Editorial: Progress and challenges in computational structure-based design and development of biologic drugs
Notice bibliographique
Résumé
have emerged as a major class of pharmaceuticals, encompassing monoclonal antibodies, recombinant human proteins and enzymes, fusion proteins, antibody drug conjugates, multi-specific formats, peptides, and vaccines.These modalities serve a wide range of therapeutic areas, including immune-oncology, inflammation, cardiovascular, metabolic, infectious, and rare diseases (DeFrancesco, 2019;Kang and Jung, 2020;Lu et al., 2020;Kaplon et al., 2023).Recent advancements in structure determination, structure prediction, bioanalytical characterization, and machine learning have established in silico approaches as a key toolbox employed in the biologic drug discovery and development pipelines (Fischman and Ofran, 2018;Norman et al., 2020;Fernandez-Quintero et al., 2023).Additionally, physics-based molecular modeling and simulation methods, along with empirical linear models, have matured to routine implementation during biotherapeutic drug candidate selection and optimization.However, the accuracy of these predictions can be improved.Further refinements will be welcomed, particularly towards binding affinity predictions and developability assessments.At the same time, with the fast-paced infusion of artificial intelligence in various research areas that impact daily life, we are witnessing a new chapter being written in biological drug design (Kim et al., 2023).A wide range of nonlinear models, from machine learning to unsupervised deep neural networks and language models, is now emerging.These models, fueled by still modest but expanding biological and structural datasets, are complementing classical methods (Baek et al., 2021;Jumper et al., 2021;Kryshtafovych et al., 2021;Bennett et al., 2023;Lin et al., 2023;Wodak et al., 2023).There are also increasing attempts to integrate advanced computational methods with next-generation sequencing, either from synthetic or natural libraries, to enhance the efficient hit-to-lead optimization and de novo discovery of tight binders with favorable developability profiles (Makowski et al.,
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,008 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,009 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».