Functional comparison of Fc-engineering strategies to improve anti-HIV-1 antibody effector functions
Notice bibliographique
Résumé
Substantial reduction of the intact proviral reservoir is essential towards HIV-1 cure. In vivo administration of broadly neutralizing antibodies (bNAbs) targeting the HIV-1 envelope glycoprotein (Env) trimer can decrease the viral reservoir, through Fc-mediated killing of infected cells. In this study, we compared three commonly used antibody engineering strategies to enhance Fc-mediated effector functions: (i) glyco-engineering, (ii) protein engineering, and (iii) subclass/hinge modifications in a panel of anti-HIV-1 antibodies. We found that antibody-dependent cellular phagocytosis (ADCP) was improved by elongating the hinge domain and switching to an IgG3 constant domain. In addition, potent NK cell activation and ADCC activity was observed for afucosylated antibodies and antibodies bearing the GASDALIE mutations. The combination of these engineering strategies further increased NK cell activation and induced antibody dependent cytotoxicity (ADCC) of infected cells at low antibody concentrations. The bNAb N6 was most effective at killing HIV-1 infected cells, likely due to its high affinity and optimal angle of approach. Overall, the findings of this study are applicable to other antibody formats, and can aid the development of effective immunotherapies and antibody-based treatments for HIV-1 cure strategies. • Antibody-engineering may enhance the ability of HIV-1 bNAbs to eliminate HIV-1 infected cells. • IgG3 boost FcγRIIa-mediated phagocytosis but not the killing of infected cells. • Afucosylated and GASDALIE-bearing antibodies enhanced FcγRIIIa-mediated ADCC. • Combining engineering strategies further improved killing of HIV-1 infected cells. • bNAbs with enhanced FcγRIIIa-mediated ADCC may aid HIV-1 cure 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 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 | 0,001 |
| 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 | 0,004 |
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 ».