Peptide-antibody Fusions Engineered by Phage Display Exhibit Ultrapotent and Broad Neutralization of SARS-CoV-2 Variants
Notice bibliographique
Résumé
Abstract The COVID-19 pandemic has been exacerbated by the emergence of variants of concern (VoCs). Many VoC mutations are found in the viral spike protein (S-protein), and are thus implicated in host infection and response to therapeutics. Bivalent neutralizing antibodies (nAbs) targeting the S-protein receptor-binding domain (RBD) are promising therapeutics for COVID-19, but are limited due to low potency and vulnerability to RBD mutations found in VoCs. To address these issues, we used naïve phage-displayed peptide libraries to isolate and optimize 16-residue peptides that bind to the RBD or the N-terminal domain (NTD) of the S-protein. We fused these peptides to the N-terminus of a moderate affinity nAb to generate tetravalent peptide-IgG fusions, and showed that both classes of peptides were able to improve affinities for the S-protein trimer by >100-fold (apparent K D < 1 pM). Critically, cell-based infection assays with a panel of six SARS-CoV-2 variants demonstrate that an RBD-binding peptide was able to enhance the neutralization potency of a high-affinity nAb >100-fold. Moreover, this peptide-IgG was able to neutralize variants that were resistant to the same nAb in the bivalent IgG format. To show that this approach is general, we fused the same peptide to a clinically approved nAb drug, and showed that it rescued neutralization against a resistant variant. Taken together, these results establish minimal peptide fusions as a modular means to greatly enhance affinities, potencies, and breadth of coverage of nAbs as therapeutics for SARS-CoV-2.
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 | 0,001 |
| 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 ».