Применение машинного обучения для отбора эффективных антител: роль отрицательных данных

Представьте, что вы разрабатываете антитела для вируса или онкомаркера. Одни антитела работают, другие — нет. Чтобы не тратить время на неэффективные варианты, нужно отделить те, что не связываются с мишенью, перед дорогостоящими экспериментами.

Для этого можно использовать модели машинного обучения. Они помогут сузить круг поиска и определить, какие характеристики отличают связывающиеся антитела.

Айгуль Миннегалеева из Университета Осло изучает, как обучать такие модели. В статье в Nature Machine Intelligence она отмечает, что модели должны обучаться на правильных и неправильных данных.

Отрицательные данные должны быть похожи на правильные, но неоптимальны. Это поможет моделям улучшить способность различать эффективные антитела.

Метод позволил выявить ключевые последовательности в антителах, которые помогают им связываться с белками патогена.