No desenvolvimento de fármacos de anticorpos, um desafio persistente surge quando moléculas candidatas demonstram desempenho promissor in vitro, mas revelam riscos de imunogenicidade durante avaliações avançadas, frequentemente exigindo um retorno à fase de design para reotimização. Essa questão de "retrabalho em fase avançada" ocorre com frequência à medida que os fármacos de anticorpos são cada vez mais utilizados em oncologia, doenças autoimunes e doenças infecciosas, obrigando as equipes de pesquisa e desenvolvimento a buscar um novo equilíbrio entre eficiência, segurança e desempenho molecular.
Durante a humanização de anticorpos, os pesquisadores devem equilibrar repetidamente a redução de riscos imunológicos com a preservação da atividade de ligação. Para abordar isso, a Creative Biolabs emprega modelos de IA para realizar análises multidimensionais de sequências de anticorpos, avaliando sistematicamente os impactos potenciais de diferentes esquemas de substituição de estrutura sobre imunogenicidade e estabilidade estrutural. Essa abordagem de design baseada em dados visa manter as características de ligação originais enquanto evita esquemas de alto risco antecipadamente, reduzindo assim o tempo e o custo associados a experimentos repetidos.
Para moléculas candidatas que passaram por humanização inicial, mas ainda apresentam riscos imunológicos durante avaliações posteriores, a Creative Biolabs introduziu uma estratégia de remoção de imunogenicidade por IA. Ao prever epítopos potenciais de células T e identificar regiões de alto risco, os pesquisadores podem otimizar sequências com precisão sem interferir em áreas funcionais, melhorando a segurança e aceitabilidade dos anticorpos candidatos em fases subsequentes de desenvolvimento clínico.
Durante a fase de maturação de afinidade, modelos de predição de mutação baseados em IA são usados para identificar sítios-chave que melhoram a ligação antigênica e orientam a construção de bibliotecas de mutação mais focadas. Combinado com triagem experimental de alto rendimento, a equipe de P&D pode obter variantes de anticorpos com afinidade significativamente melhorada e forte potencial de desenvolvimento em um período relativamente curto. Dados do projeto indicam que estratégias de predição por IA podem efetivamente reduzir a proporção de mutações ineficazes, aumentando assim a eficiência geral da triagem.
A integração de capacidades algorítmicas com plataformas experimentais oferece uma opção mais eficiente e controlável para a otimização precoce de fármacos de anticorpos. Essa abordagem fornece um novo caminho prático para a indústria explorar modelos de P&D baseados em dados, potencialmente transformando como anticorpos terapêuticos são desenvolvidos. Ao iterar e integrar continuamente previsões algorítmicas com dados experimentais, riscos potenciais podem ser identificados mais cedo, oferecendo soluções de otimização mais prospectivas para clientes em todos os setores farmacêutico e biotecnológico.
