Sequencing of Polyclonal Antibodies by Integrating Intact Mass, Middle–Down, and De Novo Bottom–Up Mass Spectrometry
Notice bibliographique
Résumé
Polyclonal antibodies (pAbs) represent nature's approach to robust immunity, targeting multiple sites on pathogens, but their complex mixtures have remained largely unsequenceable, limiting their therapeutic potential. While monoclonal antibodies (mAbs) dominate therapeutics because of their reproducibility, pAbs offer superior resilience against viral mutations and broader target recognition. Current pAb sequencing attempts have shown limitations, requiring germline databases or B-cell sequencing. Due to the highly variable nature of antibodies, as well as the possibility of unavailable B cells, there is a need for a purely mass spectrometry- and de novo sequencing-based solution. Here, we present PolySeq.AI, an automated de novo workflow that combines bottom-up, middle-down, and intact mass analysis, to accurately sequence pAb samples without relying on external databases. PolySeq.AI achieved >99% sequencing accuracy across all tested samples, including an mAb mixture from the HB-95 cell line and a mixture of four mAbs, with complete bottom-up coverage and strong middle-down fragment support. Importantly, recombinant antibodies produced from our de novo sequences of HB-95 antibodies retained full binding capabilities to human leukocyte antigen-I complexes, confirming the accuracy and efficacy of our pAb de novo sequencing workflow.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».