Predicting the Dynamic Viscosity of High-Concentration Antibody Solutions with a Chemically Specific Coarse-Grained Model
Notice bibliographique
Résumé
Abstract The viscosity of high-concentration protein solutions is a critical parameter in bio-pharmaceutical formulation development. Conventionally, the viscosity is measured and optimized in labor-intensive experimental workflows that require a lot of material. While predicting the viscosity with atomistic molecular dynamics (MD) simulations is feasible, they are computationally prohibitively expensive due to the large system sizes and the long simulation times involved. Coarse-grained MD (CG-MD) simulations significantly reduce computational demands, but evaluating their accuracy and predictive power requires rigorous validation. Here, we assess the capability of the Martini 3 CG force field to predict the viscosity of high-concentration antibody solutions. We show that a refined Martini 3 force field, with optimized protein–protein interactions, can predict the elevated viscosities observed in concentrated solutions of F(ab’) 2 fragments of the therapeutic monoclonal antibody (mAb) omalizumab. Furthermore, we show that our previously developed Martini 3-exc model for arginine excipients successfully captures the trend of lowering viscosity, as observed in our rheology experiments. These findings open the way to physics-based computational prediction of the properties of dense biopharmaceutical solutions via large-scale MD simulations.
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 | 0,001 | 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 | 0,001 | 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 ».