基于聚类感知验证的机器学习模型预测VHH非特异性结合

《mAbs》:Predicting non-specific binding of VHHs using machine learning models with cluster-aware validation

【字体: 大 中 小 】 时间:2026年09月19日 来源:mAbs 7.9

编辑推荐:

  摘要专业翻译 非特异性结合倾向——也称为多反应性——是生物治疗候选药物一个严重的可开发性风险因素。为最小化这一风险,制药公司日益依赖利用机器学习方法的计算机模拟工具,但开发这些工具颇具挑战性。例如,现有数据通常包含许多源自药物管线项目的密切相关的序列,这可能在

  
摘要专业翻译 非特异性结合倾向——也称为多反应性——是生物治疗候选药物一个严重的可开发性风险因素。为最小化这一风险,制药公司日益依赖利用机器学习方法的计算机模拟工具,但开发这些工具颇具挑战性。例如,现有数据通常包含许多源自药物管线项目的密切相关的序列,这可能在计算机模拟模型的训练和基准测试中引入显著偏差,导致模型在新数据上的泛化能力不佳。本研究提出了一种工作流程,旨在诊断和缓解与使用管线数据相关的一些问题。该工作流程基于一种自定义交叉验证程序,可在不同情境下评估模型在未见数据上的表现。作为该工作流程的演示,研究人员利用其训练了一个模型,用于预测可变重链-only片段抗体(VHH)与杆状病毒颗粒(BVP)的结合——这是一种广泛使用的非特异性结合检测方法。利用基于计算蛋白质结构的描述符,该工作流程识别出若干与更高多反应性水平相关的风险因素。

论文解读

一、研究背景与问题

生物治疗药物因其高特异性、高亲和力、有效的效应功能和长半衰期等独特优势,已成为一类极具前景的药物,并成功用于治疗从癌症到过敏及感染性疾病等多种人类疾病。然而,生物治疗药物从研发到上市的过程缓慢且昂贵,其复杂的开发过程包含多个阶段和失败的可能性。极少数分子具备适合临床开发的生物物理性质组合——统称为可开发性。鉴于生产物料和收集临床及非临床数据所需的巨大时间和资源投入,迫切需要能够快速高效筛选出具有不良可开发性特征的序列的方法。这促使了大量计算机模拟方法的涌现。
尽管基于机器学习方法的计算机模拟可开发性预测工具已取得一些显著成功,但重大障碍依然存在。模型往往不可靠,难以泛化或在新的数据上表现不佳。可以说,最显著的问题之一是数据质量,它影响模型开发和验证的所有阶段。由于获取可开发性数据成本高昂且耗时,行业标准做法是使用历史数据。因此,用于训练机器学习模型的数据往往是来自有限项目集合的少量紧密相关序列簇。即使采取额外措施,典型的可开发性数据集在规模和多样性方面仍远不及其他领域的标准机器学习数据集。这使模型开发过程产生偏差,并限制了部署模型的性能。

二、研究内容与意义

研究人员提出了一种相对简单的工作流程,旨在缓解使用管线数据训练可开发性机器学习模型所带来的一些问题。作为演示和概念验证,研究人员训练了一个用于预测VHH非特异性结合的模型。VHH,也称为纳米抗体或单域抗体(sdAbs),是从骆驼科动物(如骆驼和羊驼)中天然存在的重链抗体衍生而来的一类独特抗体片段。VHH通常表现出高于可耐受水平的非特异性结合,至少与IgG等更常规的格式相比如此。非特异性结合,也称为多反应性,是脱靶低亲和力结合的倾向,是开发过程中的风险因素。更重要的是,多反应性水平升高的抗体往往表现出不良的药代动力学特性,限制了其临床使用。因此,使用一种或多种检测方法进行早期筛选以识别高非特异性结合评分的候选分子,是整体可开发性评估的关键部分。ELISA检测与杆状病毒颗粒(BVP)的结合常用于此目的。BVP评分与小鼠体内的清除率具有良好的相关性。近期开发的高通量BVP检测方法大大加快了数据收集速度。
然而,在涉及数千甚至数百万VHH序列的大规模筛选活动中,即使高通量检测也会带来瓶颈。高效的计算机模拟流程来标记具有不可接受可开发性属性的序列,可以显著加速这一过程。
一般认为生物制品的多反应性由可变区尤其是互补决定区(CDRs)的正电荷引起,在许多情况下可关联到高等电点(pI)。然而,真实数据指向更复杂的情况。由于这些复杂性,多个研究团队已转向机器学习模型来预测非特异性结合。虽然这些努力普遍认同电荷和疏水性的重要性,但它们使用不同的特征集,且未充分考虑数据质量和序列相似性对模型性能的影响。忽视这一问题会导致模型估计出现乐观偏差,从而扭曲整个模型选择过程。

三、主要技术方法

研究人员使用Python(3.11.8)环境,利用Scikit-Learn(1.5.2)、LightGBM(4.5.0)、XGBoost(2.0.3)等包训练和测试机器学习模型,使用Hyperopt(0.2.7)进行超参数调优,使用feature-engine包(1.8.3)进行特征选择。数据集包含1563个VHH序列,BVP评分通过新型高通量ELISA检测方法测定,数据来自十几个项目。结构描述符通过AlphaFold2建模后由MOE、Schrodinger等商业软件计算,序列描述符并行计算。序列相似性使用Levenshtein距离评估,聚类采用Scikit-Learn凝聚聚类算法,使用tSNE方法进行可视化。模型包括高斯朴素贝叶斯、逻辑回归、随机森林、LightGBM及软投票集成模型,同时对比了一热编码(OHE)和ESM2蛋白语言模型嵌入两种序列表示方法。

四、研究结果

数据特征分析。 数据集包含1563个VHH,二值化后高低BVP类比约为0.52:0.48。tSNE投影显示数据存在多个大小不同的序列簇,且BVP类别与聚类模式相关,许多簇以低或高BVP类别为主。这导致两个建模问题:簇成员身份可作为混杂变量,以及若同一簇序列被分割到训练和测试集中,模型性能会呈现强烈乐观偏差。
聚类感知交叉验证策略。 研究人员设计了包含多步骤的程序:首先按0.8:0.2比例分割数据,保留高低BVP比例;较大的数据集仅用于模型训练、选择和超参数调优,较小的数据集仅用于最终验证。训练数据根据聚类模式进一步分割,7个真正的簇(共550个序列)在交叉验证轮次中保持完整,用于测试模型在紧密相关序列上的表现;其余702个未聚类序列被随机分为10组,用于评估模型在多样化序列上的表现。采用留一组交叉验证(LOGO CV),最终性能为各簇和随机组得分的平均值。
模型性能比较。 在完整交叉验证数据集上,高斯朴素贝叶斯AUROC为0.65,逻辑回归为0.70,随机森林为0.72,LightGBM为0.71。软投票集成模型(结合逻辑回归、随机森林和LightGBM)取得了最高的总体交叉验证AUROC 0.73。紧密相关序列簇的性能普遍低于野生型序列。在独立测试集上,集成模型AUROC达到0.79,MCC为0.46。
测试数据验证。 使用完整训练数据训练的集成模型在三个新数据集上进行测试。Set 1性能与之前结果一致,Set 2性能下降,Set 3(与训练数据距离最远且来自不同发现平台)的性能接近随机猜测。这指示了训练模型预测能力的重要局限性。
序列距离对性能的影响。 通过留一序列交叉验证(LOSO CV),研究人员发现对于与最近邻编辑距离在20以内的序列,模型性能稳定;对于更孤立的序列,性能急剧下降。AUROC从近距离的约0.85降至距离32处的约0.55,校准曲线在远距离处也明显恶化。
特征重要性分析。 逻辑回归模型的系数分析显示,15个最重要系数中有8个与疏水性相关(包括前5个),6个与电荷相关。高疏水性和正电荷与高BVP评分正相关,而高负电荷抑制BVP。六边形密度图显示,高BVP评分与CDR中的正电荷斑块和总疏水性溶剂可及表面积(SASA)相关。
自定义CV与随机CV对比。 随机CV因信息泄漏产生更高的分数。当训练数据中多样化序列比例增加时,随机CV分数下降(乐观偏差减少),而测试集性能上升(模型泛化能力增强)。这表明若数据集序列多样性低,随机CV可能产生误导性结果并偏向过拟合模型。

五、讨论与结论

研究人员提出了一个聚类感知交叉验证工作流程,可用于缓解管线数据中紧密相关序列簇导致的信息泄漏问题。该工作流程灵活可变,可根据可用数据和预期用途进行调整。聚类距离阈值应根据模型部署时预期数据的序列多样性及其与训练集的距离来确定。对于远离训练数据的序列(编辑距离超过20),模型失去大部分预测能力,这界定了方法的自然适用域。数据多样性是训练可泛化计算机模拟方法的最重要条件。
疏水性和电荷特征主导了最重要的模型系数,且偏向疏水性。模型提示,可观的表面暴露疏水性和正电荷斑块是显著的风险因素,提供了两条独立但可能相互作用的导致BVP结合升高的途径。
关于工作流程的局限性,即使在与训练数据接近的数据集上,模型错误率仍相对较高。性能随序列与训练集差异增大而下降。在实际筛选活动中,需要仔细分析I型和II型错误的期望平衡。进一步性能改进可能受限于三个因素:用于生成描述符的结构质量、特征编码相关信息的能力,以及覆盖相关序列空间的数据可用性。前两个问题可部分通过开发基于蛋白语言模型嵌入的机器学习框架来解决。
研究结论表明,所提出的聚类感知交叉验证工作流程能够有效缓解工业管线数据中的序列聚类问题,提供更现实的模型性能估计。集成模型在VHH非特异性结合预测方面表现出可接受的性能,但泛化能力受限于与训练数据的序列距离。疏水性和正电荷是驱动多反应性的关键风险因素。该工作为生物治疗药物的计算机模拟可开发性筛选提供了实用的方法学框架。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号