Tilbake til søkeresultatene

TEKNOKONVERGENS-Teknologikonvergens - grensesprengende forskning og radikal innovasjon

AB-AG-DESIGN: Rule-guided antibody and antigen design

Alternativ tittel: AB-AG-DESIGN: Regelstyrt design av antistoff og antigen

Tildelt: kr 20,0 mill.

Antistoffbinding er grunnlaget for antistoffbasert terapi innen kreft og autoimmunitet. Antistoffer er også utrolig viktige for beskyttelse oppnådd gjennom vaksinasjon. For øyeblikket går utviklingen av antistoffer som medisin langsomt ettersom utviklingen i hovedsak baseres på eksperimentell forskning. I dette forslaget har vi som mål å akselerere forskning på antistoffer ved å utvikle nye in silico tilnærminger til antistoffdesign. Vår tilnærming til å utvikle metoder for antistoff design, er todelt: Vi vil undersøke nye metoder for high-throughput screening av antistoffbinding. Vi vil bruke dataene vi generer til å trene nye maskin-læringsmetoder for prediksjon av antistoffbinding. Til slutt vil vi eksperimentelt demonstrere vår teknologi sin egnethet for in silico antistoff design. Teknologiplattformen vi foreslår vil åpne opp muligheten for å designe antistoffbinding. På lang sikt vil den redusere tid og midler brukt på design av terapeutiske antistoffer og øke antallet målmolekyler som kan behandles mot.

Background: Antibody binding is a fundamental basis of medical treatment and diagnosis. To accelerate the design of antibody therapeutics, we need to address the challenge of in silico antibody (Ab) design using an interdisciplinary approach. Research question: Currently, the performance of in silico antibody design tools is poor, requiring sophisticated approaches in experimental and in silico dataset and machine learning design. Approach: To address the suboptimal performance of current antibody design methods, we will develop experimental methods that screen antigen binding of large numbers of different Abs. We will then use these large-scale antibody binding data to develop novel machine learning approaches for designing in silico antigen-specific antibody binding. Structural information on antibody sequences will be obtained using recent advances in computational structural biology. Machine learning approaches will take advantage of both sequence and structure information. Finally, regarding the feasibility of in silico antibody design, we will express the designed antibodies and test them for antigen binding. We will also perform simulations to benchmark machine-learning antibody design approaches. Long-term impact: Our proposed interdisciplinary technology approach unlocks the possibility of designing Ag-specific antibodies for applied immunobiotechnology, reducing the time and cost of antibody therapeutics design in the long term.

Aktivitet:

TEKNOKONVERGENS-Teknologikonvergens - grensesprengende forskning og radikal innovasjon