机器学习加速生物制药配方的设计
除了活性外，成功的生物药物还必须表现出一系列合适的开发性能，这取决于蛋白质序列和缓冲液组成。在这个高维优化问题的背景下，来自机器学习领域的先进算法在补充分析筛选和合理设计方面非常有益。在此，我们提出一种贝叶斯优化算法来加速生物制药配方的设计。我们在25次实验中确定了优化三个串联单链Fv变体热稳定性的公式，证明了这种方法的威力。这个数字小于传统DoE方法所需实验的三分之一，与完整组合空间的详细实验分析相比还要小几个数量级。
我们进一步展示了这种方法相对于传统方法的优势，它可以有效地将历史信息作为开发新生物制剂或当有新的缓冲剂时的先验知识转移。此外，通过同时优化热稳定性和界面稳定性，我们强调了我们的技术在工程多种生物物理性质方面的优势。这种优化将配方中表面活性剂的用量降至最低，这对于降低与相应降解过程相关的风险非常重要。
总的来说，该方法可以快速收敛到最优条件，转移先验知识的能力，以及识别新的非线性赋形剂组合。我们设想，这些特性可以导致在药物开发过程中处方设计和操作并行化的相当大的加速。
请在此下载研究论文全文(PDF格式):机器学习加速生物制药配方的设计
上图根据PharmaCircle数据库提供的数据总结了在上市的抗体配方中最常用的辅料。在过去的5年里，组氨酸一直是最常见的缓冲剂在市场上的抗体配方，其次磷酸盐、氢氧化钠、柠檬酸钠(柠檬酸)和醋酸(醋酸)。聚山梨醇酯(聚山梨醇酯80或20)是最常见的表面活性剂，与聚山梨酯80比聚山梨醇酯出现得更频繁。在其他辅料中，以蔗糖和氯化钠(NaCl)最为显著，其次为蔗糖和氯化钠海藻糖，甘露醇山梨糖醇,氨基酸(AAs)。
机器学习加速生物制药配方的设计
Harini Narayanan, Fabian Dingfelder, Itzel Condado Morales, Bhargav Patel, Kristine enemerke Heding, Jais Rose Bjelke, Thomas Egebjerg, Alessandro Butté， Michael Sokolov, Nikolai Lorenzen, Paolo Arosio
DOI: 10.1021 / acs.molpharmaceut.1c00469