You're visiting from outside the EU. Switch to the US version to see local pricing and tax details in USD.
Switch to US ($)
Parliamo del tuo progetto Scarica il case report completo
Industria farmaceutica
Diagnostica
Neurologia
Una società farmaceutica aveva identificato un promettente candidato anticorpale per la diagnosi di malattie neurodegenerative, ma la sua sensibilità era troppo bassa per una rilevazione affidabile. L’obiettivo del progetto era aumentare l’affinità di legame di un anticorpo murino diretto contro un antigene umano, per accelerare lo sviluppo e raggiungere rapidamente una soluzione diagnostica robusta.
Per ridurre i rischi e ottimizzare la strategia, abbiamo inizialmente svolto un’analisi dettagliata di mappatura paratopo-epitopo per chiarire l’interfaccia di interazione e guidare una progettazione più razionale di varianti migliorate nell’affinità. Sulla base di queste informazioni, abbiamo poi utilizzato il nostro servizio di Maturazione di Affinità per generare e selezionare varianti anticorpali ottimizzate, selezionando candidati con maggiore capacità di legame al target.
Garantire la sviluppabilità mantenendo livelli di espressione almeno comparabili al WT
Preservare la stabilità strutturale dello scheletro nonostante le variazioni di sequenza
Avvicinarsi quanto più possibile al plateau prestazionale
Migliorare l’affinità senza aumentare il legame aspecifico
Il nostro processo consiste nel progettare mutazioni mirate per rafforzare le interazioni anticorpo-antigene, considerando le sfide specifiche di ogni progetto.
Abbiamo utilizzato la nostra piattaforma AI per proporre sostituzioni mirate di amminoacidi; la nostra esperienza ci ha permesso di selezionare 20 varianti anticorpali da progettare e testare.
2. Revisione biologica
Abbiamo esaminato e valutato sistematicamente le sostituzioni generate dall’AI con il nostro team di bioinformatica per garantire che ciascuna variante fosse biologicamente rilevante e conforme ai requisiti target.
3. Validazione in laboratorio
Abbiamo espresso e purificato le varianti previste, poi validato il legame tramite SDS-PAGE, titolazione ELISA e biolayer interferometry (BLI) per ottenere metriche di affinità empiriche utili alla selezione.
4. Ciclo di apprendimento iterativo
Abbiamo inserito i risultati sperimentali nei nostri modelli AI, consentendo iterazioni rapide di progettazione e test e una convergenza più veloce verso candidati guida con affinità migliorata.
Abbiamo identificato con successo una variante anticorpale guida (Ab-1) con un miglioramento di circa 20 volte nell’affinità di legame rispetto all’anticorpo parentale (WT) e varianti aggiuntive (Ab-2 a Ab-5) che mostrano aumenti di 2-10 volte nell’affinità rispetto al WT.
Le misurazioni cinetiche hanno indicato che la maturazione dell’affinità non ha compromesso la performance iniziale dell’anticorpo e ha mantenuto la sviluppabilità. Inoltre, l’analisi strutturale 3D combinata con il nostro strumento AI ha confermato la stabilità strutturale dello scheletro.
Il cliente ha ottenuto varianti anticorpali con un aumento di affinità fino a 20 volte rispetto all’anticorpo parentale, consentendo uno sviluppo più rapido e sicuro verso la fase successiva del progetto.
Il nostro approccio di maturazione di affinità potenziata da AI prevede e introduce mutazioni mirate per migliorare il legame con l’antigene preservando la sviluppabilità dell’anticorpo.