治疗性抗体需要人源化以减少非人源抗体引起的免疫原性和安全性问题。传统的抗体人源化方法涉及将非人抗体的抗原结合部分（可变域Fv和互补决定区CDRs）移植到人抗体上。但任何对抗体序列的修改都可能影响其对抗原的结合亲和力等属性。如果移植的组件破坏了这些属性，可能需要将抗体变回原始的非人源序列，可能是一个低效的试错突变过程。
这篇文章介绍了一种计算方法，通过系统的能量基础排名，将非人源CDRs移到上万的人抗源框架上，以自动化和合理化抗体人源化过程。这种方法可以评估比实验人源化技术更多的移植构建（每个抗体超过20,000个设计）。
作者使用ImMunoGeneTics数据库中的人源接受者框架序列，确保每个移植序列具有高度的人源性。然后根据能量对计算构建的设计进行排名，排除预测稳定性低的构建，并增加结合亲和力、表达和其他理想属性的可能性。然后选择少数构建进行实验测试。
抗体人源化方法如下
传统实验移植（Experimental grafting）
是最传统的方法，涉及将非人抗体的可变片段（Fv）或互补决定区（CDRs）移植到人抗体上。这种方法依赖于实验操作，通过物理地将非人抗体的关键部分移接到人类抗体框架上。图1a展示了非人Fv或CDRs被移植到人源抗体上的过程。
基于机器学习的优化（Machine-learning-based optimization）
使用预测性机器学习模型来评分序列突变，或者使用语言模型来生成更人源化的抗体版本。它包括计算突变和通过随机森林模型评分，或者通过大型语言模型进行“greedy”采样，选择每个位置上最有可能的氨基酸。图1b展示了使用机器学习模型进行优化人源化的过程，包括计算突变和评分。
计算移植和基于能量的排名（Computational grafting and energy-based ranking）
一种计算方法，非人CDRs被计算移接到上万的人源框架上，然后使用全原子能量计算来评估产生的抗体构建。这种方法可以评估比实验方法更多的设计，并且可以根据能量对设计进行排名，以排除预测稳定性低的设计，并增加结合亲和力、表达和其他理想属性的可能性。图1c展示了非人CDRs被移到超过20,000个人接受者框架上，并使用全原子能量计算进行排名的过程。
小结
抗体人源化需要在多个属性之间进行权衡。Fleishman及其同事的“one shot”方法可能具有限制性：如果在移接过程中替换框架会破坏抗体-抗原结合或其他特性，则很难合理选择残基进行突变以挽救或改进次优设计。
尽管如此，Fleishman及其同事的方法产生的大量抗体设计为基于所需特性的下游选择提供了机会。此外，如果可以预测特异性和抗体序列之间的关系，则可以通过考虑其他属性相关指标对抗体进行排名。
参考文献：Hummer AM, Deane CM. Designing stable humanized antibodies.Nat Biomed Eng. 2024;8(1):3-4. doi:10.1038/s41551-023-01168-1.
