A multi-specific, multi-affinity antibody platform neutralizes sarbecoviruses and confers protection against SARS-CoV-2 in vivo
Notice bibliographique
Résumé
Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), the causative agent of coronavirus disease 2019 (COVID-19), has been responsible for a global pandemic. Monoclonal antibodies (mAbs) have been used as antiviral therapeutics; however, these therapeutics 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 leveraged the multi-specific, multi-affinity antibody (Multabody, MB) platform, derived from the human apoferritin protomer, to enable the multimerization of antibody fragments. MBs were shown to be highly potent, neutralizing SARS-CoV-2 at lower concentrations than their corresponding mAb counterparts. In mice infected with SARS-CoV-2, a tri-specific MB targeting three regions within the SARS-CoV-2 receptor binding domain was protective at a 30-fold lower dose than a cocktail of the corresponding mAbs. Furthermore, we showed in vitro that mono-specific MBs potently neutralize SARS-CoV-2 VOCs by leveraging augmented avidity, even when corresponding mAbs lose their ability to neutralize potently, and that tri-specific MBs expanded 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».