【抗体デザイン】複合体構造がなくても、標的抗原に結合する抗体がデザインできる手法”dyMEAN”を紹介します

論文タイトル

End-to-End Full-Atom Antibody Design

出典

Antibody design is an essential yet challenging task in various domains like therapeutics and biology. There are two major defects in current learning-based met...

確認したいこと

深層学習を用いたタンパク質のデザイン手法について調査をしています。

要旨

end-to-endで抗原に結合する抗体のH3をデザインする手法、dyMEANを開発を報告しています。

解説など

抗原結合抗体をデザインする生成モデルとして、MEANを紹介しました。

この手法では、抗原・抗体の複合体構造の情報をもとに、エピトープに相補的なH3をデザインすることができました。しかし実際のユースケースを考えると、複合体の構造が明らかであるものに対して抗体のH3欠損を補いたい、というニーズはそこまで多くありません。特にデノボデザインを志向する場合は、抗体の配列・構造情報や複合体における結合様式は未知であることが通常だと思います。

本手法では、MEANのアルゴリズムを中核に、抗体構造の予測や抗原とのドッキングシミュレーションも兼ね備えたend-to-endなデザインスキームを構築することを試みています。筆者らはこの手法をdynamic Multi-channel Equivariant grAph Network (dyMEAN) と呼んでいます。従来のMEANは、主鎖構造の生成までにとどまりましたが、本手法は側鎖原子を含む全原子の座標を生成することができます。これらの解析は、既存のスタンドアローンで解析できるツール（抗体構造予測におけるIgFold、ドッキングシミュレーションにおけるHDock、側鎖のパッキングにおけるRosettaなど）に頼ることなく、シームレスにデザインしていることが特徴です。

大まかな流れは、原著論文のFig.3に記載されています。ステップを順に並べると下記のとおりになります。