基因
寡核苷酸池
新一代测序 (NGS)
基因突变文库
抗体
IVDR 解决方案
方案
网络研讨会
Twist Bioscience HQ
681 Gateway Blvd
South San Francisco, CA 94080
妥善保护数据：用于生成“Lab-in-the-loop”系统进行抗体设计的 DNA 工具
研究人员利用基因片段整合了湿实验室结果，以改进机器学习模型，加速抗体优化并确保闭环系统的准确性。
一家领先的生物技术公司的研究人员开发了“Lab-in-the-loop”（LitL）方法，将机器学习（ML）工具集成到治疗性抗体设计的闭环设计-测试-学习系统中。治疗性抗体设计由于优化一种药理学相关特性（如亲和力）等因素而面临挑战，这种优化可能会损害另一种特性（如溶解度），因此需要通过广阔的序列空间进行迭代搜索。
虽然 ML 很有前景，但在有限数据集上训练的模型通常针对单一特性进行优化，并忽略治疗限制。LitL 通过使用生成 ML 和特性预测来克服这一点，然后进行实验验证和自适应模型再训练。Twist 对线性 DNA 的高精度合成对于编码自定义互补决定区（CDR）至关重要，它通过确保湿实验室中准确表示 ML 模型的设计来保护系统的完整性。
经过四轮迭代，LitL 系统生成了 1,800 多种独特变异体，并鉴定出了对四种抗原靶标的结合亲和力改善范围为 3 倍至 100 倍的抗体。
本应用指南中涵盖
优化多属性治疗性抗体的挑战概述。
在抗体设计中实施用于真正迭代学习的“Lab-in-the-loop”（LitL）系统。
高保真 DNA 合成在将计算机预测与湿实验室性能联系起来方面的重要性。
讨论闭环工艺实现的显著亲和力改善。
所得结果特定于获得该结果的机构，可能无法反映在其他机构可实现的结果。
仅供研究使用，不适用于诊断程序。
填写您的详细信息，获取应用指南
