ImmunoPrecise Antibodies Ltd. heeft onlangs een uitbreiding aangekondigd van het reeds succesvolle LENSai Platform. LENSai, dat wordt beheerd door de dochteronderneming van het bedrijf, BioStrand, biedt een unieke en uitgebreide kijk op biowetenschappelijke gegevens door sequentie, structuur, functie en literatuurinformatie van de hele biosfeer te koppelen. Het platform integreert nu epitope binning in zijn formules.

Epitope binning is een methode die gebruikt wordt om een verzameling monoklonale antilichamen die ontworpen zijn om een specifiek eiwit aan te pakken, te vergelijken en te categoriseren. In dit proces wordt elk antilichaam tegen alle andere getest om te zien of ze elkaars vermogen om zich aan het doeleiwit te binden verstoren. Hierdoor kunnen wetenschappers bepalen welke antilichamen vergelijkbare of verwante bindingsplaatsen op het doeleiwit hebben.

Antilichamen met vergelijkbare bindingsplaatsen worden gegroepeerd, of "ingepakt", op basis van hun interacties met elkaar. Het belangrijkste doel van epitope binning is om antilichamen te groeperen die vergelijkbare doelbindingseigenschappen hebben, wat onderzoekers helpt om de kenmerken en het gedrag van verschillende antilichamen te begrijpen en hun potentieel om specifieke eiwitten te richten op verschillende toepassingen, zoals medicijnontwikkeling of ziektediagnose. Om een nauwkeurige binning van epitopen te bereiken, bevat het algoritme van LENS ai meerdere componenten.

Het analyseert de sequentiële en structurele profielen van de antilichamen, wat betekent dat het de specifieke sequentie en 3D-structuur van de antilichamen onderzoekt om hun bindingsmogelijkheden te begrijpen. Er wordt ook rekening gehouden met docking-informatie, waarbij factoren zoals sterische hinder en glycosyleringssites die de antilichaam-antigeen-interactie kunnen beïnvloeden, worden meegenomen. Het algoritme van LENS ai kijkt vervolgens naar de atomaire interacties tussen de antilichaam-antigeen complexen om een beter inzicht te krijgen in hun bindspecificiteit.

In een onlangs gepubliceerde casestudy paste LENS ai haar epitoop binning-algoritme toe op een set van 29 antilichaamsequenties die gericht waren op een transmembraaneiwit. De resultaten van de in silico clusteringanalyse van LENS ai werden vervolgens vergeleken met de gegevens van klassieke binningprocedures in het natte lab. De resultaten toonden een hoge mate van overeenkomst tussen LENS ai's in silico Epitope Binning en de klassieke wet lab binning.

Met andere woorden, het algoritme van LENS ai kon de epitopen nauwkeurig categoriseren en identificeren op een vergelijkbare manier als de traditionele experimentele aanpak. Deze bevindingen tonen aan dat LENS ai Epitope Binning effectief de resultaten van in-vitro competitietests kan evenaren, waardoor onderzoekers met hoge betrouwbaarheid voorspellingen kunnen doen van antilichaam-antigeen interacties. Deze casestudie benadrukt het potentieel van het algoritme van LENS ai bij het aanpakken van de uitdagingen die ontstaan door het toenemende aantal antilichamen dat wordt gegenereerd in ontdekkingscampagnes.

Door zowel een hoge nauwkeurigheid als schaalbaarheid te bieden, kan de insilico binning-aanpak van LENS ai de vroege stadia van de ontdekking van antilichamen ondersteunen, waardoor onderzoekers op efficiënte wijze een groot volume van verschillende antilichamen kunnen analyseren en de meest veelbelovende kandidaten voor verder onderzoek kunnen selecteren. In silico epitope binning met behulp van de LENS ai technologie biedt dus een cruciale vooruitgang, met de mogelijkheid om meer dan 5000 sequenties te analyseren, wat snelle inzichten oplevert voor vroege triaging. De algoritmen verbeteren het biologische onderzoek en bieden een nauwkeurige, high-throughput selectie van kandidaten, terwijl de tijd en kosten verlaagd worden.

Voor kleine subsets met minder dan 5.000 antilichamen kan het binnen slechts enkele uren resultaten leveren. Bovendien zijn er alleen eiwitsequenties en geen fysieke materialen nodig, wat de inspanning nog verder vermindert. Dit platform versterkt de positie van BioStrand in de voorhoede van AI-gedreven biotherapeutisch onderzoek en technologie.