A Pharmacophore-Based Method for Rapid and Accurate Virtual Screening of Antibody Libraries against Antigens
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Antibody-based biotherapeutics make up an important class of biopharmaceuticals. However, their discovery requires resource- and time-consuming laboratory processes. To ameliorate this situation, several computational methods were used to predict the structures of antibody:antigen complexes (Ab:Ag) and identify potential binders, in-silico. However, there is still a general lack of rapid virtual screening methods capable of screening large antibody libraries against a given antigen or group of antigens. In this work, we explore the application of a successful small-molecule drug discovery strategy and adapt pharmacophore-based virtual screening to the world of antibody discovery. Using a nonredundant data set of 874 Ab:Ag complexes, we have developed an automated method to create pharmacophores from the antibody complementarity determining regions. Our method is 98.6% (862 out of 874) successful at reproducing the ground truth, i.e., it can recapitulate the parental antibody:antigen complexes. In a benchmarking comparison with cognate docking, using 33 Ab:Ag complexes of therapeutic interest, the pharmacophore method was not only much faster than cognate docking but also recovered all the native interfacial contacts. In addition, it can also find additional putative antibody binders to a given antigen within clusters of Ab:Ag complexes with similar interfacial structures. Our method has significant implications toward accelerating biotherapeutic drug discovery as well as drug repurposing research. This method was implemented in MOE 2024 and is available to the scientific community.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».