纳米体查和机器学习引导识别交叉变体抗SARS-CoV-2中和重链仅抗体

科学领域:

• 病毒学 病毒学
• 免疫学 免疫学 免疫学
• 生物技术是生物技术.

背景情况:

• 像SARS-CoV-2这样的新兴传染病带来了重大风险.
• 对于快速演变的病毒变种,传统的抗体发育速度很慢.
• 下一代纳米体库可以快速识别中和抗体.

研究的目的:

• 识别针对SARS-CoV-2感兴趣和关注的变种 (VOI/VOCs) 的强效中和重链单抗体 (HCAbs).
• 开发和验证一种机器学习 (ML) 模型,用于预测HCAb对新兴病毒菌株的疗效.
• 为了减少鉴定有效治疗抗体的实验负担.

主要方法:

• 对合成人性化纳米体 (Nb) 菌体显示库进行选,以对抗前Omicron SARS-CoV-2受体结合域 (RBD).
• 使用高通量选与在HCAb亲和力数据上训练的ML模型相结合.
• 开发一种基于生物扫描的ML方法来预测对Omicron变种的疗效.

主要成果:

• 鉴定了对多个SARS-CoV-2VOI和VOC有效的交叉反应性HCAbs.
• 开发了一种ML模型,可以准确预测HCAb对Omicron变种的疗效.
• 减少了对Omicron BA.5的78%和对Omicron BA.1.的90%的实验查.

结论:

• 结合生物扫描和ML方法,可以快速识别针对新出现的病毒变异的有效治疗抗体.
• 这一战略大大加快了对未来流行病的应对措施的开发.
• 该方法适用于识别针对其他具有流行病潜力的新兴病毒的抗体.