Unconstrained generation of synthetic antibody–antigen structures to guide machine learning methodology for antibody specificity prediction
Vorschaubild nicht verfügbar
Autor:innen
Robert, Philippe A.
Akbar, Rahmad
Pavlović, Milena
Widrich, Michael
Snapkov, Igor
Slabodkin, Andrei
Chernigovskaya, Maria
Scheffer, Lonneke
Smorodina, Eva
Rawat, Puneet
Autor:in (Körperschaft)
Publikationsdatum
19.12.2022
Typ der Arbeit
Studiengang
Typ
01A - Beitrag in wissenschaftlicher Zeitschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
Nature Computational Science
Themenheft
DOI der Originalpublikation
Link
Reihe / Serie
Reihennummer
Jahrgang / Band
2
Ausgabe / Nummer
12
Seiten / Dauer
845-865
Patentnummer
Verlag / Herausgebende Institution
Nature
Verlagsort / Veranstaltungsort
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
Machine learning (ML) is a key technology for accurate prediction of antibody–antigen binding. Two orthogonal problems hinder the application of ML to antibody-specificity prediction and the benchmarking thereof: the lack of a unified ML formalization of immunological antibody-specificity prediction problems and the unavailability of large-scale synthetic datasets to benchmark real-world relevant ML methods and dataset design. Here we developed the Absolut! software suite that enables parameter-based unconstrained generation of synthetic lattice-based three-dimensional antibody–antigen-binding structures with ground-truth access to conformational paratope, epitope and affinity. We formalized common immunological antibody-specificity prediction problems as ML tasks and confirmed that for both sequence- and structure-based tasks, accuracy-based rankings of ML methods trained on experimental data hold for ML methods trained on Absolut!-generated data. The Absolut! framework has the potential to enable real-world relevant development and benchmarking of ML strategies for biotherapeutics design.
Schlagwörter
Fachgebiet (DDC)
600 - Technik, Medizin, angewandte Wissenschaften
Veranstaltung
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
Enddatum der Konferenz
Datum der letzten Prüfung
ISBN
ISSN
2662-8457
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Ja
Zukunftsfelder FHNW
Publikationsstatus
Veröffentlicht
Begutachtung
Peer-Review der ganzen Publikation
Open Access-Status
Closed
Lizenz
Zitation
ROBERT, Philippe A., Rahmad AKBAR, Milena PAVLOVIĆ, Michael WIDRICH, Igor SNAPKOV, Andrei SLABODKIN, Maria CHERNIGOVSKAYA, Lonneke SCHEFFER, Eva SMORODINA, Puneet RAWAT, Brij Bhushan MEHTA, Mai Ha VU, Ingvild Frøberg MATHISEN, Aurél PRÓSZ, Krzysztof ABRAM, Axel OLAR, Enkelejda MIHO, Dag Trygve Tryslew HAUG, Fridtjof LUND-JOHANSEN, Sepp HOCHREITER, Ingrid HOBÆK HAFF, Günter KLAMBAUER, Geir Kjetil SANDVE und Victor GREIFF, 2022. Unconstrained generation of synthetic antibody–antigen structures to guide machine learning methodology for antibody specificity prediction. Nature Computational Science. 19 Dezember 2022. Bd. 2, Nr. 12, S. 845–865. DOI 10.1038/s43588-022-00372-4. Verfügbar unter: https://irf.fhnw.ch/handle/11654/34636