On the Use of Surface Plasmon Resonance Biosensing to Understand IgG-FcγR Interactions
Notice bibliographique
Résumé
Surface plasmon resonance (SPR)-based optical biosensors offer real-time and label-free analysis of protein interactions, which has extensively contributed to the discovery and development of therapeutic monoclonal antibodies (mAbs). As the biopharmaceutical market for these biologics and their biosimilars is rapidly growing, the role of SPR biosensors in drug discovery and quality assessment is becoming increasingly prominent. One of the critical quality attributes of mAbs is the N-glycosylation of their Fc region. Other than providing stability to the antibody, the Fc N-glycosylation influences immunoglobulin G (IgG) interactions with the Fcγ receptors (FcγRs), modulating the immune response. Over the past two decades, several studies have relied on SPR-based assays to characterize the influence of N-glycosylation upon the IgG-FcγR interactions. While these studies have unveiled key information, many conclusions are still debated in the literature. These discrepancies can be, in part, attributed to the design of the reported SPR-based assays as well as the methodology applied to SPR data analysis. In fact, the SPR biosensor best practices have evolved over the years, and several biases have been pointed out in the development of experimental SPR protocols. In parallel, newly developed algorithms and data analysis methods now allow taking into consideration complex biomolecular kinetics. In this review, we detail the use of different SPR biosensing approaches for characterizing the IgG-FcγR interactions, highlighting their merit and inherent experimental complexity. Furthermore, we review the latest SPR-derived conclusions on the influence of the N-glycosylation upon the IgG-FcγR interactions and underline the differences and similarities across the literature. Finally, we explore new avenues taking advantage of novel computational analysis of SPR results as well as the latest strategies to control the glycoprofile of mAbs during production, which could lead to a better understanding and modelling of the IgG-FcγRs interactions.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».