A potent synthetic nanobody targets RBD and protects mice from SARS-CoV-2 infection
Notice bibliographique
Résumé
ABSTRACT SARS-CoV-2, the causative agent of COVID-19 1 , recognizes host cells by attaching its receptor-binding domain (RBD) to the host receptor ACE2 2–7 . Neutralizing antibodies that block RBD-ACE2 interaction have been a major focus for therapeutic development 8–18 . Llama-derived single-domain antibodies (nanobodies, ∼15 kDa) offer advantages including ease of production and possibility for direct delivery to the lungs by nebulization 19 , which are attractive features for bio-drugs against the global respiratory disease. Here, we generated 99 synthetic nanobodies (sybodies) by in vitro selection using three libraries. The best sybody, MR3 bound to RBD with high affinity ( K D = 1.0 nM) and showed high neutralization activity against SARS-CoV-2 pseudoviruses (IC 50 = 0.40 μg mL −1 ). Structural, biochemical, and biological characterization of sybodies suggest a common neutralizing mechanism, in which the RBD-ACE2 interaction is competitively inhibited by sybodies. Various forms of sybodies with improved potency were generated by structure-based design, biparatopic construction, and divalent engineering. Among these, a divalent MR3 conjugated with the albumin-binding domain for prolonged half-life displayed highest potency (IC 50 = 12 ng mL −1 ) and protected mice from live SARS-CoV-2 challenge. Our results pave the way to the development of therapeutic nanobodies against COVID-19 and present a strategy for rapid responses for future outbreaks.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».