解释 Cohen 的 Kappa 检验结果
Cohen's Kappa 检验表明，两种方法生成的独立结果具有近乎完美的一致性（k > 0.8）（图 4），其中 LENS ai计算机表位分类与体外竞争试验具有高度可信度。两个数据集的叠加可视化描绘了预测的计算机簇（用颜色和相关数字表示）与基于 BLI 的湿实验室分类（以几何形状表示）之间的重叠。
表位分类案例研究结论
图 4：Cohen 的 Kappa 检验结果
最后，有几个因 澳大利亚手机数据 素导致了计算机模拟和体外方法结果的微小差异，包括：
每种方法中目标的糖基化状态可能存在差异；例如：计算机模拟中的完全均质糖基化与体外潜在的更大异质性。
湿实验室数据的细微差别可能难以解释。
在湿实验室分析中同时使用单体和二聚体靶标，相比之下，在计算机分类中仅使用单体靶标进行分析。
尽管两种方法都考虑了空间位阻，但方法论有所不同，其中竞争行为是湿实验室分箱的主要驱动因素。
计算机模拟与体外试验中抗体结合强度影响的差异。
使用 LENS ai进行计算机表位分类的主要优势
用于表位分类的LENS ai应用程序将计算机模拟方法的高速、高通量功能与体外实验方法的准确性相结合。此外，这种计算工作流程只需要蛋白质序列，从而无需物理材料。该框架的高精度多维聚类和多格式数据可视化功能旨在简化早期表位景观分析并最大限度地提高早期分类的生产力。该解决方案还可以轻松扩展到数千个抗体序列以及各种 mAb 研究项目，包括那些针对难以生产的靶蛋白的项目。也许最重要的是，LENS ai 计算机模拟表位分类框架带来了加速抗体药物发现和开发所需的高通量能力。
要了解有关将高通量、高精度 LENS ai计算机表位分类集成到您的抗体发现流程中的更多信息，请在此处联系我们。