Progettazione di una pipeline in silico per l’ottimizzazione della sviluppabilità dei nanocorpi

Nanobodies are single-domain antibodies with growing importance in biotherapeutics due to their small size, high stability, and ease of production. Nevertheless, their developability can be hindered by issues such as limited solubility, aggregation propensity, or low expression yield. This thesis presents an in silico pipeline designed to evaluate and enhance nanobody developability through a combination of computational approaches. The workflow integrates structure- and sequence-based analyses, including molecular dynamics simulations, hydrophobicity profiling, Spatial Aggregation Propensity (SAP) scoring, and machine learning-based solubility predictions. The pipeline was applied to the parental nanobody with PDB code 3EAK to identify residues contributing to unfavorable biophysical properties and to generate a virtual library of optimized variants. Identified mutations were grouped based on their structural localization or according to whether they were predicted by solubility or aggregation propensity tools, and subsequently combined to design improved models. The resulting variants displayed enhanced predicted solubility and reduced aggregation tendency while maintaining structural integrity. Overall, this work provides a computational framework that supports the rational design and optimization of nanobody candidates prior to experimental validation. The approach could be extended to other antibody formats to accelerate early-stage therapeutic development and improve the efficiency of biotherapeutic discovery pipelines.

I nanocorpi sono anticorpi a singolo dominio di crescente importanza in ambito bioterapeutico grazie alle loro dimensioni ridotte, all’elevata stabilità e alla facilità di produzione. Tuttavia, la loro sviluppabilità può essere ostacolata da problematiche come scarsa solubilità, tendenza all’aggregazione o bassa resa di espressione. Questa tesi presenta una pipeline in silico progettata per valutare e migliorare la sviluppabilità dei nanocorpi attraverso una combinazione di approcci computazionali. Il flusso di lavoro integra analisi basate sulla struttura e sulla sequenza, tra cui simulazioni di dinamica molecolare, profilazione dell’idrofobicità, calcolo del punteggio di Propensione all’Aggregazione Spaziale (SAP) e predizioni di solubilità basate su machine learning. La pipeline è stata applicata al nanocorpo parentale con codice PDB 3EAK per identificare i residui che contribuiscono a proprietà biofisiche sfavorevoli e per generare una libreria virtuale di varianti ottimizzate. Le mutazioni individuate sono state raggruppate in base alla loro localizzazione strutturale o in funzione degli strumenti che le avevano previste (solubilità o propensione all’aggregazione), e successivamente combinate per progettare modelli migliorati. Le varianti risultanti hanno mostrato una solubilità predetta aumentata e una ridotta tendenza all’aggregazione, mantenendo al contempo l’integrità strutturale. Complessivamente, questo lavoro fornisce un quadro computazionale a supporto della progettazione razionale e dell’ottimizzazione dei candidati nanocorpali prima della validazione sperimentale. L’approccio può essere esteso ad altri formati anticorpali per accelerare le fasi iniziali dello sviluppo terapeutico e migliorare l’efficienza delle pipeline di scoperta bioterapeutica.