机器学习加速生物制药配方设计

除了活性外,成功的生物药物还必须表现出一系列合适的可开发性,这取决于蛋白质序列和缓冲液组成。在这个高维优化问题的背景下,来自机器学习领域的先进算法在补充分析筛选和合理设计方面非常有益。在这里,我们提出了一种贝叶斯优化算法来加速生物药物制剂的设计。我们通过在25个实验中确定优化三个串联单链Fv变体热稳定性的配方,证明了该方法的威力,这一数字少于经典DoE方法所需实验的三分之一,与完整组合空间的详细实验分析相比要小几个数量级。

我们进一步展示了与传统方法相比,该方法的优势,可以有效地传递历史信息,作为开发新生物制剂的先验知识,或在新的缓冲剂可用时。此外,我们通过同时优化热稳定性和界面稳定性,强调了我们的技术在工程多种生物物理性质方面的优势。这种优化将配方中的表面活性剂量降至最低,这对于降低与相应降解过程相关的风险非常重要。

总的来说,该方法可以提供快速收敛到最佳条件的能力,传递先验知识的能力,以及识别新的非线性赋形剂组合。我们设想,这些特性可以大大加快配方设计,并在药物开发过程中实现操作的并行化。

在此处下载完整的研究论文(PDF格式):机器学习加速生物制药配方设计

在这里读这篇文章


2015年以来上市的抗体制剂中赋形剂出现的频率
2015年以来上市的抗体制剂中赋形剂出现的频率

上图根据Pharmacercle数据库中的可用数据总结了市场上抗体制剂中最常用的赋形剂。在过去5年中,组氨酸一直是市场上抗体制剂中最常用的缓冲剂,其次是磷酸盐,氢氧化钠,柠檬酸盐(柠檬酸),及醋酸(乙酸)。聚山梨醇酯(聚山梨酯80或20)是最常见的表面活性剂,具有聚山梨酯80出现频率高于聚山梨酯(20)。在其他赋形剂中,蔗糖和氯化钠(NaCl)是最主要的,其次是海藻糖,甘露醇山梨糖醇,氨基酸(原子吸收光谱法)。


机器学习加速生物制药配方设计
Harini Narayanan, Fabian Dingfelder, Itzel Condado Morales, Bhargav Patel, Kristine enemerke Heding, Jais Rose Bjelke, Thomas Egebjerg, Alessandro Butté, Michael Sokolov, Nikolai Lorenzen, Paolo Arosio

分子药剂学 2021 18(10), 3843-3853

DOI: 10.1021 / acs.molpharmaceut.1c00469

你可能也喜欢