CellectSeq: In Silico Discovery of Antibodies Targeting Integral Membrane Proteins Combining In Situ Selections of Phage Displayed Synthetic Antibodies and Next-Generation Sequencing
Notice bibliographique
Résumé
Abstract Synthetic antibody (Ab) technologies are efficient and cost-effective platforms for the generation of monoclonal proteomic tools against human antigens. Yet, they typically depend on purified proteins, which exclude from interrogation integral membrane proteins that require the lipid bilayers to support their native form or function. Here, we present a novel Ab discovery strategy, termed CellectSeq, for targeting integral membrane proteins presented on native cells in complex environment. As proof of concept, we targeted the challenging tetraspanin receptor CD151, a target linked to cancer. First, we optimized in situ cell-based selections to enrich Ab pools for antigen-specific binders. Then, we designed novel NGS procedures to explore Ab pools diversities and abundances with enhanced accuracies. Finally, we developed novel motif-based scoring and error filtering algorithms for the comprehensive interrogation of NGS data to identify Abs with high diversities and specificities, even at extremely low abundances. We identified highly selective and diversified Abs against CD151 with abundance as low as 0.00009% for which manual sampling or identification using Abs abundances in NGS data would have been impossible. Here we show that CellectSeq enables the rapid discovery of diversified and selective antibodies against CD151, with implications for other integral membrane proteins and cell-surface receptors.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».