利用偏好优化在蛋白语言模型中实现细胞疗法中的靶点成熟

细胞和免疫疗法以调控免疫系统的方式，为治疗癌症和自免疫疾病提供了变革性潜力。然而，这些疗法的开发资源密集，大多数药物候选物在实验室测试阶段便无法继续前进。虽然近期机器学习的进步在蛋白工程等领域实现了革命性发展，但在免疫疗法中的应用仍有限，主要due于缺乏大规模标准化数据集以及细胞系统的复杂性。本文通过利用高通量实验平台生成数据，用于微调蛋白语言模型。我们展示了使用偏好任务微调的模型与生物学实验测定结果之间存在惊人的相关性，并且可用于在 CAR-T 中进行零-shot 靶点成熟。这一概念验证提出了一种新的应用机器学习于免疫疗法的途径，并可推广至其他治疗模式。