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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».