Dans le développement de médicaments à base d'anticorps, un défi persistant survient lorsque des molécules candidates présentent des performances prometteuses in vitro mais révèlent des risques d'immunogénicité lors d'évaluations avancées, nécessitant souvent un retour à l'étape de conception pour une ré-optimisation. Ce problème de "retravail en phase avancée" se produit fréquemment alors que les anticorps thérapeutiques sont de plus en plus utilisés en oncologie, dans les maladies auto-immunes et les maladies infectieuses, contraignant les équipes de recherche et développement à rechercher un nouvel équilibre entre efficacité, sécurité et performance moléculaire.
Lors de l'humanisation des anticorps, les chercheurs doivent constamment équilibrer la réduction des risques immunitaires avec la préservation de l'activité de liaison. Pour y remédier, Creative Biolabs utilise des modèles d'IA pour réaliser des analyses multidimensionnelles des séquences d'anticorps, évaluant systématiquement les impacts potentiels de différents schémas de remplacement de cadre sur l'immunogénicitée et la stabilité structurelle. Cette approche de conception basée sur les données vise à maintenir les caractéristiques de liaison originales tout en évitant à l'avance les schémas à haut risque, réduisant ainsi le temps et les coûts associés aux expérimentations répétées.
Pour les molécules candidates ayant subi une humanisation initiale mais présentant encore des risques immunitaires lors d'évaluations ultérieures, Creative Biolabs a introduit une stratégie d'élimination de l'immunogénicité par IA. En prédisant les épitopes potentiels des lymphocytes T et en identifiant les régions à haut risque, les chercheurs peuvent optimiser précisément les séquences sans interférer avec les zones fonctionnelles, améliorant ainsi la sécurité et l'acceptabilité des anticorps candidats lors des étapes ultérieures de développement clinique.
Lors de l'étape de maturation d'affinité, des modèles de prédiction de mutation pilotés par l'IA sont utilisés pour identifier les sites clés améliorant la liaison à l'antigène et guider la construction de bibliothèques de mutations plus ciblées. Combinée à un criblage expérimental à haut débit, l'équipe R&D peut obtenir des variants d'anticorps avec une affinité significativement améliorée et un fort potentiel de développement dans un délai relativement court. Les données du projet indiquent que les stratégies de prédiction par IA peuvent réduire efficacement la proportion de mutations inefficaces, améliorant ainsi l'efficacité globale du criblage.
L'intégration des capacités algorithmiques avec les plateformes expérimentales offre une option plus efficace et contrôlable pour l'optimisation précoce des médicaments à base d'anticorps. Cette approche fournit une nouvelle voie pratique pour l'industrie afin d'explorer des modèles de R&D basés sur les données, transformant potentiellement la manière dont les anticorps thérapeutiques sont développés. En itérant et intégrant continuellement les prédictions algorithmiques avec les données expérimentales, les risques potentiels peuvent être identifiés plus tôt, offrant des solutions d'optimisation plus prospectives aux clients des secteurs pharmaceutique et biotechnologique.
