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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».