Antibody avidity and multi-specificity combined to confer protection against SARS-CoV-2 and resilience against viral escape
Notice bibliographique
Résumé
Abstract SARS-CoV-2, the causative agent of COVID-19, has been responsible for a global pandemic. Monoclonal antibodies have been used as antiviral therapeutics, but have been limited in efficacy by viral sequence variability in emerging variants of concern (VOCs), and in deployment by the need for high doses. In this study, we leverage the MULTI-specific, multi-Affinity antiBODY (Multabody, MB) platform, derived from the human apoferritin protomer, to drive the multimerization of antibody fragments and generate exceptionally potent and broad SARS-CoV-2 neutralizers. CryoEM revealed a high degree of homogeneity for the core of these engineered antibody-like molecules at 2.1 Å resolution. We demonstrate that neutralization potency improvements of the MB over corresponding IgGs translates into superior in vivo protection: in the SARS-CoV-2 mouse challenge model, comparable in vivo protection was achieved for the MB delivered at 30x lower dose compared to the corresponding IgGs. Furthermore, we show how MBs potently neutralize SARS-CoV-2 VOCs by leveraging augmented avidity, even when corresponding IgGs lose their ability to neutralize potently. Multiple mAb specificities could also be combined into a single MB molecule to expand the neutralization breadth beyond SARS-CoV-2 to other sarbecoviruses. Our work demonstrates how avidity and multi-specificity combined can be leveraged to confer protection and resilience against viral diversity that exceeds that of traditional monoclonal antibody therapies.
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 ».