自1986年FDA批準的第 一個(gè)鼠源性單抗藥物Orthoclone Okt3以來(lái),抗體治療發(fā)展如火如荼,至此抗體類(lèi)藥物的批準數量已經(jīng)接近每年批準藥物總數的1/5,截止5月,已有100種單抗獲批,有200多種治療用抗體處于臨床研究階段。
縱觀(guān)國內外市場(chǎng),抗體藥物市場(chǎng)增長(cháng)迅速,潛力巨大。拒估測,到2023年全球抗體市場(chǎng)可達到近4000億美元的體量,我國抗體市場(chǎng)規模也直沖3000億元。多方藥企加入這場(chǎng)角力,競爭逐日白熱化。
無(wú)論何時(shí)何地,要想在競爭中拔得頭籌,必然不是蠻干,古有孫臏善用差別競爭,今有計算機加持改造,在抗體賽道中脫穎而出,必然離不開(kāi)抗體優(yōu)化,本文就以安全性和功效兩個(gè)方面展開(kāi)敘述。
降低免疫原性
由小鼠、大鼠或者其他動(dòng)物所產(chǎn)生的抗體對人體來(lái)說(shuō)都具有免疫原性,如果不對其施以措施降低免疫原性的話(huà),身體會(huì )產(chǎn)生抗抗體藥物的抗體,阻礙治療。
單克隆抗體根據其序列來(lái)源分為四種:鼠源、嵌合(鼠可變區序列加入恒定序列)、人源化(人序列具有鼠互補決定區)和全人(抗體來(lái)自能產(chǎn)生人抗體的轉基因鼠或者來(lái)自人B細胞)。
就以嵌合抗體來(lái)說(shuō),可以對其可變區進(jìn)行修飾,通過(guò)替換某些位點(diǎn)上的氨基酸來(lái)提高與人體天然抗體的相似性,這個(gè)過(guò)程就叫做“抗體人源化”,當然這一步驟的前提是不影響抗體對抗原的親和力??贵w人源化是一種廣泛應用的減少免疫系統產(chǎn)生外源反應的的一種方法。
目前被廣泛使用的人源化方法有三種:計算機輔助設計、噬菌體展示和酵母展示。計算機輔助設計先建立鼠源抗體的三維模型結構,用電腦軟件來(lái)分析結構和設計突變。
噬菌體展示和酵母展示則是通過(guò)建庫和篩庫來(lái)進(jìn)行的。
傳統的抗體開(kāi)發(fā)方式,是使用抗原對小鼠免疫接種,獲得可以持續分泌抗體的的雜交瘤細胞,在篩選后使用選定的先導物生成嵌合或人源化抗體。而噬菌體展示,則是在人類(lèi)抗體文庫中選擇候選抗原,在經(jīng)過(guò)3-5輪生物淘選后,通過(guò)ELISA篩選免疫陽(yáng)性噬菌體,然后分析它的DNA序列,選擇人源化程度最高、其他屬性也最好的序列作為治療用抗體的候選序列。像阿達木單抗就是使用噬菌體展示的技術(shù)。
但是努力不光止于此,還有一種誘導免疫耐受的方法。這就不得不說(shuō)下適應性免疫了。T細胞和B細胞的記憶和效應功能是通過(guò)識別同源抗原中稱(chēng)為表位的部分來(lái)進(jìn)行的,其中對T細胞表位的預測要優(yōu)于B細胞表位預測,B細胞表位預測容易引發(fā)不與天然抗原交叉反應的抗體。
T細胞表位由I類(lèi)(MHC I)和II(MHC II)MHC分子呈現,其分別被兩個(gè)不同的T細胞亞群CD8和CD4 T細胞識別。在表位識別后,CD8 T細胞變成細胞**T淋巴細胞(CTL),與此同時(shí),引發(fā)CD4 T細胞成為輔助(Th)或調節(Treg)T細胞。
而誘導免疫就是就是通過(guò)將Treg 表位引入抗體,因為T(mén)reg 表位將刺激Treg 功能并誘導其對抗體產(chǎn)生免疫耐受,當活化的T細胞被抑制后,對抗體的耐受性就會(huì )增加。
抗體親和力成熟
對于抗原的親和力對于候選抗體來(lái)說(shuō),是一個(gè)很重要的考量方面,因為如果連結合都困難的話(huà),更別說(shuō)是起作用了,起效的前提一定是結合,但是結合了不一定就起作用。結合也有強有弱,我們用親和力來(lái)評估結合能力的強弱,親和力越強,解離平衡常數就越小,俗話(huà)說(shuō),就是越難舍難分。
親和力成熟是指機體正常存在的一種免疫功能狀態(tài),在體液免疫中,再次應答所產(chǎn)生抗體的平均親和力高于初次免疫應答。當分離出一組先導抗體的時(shí)候,必然要對其結合親和力進(jìn)行優(yōu)化。對抗體Fv 片段修飾可以采用隨機誘變、靶向誘變重親鏈洗牌重配和電腦模擬設計,這些方法已經(jīng)被證實(shí)可以有效的提升親和力。
體外親和力成熟的過(guò)程需要耗費大量時(shí)間和精力,目前所采用的策略通?;诮Y構原理或者是小型文庫途徑,這些方法成功的原因依托于以下兩個(gè)方面的因素:
1,高質(zhì)量的共晶結構的存在。
2,可計算突變發(fā)生時(shí)候能量變化的算法。
傳統的親和力優(yōu)化過(guò)程可能會(huì )花費至少6個(gè)月的時(shí)間,但是當計算策略和與重點(diǎn)試驗評估兩者相結合的時(shí)候,可以節省很多時(shí)間,再一個(gè)就是如果依托經(jīng)典的晶體結構來(lái)進(jìn)行計算機模擬親和力成熟而不是制造實(shí)際的抗原-抗體共晶結構的話(huà),也可以節省大量時(shí)間。當然在一些傳統的方法比如文庫,誘變中,共晶體結構甚至可以提高親和力達到10~100倍以上,而在缺乏抗原-抗體共晶結構下,計算機預測其實(shí)相當具有挑戰性。
這里有一個(gè)思維慣性,那就是親和力不是越高越好嗎,其實(shí)不然,大多數情況,我們還是需要根據藥物的實(shí)際機理作用來(lái)調整它的親和力,從而使得藥效達到最大化。其實(shí)這有點(diǎn)像二次函數曲線(xiàn),我們需要找到那個(gè)頂點(diǎn)。
提升親和力是優(yōu)化的步驟,但是親和力太高也容易造成一些麻煩,就以實(shí)體瘤為例子來(lái)說(shuō)明一下吧,抗體親和力太強的話(huà)可能會(huì )導致大分子抗體只能在實(shí)體瘤附近高濃度聚集,妨礙了抗體在其部位的擴散,不利于藥效發(fā)揮其最大效果。另外一個(gè)點(diǎn)就是,還要考慮到抗體在不同的PH環(huán)境下面具有不同的親和力,這有利于它一些功能的發(fā)揮,比如說(shuō)某些抗體在溶酶體等這樣一些細胞內的酸性條件下容易解離擴散的話(huà),是不是就可以釋放某些與它結合的受體,讓這些被釋放的受體可以重新回到細胞表面發(fā)揮介導作用。
特異性?xún)?yōu)化
為了降低抗體對其他抗原的交叉反應性,擴大抗體對相關(guān)抗原的特異性或改善抗體對不同物種抗原的結合力,需要對抗體進(jìn)行工程改造以?xún)?yōu)化其特異性。隨機誘變和靶向誘變是2 種常用優(yōu)化抗體特異性的方法。
如果有抗體-抗原復合物的3D 結構可參考,也可將人表位突變?yōu)榱硪环N種系的表位(例如猴表位或鼠表位),通過(guò)使用軟件的“親和力成熟功能”來(lái)預測和引入能優(yōu)化異種抗原親和力的突變。
IgG 是最豐富的一類(lèi)抗體,它們構成了大約 75% 的血清免疫球蛋白庫。提高抗體的抗原結合能力主要由IgG的可變區決定。IgG 是由兩條輕鏈和兩條重鏈組成,輕鏈包含可變(V L)和恒定(C L)域,重鏈包含一個(gè)可變(V H)和三個(gè)恒定(C H 1、C H 2 和C H 3)域。IgG 的多域性質(zhì)巧妙地將其生物活性劃分為不同的子域??乖Y合片段 (Fab) 包含兩個(gè)可變域,并通過(guò)稱(chēng)為互補決定區 (CDR) 的六個(gè)肽環(huán)介導抗原識別。相比之下,可結晶片段 (Fc) 包含恒定域(C H 2 和 C H 3),其通過(guò)與免疫受體分子(例如補體蛋白和 Fc 受體)結合來(lái)介導效應子功能。
抗體優(yōu)化當然不止這幾個(gè)方面,在其他方面,比如說(shuō)構象穩定性、溶解度、生物效應等都是十分重要的,由于本文篇幅限制,就不一一展開(kāi)講了。
如果能夠明確參與發(fā)病機制的特定蛋白質(zhì)或者分子的話(huà),抗體毫無(wú)疑問(wèn)是有效的治療選擇之一。這么多年的發(fā)展下來(lái),現在市場(chǎng)上的治療性抗體大致可以分為這么兩大類(lèi)——
第 一類(lèi)是直接用裸抗體進(jìn)行疾病治療,此類(lèi)抗體通過(guò)直接靶向癌細胞誘導細胞凋亡、靶向腫瘤微環(huán)境(阻斷癌細胞的營(yíng)養供應)、靶向免疫檢查點(diǎn)(阻止免疫逃逸)和介導通路(例如 ADCC/CDC,在介導路徑中,招募其他免疫細胞來(lái)殺死癌細胞)等機制來(lái)引發(fā)細胞死亡。
第二類(lèi)是對裸抗體進(jìn)行了額外的修飾從而以增強其治療效果。這方面的例子有免疫細胞因子(選定的細胞因子與抗體融合來(lái)增強遞送特異性)、抗體-藥物偶聯(lián)物 (ADC,增強藥物的遞送,減少對非靶向組織的非特異性毒副作用)、抗體-**核素偶聯(lián)物 (ARC,定位放射治療)、雙特異性抗體(增強特異性靶向)、免疫脂質(zhì)體和 CAR-T。
當我們再次回歸單抗發(fā)展的歷史,不難發(fā)現其實(shí)幾乎每一年都有新的突破發(fā)生,相信伴隨著(zhù)科技的進(jìn)一步發(fā)展,計算能力和速度的提升以及三維蛋白結構數據庫的擴大,精準治療的效率與進(jìn)展可以得到更進(jìn)一步的提升和加速。
參考文獻:
1,https://academic.oup.com/abt/article/4/1/45/6142994?search result=1#229867976
2,https://www.hindawi.com/journals/jir/2017/2680160/
3,Cannon DA, Shan L, Du Q, Shirinian L,Rickert KW, Rosenthal KL, et al. (2019) Experimentally guided computational antibody affinity maturation with de novo docking, modelling
and rational design. PLoS Comput Biol 15(5):e1006980.
4,https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6939334/
合作咨詢(xún)
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com