EUVIMEDEUVIMED entdecken
Crossref

Antibody structure prediction using a sequence-only data set

Benedikt Singer

reposiTUm (TU Wien) · 01.11.2023

DOI: 10.34726/hss.2023.101343 ↗

Kurz gefasst

Fachartikel in der Zeitschrift reposiTUm (TU Wien), erschienen am 01.11.2023. Verfasst von Benedikt Singer.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Die Vorhersage der Struktur von Antikörper-Antigen-Komplexen bleibt eine schwierige Aufgabe, da die komplementäritätsbestimmenden Regionen (engl. complementarity determining regions - CDR), die die Interaktion des Antikörpers bestimmen, einzigartig und unstrukturiert sind. Außerdem sind wenig koevolutionären Informationen über die Antikörper vorhanden, wasdie Strukturvorhersage zu einem schwierigen Problem macht. Eine zusätzliche Herausforderung in dieser Hinsicht stellt der Mangel an Strukturen von Antikörpern in der Proteindatenbank (PDB) dar. Die Fülle an experimentellen Daten zu Antikörpern, die nicht die Struktur betreffen, jedoch eine vielversprechende Ressource für die Erforschung, indem diese Daten in die Strukturvorhersage integriert werden können. Eine Art von Daten sind experimentelle Bindungsdaten,die eine zusätzliche Dimension zur Integration und schließlich zur Unterstützungder Strukturvorhersage bieten. Die Hypothese für dieses Projekt bestand darin, diese Art von Daten in ein neuronales Netzwerk zur Strukturvorhersage einzubeziehen und zu untersuchen, ob die korrekte Vorhersage einer spezifischenAntigen-Antikörper-Interaktion auch die Gesamtstrukturvorhersage verbessern kann; ein Problem von enormem pharmakologischen Interesse. Konkret haben wir eine Bibliothek von Antikörpern verwendet, von denen bekannt ist, dass sie das Spike-Protein von SARS-CoV-2 binden, einschließlich Informationen darüber, ob der Antikörper an die mutierte Rezeptorbindungsdomäne (RBD) des Proteins bindet. Dieser Ansatz der Zusammenführung von Sequenzdaten und Bindungsdaten wurde unseres Wissens bisher noch nicht angewandt. Wir haben uns überlegt, dass die Erkenntnis, ob ein Antikörper an eine bestimmte RBD-Mutante bindet oder nicht, dem Modell ein besseres strukturelles Verständnis von Antigen-Antikörper-Komplexen abverlangt und damit die Strukturvorhersage innerhalb eines Netzwerks verbessern könnte. Ziel dieser Arbeit ist es, die mit den Daten verbundenen Herausforderungen und Verzerrungen zu beschreiben und zu ermitteln, wie man mit diesen Daten trainieren kann.Das Endergebnis des Projekts war, dass sich die Ableitung dieser Informationen über die Bindungsschnittstelle als kritisch erwies, die aus Daten des Deep Mutational Scanning (DMS) abgeleitet wurden. Die Ergebnisse deuten darauf hin, dass die Vorhersage von Antikörperstrukturen und Antikörper-Antigen-Bindungsschnittstellen wenig bis gar nicht verbessert werden konnte und eine anspruchsvolle Aufgabe bleibt. Zukünftige Ansätze können eine bessere Verfeinerung der Datensätze und eine verbesserte Ableitung der Informationen über die Bindungsschnittstelle umfassen. Darüber hinaus ist es wichtig zu betonen, dass die Diversifizierung von Trainingsdatensätzen und die Einbeziehung von Antikörpersequenzdaten von mehreren Zielproteinen einige der in dieser Arbeit entdeckten Probleme entschärfen kann.

Schlagwörter

antibody structure predictionimmune complexeshypervariable regionSARS-CoV-2 spike proteinreceptor binding domainRBD mutationsantibody-antigen bindingneural network trainingdata biasprotein structure prediction

Zitieren

APA

Singer, B. (2023). Antibody structure prediction using a sequence-only data set. reposiTUm (TU Wien). https://doi.org/10.34726/hss.2023.101343

Vancouver

Singer B. Antibody structure prediction using a sequence-only data set. reposiTUm (TU Wien). 2023. doi:10.34726/hss.2023.101343

BibTeX
@article{Singer2023,
  author = {Singer, Benedikt},
  title = {Antibody structure prediction using a sequence-only data set},
  journal = {reposiTUm (TU Wien)},
  year = {2023},
  doi = {10.34726/hss.2023.101343}
}
Kostenlos starten →