| 编号 | 283 | |
| 名称 | Antibody Viscosity Prediction | |
| 封面 |  | |
| 描述 | 基于序列预测抗体黏度 | |
| 标签 |
| |
| 作者 | WECOMPUT | |
| 发布时间 | 2023-05-05 00:00:00 | |
| 参考文献 | In silico selection of therapeutic antibodies for development: Viscosity, clearance, and chemical stability. Proc Natl Acad Sci U S A. 2014 Dec 15;111(52):E18601-18606. doi: 10.1073/pnas.1421779112. | |
- 简介
- 参数说明
- Sharma
- Antibody Fasta File
- Output
- DeepViscosity
- Antibody Fasta File
- Output
- 结果说明
- 参考文献
Antibody Viscosity Prediction
简介
黏度是影响抗体药物开发的重要因素，临床上抗体往往需要静脉内或皮下给药，需要高浓度的抗体溶液（>100mg/mL）才能以小剂量注射获得与治疗相关的剂量，但是高浓度的抗体往往表现出高黏度，这对抗体药物的开发，制造和给药提出了挑战。研究发现，抗体序列是决定抗体黏度的关键因素，文献报道抗体黏度与Fv区域的电荷、VH和VL区域电荷的不对称性FvCSP和Fv区域的疏水指数HI存在相关性，基于抗体序列预测抗体黏度是一个有效方法。
本模块集成了两种黏度预测方法：Sharma 与 DeepViscosity
Sharma 黏度计算方法如下所示：
η,cP(180 mg/mL,25°C)=10^[0.15+1.26(0.60)∗ϕ−0.043(0.047)∗q−0.020(0.015)∗qsym]
其中，ϕ代表Fv区域的疏水指数HI，q代表Fv电荷，qsym代表VH和VL区域电荷的不对称性FvCSP。
DeepViscosity模型是一个集成了102个人工神经网络模型的集成学习系统。该模型利用从抗体序列（特别是Fv区）提取的30种特征，对单抗进行黏度分类。分类标准基于150mg/mL浓度下的黏度值，区分低黏度（≤20 cP）和高黏度（>20 cP）的抗体。使用了包含 229 种不同单抗及其在150mg/mL浓度下实验测定黏度值的大型数据集来训练 DeepViscosity。该数据集是目前该领域公开报道的最大的同类数据集，为模型的稳健性提供了坚实基础。 在两个独立的测试集上进行的评估结果显示，DeepViscosity 表现出色。该模型在这两个测试集上分别达到了 87.5% 和 89.5% 的黏度分类准确率，其性能显著超越了以往依赖实验数据或复杂计算模拟的预测模型。
参数说明
Sharma
Antibody Fasta File
抗体的序列文件，FASTA格式，支持批量抗体，不支持纳米抗体序列。序列按要求使用分子名.链名的形式进行命名，示例如下：
> 抗体A.H
重链序列XXXXXX
> 抗体A.L
轻链序列XXXXXX
> 抗体B.L
轻链序列XXXXXX
> 抗体B.H
重链序列XXXXXX
Output
输出结果文件，默认为vis_pred_res_SM.csv
DeepViscosity
Antibody Fasta File
抗体的序列文件，FASTA格式（格式要求同Sharma模式）
Output
输出结果文件，默认为vis_pred_res_DV.csv
结果说明
Sharma算法输出vis_pred_res_SM.csv文件，包含信息如下：
| 字段名称 | 说明 |
|---|---|
| Sequence ID | 抗体序列名称 |
| Fv Heavy Chain Charge | 重链电荷 |
| Fv Light Chain Charge | 轻链电荷 |
| Fv Charge Symmetry Parameter | 电荷对称性指标 |
| Fv Hydrophobicity Index | 疏水性指数 |
| Viscosity | 抗体黏度 |
DeepViscosity算法输出vis_pred_res_DV.csv文件，包含信息如下：
| 字段名称 | 说明 |
|---|---|
| Sequence ID | 抗体序列名称 |
| Viscosity Type | 预测的抗体黏度类别，0表示低黏度（≤20 cP），1表示高黏度（>20 cP） |
| Probability | 预测的概率值，数值在0-1之间，大于0.5时Viscosity Type为1，反之为0 |
参考文献
- In silico selection of therapeutic antibodies for development: Viscosity, clearance, and chemical stability. Proc Natl Acad Sci U S A. 2014 Dec 15;111(52):E18601-18606.DOI:10.1073/pnas.1421779112
- Kalejaye, L. A., Chu, J. M., Wu, I. E., Amofah, B., Lee, A., Hutchinson, M., … Lai, P. K. (2025). Accelerating high-concentration monoclonal antibody development with large-scale viscosity data and ensemble deep learning. mAbs, 17(1). DOI:10.1080/19420862.2025.2483944
