.png){kind=icon}
返回
Bayesian Optimization for Efficient Multiobjective Formulation Development of Biologics
.png){kind=icon}
OA
AI
DOI：10.1021/acs.molpharmaceut.5c00591.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生物药，包括新兴的工程化形式，通常表现出较差的可开发性特征，这增加了其转化为成功治疗药物的复杂性。虽然配方设计可以显著缓解某些可开发性问题，但由于需要同时改善多种生物物理性质、应对广阔的设计空间以及考虑赋形剂之间的非线性或协同相互作用，它代表了一个高度复杂的优化挑战。传统实验设计方法可以减少实验工作量，但受限于难以管理高阶复杂性以及易于陷入局部最优的倾向。作为回应，机器学习技术与（高通量）筛选相结合已脱颖而出，成为克服这些限制的有力策略，显著减少了所需的实验数量。这些模型捕捉多特征间非线性关系和相互作用的能力，使其能够高效地在高维设计空间中进行导航。我们提出了一种结合贝叶斯优化与实验筛选的方法，该方法同时优化单克隆抗体的三个关键生物物理性质——熔融温度Tm、扩散相互作用参数kD以及对抗气-水界面的稳定性。我们通过在仅33次实验中识别出高度优化的配方条件来证明其有效性。此外，我们的方法还能考虑诸如渗透压和pH等关键配方约束，确保其实际适用性。我们表明，除了优化之外，我们的方法还提供了关于不同配方中单一赋形剂对每种生物物理性质影响的宝贵见解。此外，它强调了需要在冲突性质之间权衡取舍的必要性，例如pH对Tm和kD的相反影响。
期刊
IF:
4.5
论文数:
1.1K
被引数:
2.4W
机构
引用论文
A single molecular descriptor to predict solution behavior of therapeutic antibodies.png)
SCIENCE ADVANCES
OAAI
SCIENCE ADVANCESIF12.5
OAAI分享收藏A comparative study of the developability of full-length antibodies, fragments, and bispecific formats reveals higher stability risks for engineered constructsMABSOAAI
MABSIF7.3
OAAI分享收藏
查看更多内容