Maschinelles Lernmodell identifiziert Antikörperziele
2022
University of Illinois at Urbana-Champaign, Urbana, USA
Unter Verwendung der Informationen aus 88 Forschungspublikationen und 13 Patenten stellten die Forscher einen Datensatz von etwa 8.000 menschlichen Antikörpern gegen das SARS-CoV-2-Spike-Protein von >200 Spendern zusammen. Sie zeigten, dass die üblichen (öffentlichen) Reaktionen auf verschiedene Domänen des Spike-Proteins ziemlich unterschiedlich waren. Darüber hinaus verwendeten sie diese Sequenzen, um ein Deep-Learning-Modell zu trainieren, um genau zwischen den menschlichen Antikörpern gegen das SARS-CoV-2-Spike-Protein und denen gegen das Influenza-Hämagglutinin-Protein zu unterscheiden. Insgesamt stellt diese Studie eine informative Ressource für die Antikörperforschung dar und verbessert unser molekulares Verständnis öffentlicher Antikörperreaktionen.
A large-scale systematic survey reveals recurring molecular features of public antibody responses to SARS-CoV-2
Nicholas C. Wu
Eingestellt am: 08.09.2022
[1] https://www.cell.com/immunity/fulltext/S1074-7613(22)00142-X?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS107476132200142X%3Fshowall%3Dtrue[2] https://www.drugtargetreview.com/news/102832/a-machine-learning-model-that-could-identify-antibody-targets/?utm_source=Email+marketing&utm_medium=email&utm_campaign=DTR+-+Industry+Insight+-+Thermo+Fisher+-+Lab+Automation+-+03.06.22&utm_term=New+machine+learning+technique+to+develop+new+drugs&utm_content=https%3a%2f%2femails.drugtargetreview.com%2frussellpublishinglz%2f&gator_td=7fjQZ2dXMWRo0TTxTaLpc66pHkJKGkKovqljZfpFAQtYmgCox7oSCPkwyS0dW%2fn%2fKqMgmIelmMI9oCi6z2C2BO9eSFqg0i8omoxtQQX%2bwNDC4uIwGaBMLvT9CYYIm1MRfEm2ten9tDa%2fU6sq9joEKKOZdVqewEGCiAbt%2fxUmmqoEndZXCK7lY7bS%2f6qzaJUeAwV2LyXy3%2fJOIiojxP%2bRFiK%2f0wRrZIkFysWMnBBriDik%2f7e2HZjFioejerenphzs0WlymulB0FHkBXBOFRlPKQ%3d%3d
