Multi-modal feature learning to prioritize ADCs with favorable half-life in mice

人工智能 计算机科学 特征(语言学) 模式识别(心理学) 机器学习 特征学习 特征选择 深度学习 抗体疗法 训练集
作者
Xiang‐Wei Zhu,K. Jani,Wenjia Gu,Mia Guterman,Valery R. Polyakov,Hans-Peter Gerber,Werner Rubas
出处
期刊:mAbs [Landes Bioscience]
卷期号:18 (1): 2657646-2657646
标识
DOI:10.1080/19420862.2026.2657646
摘要

Favorable pharmacokinetic (PK) properties of antibody-drug conjugates (ADCs) enable higher systemic exposure and are associated with improved clinical efficacy, yet ADC PK optimization remains largely empirical and resource-intensive. We developed an in silico framework to predict half-lives of monoclonal antibodies (mAbs) and ADCs in C57BL/6 mice using multi-modal feature learning. To address structural complexity of ADCs, each compound was deconvoluted into three components: (1) antibody features represented using sequence descriptors, AlphaFold-based structural properties, or protein language model (PLM) embeddings; (2) conjugation-related features, including drug-to-antibody ratio and conjugation sites; and (3) physicochemical properties of linker-payloads. XGBoost models were trained using experimental half-life data from 118 mAbs and ADCs. Structure-based and PLM approaches achieved strong cross-validation (Pearson’s r = 0.76), outperforming sequence-only models. In temporal validation of 32 mAbs and ADCs, the structure-based models demonstrated robust generalization (r = 0.79). PLM embeddings achieved comparable rank ordering (Spearman’s ρ up to 0.81 for ESM-2), but lower quantitative accuracy relative to structure-based models. Overall, our study presents a scalable machine learning framework for early PK screening of mAbs and ADCs prior to synthesis and in vivo testing.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
斯文败类的应助被hanyunlu采纳,获得10
刚刚
刚刚
刚刚
噜噜噜完成签到 ,获得积分10
1秒前
1秒前
1秒前
1秒前
赘婿的应助被zwjqwer1采纳,获得10
1秒前
SS发布了新的文献求助10
1秒前
畅快的煎蛋完成签到 ,获得积分10
2秒前
细心斑马完成签到,获得积分10
2秒前
Orange的应助被勤奋的友绿采纳,获得10
2秒前
李爱国的应助被小时采纳,获得10
2秒前
苗条无声完成签到,获得积分20
3秒前
激昂的天晴完成签到,获得积分10
3秒前
Nole的应助被殷勤的书白采纳,获得10
4秒前
Xwu完成签到 ,获得积分10
4秒前
jc发布了新的文献求助10
4秒前
鹤七发布了新的文献求助10
4秒前
shiqian发布了新的文献求助10
5秒前
6秒前
白榆关注了科研通微信公众号
6秒前
ding的应助被wy采纳,获得10
6秒前
KCY发布了新的文献求助10
7秒前
乔治发布了新的文献求助10
7秒前
luyuan完成签到 ,获得积分10
7秒前
7秒前
8秒前
8秒前
Lucas的应助被王卫采纳,获得30
8秒前
土豆完成签到,获得积分10
8秒前
Dylan完成签到,获得积分10
8秒前
医学小王完成签到 ,获得积分10
9秒前
无限的妖妖完成签到,获得积分10
10秒前
SYNU刘平瀚发布了新的文献求助10
10秒前
MY完成签到,获得积分10
10秒前
10秒前
科研通AI65的应助被西西采纳,获得10
10秒前
阿拉完成签到,获得积分10
11秒前
科研通AI2S的应助被richardhipower采纳,获得10
11秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 2000
Agyptische Geschichte der 21.30. Dynastie 510
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
基于结构调控的功能化水诱导发电材料与器件研究 500
基于界面调控的高效湿气发电材料与器件研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8192338
求助须知:如何正确求助?哪些是违规求助? 9578893
关于积分的说明 21862760
捐赠科研通 7791869
什么是DOI,文献DOI怎么找? 3436868
关于科研通互助平台的介绍 2560584
邀请新用户注册赠送积分活动 2483759