Multivalency transforms SARS-CoV-2 antibodies into broad and ultrapotent neutralizers
Notice bibliographique
Résumé
Abstract The novel severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), which causes Coronavirus Disease 2019 (COVID-19), has caused a global pandemic. Antibodies are powerful biotherapeutics to fight viral infections; however, discovery of the most potent and broadly acting clones can be lengthy. Here, we used the human apoferritin protomer as a modular subunit to drive oligomerization of antibody fragments and transform antibodies targeting SARS-CoV-2 into exceptionally potent neutralizers. Using this platform, half-maximal inhibitory concentration (IC 50 ) values as low as 9 × 10 −14 M were achieved as a result of up to 10,000-fold potency enhancements. Combination of three different antibody specificities and the fragment crystallizable (Fc) domain on a single multivalent molecule conferred the ability to overcome viral sequence variability together with outstanding potency and Ig-like in vivo bioavailability. This MULTi-specific, multi-Affinity antiBODY (Multabody; or MB) platform contributes a new class of medical countermeasures against COVID-19 and an efficient approach to rapidly deploy potent and broadly-acting therapeutics against infectious diseases of global health importance. One Sentence Summary multimerization platform transforms antibodies emerging from discovery screens into potent neutralizers that can overcome SARS-CoV-2 sequence diversity.
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) | 0,000 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».