今天分享的是22年的一片文章“An in silico method to assess antibody fragment polyreactivity”。关于纳米抗体的介绍就不多少了懂的都懂，优点很明显，缺点也很突出。很多时候筛到一条个方面都很优秀的纳米抗体，但是纳米抗体的非特异性结合较强同时在动物体内的PK很差。改过抗体序列的朋友都懂面对一堆只能定性的实验数据靠着各种理论把所有的可能性都遍历一遍到头来非特异性没改好反而找到了结合抗原最关键的氨基酸是一件多么苦涩的事情。曾经从噬菌体文库筛选的候选分子是多反应性的重灾区，主要因为这些合成抗体文库里面的抗体没有经历过体内对脱靶反应的筛选。随着全人噬菌体文库或者合成文库的热度退去，现在纳米抗体成了多反应性的主角。
抗体的脱靶结合和聚集倾向是抗体成药行评估中的重要一环，目前对抗体的脱靶以及自交联的预测仍具有较大的挑战。今天分享的这篇文章使用机器学习，利用抗体可变区的结构特征，根据80个临床阶段单克隆抗体的实验数据进行训练，训练的模型可以识别在常见生理溶液条件下具有低脱靶结合同时在常见抗体制剂条件下具有低自交联倾向的抗体。最后通过预测和实验来证明其实用性，改造后的抗体可以降低非特异性并保持高亲和力。
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。
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。
众所周知，较高的疏水性容易引起抗体聚集，抗体携带的电荷也会影响高浓度下的抗体黏度以及体内的PK清除率。这篇文章作者评估了基于结构的电荷计算对抗体pI、黏度和清除率数据的预测性能，使用的软件为MOE。
