Integrationen av artificiell intelligens (AI) i bioprocessapplikationer har framträtt som en transformerande metod inom bioteknik- och läkemedelsindustrin, och lovar betydande framsteg i effektivitet, verkan och hållbarhet. Genom att utnyttja avancerade algoritmer, såsom djupinlärning och förstärkningsinlärning, kan AI-system förutsäga och generera nya ligandstrukturer med hög affinitet för sina mål, såsom monoklonala antikroppar (mAbs) i detta projekt.

Detta projekt syftar till att utvärdera potentialen hos AI-genererade affinitetsproteiner och validera de datorsimulerade förutsägelserna genom att undersöka bindningseffektiviteten och stabiliteten hos dessa ligander under verkliga förhållanden. Flera våtlabbstekniker användes för att uttrycka och rena de AI-designade proteinerna. Affinitetskromatografi var en teknik som användes för rening, följt av ytplasmonresonans (Biacore) för att studera interaktionen mellan de genererade affinitetsproteinerna och mAbs.

Analyseresultat från SDS-PAGE och masspektrometri visade att de flesta proteiner kunde renas med hjälp av affinitetskromatografi. Emellertid visade karaktärisering med Biacore att de flesta proteiner inte interagerade med mAbs, förutom ett designat protein. Cirkulär dikroism (CD) spektrometri som användes för att visualisera sekundärstrukturen i proteiner visade att de flesta proteiner var veckade och bibehöll alfahelixar och betaflak jämfört med det vilda typen proteinet.

Sammanfattningsvis ger denna forskning värdefulla insikter i utmaningarna vid utvärdering och karaktärisering av AI-genererade proteiner. Ytterligare forskningsinsatser bör fokusera på att förfina experimentella förhållanden och visualisera sekundärstrukturerna hos de genererade proteinerna för en djupare förståelse av deras stabilitetsproblem.

The integration of artificial intelligence (AI) into bioprocess applications has emerged as a transformative approach in the biotechnology and pharmaceutical industries, promising significant advancements in efficiency, efficacy, and sustainability. By leveraging advanced algorithms, such as deep learning and reinforcement learning, AI systems can predict and generate novel ligand structures with high affinity for their targets, such as monoclonal antibodies(mAbs) in this project.

This project aims to evaluate the potential of AI-generated affinity protein ligands and validate the computational predictions by examining the binding efficiency and stability of these ligands in real-world conditions. Several wet lab techniques were employed to express and purify the AI-designed proteins. Affinity chromatography was one technique used for purification, followed by surface plasmon resonance (Biacore) to study the interaction between the generated affinity proteins and mAbs.

Analysis results from SDS-PAGE and mass spectrometry showed that most proteins could be purified using affinity chromatography. However, characterization using Biacore revealed that most proteins did not interact with mAbs, except for one designed protein. Circular dichroism (CD) spectrometry used to visualize the secondary structure in proteins showed that most proteins were folded and retained alpha helices and beta sheets when compared to the wild type protein.

In conclusion, this research provides valuable insights into the challenges in evaluating and characterizing AI-generated proteins. Further research efforts should focus on refining experimental conditions and visualizing the secondary structures of the generated proteins for a more in-depth understanding of their stability issues.