계산적 단백질 설계는 유용한 단백질을 생성하기 위한 강력한 접근 방식이 되었습니다. 자연에 존재하지 않는 단백질을 생성함으로써 충족되지 않은 생의학 또는 생명공학적 요구를 충족할 수 있기 때문입니다. 우리는 단백질의 특정 표적 표면에 결합하는 항체를 발견하기 위한 전산 파이프라인을 개발했습니다. 이 방법으로 Omicron을 포함하여 현재 순환하는 모든 바이러스 변종의 SARS-CoV-2 스파이크 당단백질의 수용체 결합 도메인 (RBD)에 강력한 친화성 (picomolar~ femtomolar 해리 상수)으로 결합하는 인간 중화 항체를 발견하고 개발하였습니다. 우리는 물리 기반 계산 (ROSETTA) 및 학습 기반 계산 (딥 러닝 또는 머신 러닝)을 수행하며, 암의 면역 치료와 신경병리학적 질병의 치료에 사용할 therapeutic protein의 설계 및 개발에 중점을 둡니다. 3차원 구조 결정에 의한 디자인의 실험적 검증은 치료용 단백질을 창출하는데 우리가 보유한 중요한 기술적 요소입니다.

Computational protein design has become a powerful approach for creating valuable proteins. By creating proteins that do not exist in nature, unmet biomedical or biotechnological needs can be met. We have developed a computational pipeline to discover antibodies that bind to a pre-defined surface of target proteins. Our approach is showcased by discovering and developing a human neutralizing antibody that binds to the receptor-binding domain (RBD) of the SARS-CoV-2 spike glycoprotein of all currently circulating variants of the virus, including Omicron, with potent affinity (pico- to femtomolar dissociation constants). We do physics-based calculations (using ROSETTA software suite) and learning-based computations (deep learning or machine learning). We focus on the design of therapeutic proteins (including monoclonal antibodies) for cancer immunotherapy and neuropathological diseases. Experimental validation of the designs by three-dimensional structure determination is our critical component of in actual creation of therapeutic proteins.