Characterization of Nanobody Binding to Distinct Regions of the SARS-CoV-2 Spike Protein by Flow Virometry
Notice bibliographique
Résumé
Nanobodies, or single-domain antibodies (VHHs) from camelid heavy-chain-only antibodies, offer significant advantages in therapeutic and diagnostic applications due to their small size and ability to bind cryptic protein epitopes inaccessible to conventional antibodies. In this study, we examined nanobodies specific to regions of the SARS-CoV-2 spike glycoprotein, including the receptor-binding domain (RBD), N-terminal domain (NTD), and subunit 2 (S2). Using flow virometry, a high-throughput technique for viral quantification, we achieved the efficient detection of pseudotyped viruses expressing the spike glycoprotein. RBD-targeting nanobodies showed the most effective staining, followed by NTD-targeting ones, while S2-specific nanobodies exhibited limited resolution. The simple genetic structure of nanobodies enables the creation of multimeric formats, improving binding specificity and avidity. Bivalent VHH-Fc constructs (VHHs fused to the Fc region of human IgG) outperformed monovalent formats in resolving viral particles from background noise. However, S2-specific monovalent VHHs demonstrated improved staining efficiency, suggesting their smaller size better accesses restricted antigenic sites. Furthermore, direct staining of cell supernatants was possible without virus purification. This versatile nanobody platform, initially developed for antiviral therapy against SARS-CoV-2, can be readily adapted for flow virometry applications and other diagnostic assays.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».