Bayesian Optimization of Antibodies Informed by a Generative Model of Evolving Sequences

要約

効果的な治療薬を構築するために、生物学者は抗体の配列を繰り返し変異させて結合と安定性を改善します。
提案された変異は、以前の測定によって、または大規模な抗体データベースから学習して典型的な抗体のみを予測することによって情報を得ることができます。
残念ながら、典型的な抗体を検索するには膨大なスペースがあり、実験では予算内で適切な抗体を見つけることができないことがよくあります。
クローン情報ベイジアン最適化 (CloneBO) を紹介します。これは、免疫システムが抗体を最適化する方法を生成モデルに教えることで、研究室で抗体を効率的に最適化するベイジアン最適化手順です。
私たちの免疫系は、配列の特定の部分を反復的に進化させて標的に強力かつ安定的に結合することによって抗体を作成し、その結果、クローンファミリーとして知られる一連の関連する進化する配列が形成されます。
私たちは大規模な言語モデル CloneLM を数十万のクローンファミリーでトレーニングし、それを使用して、ヒトの免疫系内の抗体を最適化する可能性が最も高い変異を含む配列を設計します。
私たちは、ツイストシーケンシャルモンテカルロ手順を使用して、以前の測定値に適合するように設計をガイドすることを提案します。
我々は、CloneBO が現実的な in silico 実験において従来の方法よりも実質的に効率的に抗体を最適化し、in vitro ウェットラボ実験においてより強力で安定したバインダーを設計することを示します。

要約(オリジナル)

To build effective therapeutics, biologists iteratively mutate antibody sequences to improve binding and stability. Proposed mutations can be informed by previous measurements or by learning from large antibody databases to predict only typical antibodies. Unfortunately, the space of typical antibodies is enormous to search, and experiments often fail to find suitable antibodies on a budget. We introduce Clone-informed Bayesian Optimization (CloneBO), a Bayesian optimization procedure that efficiently optimizes antibodies in the lab by teaching a generative model how our immune system optimizes antibodies. Our immune system makes antibodies by iteratively evolving specific portions of their sequences to bind their target strongly and stably, resulting in a set of related, evolving sequences known as a clonal family. We train a large language model, CloneLM, on hundreds of thousands of clonal families and use it to design sequences with mutations that are most likely to optimize an antibody within the human immune system. We propose to guide our designs to fit previous measurements with a twisted sequential Monte Carlo procedure. We show that CloneBO optimizes antibodies substantially more efficiently than previous methods in realistic in silico experiments and designs stronger and more stable binders in in vitro wet lab experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google