[发明专利]用于分析受体相互作用的方法和系统在审
| 申请号： | 202180044174.6 | 申请日： | 2021-04-21 |
| 公开（公告）号： | CN115917654A | 公开（公告）日： | 2023-04-04 |
| 发明（设计）人： | W·张;J·何;N·古普塔;G·S·阿特瓦尔;P·霍金斯 | 申请（专利权）人： | 瑞泽恩制药公司 |
| 主分类号： | G16B15/30 | 分类号： | G16B15/30;G16B40/10;G16B40/20 |
| 代理公司： | 北京北翔知识产权代理有限公司 11285 | 代理人： | 孙占华;张广育 |
| 地址： | 美国*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 描述一种用于高通量映射、验证和预测受体序列相互作用的计算框架。 | ||
| 搜索关键词： | 用于 分析 受体 相互作用 方法 系统 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于瑞泽恩制药公司，未经瑞泽恩制药公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202180044174.6/，转载请声明来源钻瓜专利网。
- 上一篇：可生物降解的UV吸收剂
- 下一篇：预测装置、演算装置、制造装置和制造方法
- 同类专利
- 数据建模中基于相关生物物理学属性来预测功能的方法和系统-202280015697.2
- A·科津采夫;T·S·施洛特豪尔;R·A·孙汉昌 - 基因泰克公司
- 2022-02-11 - 2023-10-10 - G16B15/30
- 可以提供方法和系统以基于针对治疗蛋白的预测因子集来预测功能应答。例如，一种方法可以包括：接收输入数据，所述输入数据包括：第一输入数据，所述第一输入数据与预测因子集以及关联于从第一治疗蛋白样品集获得的所述预测因子集的相应所测量的功能应答相关；以及第二输入数据，所述第二输入数据与所述预测因子集以及第二治疗蛋白样品集相关，用于预测功能应答，其中所述预测因子集是基于预定标准作为治疗蛋白的相关生物物理学属性的组合而选择的；用所述第一输入数据来训练机器学习模型；以及使用所述机器学习模型和所述预测因子集以基于所述第二输入数据来预测所述第二治疗蛋白样品集的功能应答。
- 预测大分子间相互作用的负样本集的生成方法、预测大分子间相互作用的方法、模型的训练方法-202180004312.8
- 张振中 - 京东方科技集团股份有限公司
- 2021-12-30 - 2023-09-01 - G16B15/30
- 提供了一种生成用于预测大分子间相互作用的负样本集的方法。方法包括：接收正样本集，所述正样本集包括成对的具有大分子间相互作用的第一类型大分子和第二类型大分子；生成所述第一类型大分子的第一相似图；生成所述第二类型大分子的第二相似图；生成所述第一相似图中的节点的矢量化表示和所述第二相似图中的节点的矢量化表示；以及使用所述第一相似图中的节点的矢量化表示和所述第二相似图中的节点的矢量化表示来生成所述负样本集。
- 使用简化多序列比对来训练蛋白结构预测神经网络-202180067160.6
- R·A·埃文斯;J·江珀;T·F·G·格林;D·雷曼 - 渊慧科技有限公司
- 2021-08-12 - 2023-08-22 - G16B15/30
- 用于训练神经网络训练以预测蛋白的结构的方法、系统和装置，包括编码在计算机存储介质上的计算机程序。在一个方面，一种方法包括：针对多种蛋白中的每一者获得所述蛋白的完整多序列比对；针对所述多种蛋白中的每一者生成表征来自所述蛋白的所述完整多序列比对的所述蛋白的结构的靶结构参数，包括：使用结构预测神经网络处理所述蛋白的所述完整多序列比对的表示以生成表征所述蛋白的结构的输出结构参数；以及基于所述蛋白的所述输出结构参数来确定所述蛋白的所述靶结构参数；针对所述多种蛋白中的每一者确定所述蛋白的简化多序列比对，包括从所述蛋白的所述完整多序列比对中去除或掩蔽数据。
- 用于嵌合抗原受体的靶抗原发现方法及分析装置-202180075466.6
- 崔正均;权俊河 - 韩国科学技术院
- 2021-11-11 - 2023-08-01 - G16B15/30
- 用于嵌合抗原受体的靶抗原发现方法包括如下的步骤：分析装置以单细胞单位获得肿瘤细胞的基因的表达信息；上述分析装置提取上述基因中具有阈值以上的表达量的候选抗原的基因；上述分析装置确定上述候选抗原的基因能够构成的所有基因组合；以及上述分析装置确定上述基因组合中包含在组合中的至少一个基因所表达的靶基因组合。
- 用于生物治疗开发的方法和系统-202180073798.0
- J·阿罗拉;X·唐;M·穆罕默德;A·塔法佐尔 - 瑞泽恩制药公司
- 2021-11-02 - 2023-07-28 - G16B15/30
- 公开了一种方法，其包括：确定与一种或多种单克隆抗体(mAb)相关联的实验数据；确定与所述一种或多种mAb相关联的计算衍生数据，其中所述计算衍生数据包括基于所述一种或多种mAb的一个或多个残基的可及表面(ASA)加权的一个或多个计算参数；基于所述实验数据和所述计算衍生数据而确定多个候选预测模型；从所述多个候选预测模型中确定最优预测模型；以及输出所述最优预测模型。
- 用于鉴定经预测以激发免疫原性响应的一种或多种源蛋白的一个或多个候选区的方法和系统以及用于产生疫苗的方法-202180043559.0
- 鲍里斯·西莫夫斯基;克莱门特·莫林;理查德·斯特拉特福德;特雷弗·克兰西 - NEC奥克尔姆内特公司
- 2021-04-20 - 2023-07-07 - G16B15/30
- 公开了鉴定经预测以在多种人类白细胞抗原HLA类型中激发适应性免疫原性响应的一种或多种源蛋白的一个或多个候选区的计算机实施的方法，其中一种或多种源蛋白具有氨基酸序列。所述方法包括(a)获取所述一种或多种源蛋白的氨基酸序列；(b)获取HLA类型的集合；(c)预测所述氨基酸序列内的多个候选表位针对所述HLA类型的集合中的每一个的免疫原性潜力；(d)将所述氨基酸序列分成多个氨基酸子序列；(e)对于所述多个氨基酸子序列中的每一个，生成指示所述氨基酸子序列在所述HLA类型的集合中激发免疫原性响应的预测能力的区域度量，其中所述区域度量基于所述多个候选表位针对所述HLA类型的集合中的每一个的预测免疫原性潜力；以及(f)应用统计模型来鉴定生成的区域度量中的任一个是否是统计上显著的，由此被鉴定为具有统计上显著的区域度量的氨基酸子序列对应于经预测以在所述HLA类型的集合的至少一个子集中激发免疫原性响应的氨基酸序列的候选区。还公开了相应的系统以及用于产生疫苗的方法。
- 使用对称扩展变换来预测对称蛋白质结构-202180068764.2
- R·A·埃文斯;A·普里茨尔;R·J·巴特斯;J·江珀 - 渊慧科技有限公司
- 2021-11-23 - 2023-06-23 - G16B15/30
- 用于预测包括多条氨基酸链的蛋白质的结构的方法、系统和装置，包括在计算机存储介质上编码的计算机程序。根据一个方面，一种方法包括：获得蛋白质中的第一氨基酸链的初始结构参数；获得识别对称基团的数据；使用包括更新块序列的折叠神经网络处理第一氨基酸链的初始结构参数和识别对称基团的数据，其中每个更新块执行包括以下的操作：将对称扩展变换应用于第一氨基酸链的当前结构参数；以及根据更新块的更新块参数的值来处理蛋白质中的氨基酸链的当前结构参数，以更新第一氨基酸链的当前结构参数。
- 使用基于模型的优化来优化蛋白质-202180045514.7
- K·K·杨;J·D·菲拉;M·巴拉诺夫;B·莫尼安 - 旗舰开拓创新六世公司
- 2021-04-26 - 2023-04-28 - G16B15/30
- 人源化蛋白质可能是一个费力的过程，往往涉及反复试验或其他非系统性方法。为改善人源化，可以采用神经网络来生成具有更高的概率被人源化的新蛋白质序列。在实施例中，一种方法包括评估蛋白质序列的采样的免疫原性。该方法可以包括根据特定的所生成的蛋白质序列在免疫原性方面相比于该蛋白质序列的采样的特定百分位数的免疫原性具有偏差的估计概率对来自生成模型的蛋白质序列的采样进行加权。该方法可以进一步包括生成对蛋白质序列的采样加权的蛋白质序列。所生成的表示蛋白质的蛋白质序列具有改变的免疫原性。此类所生成的蛋白质被人源化的似然性更高。
- 基于注意力的神经网络用以预测肽结合、呈递和免疫原性-202180046244.1
- 刘凯;N·W·卢恩斯伯里;W·J·斯瑞福特;A·Q·布劳徳维尔;L·Y·德拉玛尔;S·S·朱恩瓦拉 - 基因泰克公司
- 2021-07-16 - 2023-04-21 - G16B15/30
- 本文公开的实施方案一般地涉及使用基于注意力的机器学习模型来生成输出，所述输出包括针对对应的肽‑免疫蛋白质复合体(IPC)组合的针对靶相互作用的相互作用预测、相互作用亲和力预测或关于靶相互作用的免疫原性预测中的至少一者。靶相互作用可以在肽与免疫原性复合体(IPC)之间，所述免疫原性复合体为诸如例如主要组织相容性复合体(MHC)、T细胞受体(TCR)，或两者。可以识别、制造和/或使用包含一种或多种肽的药物组合物，经预测对所述一种或多种肽而言更有可能发生一种或多种靶相互作用。可以定义和/或使用包括施用此类药物组合物的治疗的方法。
- 用于分析受体相互作用的方法和系统-202180044174.6
- W·张;J·何;N·古普塔;G·S·阿特瓦尔;P·霍金斯 - 瑞泽恩制药公司
- 2021-04-21 - 2023-04-04 - G16B15/30
- 描述一种用于高通量映射、验证和预测受体序列相互作用的计算框架。
- 使用合成数据预测药物结合的方法和系统-202080018155.1
- S·S·麦金农;Z·萨菲克哈尼;R·弗农;A·E·布里尔顿;A·温德穆特 - 思科利康有限公司
- 2020-01-02 - 2021-11-30 - G16B15/30
- 用于使用合成增强的数据预测药物‑靶标结合的方法涉及为蛋白质结构数据库中的多个蛋白质生成多个幻影配体；使用所述多个幻影配体为药物‑靶标相互作用(DTI)数据库中的蛋白质和配体生成多个DTI特征；使用多个DTI特征生成机器学习模型；和使用机器学习模型预测查询蛋白质和查询配体的组合的相互作用的可能性。
- 用于蛋白质结合位点的机器学习-201980074046.9
- J.迈耶斯;M.塞格勒;M.西莫诺夫斯基 - 伯耐沃伦人工智能科技有限公司
- 2019-11-29 - 2021-06-22 - G16B15/30
- 本发明公开了一种训练机器学习模型以学习蛋白质结合位点之间的配体结合相似性的计算机实施方法。所述方法包含向所述机器学习模型输入以下各项：第一结合位点的表示；第二结合位点的表示，其中所述第一和第二结合位点的所述表示包含结构信息；以及标记，其包含所述第一结合位点和所述第二结合位点之间的配体结合相似性的指示。所述方法还包含：从所述机器模型输出基于所述第一和第二结合位点的所述表示的相似性指示符；执行所述相似性指示符和所述标记之间的比较；以及基于所述比较来更新所述机器学习模型。
- 利用三级或四级结构基序进行计算蛋白质设计-201980035897.2
- 格沃格·格里戈里安;周健夫;克雷格·麦肯齐 - 达特茅斯学院托管理事会
- 2019-05-30 - 2021-04-09 - G16B15/30
- 本公开涉及一种构建能够折叠成预定结构或靶结构的结合伴侣的氨基酸序列或氨基酸序列文库的方法。该方法是基于以下构思：蛋白质结构空间是模块化的，由高度重复的结构构建单元组成。
- 配体和选择该配体的结合靶标的方法-201980050420.1
- L·陈;C·邦尼 - 拜斯科阿迪有限公司
- 2019-05-29 - 2021-03-19 - G16B15/30
- 本发明提供了选择配体的靶标的方法，其中所述配体包含多肽和分子支架，所述多肽包含被至少两个环序列隔开的至少三个反应性基团，所述分子支架与所述多肽的反应性基团形成共价键，使得在分子支架上形成至少两个多肽环。本发明还提供了所述靶标、所述配体以及使用和制备所述配体的方法。
- 专利分类
