抗体可开发性评估与优化

01 摘要

1 抗体建模器可以对Fv进行充分的建模

2 抗体pl预测比较准确

3 ens_charge_Fv[抗体的 Fv 电荷]与IgG1 粘度相关

4 更好的pl_3D 和 pathc_cdr_hyd 能够保证更好的PK清除率

pl_3D: pI_3D 描述符使用 PROPKA 方法计算确定的残基 pKa 值，pathc_cdr_hyd: 包含至少一个 CDR 原子的疏水patches的表面积总和。

5 提供了4种可治疗抗体的规则

四项规则根据 Fv 疏水性、电荷、CDR 长度和电荷差值来描述抗体，并有理由对候选者进行粗过滤，因为它们可用于减少聚集、粘度和清除，以及它们适度富集的能力，对于 FDA 批准的抗体。

CSTs：表示从临床阶段可治疗性抗体

02 抗体可开发性评估与优化流程

[1] 靶点亲和力筛选（Target affinity screen）

[2] 自动抗体建模（Automated antibody modeling）

[3] 可开发性评估（Developability assessment）

[4] 电荷计算（Charge calculations）

[5] 抗体治疗特征谱（Therapeutic profiling）

[6] 优化与规则（Optimizationi, formulation）

油管视频

03 自动抗体建模策略

从PDB大约5000 Fv模板建模，使用 MOE 2020.0901 中的 Antibody Modeler 应用程序创建了所有数据集的抗体可变区的同源模型

1. 首先进行Framework template搜索

搜索Fv，Fab，scFv structures，选择打分前%ID的高质量结构

2. CDR搜索

筛选CDRs：OK FR graft RMSD, UQO interloop search -no clashes，精确的长度匹配，根据序列相似性排序

3. 建立chimeric template

Graft with North scheme, option for other annotation schemes， Graft CDR 模板到framework中

4. Fv同源建模

通过AMBER10:EHT进行短能量最小化，拷贝backone， no gaps，pack mutated side chains

5. 建模Fv termini，Fab， full lg

IgG1, IgG2, IgG4, 小鼠lg 模板，计算model with xtal: trastuzumab Fab, full lg

模型表现

（1）模型移植对策略没有显著影响；

（2）H3 RMSD大约为2.9埃；

（3）H3建模通过更好的匹配模板得到改进

越短的loops越容易建模；序列相同的H3环具有多种构象：H3是柔性的

04 可开发性评估（Developability assessment）

1. 集成采样用于属性计算（Property Calculations: Ensemble Sampling）

采用MOE 2020.0901 的 Protein Properties 应用程序计算，侧链可以使用 LowModeMD 自由移动，并且使用 Protonate 3D 方法从 pH 6.4 到 8.4（以 pH 7.4 为中心）对交替质子化状态进行采样。

添加pH为热力学变量

从Grand-canonical分布进行结构采样

质子化自由能取决于构象

2. Stochastic titration

交替LowModeMD和Protonate3D步骤

在给定pH范围内产生构象和质子化状态的集合

3. 在pH 6.4 - 8.4，默认采样100个样本

质子化自由能取决于构象

05 电荷计算Charge calculations

疏水性描述符（Hydrophobicity Descriptors）

1. 聚集性和溶解度预测

 SAP, CamSOL, AggScore, MOE patch_cdr_hyd具有一定的预测力

越大的CDR疏水性表面积，可溶解性越差

2. Optimize chromatographic behavior

突变疏水性贴片残留物减少HIC保留时间[Jetha et al, mAbs,2018]

7种IgG4抗体可开发性实验的预测[Wolf-Perez et al. mAbs,2019]

3 过滤掉抗体筛选候选物

自动的flag具有聚集性或差的溶解性的抗体

构象采样减少计算敏感度、提高可重复性、与实验的相关性。

Jetha et al, mAbs,2018

Wolf-Perez et al. mAbs,2019

06 Therapeutic profiling

1. 抗体pl预测

3种基于结构的抗体pl计算方法，预测的pl值与实验值相关性最高为0.95

pl_3D:来自PROPKA的残基pKa值

ens_pl:通过stochastic titration计算

ens_pl=pH在系统内平均立场电荷

Goyon et al. J Chrom B. 2017

Wolf-Perez et al. mAbs,2019

2. 抗体粘度Viscosity预测

低的Fv电荷增加mAbs IgG1的粘度viscosity，ens_charge_Fv对viscosity有预测力

Apgar et al. PLOS ONE.2020

Lai et al. Mol pharm.2021

3. 药代动力学清除率

pl，hydrophobicity，polyspecificity对PK清除率起作用

越高的polyspecificity reagent(PSR)binding,在人体和猴子中就会有更快的清除率；

人类清除率数据最近会发表 [Grinshpun et al. mAbs. 2021]；

避免高的疏水性和极度的电荷；

会导致不想要的表位和非特异性结合。

pl_3D and patch_cdr_hyd预值可以提供富集信息

67%的准确率能够找到正常的或者快的清除率

肝素色谱保留时间（RT，Heparin chromatography retention time）可以作为PK清除率替代标志物

Grinshpun et al. mAbs. 2021

Kraft et al. mAbs. 2020

07 Optimization, formulation

1. 2 out of 5 TAP参数enrich for CSTs

 CST疏水性较低，CDR长度较短；ens_charge_Fv对PK和粘度有用

2.  Use VH-VL 电荷差异Fv-chml

3. FDA批准的CSTs中,四条规则在Fv模型enrich

4. 筛选候选物用于可开发性和CST-likeness

Raybould et al.PNAS. 2019

08 抗体同型电荷差分

IgG1 constant region has positive charge at PH 7

Mitigation in formulation

Tilegenova et al. mAbs. 2020

参考文献

[1] Thorsteinson et al 2021. Structure-based charge calculations for predicting isoelectric point, viscosity, clearance, and profiling antibody therapeutics

[2] Grinshpun et al 2021. Identifying biophysical assays and in silico properties that enrich for slow clearance in clinical-stage therapeutic antibodies