该文档属于类型a，即报告了一项原创性研究。以下是对该研究的详细介绍：
该研究由Mark Hutchinson、Jeffrey A. Ruffolo、Nantaporn Haskins、Michael Iannotti、Giuliana Vozza、Tony Pham、Nurjahan Mehzabeen、Harini Shandilya、Keith Rickert、Rebecca Croasdale-Wood、Melissa Damschroder、Ying Fu、Andrew Dippel、Jeffrey J. Gray和Gilad Kaplan等人共同完成。研究团队来自多个机构，包括AstraZeneca的Biologics Engineering, R&D部门、Johns Hopkins University的Program in Molecular Biophysics、Profluent Bio、Amgen Inc、Honigman LLP等。该研究于2024年5月29日发表在期刊mAbs上。
该研究的主要科学领域是抗体工程，特别是抗体的热稳定性和亲和力的优化。近年来，治疗性抗体在生物制剂领域中迅速发展，但其开发过程通常耗时且昂贵。传统的抗体发现和优化方法依赖于实验手段，如杂交瘤技术或大规模序列筛选，这些方法虽然有效，但往往需要多轮优化才能获得适合实际应用的抗体。计算方法的引入有望加速这一过程，通过预测突变对关键属性的影响，从而提出优化建议。
然而，抗体-抗原复合物的结构信息在优化过程中至关重要，但这些结构往往难以获得，且计算机辅助的抗体对接方法仍不可靠。因此，本研究旨在探索在不依赖抗原结构信息的情况下，通过计算设计优化抗体的热稳定性和亲和力。
该研究主要包括以下几个步骤：
计算设计优化抗体变体
研究团队使用DeepAb，一种基于深度学习的抗体Fv结构预测模型，结合单点实验性深度突变扫描（Deep Mutational Scanning, DMS）数据，设计了200个可能优化的抗鸡卵溶菌酶（Hen Egg Lysozyme, HEL）抗体变体。这些变体包含从DMS中筛选出的有益突变的组合，并根据结构预测的置信度进行排序。
高通量克隆与表达
设计的200个变体通过高通量方法进行克隆和表达。研究团队使用96孔板格式进行手动克隆，将合成的DNA片段通过Gibson组装技术插入表达载体，并在Expi293细胞中进行瞬时表达。表达后的抗体通过磁性Protein A珠进行纯化。
热稳定性和胶体稳定性测试
纯化后的抗体变体通过差示扫描荧光法（Differential Scanning Fluorimetry, DSF）和静态光散射（Static Light Scattering, SLS）进行热稳定性和胶体稳定性测试。主要测试指标包括Tm1（热稳定性）、Tagg（聚集温度）和Tonset（解链起始温度）。
亲和力测试
抗体的亲和力通过生物层干涉技术（Biolayer Interferometry, BLI）进行测试。首先在IgG格式下进行初步筛选，随后将部分高亲和力变体消化为Fab片段，进一步测试其溶液中的亲和力。
可开发性分析
对筛选出的27个高亲和力变体进行可开发性分析，包括非特异性结合、可逆自聚集、表达量、聚集倾向等。
热稳定性和亲和力提升
在设计的200个变体中，91%的变体表现出热稳定性提升，94%的变体表现出亲和力提升。其中，10%的变体对HEL的亲和力显著提高（5至21倍），且大多数变体保持了母体抗体的良好可开发性。
高亲和力变体的可开发性
在筛选出的27个高亲和力变体中，88%的变体在亲和力和热稳定性方面均有所提升。这些变体在表达量、单体含量、非特异性结合等方面表现良好，仅有少数变体表现出较高的聚集倾向。
单点突变的影响
通过单点突变实验，研究团队发现某些特定位置的突变（如VH N114和VL V57）对亲和力和热稳定性的提升有显著贡献。
该研究表明，通过计算设计可以在不依赖抗原结构信息的情况下优化抗体的热稳定性和亲和力。DeepAb模型与高通量实验验证的结合为抗体工程提供了一种高效且可扩展的方法。研究结果为未来抗体优化提供了新的思路，特别是在早期发现阶段，通过计算手段快速筛选和优化抗体序列。
DeepAb模型的应用
DeepAb模型首次被用于抗体的热稳定性和亲和力优化，展示了其在抗体工程中的潜力。
高通量实验验证
研究团队开发了一种高效的高通量克隆和表达流程，能够在4天内完成克隆，成功率超过90%。
无抗原结构信息的优化
该研究证明了在不依赖抗原结构信息的情况下，通过计算设计优化抗体的可行性，为抗体工程提供了新的方向。
研究团队还探讨了其他抗体建模工具（如ProteinMPNN、AbMPNN、IgFold和ImmuneBuilder）在抗体设计中的应用，并比较了它们的性能。结果表明，ProteinMPNN在识别有益突变方面表现最佳，这可能与其训练数据集的广泛性有关。
该研究为抗体工程领域提供了重要的理论和方法支持，展示了计算设计与实验验证相结合的巨大潜力。