Conception d'anticorps à zéro coup d'essai dans une plaque à 24 puits

Malgré les percées réalisées dans la conception de protéines grâce à l'intelligence artificielle, la conception fiable d'anticorps fonctionnels à partir de zéro reste un défi ardu. Des travaux récents montrent des perspectives prometteuses mais nécessitent encore une sélection expérimentale à grande échelle de milliers à millions de conceptions pour identifier de manière fiable des candidats. Dans cette étude, nous présentons Chai-2, un modèle génératif multimodal qui atteint un taux de succès de 16 % dans la conception entièrement de novo d'anticorps, représentant une amélioration supérieure à 100 fois par rapport aux méthodes computationnelles précédentes. Nous sollicitons Chai-2 pour concevoir ≤20 anticorps ou nanocorps cibles pour 52 objectifs diversifiés, en achevant le flux de travail de la conception par IA à la validation en laboratoire humide en moins de deux semaines. De manière cruciale, aucun de ces objectifs n'a un anticorps ou un nanocorps ligand préexistant dans la Banque de Données des Protéines (Protein Data Bank). Remarquablement, lors d'un seul cycle de tests expérimentaux, nous trouvons au moins un candidat réussi pour 50 % des objectifs, souvent avec des affinités élevées et des profils pharmacologiques favorables. Au-delà de la conception d'anticorps, Chai-2 obtient un taux de succès en laboratoire humide de 68 % dans la conception de miniprotéines – produisant régulièrement des ligands picomolaires. Le taux élevé de succès de Chai-2 permet une validation et une caractérisation expérimentales rapides des nouveaux anticorps en moins de deux semaines, ouvrant ainsi la voie vers une nouvelle ère d'ingénierie moléculaire rapide et précise au niveau atomique.