Next-generation sequencing-guided identification and reconstruction of antibody CDR combinations from phage selection outputs
Notice bibliographique
Résumé
Next-generation sequencing (NGS) technologies have been employed in several phage display platforms for analyzing natural and synthetic antibody sequences and for identifying and reconstructing single-chain variable fragments (scFv) and antigen-binding fragments (Fab) not found by conventional ELISA screens. In this work, we developed an NGS-assisted antibody discovery platform by integrating phage-displayed, single-framework, synthetic Fab libraries. Due to limitations in attainable read and amplicon lengths, NGS analysis of Fab libraries and selection outputs is usually restricted to either VH or VL. Since this information alone is not sufficient for high-throughput reconstruction of Fabs, we developed a rapid and simple method for linking and sequencing all diversified CDRs in phage Fab pools. Our method resulted in a reliable and straightforward platform for converting NGS information into Fab clones. We used our NGS-assisted Fab reconstruction method to recover low-frequency rare clones from phage selection outputs. While previous studies chose rare clones for rescue based on their relative frequencies in sequencing outputs, we chose rare clones for reconstruction from less-frequent CDRH3 lengths. In some cases, reconstructed rare clones (frequency ∼0.1%) showed higher affinity and better specificity than high-frequency top clones identified by Sanger sequencing, highlighting the significance of NGS-based approaches in synthetic antibody discovery.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».