.png){kind=icon}
返回
Hypervariable loop profiling decodes sequence determinants of antibody stability
.png){kind=icon}
PRE
AI
DOI：10.1038/s41594-026-01804-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
抗体折叠和聚集是相关试剂和药物开发中的主要挑战。抗体面临生物物理学上的权衡；互补决定区（CDRs）的巨大多样性，这对于广泛的抗原识别至关重要，但其代价是折叠稳定性。CDR序列如何影响抗体折叠仍然知之甚少，这归因于其序列多样性和缺乏大规模数据。在此，我们开发了一种高通量“深度环分析”方法，以量化数百万种不同CDR的折叠适应性。基于此数据集训练的机器学习模型能够直接从序列预测折叠倾向，并识别出可解释的残基级规则，揭示了CDR1和CDR2作为关键折叠决定因素。利用这些见解，我们拯救了两种不稳定的纳米抗体，包括一种易聚集的SARS-CoV-2结合剂和一种靶向G蛋白偶联受体的内抗体，并构建了下一代富集生物物理优化纳米抗体的合成文库。该方法为理解和工程化抗体支架的折叠能力提供了可扩展的框架。Wan等人开发了一种深度环分析技术，以揭示单域抗体互补决定区中的序列多样性如何塑造折叠适应性，从而能够设计更稳健的合成抗体文库。
Keyword:
antibody folding
complementarity-determining regions
machine learning
nanobodies
protein stability
期刊
N
IF:
10.1
论文数:
153
被引数:
0
机构
引用论文
Fast, accurate antibody structure prediction from deep learning on massive set of natural antibodies通过深度学习对大量天然抗体进行快速、准确的抗体结构预测.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏分享收藏Detection and manipulation of live antigen-expressing cells using conditionally stable nanobodiesELIFE
OAAI
ELIFEIF0
OAAI分享收藏Structural Insights into the Design of Synthetic Nanobody Libraries对合成纳米抗体库设计的结构见解MOLECULESOAAI
MOLECULESIF4.6
OAAI分享收藏
查看更多内容