Development of a potent high-affinity human therapeutic antibody via novel application of recombination signal sequence–based affinity maturation
Notice bibliographique
Résumé
Therapeutic antibody development requires discovery of an antibody molecule with desired specificities and drug-like properties. For toxicological studies, a therapeutic antibody must bind the ortholog antigen with a similar affinity to the human target to enable relevant dosing regimens, and antibodies falling short of this affinity design goal may not progress as therapeutic leads. Herein, we report the novel use of mammalian recombination signal sequence (RSS)-directed recombination for complementarity-determining region-targeted protein engineering combined with mammalian display to close the species affinity gap of human interleukin (IL)-13 antibody 731. This fully human antibody has not progressed as a therapeutic in part because of a 400-fold species affinity gap. Using this nonhypothesis-driven affinity maturation method, we generated multiple antibody variants with improved IL-13 affinity, including the highest affinity antibody reported to date (34 fM). Resolution of a cocrystal structure of the optimized antibody with the cynomolgus monkey (or nonhuman primate) IL-13 protein revealed that the RSS-derived mutations introduced multiple successive amino-acid substitutions resulting in a de novo formation of a π-π stacking-based protein-protein interaction between the affinity-matured antibody heavy chain and helix C on IL-13, as well as an introduction of an interface-distant residue, which enhanced the light chain-binding affinity to target. These mutations synergized binding of heavy and light chains to the target protein, resulting in a remarkably tight interaction, and providing a proof of concept for a new method of protein engineering, based on synergizing a mammalian display platform with novel RSS-mediated library generation.
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 ».