架区上，但是这个过程一般会降低抗体的稳定性和亲和力，需要通过返回突变来恢复抗体的特性。最近Nature Biomedical Engineering介绍了一种新的人源化方法，这种方法与传统的人源化方法相比无需返回突变，且人源化后的抗体能够保持亲和力的同时还能提高稳定性。学术用户可以去试试看CUMAB(http://CUMAb.weizmann.ac.il)，没有学术邮箱但是喜欢捣腾的朋友也能自己部署一个服务器试试，只是需要的计算资源比较大，根据作者的思路我估计使用其他的替代CADD软件也能作出类似的结果。

上周百利天恒的EGFR-HER3 ADC(BL-B01D1)以84亿美金的价格授权给BMS，引起圈内外人事的一片惊叹。之前就看过各路专家对这个双抗ADC的分析，对于这种现象级的产品我之前也关注过。今天我准备从抗体设计的角度看看这个ADC的设计，从中学习借鉴一下。

ADC由毒素、连接子以及单抗所组成，通过单抗将毒素递送至表达肿瘤相关抗体的靶细胞来扩大毒素的治疗窗口。尽管ADC的开发热度异常火爆，但是目前仍旧面临许多挑战，如ADC的作用机制、新毒素的开发、毒性与疗效的平衡、生物标记物、与标准疗法的联用以及ADC药物的耐药机制等等。

作为可开发性评估的一部分，确定治疗性抗体药物的生物物理特性是临床前开发过程的关键部分。通过计算机预测此类特性和生物测定结果可以减少药物开发周期和成本，但目前该领域仍面临不小挑战。这篇文章，作者开发了一个自动化的机器学习工作流程，用来比较由流行的商业软件生成的理化特征集中与实际检测结果最相关的的特征。他们使用IgG分子的数据集对疏水性(HIC-RT)和多特异性(PSR)生成预测回归模型。