EBioMedicine | SARS-CoV-2抗体发现流程中整合基于人工智能的表位预测

DRUGAI

今天为大家介绍的是来自Linos Vandekerckhove团队的一篇论文。单克隆抗体从单个B细胞的克隆正在成为越来越多的学术和工业实验室的可行技术。SARS-CoV-2中和抗体（nAb）开发的前所未有的速度就体现了这种可行性。自COVID-19大流行开始的几个月内，全球多个机构就启动了多项临床试验，以评估nAbs的效果，并逐步获得市场授权。目前，REGN-COV2、LY-CoV555（单独使用或与LY-CoV016联合使用）、VIR 7831以及其他针对SARS-CoV-2刺突蛋白（S）的抗体已被紧急批准用于治疗或预防（文献综述见Kumar, Chandele）。然而，SARS-CoV-2已被证明能迅速进化，有时甚至在一个宿主体内积累多个突变。这导致COVID-19的担忧变种（如Omicron）持续出现，使大多数这些nAbs失效。由于几种医疗状况导致对SARS-CoV-2感染和疫苗接种的免疫反应受损，有效的nAbs必须可用于临床干预。在这种情况下，快速的表位（epitope）定位是发现管道中潜在nAb候选物的关键。多种实验技术，如生物层干涉测量、基于酵母展示的深度突变扫描或冷冻电子显微镜（cryoEM），都能提供这方面的信息。此外，最近基于人工智能（AI）的方法也被用来预测未知三维结构抗体的表位。

作者描述了从康复患者衍生的B细胞中分离和表征两种针对SARS-CoV-2受体结合域（RBD）的强效中和抗体。结合伪病毒中和试验的信息和通过MabTope进行的表位预测，作者选定了两种在皮克摩尔范围内具有中和潜力且预测不会彼此竞争的nAbs进行进一步测试。在活体的SARS-CoV-2感染的仓鼠模型实验中显示，选定的nAbs混合物的效果低于预期。尽管基于AI表位预测结果（除了K417，预测为UZGENT_A3表位的一部分）出人意料，作者的抗体混合物在对抗选定的VOC（包括Beta和Omicron）时失去了效力。最终，通过冷冻电子显微镜确定的SARS-CoV-2-RBD-抗体复合物结构显示，这两种抗体与RBD的相互作用方式非常相似，表位大部分重叠，这解释了它们在中和选定SARS-CoV-2变种时性能的下降。

方法流程

图 1

本研究的主要目标是建立一个抗SARS-CoV-2中和抗体库，这些抗体可以用于对COVID-19患者进行被动免疫，特别是那些抗体产生受损的患者。在第一阶段，作者从151名康复期COVID-19患者中收集血清，这些患者的病情有不同的严重程度。来自79例轻症患者的样本作为CoVim临床试验的一部分（针对COVID-19感染者的病毒免疫学研究NCT04904692）和72例重症患者的样本作为CoSer临床试验的一部分（针对COVID-19感染者的血清学分析NCT0500030719）进行筛选，使用一种基于抗体介导的SARS-CoV-2-RBD与ACE2相互作用的抑制的替代中和试验来检测SARS-CoV-2的中和活性。所有血清样本均在2020年3月27日至11月13日期间收集，当时流行的病毒株是祖先型（武汉）SARS-CoV-2。根据血清在替代中和试验中的表现以及足够的外周血单核细胞（PBMCs）的可用性，选定了14名患者进行进一步研究。为此，使用了一种从Tiller, Meffre和Robbiani, Bozzacco描述的方法改编的B细胞挖掘平台。通过多色流式细胞术面板，共筛选出1069个与SARS-CoV-2 RBD结合的活B细胞，从中获得了398对重链和轻链抗体序列并进行了测序，RT-PCR和克隆过程的成功率约为35%。值得注意的是，类似的工作流程依赖于从康复患者的B细胞中识别抗体，在COVID-19的研究中被工业和学术研究团队广泛利用，这可能是因为它们是提取强效抗体的最直接策略之一。发现流程的概览在图1中展示。

独特于方法的是，在发现流程的早期，作者内置了一个计算机模拟步骤，试图在不需要耗时的实验分析的情况下，选择有前景的抗体候选物，这些候选物能够与SARS-CoV-2 RBD的不同区域结合。使用一系列算法，作者使用的商业化MAbSilico人工智能（AI）方法允许快速分析大量抗体序列数据集的相似性，通过枚举CDRs中的常见子序列，而无需结构数据。通过这种计算机模拟方法，生成了398种抗体之间的相似性矩阵（图2a）。在一个聚类中，所有抗体预计具有大部分重叠的表位。在HEK293T细胞中进行克隆和小规模重组生产后，从398种克隆的抗体中，有249种抗体通过ELISA显示能够与SARS-CoV2 S1蛋白结合，188种抗体能够中和带有源自武汉SARS-CoV-2的刺突蛋白的囊泡病毒性疱疹病毒基因报告病毒。这里描述的流程显示出与其他报告相似的效率。结合中和分析和MAbSilico聚类分析的证据，选择了两种抗体（CoSer3_6721A3别名UZGENT_A3和CoSer5_671G5别名UZGENT_A5），它们属于不同的聚类（图2b），进行深入的MAbTope抗体表位特性表征。根据MAbTope分析，预测UZGENT_A3和UZGENT_G5的主要相互作用区域有很大不同（图2c），UZGENT_G5主要针对“胸部”区域，而UZGENT_A3则针对与ACE2结合位点高度重叠的“颈部/背部”区域。

对UZGENT_A3和UZGENT_G5抗体进行基准测试

图 3

图 4

在随后的体外和体内实验中，将它们与Regeneron公司的临床相关REGN-COV2混合物中的抗体REGN10933（casirivimab）和REGN10987（imdevimab）进行了比较。为了量化所选抗体对野生型SARS-CoV-2的中和能力，使用了包含祖先型（武汉）S序列的拟态VSV。如图3a所示，剂量-反应曲线非常接近，UZGENT_A3和UZGENT_G5的计算IC50值非常低（UZGENT_A3 2.19 ± 0.83 ng/mL; UZGENT_G5: 4.07 ± 2.93 ng/mL, n = 4）。随后，还评估了UZGENT_A3和UZGENT_G5在体外对真实SARS-CoV-2的中和能力。因此，使用B.1.1.7分离株进行了斑点减少中和试验，证实了拟态病毒试验的结果，即UZGENT_A3和UZGENT_G5抗体的PRNT50值都很低（图4a和e）。

编译|黄海涛

审稿| 王建民

参考资料

Acar, D. D., Witkowski, W., Wejda, M., Wei, R., Desmet, T., Schepens, B., ... & Vandekerckhove, L. (2024). Integrating artificial intelligence-based epitope prediction in a SARS-CoV-2 antibody discovery pipeline: caution is warranted. EBioMedicine, 100.