合成生物学龙头Ginkgo是如何预测抗体可开发性的？

主要观点总结

本文介绍了Ginkgo Bioworks公司构建的抗体可开发性评估平台PROPHET-Ab，解决了抗体药物开发中可开发性评估的难题。该平台通过标准化、自动化的检测，快速测量抗体的多项生物物理属性，并生成可用于机器学习模型的数据。研究表明，该平台能够可靠评估抗体的可开发性，并揭示一些关键规律。同时，文章还探讨了传统评估方法的局限性以及AI在可开发性预测中的应用。最后，文章指出了当前预测模型的挑战和未来发展方向。

关键观点总结

关键观点1: 抗体药物的可开发性是决定其能否从实验室走向市场的关键

除了高亲和力与高特异性外，抗体药物还需具备在生产、储存、给药及体内环境中保持稳定、安全和有效的能力，这被称为可开发性。可开发性涵盖多个关键物理化学属性，直接影响抗体药物能否高效制造、配制成稳定制剂、安全注射并发挥预期疗效。

关键观点2: Ginkgo Bioworks公司构建了名为PROPHET-Ab的抗体可开发性评估平台

该平台自动化了多项经典生物物理检测方法，生成了标准化、AI友好的数据，为训练下一代抗体可开发性预测模型提供了关键资料。该平台快速、系统、标准化地测量抗体的可开发性属性，兼容不同的抗体格式，使用不同的亲和纯化标签。

关键观点3: PROPHET-Ab平台的研究应用

研究团队利用PROPHET-Ab平台对246个已知抗体进行了全面评估，验证了平台的可靠性，并揭示了一些深刻规律。例如，IgG4亚型的可开发性差，高通量检测并不牺牲数据质量，某些属性存在结伴出现的现象等。

关键观点4: 传统评估方法的局限性

传统的可开发性评估依赖于分散、耗时的实验，数据量小、格式不一，难以喂给机器学习模型进行有效学习。这导致候选抗体往往在投入巨额成本的后期临床开发阶段才暴露出可开发性缺陷，造成巨大浪费。

关键观点5: AI在可开发性预测中的应用

研究团队使用基于XGBoost算法的ML分类器，基于可开发性指标输出“获批可能性”，证明可开发性数据中蕴藏着预测临床成功潜力的信号。此外，他们还探索了训练数据量对预测能力的影响，并发现通用的蛋白质语言模型与专有的抗体模型表现相当。

关键观点6: 当前预测模型的挑战和未来发展方向

虽然PROPHET-Ab模型代表了从定性经验到定量数据驱动的巨大进步，但仍面临一些挑战。例如，模型的预测能力仍受限于数据样本的数量和质量，尤其是失败抗体的临床数据样本。此外，模型需要能够清晰回答序列中的哪个部分导致了可开发性问题，以及如何通过最小改动来修复它。