You're visiting from outside the EU. Switch to the US version to see local pricing and tax details in USD.
Switch to US ($)
Sprechen Sie mit unseren Experten Jetzt den vollständigen Report herunterladen
Pharmaindustrie
Diagnostik
Neurologie
Ein Pharmaunternehmen hatte einen vielversprechenden Antikörperkandidaten zur Diagnose neurodegenerativer Erkrankungen identifiziert, jedoch war dessen Sensitivität für eine zuverlässige Detektion zu gering. Ziel des Projekts war es, die Bindungsaffinität eines Mausantikörpers, der auf ein humanes Antigen abzielt, zu erhöhen, um die Entwicklung zu beschleunigen und schneller zu einer robusten Diagnostik zu gelangen.
Um die Optimierungsstrategie zu entschärfen und den Ablauf zu vereinfachen, führten wir zunächst ein detailliertes Paratope–Epitope-Mapping durch, um die Interaktionsstelle zu klären und das rationale Design affinitätsverbesserter Varianten zu ermöglichen. Basierend auf diesen Erkenntnissen nutzten wir unseren Affinitätsmaturierungs-Service, um optimierte Antikörpervarianten zu erzeugen und zu screenen und verbesserte Kandidaten mit stärkerer Zielbindung auszuwählen.
Entwicklungsfähigkeit sichern, indem die Expressionsniveaus mindestens auf dem Niveau des WT gehalten werden
Erhalt der strukturellen Stabilität des Backbones trotz Sequenzänderungen
Das Leistungslevel so nah wie möglich am Plateau erreichen
Affinität steigern, ohne unspezifische Bindungen zu erhöhen
Unser Prozess besteht darin, gezielte Mutationen zu entwerfen, um Antikörper-Antigen-Interaktionen zu verbessern, wobei wir die spezifischen Herausforderungen jedes Projekts berücksichtigen.
Wir nutzten unsere KI-Plattform, um gezielte Aminosäuresubstitutionen vorzuschlagen. Unser Expertenteam wählte 20 Antikörpervarianten aus, die konstruiert und getestet wurden.
2. Biologische Überprüfung
Unser Bioinformatikteam prüfte und bewertete die von der KI generierten Substitutionen systematisch, um sicherzustellen, dass jede Variante biologisch relevant und auf die Zielanforderungen abgestimmt ist.
3. Laborvalidierung
Wir exprimierten und reinigten die vorhergesagten Varianten und führten dann Bindungstests mittels SDS-PAGE, ELISA Titration und Biolayer Interferometrie (BLI) durch, um die empirischen Affinitätsmetriken für die Leitkandidatenauswahl zu generieren.
4. Iterativer Lernzyklus
Wir spielten die experimentellen Ergebnisse in unsere KI-Modelle zurück, wodurch schnelle Design-Test-Zyklen und eine raschere Annäherung an Leitantikörper mit verbesserter Affinität möglich wurden.
Wir identifizierten erfolgreich eine Antikörper-Leitvariante (Ab-1) mit einer etwa 20-fachen Verbesserungen der Bindungsaffinität im Vergleich zum Elternantikörper (WT) sowie weitere Affinitätsverbesserte Varianten (Ab-2 bis Ab-5), die eine 2- bis 10-fache Affinitätssteigerung gegenüber WT aufweisen.
Kinetische Messungen zeigten, dass die Affinitätsmaturierung die ursprüngliche Leistungsfähigkeit des Antikörpers nicht beeinträchtigte und die Entwicklungsfähigkeit (Developability) erhalten blieb. Darüber hinaus bestätigte die 3D-Strukturanalyse in Kombination mit unserem KI-Tool die strukturelle Stabilität des Backbones.
Der Kunde erhielt Antikörpervarianten mit bis zu 20-facher Affinitätssteigerung gegenüber dem Elternantikörper, was eine schnellere und sicherere Projektfortschritt ermöglichte.
Unser KI-gestützter Ansatz für die Affinitätsmaturierung sagt gezielte Mutationen voraus und führt sie ein, um die Antigenbindung zu verbessern und gleichzeitig die Entwickelbarkeit des Antikörpers zu erhalten.
Sprechen Sie mit unseren Experten Jetzt den vollständigen Report herunterladen