Computationally designed mRNA-launched protein nanoparticle immunogens elicit protective antibody and T cell responses in mice
Notice bibliographique
Résumé
Messenger RNA (mRNA) vaccines and computationally designed protein nanoparticle vaccines were both clinically derisked and licensed for the first time during the coronavirus disease 2019 (COVID-19) pandemic. These vaccine modalities have complementary immunological benefits that provide strong motivation for their combination. Here, we demonstrate proof of concept for genetic delivery of computationally designed protein nanoparticle immunogens. Using severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) as a model system, we genetically fused a stabilized variant of the Wuhan-Hu-1 spike protein receptor binding domain (RBD) to a protein nanoparticle we previously designed for optimal secretion from human cells. Upon secretion, the nanoparticle formed monodisperse and antigenically intact assemblies displaying 60 copies of the RBD in an immunogenic array. Compared with mRNA vaccines encoding membrane-anchored spike protein and a secreted RBD trimer, an mRNA vaccine encoding the RBD nanoparticle elicited 5- to 28-fold higher titers of neutralizing antibodies in mice. In addition, the "mRNA-launched" RBD nanoparticle vaccine induced higher frequencies of antigen-specific CD8 T cells than the same immunogen delivered as adjuvanted protein and protected mice from either Wuhan-Hu-1 or Omicron BA.5 challenge. These results establish that delivering computationally designed protein nanoparticle immunogens through mRNA can combine the benefits of both vaccine modalities. More broadly, our data highlight the utility of computational protein design in genetic vaccination 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».