A Descriptor Set for Quantitative Structure‐property Relationship Prediction in Biologics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There has been a remarkable increase in the number of biologics, especially monoclonal antibodies, in the market over the last decade. In addition to attaining the desired binding to their targets, a crucial aspect is the 'developability' of these drugs, which includes several desirable properties such as high solubility, low viscosity and aggregation, physico-chemical stability, low immunogenicity and low poly-specificity. The lack of any of these desirable properties can lead to significant hurdles in advancing them to the clinic and are often discovered only during late stages of drug development. Hence, in silico methods for early detection of these properties, particularly the ones that affect aggregation and solubility in the earlier stages can be highly beneficial. We have developed a computational framework based on a large and diverse set of protein specific descriptors that is ideal for making liability predictions using a QSPR (quantitative structure-property relationship) approach. This set offers a high degree of feature diversity that may coarsely be classified based on (1) sequence (2) structure and (3) surface patches. We assess the sensitivity and applicability of these descriptors in four dedicated case studies that are believed to be representative of biophysical characterizations commonly employed during the development process of a biologics drug candidate. In addition to data sets obtained from public sources, we have validated the descriptors on novel experimental data sets in order to address antibody developability and to generate prospective predictions on Adnectins. The results show that the descriptors are well suited to assist in the improvement of protein properties of systems that exhibit poor solubility or aggregation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle