Computationally designed mRNA-launched protein nanoparticle vaccines
Notice bibliographique
Résumé
Both protein nanoparticle and mRNA vaccines were clinically de-risked during the COVID-19 pandemic. These vaccine modalities have complementary strengths: antigen display on protein nanoparticles can enhance the magnitude, quality, and durability of antibody responses, while mRNA vaccines can be rapidly manufactured and elicit antigen-specific CD4 and CD8 T cells. Here we leverage a computationally designed icosahedral protein nanoparticle that was redesigned for optimal secretion from eukaryotic cells to develop an mRNA-launched nanoparticle vaccine for SARS-CoV-2. The nanoparticle, which displays 60 copies of a stabilized variant of the Wuhan-Hu-1 Spike receptor binding domain (RBD), formed monodisperse, antigenically intact assemblies upon secretion from transfected cells. An mRNA vaccine encoding the secreted RBD nanoparticle elicited 5- to 28-fold higher levels of neutralizing antibodies than an mRNA vaccine encoding membrane-anchored Spike, induced higher levels of CD8 T cells than the same immunogen when delivered as an adjuvanted protein nanoparticle, and protected mice from vaccine-matched and -mismatched SARS-CoV-2 challenge. Our data establish that delivering protein nanoparticle immunogens via mRNA vaccines can combine the benefits of each modality and, more broadly, highlight the utility of computational protein design in genetic immunization strategies.
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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».