Antibody Polyreactivity Prediction

简介

预测治疗性普通抗体或纳米抗体的多反应性。模块基于PolyXpert模型及纳米抗体多反应性模型实现，PolyXpert模型对六种蛋白语言模型——antiBERTy、AntiBERTa2、IgBert、ESM-2、ProtBert和 ProtT5进行了微调，使其作为端到端的多反应性预测器，并使用其中效果最优的ESM-2微调模型，作为最终模型，用于临床前治疗性单克隆抗体的多反应性评估。纳米抗体多反应性预测，是通过机器学习模型，根据序列预测其与多种非靶标蛋白的非特异性结合倾向。

治疗性普通抗体

多反应性数据集的构建
PolyXpert采用一个基于酵母展示体系构建的单链可变片段（scFv）多反应性数据集。该数据集包含两个独立的人源 scFv 文库（library #1 和 library #2），所有序列均经高通量测序获得。通过流式细胞分选（FACS），依据卵清蛋白、CHO 细胞来源的可溶性胞质蛋白（SCPs）、可溶性膜蛋白（SMPs）以及胰岛素四种多特异性试剂对 scFv 的多反应性水平进行表型划分。library #1 共包含 246,293 条唯一序列，其中高多反应性与低多反应性 scFv 分别为 115,038 条和 131,255 条；library #2 共包含 127,217 条序列，其中高多反应性 scFv 为 93,080 条，低多反应性 scFv 为 34,137 条。library #1 的序列多样性更高，因此划分为训练集（60%）、验证集（20%）和测试集（20%），而 library #2 被用作独立的外部测试集。

治疗性抗体数据集
治疗性抗体数据包括 48 条已获批准抗体序列和 89 条处于临床 II/III 期的抗体序列。对于每个抗体，同时提取了来自 12 项生物物理和生化实验的对应数据。随后，剔除了 6 条存在序列记录冲突的抗体，最终得到包含 131 条抗体序列的数据集。抗体多反应性通过该数据集中基于多特异性试剂的可溶性膜蛋白（PSR SMP）评分进行判定，以 0.27 作为分类阈值将抗体划分为高多反应性与低多反应性两类。

微调蛋白语言模型的预测效果
相比之下，微调后的 ESM-2 模型在训练数据集及两个测试数据集上均表现出最优且稳定的预测性能。在 library #2 外部独立测试集上，该模型取得了显著更高的整体判别能力和泛化性能。

在不同开发阶段治疗性抗体中的预测能力
基于已有研究数据，共分析了 131 条单克隆抗体的 PSR SMP 评分。模型预测的高、低多反应性抗体分组在 PSR SMP 评分上呈现出显著差异，表明 PolyXpert 具备良好的判别能力。在临床阶段抗体和已获批准抗体两个子集中，同样观察到预测分组之间一致的差异趋势。

纳米抗体

基于debbiemarkslab开源的模型实现，该模型的构建是从一个大型初始合成纳米抗体文库出发，分离获得了低多反应性和高多反应性的纳米抗体初始数据集。然后使用机器学习模型在初始数据集的深度测序数据上进行训练，以学习低多反应性和高多反应性纳米抗体的序列特征。

数据集构建

• 实验流程

1. 文库来源：使用一个大型、合成的naïve骆驼源纳米抗体酵母展示文库（模拟天然免疫库）。
2. 筛选策略：
   MACS（磁珠分选）：预富集高表达纳米抗体的酵母细胞。
   FACS（流式分选）：使用 PSR（Polyspecificity Reagent） 对酵母细胞进行染色。PSR是由昆虫细胞（Sf9）膜蛋白提取的混合蛋白试剂，用于模拟体内非特异性结合环境。分选出 PSR-negative（低多反应性） 和 PSR-positive（高多反应性） 两个群体。
   深度测序：对分选后的群体进行Illumina MiSeq测序。

• 数据规模与处理
  初始数据集：65,147条unique低多反应性序列 + 69,155条unique高多反应性序列 。
  扩展数据集：通过更深度的测序，扩展至 1,221,800条低多反应性 和 1,058,842条高多反应性序列 。
  序列预处理：
  使用 ANARCI 工具按 IMGT编号方案 对齐序列，识别CDR区域。
• 训练/测试集划分
  为避免序列相似性导致的高估性能，采用基于聚类的严格划分：使用 k-means聚类 将序列分为5个簇。构建训练/测试分割时，确保测试集序列与训练集序列的距离（Levenshtein distance）> 10，且CDR区域序列相似度仅约 75% ，这种划分方式模拟了真实场景中模型面对全新序列的泛化能力。

核心模型

• 输入表示：仅提取纳米抗体的 CDR1、CDR2、CDR3 序列。使用ANARCI按IMGT方案对齐，将变长CDR序列映射到固定长度的编号位置。每个位置用20维one-hot向量表示氨基酸类型（共20种标准氨基酸）。拼接所有CDR位置，形成一个高维稀疏特征向量。
• 模型结构：标准的L2正则化逻辑回归（L2-regularized Logistic Regression）。输出模型打分，经sigmoid转换为多反应性类别。
• 性能：AUC = 0.85

关键发现

• 增加多反应性：精氨酸（Arg, R）在所有CDR区域；赖氨酸（Lys, K）、色氨酸（Trp, W）、酪氨酸（Tyr, Y）在CDR3。
• 降低多反应性：酸性残基（Asp, Glu）在CDR2和CDR3。
• 位置依赖性：尽管精氨酸总体上增加多反应性，但在CDR1的30号和38号位置，以及色氨酸在CDR3的105号位置，低多反应性克隆可以容忍这些残基 。

参数说明

Sequence

待预测普通抗体的 Fv 区序列，或者纳米抗体序列，FASTA 格式，支持批量预测，最多可同时提交 500 对普通抗体（共 1000 条重、轻链序列），按顺序放置即可（每条抗体的轻、重链Fv序列不分先后），或1000条纳米抗体。
示例如下：
普通抗体

>avelumab.H
EVQLLESGGGLVQPGGSLRLSCAASGFTFSSYIMMWVRQAPGKGLEWVSSIYPSGGITFYADTVKGRFTISRDNSKNTLYLQMNSLRAEDTAVYYCARIKLGTVTTVDYWGQGTLVTVSS
>avelumab.L
QSALTQPASVSGSPGQSITISCTGTSSDVGGYNYVSWYQQHPGKAPKLMIYDVSNRPSGVSNRFSGSKSGNTASLTISGLQAEDEADYYCSSYTSSSTRVFGTGTKVTVLG
>durvalumab.H
EVQLVESGGGLVQPGGSLRLSCAASGFTFSRYWMSWVRQAPGKGLEWVANIKQDGSEKYYVDSVKGRFTISRDNAKNSLYLQMNSLRAEDTAVYYCAREGGWFGELAFDYWGQGTLVTVSS
>durvalumab.L
EIVLTQSPGTLSLSPGERATLSCRASQRVSSSYLAWYQQKPGQAPRLLIYDASSRATGIPDRFSGSGSGTDFTLTISRLEPEDFAVYYCQQYGSLPWTFGQGTKVEIK

纳米抗体

>nanobody
QVQLVESGGTLVQPGGSLRLSCAASRNISQIAILGWYRQAPGKQREAVAIITGGGPAHYADSVKGRFTISRDTAKNTTYLQMDSLKPEDTAVYFCNVRIRWGAADSWGQGIQVTVSS

注意：
1.当重链（Heavy chain）与轻链（Light chain）的序列名称不完全一致时，系统将按照以下规则确定抗体名称：

• 若重链与轻链名称存在相同前缀，则该前缀将被识别为抗体名称。
• 若不存在可识别的共同前缀，则默认使用重链序列名称作为抗体名称。

建议采用统一且简洁的命名格式，例如：

>V1.H
>V1.L

其中：

• V1 表示同一抗体的唯一编号；
• .H 和 .L 分别表示重链与轻链。

Mode

抗体类别选择，普通抗体或纳米抗体。

结果说明

输出result.csv文件
普通抗体的内容格式如下：

说明：

纳米抗体的内容格式如下：

说明：

输出纳米抗体打分的分布状态图 dist_pr_scores.png，示例如下：

图中给出了数据集（65,147条低多反应性序列 + 69,155条高多反应性序列）的模型打分分布情况，以及输入的纳米抗体序列（最多输出前10条）的预测模型打分在整个数据集中的所处位置。

参考文献

• Yuwei Zhou,Haoxiang Tang, Changchun Wu, Zixuan Zhang, Jinyi Wei, Rong Gong, Samarappuli Mudiyanselage Savini Gunarathne, Changcheng Xiang, Jian Huang.Enhancing polyreactivity prediction of preclinical antibodies through fine-tuned protein language models.Journal of Pharmaceutical Analysis, 2025,101448. DOI: 10.1016/j.jpha.2025.101448DOI:10.1016/j.jpha.2025.101448
• Harvey, E.P., Shin, JE., Skiba, M.A. et al. An in silico method to assess antibody fragment polyreactivity. Nat Commun 13, 7554 (2022). DOI:10.1038/s41467-022-35276-4