A compact vocabulary of paratope-epitope interactions enables predictability of antibody-antigen binding

Vorschaubild
Dateien
1-s2.0-S2211124721001704-main.pdf(5.55 MB)
Autor:innen
Akbar, Rahmad
Pavlovic, Milena
Snapkov, Igor
Slabodkin, Andrei
Scheffer, Lonneke
Haff, Ingrid Hobaed
Tryslew Haug, Dag Trygve
Lund-Johanson, Fridtjof
Safonova, Yana
5 mehr anzeigen
Autor:in (Körperschaft)
Publikationsdatum
16.03.2021
Typ der Arbeit
Studiengang
Sammlung
Institut für Medizintechnik und Medizininformatik
Komplettanzeige
Typ
01A - Beitrag in wissenschaftlicher Zeitschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
Cell Reports
Themenheft
DOI der Originalpublikation
https://doi.org/10.1016/j.celrep.2021.108856
URI
https://irf.fhnw.ch/handle/11654/33315
https://doi.org/10.26041/fhnw-4106
Link
Reihe / Serie
Reihennummer
Jahrgang / Band
34
Ausgabe / Nummer
11
Seiten / Dauer
1-21
Patentnummer
Verlag / Herausgebende Institution
Cell Press
Verlagsort / Veranstaltungsort
Cambridge
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
Antibody-antigen binding relies on the specific interaction of amino acids at the paratope-epitope interface. The predictability of antibody-antigen binding is a prerequisite for de novo antibody and (neo-)epitope design. A fundamental premise for the predictability of antibody-antigen binding is the existence of paratope-epitope interaction motifs that are universally shared among antibody-antigen structures. In a dataset of non-redundant antibody-antigen structures, we identify structural interaction motifs, which together compose a commonly shared structure-based vocabulary of paratope-epitope interactions. We show that this vocabulary enables the machine learnability of antibody-antigen binding on the paratope-epitope level using generative machine learning. The vocabulary (1) is compact, less than 104 motifs; (2) distinct from non-immune protein-protein interactions; and (3) mediates specific oligo- and polyreactive interactions between paratope-epitope pairs. Our work leverages combined structure- and sequence-based learning to demonstrate that machine-learning-driven predictive paratope and epitope engineering is feasible.
Schlagwörter
antibody, antigen, paratope, epitope, structure, prediction, deep learning, machine learning
Fachgebiet (DDC)
Projekt
Veranstaltung
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
Enddatum der Konferenz
Datum der letzten Prüfung
ISBN
ISSN
2639-1856
2211-1247
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Ja
Zukunftsfelder FHNW
Publikationsstatus
Veröffentlicht
Begutachtung
Peer-Review der ganzen Publikation
Open Access-Status
Gold
Lizenz
'http://creativecommons.org/licenses/by-nc/3.0/us/'
Zitation
MIHO, Enkelejda, Rahmad AKBAR, Milena PAVLOVIC, Igor SNAPKOV, Andrei SLABODKIN, Lonneke SCHEFFER, Ingrid Hobaed HAFF, Dag Trygve TRYSLEW HAUG, Fridtjof LUND-JOHANSON, Yana SAFONOVA, Victor GREIFF, Philippe ROBERT, Jeliazko JELIAZKOV, Cedric WEBER und Geir SANDVE, 2021. A compact vocabulary of paratope-epitope interactions enables predictability of antibody-antigen binding. Cell Reports. 16 März 2021. Bd. 34, Nr. 11, S. 1–21. DOI 10.1016/j.celrep.2021.108856. Verfügbar unter: https://doi.org/10.26041/fhnw-4106
Komplettanzeige