Atomically accurate de novo design of antibodies with RFdiffusion
Notice bibliographique
Résumé
Abstract Despite the central role that antibodies play in modern medicine, there is currently no method to design novel antibodies that bind a specific epitope entirely in silico . Instead, antibody discovery currently relies on animal immunization or random library screening approaches. Here, we demonstrate that combining computational protein design using a fine-tuned RFdiffusion network alongside yeast display screening enables the generation of antibody variable heavy chains (VHHs) and single chain variable fragments (scFvs) that bind user-specified epitopes with atomic-level precision. To verify this, we experimentally characterized VHH binders to four disease-relevant epitopes using multiple orthogonal biophysical methods, including cryo-EM, which confirmed the proper Ig fold and binding pose of designed VHHs targeting influenza hemagglutinin and Clostridium difficile toxin B (TcdB). For the influenza-targeting VHH, high-resolution structural data further confirmed the accuracy of CDR loop conformations. While initial computational designs exhibit modest affinity, affinity maturation using OrthoRep enables production of single-digit nanomolar binders that maintain the intended epitope selectivity. We further demonstrate the de novo design of single-chain variable fragments (scFvs), creating binders to TcdB and a Phox2b peptide-MHC complex by combining designed heavy and light chain CDRs. Cryo-EM structural data confirmed the proper Ig fold and binding pose for two distinct TcdB scFvs, with high-resolution data for one design additionally verifying the atomically accurate conformations of all six CDR loops. Our approach establishes a framework for the rational computational design, screening, isolation, and characterization of fully de novo antibodies with atomic-level precision in both structure and epitope targeting.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».