Novel neutralizing SARS-CoV-2-specific mAbs offer detection of RBD linear epitopes
Notice bibliographique
Résumé
BACKGROUND: To stop the spread of the COVID-19 disease, it is crucial to create molecular tools to investigate and diagnose COVID-19. Current efforts focus on developing specific neutralizing monoclonal antibodies (NmAbs) elicited against the receptor-binding domain (RBD). METHODS: In the present study, recombinant RBD (rRBD) protein was produced in E. coli, followed by immunizing mice with purified rRBD. ELISA was applied to screen the hybridomas for positive reactivity with rRBD protein. The linear and conformational epitopes of the mAbs were subsequently identified using western blot. Finally, the reactivity, affinity, and neutralization activity of the purified mAbs were evaluated using ELISA. RESULTS: All mAbs exhibited similar reactivity trends towards both eukaryotic RBD and prokaryotic rRBD in ELISA. Among them, 2E7-D2 and 2B4-G8 mAbs demonstrated higher reactivity than other mAbs. Additionally, in western blot assays, these two mAbs could detect reducing and non-reducing rRBD, indicating recognition of linear epitopes. Notably, five mAbs effectively blocked rRBD- angiotensin-converting enzyme 2 (ACE2) interaction, while two high-affinity mAbs exhibited potent neutralizing activity against eukaryotic RBD. CONCLUSION: In the current study, we generated and characterized new RBD-specific mAbs using the hybridoma technique that recognized linear and conformational epitopes in RBD with neutralization potency. Our mAbs are novel candidates for diagnosing and treating 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».