导语：近日，复旦大学与百奥几何（BioGeometry）团队联合推出了一种名为GearBind的可预训练的几何图神经网络，该技术在抗体亲和力成熟方面展现出巨大潜力。该研究成果以“Pretrainable geometric graph neural network for antibody affinity maturation”为题，于2024年9月6日发表在《Nature Communications》上。
正文：
抗体在免疫系统中扮演着关键角色，其高亲和力的特异性结合能力使其在诊断和治疗领域得到广泛应用。然而，传统的抗体亲和力成熟过程耗时且成本高昂，难以满足快速发展的需求。
为解决这一难题，复旦大学与百奥几何团队共同研发了GearBind技术。GearBind是一种可预训练的几何图神经网络，通过多关系图构建、几何消息传递和大规模未标记蛋白质数据的预训练，在多个测试集上的表现优于现有方法。
研究人员基于GearBind推导出一个强大的集成模型，成功用于增强两种不同抗体的结合能力。实验数据显示，设计的抗体突变体显著提升了性能，其中抗体CR3022与Omicron SARS-CoV-2变体刺突（S）蛋白的结合率增加了17倍。
GearBind技术优势：
-
在图构建阶段，在界面上的所有重原子上构建多关系图，涵盖了顺序邻近和空间邻近。
-
在特征提取阶段，采用多级消息传递方案来全面了解蛋白质界面上复杂的相互作用。
-
提出了一种基于对比学习的预训练算法，利用CATH中丰富的未标记单链蛋白质结构，将侧链扭转角知识提取到模型中，进一步提升模型性能。
GearBind的强大性能：
-
在抗体CR3022与Omicron SARS-CoV-2变体刺突（S）蛋白结合实验中，抗体结合率增加了17倍。
-
在全人单域抗体（UdAb）与癌胚抗原5T4结合实验中，抗体结合率增加了5.6倍。
展望：
GearBind技术在抗体亲和力成熟方面展现出巨大潜力，有望为研究和药物发现应用带来巨大机会。未来，该技术还可应用于蛋白质-肽和蛋白质-配体对接挑战，为微型结合剂和酶设计提供新的可能性。
总结：
复旦大学与百奥几何团队的研究成果为抗体疗法开发提供了新的思路和方法。GearBind技术的成功应用有望加速抗体亲和力成熟过程，降低研发成本，为我国生物制药领域的发展贡献力量。
论文链接：https://www.nature.com/articles/s41467-024-51563-8
（完）
Views: 0