大分子生物藥不容忽視的免疫原性問題隨著生物技術的迅猛發展、新冠病毒的推波助瀾以及新藥審批政策的大力支持，近年來越來越多的生物技術藥物獲批上市，美國和歐盟已經批準或處于上市審評階段的抗體新藥共有131款，截至2022年6月11日，國內藥企累計申報ADC新藥則達到了64個。然而，由于抗體或者融合蛋白本質上仍屬于外源蛋白，因此免疫原性就成了一個不容忽視的問題。免疫原性是指生物技術藥物誘發機體對自身或相關蛋白（如治療性蛋白）的免疫應答或導致免疫相關事件的能力，誘發的不良事件包括形成抗藥物抗體（Anti-Drug Antibody，ADA）和/或中和抗體(Neutralizing Antibody，NAb)。前者指用藥后產生可結合藥物的抗體，該抗體可能會引起患者強烈的免疫反應，甚至會危害患者生命安全；而后者則會中和藥物的生物學活性，從而減弱藥物療效。免疫原性沒有一刻停止過給生物藥下絆子。對病人來說，它影響了藥物的安全性和有效性，甚至會因為ADA和內源蛋白交叉給病人帶來致命的新疾??；對企業來說，眾多抗體藥的免疫原性直到臨床開發后期才發現，多個產品夭折在臨床3期，大大增加了藥企的研發成本和風險，例如輝瑞開發的PCSK9抗體Bococizumab雖然被寄予厚望，但因為中和抗體直接影響了藥代和療效而被迫宣告三期臨床失??；對藥監部門來說，免疫原性預測及檢測必不可少，其評估是基于風險評估的整體性研究，通常貫穿生物技術藥物研發的整個過程直至上市后。免疫原性的產生機制抗藥抗體ADA產生的機制主要分為兩種：T細胞依賴和非T細胞依賴的途徑，前者是抗體或融合蛋白等治療性蛋白免疫原性的主要來源，涉及抗原呈遞細胞（如未成熟樹突細胞（iDC）和B細胞）對生物制劑的攝取，這將觸發T細胞特異性免疫反應，產生分泌抗原特異性抗體的漿細胞，并由此產生肽-MHC II復合物與特定的TCR序列相互作用，符合這些標準的肽稱為免疫原性肽；后者則涉及通過聚集形式的生物直接刺激B細胞，主要分泌IgM抗體的漿細胞。抗體藥物免疫原性導致產生ADA[1]ADA的形成則與患者和藥物因素都有關聯?；颊咭蛩匕ㄟz傳、疾病狀態和給藥方案，藥物因素有四大類：1. 抗體人源性：嵌合抗體和人源化單抗等人源化改造并沒有完全消除ADA，CDR區仍可能存在強免疫原性，進而產生抗獨特型抗體；2. 配方、容器系統、儲存條件等通過成分與治療蛋白和容器封閉系統的相互作用來影響免疫原性；3. 改變的糖基化模式可降低或增強分子的免疫原性；4. 其他因素：生產方法、途徑、劑量和給藥頻率等。影響生物制劑免疫原性的眾多因素中，氨基酸序列變異是最重要和最基本的因素之一[2]，僅使用氨基酸序列很難預測臨床試驗中的絕對免疫原性，但可以通過計算機、體外或體內方法預測序列變異的相對免疫原性潛力。如何降低免疫原性風險？降低大分子藥物免疫原性風險的方法有很多，例如：提高藥物序列與人源序列的同源性：常用的方法包括嵌合抗體、抗體人源化、使用全人抗體庫或者使用轉基因人源小鼠等。理論上與人的同源性可達到100%，但由于MHC的群體差異以及CDR在體內會發生高頻突變，因此在跨物種使用時仍會產生抗藥抗體，例如阿達木單抗、羅氏的Atezolizumab等。先預測免疫原性風險，繼而通過蛋白質工程來定向去除可能引起免疫原性的位點，成為降低免疫原性風險的一個主要方式。主流手段是通過改造T細胞表位來去除治療性蛋白藥物的免疫原性，而T細胞表位則一般借助II型MHC的結合、基于PBMC的激活來進行分析和驗證。免疫原性的風險評估一直是個公認的難題，由于體外、體內的實驗檢測手段包括小鼠、猴子等動物模型都不能準確反映藥物進入臨床后在人體內可能產生的免疫原性，因此基于計算（AI）的預測方法在免疫原性風險評估中有著獨特優勢，有望實現序列到臨床的端到端預測。目前以NetMHC為代表的很多軟件可以預測免疫原性肽與MHC的結合，但僅知道肽結合的親和力不足以準確推斷免疫原性，必要但不充分，還需要知道哪些肽-MHC復合物最終會在臨床觸發人體的免疫反應。免疫原性風險評估的示例路線圖[3]免疫原性預測算法的新突破基于對免疫原性預測研究的多年積累，唯信計算（Wecomput）開發的AlphaMHC算法采用流行的NLP自然語言處理技術，全新的多模融合深度神經網絡架構，整合了近10億條公開及私有的與免疫原性相關的濕實驗數據（包括親和力數據、NGS數據、質譜數據等）進行訓練，成功實現了從序列到臨床免疫原性風險的端到端的預測，并通過上百條來自FDA、EMA的臨床真實免疫原性數據（包括單/多特異性抗體和重組蛋白等）進行驗證，AlphaMHC能夠準確區分免疫原性的高低，ROC-AUC達0.87，準確性超過80%（部分測試集高達91%），表現出比現有方法顯著更優的預測性能，是已知唯一一個可以得到臨床數據驗證的算法。測試集：來自FDA、EMA的臨床真實免疫原性數據AlphaMHC能準確區分高低免疫原性風險的藥物，篩選性能優于NetMHC實測案例以輝瑞中止的新一代降脂藥Bococizumab和渤健原研Natalizumab為例，前者因為免疫原性太強在招募了27000名受試者后宣告三期臨床失敗，后者是一種針對 α4 整合素的人源化單克隆 IgG4 抗體，在臨床試驗中的中和抗體發生率大約為6%[4]，由單一T細胞表位促使多發性硬化患者產生ADA。AlphaMHC已集成在Wecomput自主開發的分子智能計算平臺WeMol中，提交序列即可計算，不到2分鐘即可完成一次免疫原性預測，界面如下：將兩個藥物的序列上傳后只需點擊“submit”，靜候任務完成就好，任務完成后的界面是這樣的：其中，Immunogenicity risk per molecule記錄了預測的免疫原性風險程度及T細胞表位的數量及序列信息，T-cell epitopes per chain 則詳細記錄了每個T細胞表位的序列，對應HLA等位基因的個數及與MHC結合的親和力。AlphaMHC的結果顯示Bococizumab被預測為高免疫原性風險（high），T細胞表位包含了26個氨基酸殘基，該藥在臨床實驗中有48%的病人產生了ADA，免疫原性很強，可以看出AlphaMHC預測的免疫原性與臨床實際風險一致。兩個抗體的預測免疫原性風險及對應T細胞表位預測的Bococizumab的T細胞表位核心區、對應的HLA亞型、與HLA的親和力及分布情況據文獻報道，Natalizumab的免疫原性主要是由跨越其輕鏈的FR2-CDR2區域的單個免疫原性T細胞表位帶來的，AlphaMHC預測該抗體具有中等免疫原性風險，與其臨床上觀察到的6%中和ADA發生率相吻合。不僅如此，AlphaMHC精確鑒定出了一個位于FR2-CDR2區的潛在的T細胞表位，這一預測結果與體外實驗測得的結果高度一致。成功預測Natalizumab免疫原性及表位您也想嘗試？唯信計算提供免疫原性預測和去免疫原性設計的一站式服務，也歡迎您自助使用我們的WeMol平臺完成計算。WeMol是Wecomput開發的面向生物醫學、材料、化學等領域的新一代分子數字智能計算平臺?；诹魇郊軜嬮_發，支持低代碼定制開發和靈活擴展。核心模塊在速度、準確性、效率等方面均超過或媲美主流商業軟件。WeMol集成了化學信息學、計算生物學、量子化學、人工智能等計算模塊以及小分子和大分子的3D可視化模塊，涵蓋了生物制劑設計、小分子設計、量子化學、分子模擬等應用需求。平臺旨在幫助用戶構建一個可積累、可復制、可追溯的計算平臺，并可持續、高效地支持計算驅動的創新。放個鏈接：wemol.wecomput.com(請使用電腦瀏覽器訪問)目前Cloud版已正式上線，全功能免費，除了AlphaMHC外，唯信已開發了數十個計算模塊，形成了對Hit->Lead->PCC的全流程賦能的能力，更多獨特算法工具（例如構象生成算法AlphaConf，三維形狀匹配算法AlphaShape，抗體人源化設計流程AlphaHu，RNA序列優化算法AlphaRNA等）都可在WeMol Cloud中免費試用，詳細介紹請見往期文章《分子智能計算平臺云端版-WeMol Cloud正式發布》。試用請掃碼聯系我們哦~想要了解更多精彩內容，歡迎掃描下方二維碼關注我們的官方微信視頻號及B站號：參考文獻[1]Sethu, Swaminathan & Govindappa, Karthik & Alhaidari, Mohammad & Pirmohamed,?Munir & Park, Kevin & Sathish, Jean. (2012). Immunogenicity to biologics: a central role for antigen processing and presentation. Archivum Immunologiae et Therapiae Experimentalis. 60. 331-344.[2]Schellekens, H. Bioequivalence and the immunogenicity of biopharmaceuticals. Nat Rev Drug Discov 1, 457–462 (2002).[3]Jawa V, Cousens LP, Awwad M, et al. T-cell dependent immunogenicity of protein therapeutics: Preclinical assessment and mitigation. Clin Immunol 2013;149:534-555.[4]Jawa V, Cousens LP, Awwad M, et al. T-cell dependent immunogenicity of protein therapeutics: Preclinical assessment and mitigation. Clin Immunol 2013;149:534-555.
