继结构预测之后,免疫原性预测难题也被AI攻克?

大分子生物药不容忽视的免疫原性问题
随着生物技术的迅猛发展、新冠病毒的推波助澜以及新药审批政策的大力支持,近年来越来越多的生物技术药物获批上市,美国和欧盟已经批准或处于上市审评阶段的抗体新药共有131款,截至2022年6月11日,国内药企累计申报ADC新药则达到了64个。然而,由于抗体或者融合蛋白本质上仍属于外源蛋白,因此免疫原性就成了一个不容忽视的问题。免疫原性是指生物技术药物诱发机体对自身或相关蛋白(如治疗性蛋白)的免疫应答或导致免疫相关事件的能力,诱发的不良事件包括形成抗药物抗体(Anti-Drug Antibody,ADA)和/或中和抗体(Neutralizing Antibody,NAb)。前者指用药后产生可结合药物的抗体,该抗体可能会引起患者强烈的免疫反应,甚至会危害患者生命安全;而后者则会中和药物的生物学活性,从而减弱药物疗效。
免疫原性没有一刻停止过给生物药下绊子。对病人来说,它影响了药物的安全性和有效性,甚至会因为ADA和内源蛋白交叉给病人带来致命的新疾病;对企业来说,众多抗体药的免疫原性直到临床开发后期才发现,多个产品夭折在临床3期,大大增加了药企的研发成本和风险,例如辉瑞开发的PCSK9抗体Bococizumab虽然被寄予厚望,但因为中和抗体直接影响了药代和疗效而被迫宣告三期临床失败;对药监部门来说,免疫原性预测及检测必不可少,其评估是基于风险评估的整体性研究,通常贯穿生物技术药物研发的整个过程直至上市后。
继结构预测之后,免疫原性预测难题也被AI攻克?
免疫原性的产生机制
抗体ADA产生的机制主要分为两种:T细胞依赖和非T细胞依赖的途径,前者是抗体或融合蛋白等治疗性蛋白免疫原性的主要来源,涉及抗原呈递细胞(如未成熟树突细胞(iDC)和B细胞)对生物制剂的摄取,这将触发T细胞特异性免疫反应,产生分泌抗原特异性抗体的浆细胞,并由此产生肽-MHC II复合物与特定的TCR序列相互作用,符合这些标准的肽称为免疫原性肽;后者则涉及通过聚集形式的生物直接刺激B细胞,主要分泌IgM抗体的浆细胞。
继结构预测之后,免疫原性预测难题也被AI攻克?
抗体药物免疫原性导致产生ADA[1]
ADA的形成则与患者和药物因素都有关联。患者因素包括遗传、疾病状态和给药方案,药物因素有四大类:
1. 抗体人源性:嵌合抗体和人源化单抗等人源化改造并没有完全消除ADA,CDR区仍可能存在强免疫原性,进而产生抗独特型抗体;
2. 配方、容器系统、储存条件等通过成分与治疗蛋白和容器封闭系统的相互作用来影响免疫原性;
3. 改变的糖基化模式可降低或增强分子的免疫原性;
4. 其他因素:生产方法、途径、剂量和给药频率等。
继结构预测之后,免疫原性预测难题也被AI攻克?
影响生物制剂免疫原性的众多因素中,氨基酸序列变异是最重要和最基本的因素之一[2],仅使用氨基酸序列很难预测临床试验中的绝对免疫原性,但可以通过计算机、体外或体内方法预测序列变异的相对免疫原性潜力。
如何降低免疫原性风险
降低大分子药物免疫原性风险的方法有很多,例如:提高药物序列与人源序列的同源性:常用的方法包括嵌合抗体、抗体人源化、使用全人抗体库或者使用转基因人源小鼠等。理论上与人的同源性可达到100%,但由于MHC的群体差异以及CDR在体内会发生高频突变,因此在跨物种使用时仍会产生抗药抗体,例如阿达木单抗、罗氏的Atezolizumab等。先预测免疫原性风险,继而通过蛋白质工程来定向去除可能引起免疫原性的位点,成为降低免疫原性风险的一个主要方式。主流手段是通过改造T细胞表位来去除治疗性蛋白药物的免疫原性,而T细胞表位则一般借助II型MHC的结合、基于PBMC的激活来进行分析和验证。
免疫原性的风险评估一直是个公认的难题,由于体外、体内的实验检测手段包括小鼠、猴子等动物模型都不能准确反映药物进入临床后在人体内可能产生的免疫原性,因此基于计算(AI)的预测方法在免疫原性风险评估中有着独特优势,有望实现序列到临床的端到端预测。目前以NetMHC为代表的很多软件可以预测免疫原性肽与MHC的结合,但仅知道肽结合的亲和力不足以准确推断免疫原性,必要但不充分,还需要知道哪些肽-MHC复合物最终会在临床触发人体的免疫反应。
继结构预测之后,免疫原性预测难题也被AI攻克?
免疫原性风险评估的示例路线图[3]
免疫原性预测算法的新突破
基于对免疫原性预测研究的多年积累,唯信计算(Wecomput)开发的AlphaMHC算法采用流行的NLP自然语言处理技术,全新的多模融合深度神经网络架构,整合了近10亿条公开及私有的与免疫原性相关的湿实验数据(包括亲和力数据、NGS数据、质谱数据等)进行训练,成功实现了从序列到临床免疫原性风险的端到端的预测,并通过上百条来自FDA、EMA的临床真实免疫原性数据(包括单/多特异性抗体和重组蛋白等)进行验证,AlphaMHC能够准确区分免疫原性的高低,ROC-AUC达0.87,准确性超过80%(部分测试集高达91%),表现出比现有方法显著更优的预测性能,是已知唯一一个可以得到临床数据验证的算法。
继结构预测之后,免疫原性预测难题也被AI攻克?
测试集:来自FDA、EMA的临床真实免疫原性数据
继结构预测之后,免疫原性预测难题也被AI攻克?
AlphaMHC能准确区分高低免疫原性风险的药物,筛选性能优于NetMHC
实测案例
以辉瑞中止的新一代降脂药Bococizumab和渤健原研Natalizumab为例,前者因为免疫原性太强在招募了27000名受试者后宣告三期临床失败,后者是一种针对 α4 整合素的人源化单克隆 IgG4 抗体,在临床试验中的中和抗体发生率大约为6%[4],由单一T细胞表位促使多发性硬化患者产生ADA。
AlphaMHC已集成在Wecomput自主开发的分子智能计算平台WeMol中,提交序列即可计算,不到2分钟即可完成一次免疫原性预测,界面如下:
继结构预测之后,免疫原性预测难题也被AI攻克?
将两个药物的序列上传后只需点击“submit”,静候任务完成就好,任务完成后的界面是这样的:
继结构预测之后,免疫原性预测难题也被AI攻克?
其中,Immunogenicity risk per molecule记录了预测的免疫原性风险程度及T细胞表位的数量及序列信息,T-cell epitopes per chain 则详细记录了每个T细胞表位的序列,对应HLA等位基因的个数及与MHC结合的亲和力。
AlphaMHC的结果显示Bococizumab被预测为高免疫原性风险(high),T细胞表位包含了26个氨基酸残基,该药在临床实验中有48%的病人产生了ADA,免疫原性很强,可以看出AlphaMHC预测的免疫原性与临床实际风险一致。
继结构预测之后,免疫原性预测难题也被AI攻克?
两个抗体的预测免疫原性风险及对应T细胞表位
继结构预测之后,免疫原性预测难题也被AI攻克?
预测的Bococizumab的T细胞表位核心区、对应的HLA亚型、与HLA的亲和力及分布情况
据文献报道,Natalizumab的免疫原性主要是由跨越其轻链的FR2-CDR2区域的单个免疫性T细胞表位带来的,AlphaMHC预测该抗体具有中等免疫原性风险,与其临床上观察到的6%中和ADA发生率相吻合。不仅如此,AlphaMHC精确鉴定出了一个位于FR2-CDR2区的潜在的T细胞表位,这一预测结果与体外实验测得的结果高度一致。
继结构预测之后,免疫原性预测难题也被AI攻克?
继结构预测之后,免疫原性预测难题也被AI攻克?
成功预测Natalizumab免疫原性及表位
您也想尝试?
唯信计算提供免疫原性预测和去免疫原性设计的一站式服务,也欢迎您自助使用我们的WeMol平台完成计算。
WeMol是Wecomput开发的面向生物医学、材料、化学等领域的新一代分子数字智能计算平台。基于流式架构开发,支持低代码定制开发和灵活扩展。核心模块在速度、准确性、效率等方面均超过或媲美主流商业软件。WeMol集成了化学信息学、计算生物学、量子化学、人工智能等计算模块以及小分子和大分子的3D可视化模块,涵盖了生物制剂设计、小分子设计、量子化学、分子模拟等应用需求。平台旨在帮助用户构建一个可积累、可复制、可追溯的计算平台,并可持续、高效地支持计算驱动的创新。
放个链接:wemol.wecomput.com(请使用电脑浏览器访问)
目前Cloud版已正式上线,全功能免费,除了AlphaMHC外,唯信已开发了数十个计算模块,形成了对Hit->Lead->PCC的全流程赋能的能力,更多独特算法工具(例如构象生成算法AlphaConf,三维形状匹配算法AlphaShape,抗体人源化设计流程AlphaHu,RNA序列优化算法AlphaRNA等)都可在WeMol Cloud中免费试用,详细介绍请见往期文章《分子智能计算平台云端版-WeMol Cloud正式发布》。试用请扫码联系我们哦~
继结构预测之后,免疫原性预测难题也被AI攻克?
想要了解更多精彩内容,欢迎扫描下方二维码关注我们的官方微信视频号及B站号:
继结构预测之后,免疫原性预测难题也被AI攻克?
继结构预测之后,免疫原性预测难题也被AI攻克?
参考文献
[1]Sethu, Swaminathan & Govindappa, Karthik & Alhaidari, Mohammad & Pirmohamed, Munir & Park, Kevin & Sathish, Jean. (2012). Immunogenicity to biologics: a central role for antigen processing and presentation. Archivum Immunologiae et Therapiae Experimentalis. 60. 331-344.
[2]Schellekens, H. Bioequivalence and the immunogenicity of biopharmaceuticals. Nat Rev Drug Discov 1, 457–462 (2002).
[3]Jawa V, Cousens LP, Awwad M, et al. T-cell dependent immunogenicity of protein therapeutics: Preclinical assessment and mitigation. Clin Immunol 2013;149:534-555.
[4]Jawa V, Cousens LP, Awwad M, et al. T-cell dependent immunogenicity of protein therapeutics: Preclinical assessment and mitigation. Clin Immunol 2013;149:534-555.
X