Antikor ve nanobody mühendisliğinde en zorlu aşamalardan biri olan afinite olgunlaşması, genellikle uzun süren ve çok sayıda deneysel tur gerektiren bir süreç olarak biliniyor. Ancak bioRxiv’de ön baskı olarak yayımlanan yeni bir araştırma, bu sürecin makine öğrenimi kullanılarak daha verimli hale getirilebileceğini gösteriyor.
Tek tur veriden güçlü tahminler
Çalışmada, maya-gösterim sistemlerinden elde edilen tek bir seçim turuna ait sınırlı dizileme verileri kullanıldı. Araştırmacılar, bu seyrek verilerle eğitilen makine öğrenimi modellerinin, normalde çoklu seçim turlarından sonra ortaya çıkan yüksek afiniteye sahip dizileri öngörebildiğini ortaya koydu.
Doğrusal modeller öne çıktı
Analizlerde özellikle lojistik regresyon gibi doğrusal modellerin dikkat çekici sonuçlar verdiği belirtildi. Bu modellerin, tekli amino asit değişimlerinin afinite üzerindeki etkisini sıralamada derin sinir ağlarından daha iyi performans gösterdiği ve aynı zamanda daha kolay yorumlanabildiği ifade edildi. Bu özellik, ileri mühendislik çalışmaları için hangi kalıntıların tercih edilmesi gerektiğine dair net ipuçları sunuyor.
RXFP1 üzerinde başarıyla test edildi
Araştırma ekibi, geliştirdikleri yaklaşımı relaksin ailesi peptit reseptörü 1’e (RXFP1) bağlanan nanobody’ler üzerinde uyguladı. Elde edilen sonuçlarda, bağlanma afinitesinde 2500 kata kadar artış sağlayan yeni nanobody’lerin geliştirildiği bildirildi. Bu bulgu, klinik açıdan önemli hedeflerin daha hızlı ve etkin biçimde optimize edilebileceğini gösteriyor.
Daha düşük maliyet, daha geniş kullanım alanı
Çalışmanın bir diğer dikkat çekici yönü, seyrek dizileme verileriyle çalışılabilmesi sayesinde maliyetleri düşürmesi oldu. Ayrıca modellerin, gerçek afinite sinyallerini yanıltıcı poli-reaktivite sinyallerinden ayırabildiği ve bu sayede daha özgül bağlayıcıların seçilebildiği aktarıldı.