(EN) Controlling antibody affinity and expression are key to clinical applications. High affinity antibodies correlate with higher specificity and can be used at lower doses. Presently, antibody maturation is tackled with directed evolution methods. In this case, an initial library of mutated binders is seeded into a process and affinity is improved through multiple rounds of mutation and selection. However, the present disclosure employs a machine learning approach to computationally mature antibody sequences using a process having parallels to directed evolution. These antibody sequences can be manufactured into physical antibodies after their computation and verification. Additionally, the present method has the potential to outperform directed evolution when targeting a specific affinity, and is applicable to general protein-protein interactions.
(FR) Le contrôle de l'affinité et de l'expression des anticorps est essentiel pour les applications cliniques. Les anticorps à haute affinité correspondent à une spécificité supérieure et peuvent être utilisés à des doses plus faibles. Actuellement, la maturation d'anticorps est abordée avec des méthodes d'évolution dirigée. Dans ce cas, une bibliothèque initiale de liants mutés est introduite dans un processus et l'affinité est améliorée par l'intermédiaire de multiples cycles de mutation et de sélection. Cependant, la présente invention utilise une approche d'apprentissage machine pour effectuer la maturation par calcul de séquences d'anticorps en utilisant un processus ayant des parallèles avec l'évolution dirigée. Ces séquences d'anticorps peuvent être fabriquées en anticorps physiques après leur calcul et leur vérification. En outre, le procédé de la présente invention a le potentiel de surpasser l'évolution dirigée lors du ciblage d'une affinité spécifique, et est applicable aux interactions protéine-protéine générales.