AbOptimizer 用大语言模型与强化学习优化治疗性抗体多属性序列
Multiproperty optimization of therapeutic antibodies through sequence editing via large language model and reinforcement learning
论文提出 AbOptimizer,一个通过并行多位点序列编辑实现抗体多属性优化的强化学习框架。该框架先确定可编辑位点与编辑动作(保留、替换及可选的插入或缺失),再由蛋白质语言模型推荐突变,并用代理评估与 Pareto 奖励训练策略。
论文给出 AbOptimizer 在三种抗体上的计算与体外验证结果,可供比较多属性协同优化的强化学习路线。
已发表论文 · journal · 10.1038/s41467-026-78533-6
本站摘要基于收录版本 v1(2026-10-27),原始摘要与 AI 导读固定保留。
IF(5) 18.9 · 2025 · 期刊参考指标
发现具有多种有益特性的抗体对于治疗性药物开发至关重要,但通过实验鉴定的抗体仍需进一步优化。联合优化始终面临挑战,因为序列空间庞大、标注稀疏且特性之间常存在权衡。为此,我们提出 AbOptimizer,这是一个通过并行多位点序列编辑实现多特性抗体优化的强化学习框架。AbOptimizer 先识别有前景的编辑位点与编辑操作,包括“保留”、“替换”以及可选的“插入”或“删除”,随后借助蛋白质语言模型推荐突变,同时利用代理评估与帕累托奖励来指导策略训练。我们在三种治疗性抗体上对 AbOptimizer 进行了多特性、数据受限以及含插入缺失(indel)优化的评估。在计算模拟中,AbOptimizer 提升了优化特性并优于基线方法。在体外实验中,所选变体对 emibetuzumab 实现了亲和力-特异性的协同优化,对 siltuximab 在基本保持热稳定性的同时提升了亲和力与特异性,并对 trastuzumab 实现了含插入缺失的亲和力优化。这些结果验证了 AbOptimizer 作为治疗性抗体优化实用框架的有效性。
来源:Nature Communications · doi.org