Deep learning guided optimization of human antibody against SARS

这些病毒能够变异并逃避人类免疫系统和中和抗体，这一现象仍然阻碍着抗病毒药物和疫苗的研发。许多中和抗体，包括某些紧急使用授权（EUA）的抗体，在对新型冠状病毒2型（SARS-CoV-2）变种的中和作用上减弱或失去了活性。在这里，我们介绍了一种几何深度学习算法，能够有效增强抗体亲和力，从而更广泛、更有效地中和这些变种。我们展示了我们方法的实用性，利用人源抗体P36-5D2作为示例，该抗体对SARS-CoV-2的Alpha、Beta和Gamma变种具有有效作用，但对Delta变种无效。我们表明，我们的几何神经网络模型能够优化该抗体的互补决定区（CDR）序列，改善其与多种SARS-CoV-2变种的结合亲和力。通过迭代优化CDR区域并进行实验测量，我们使抗体的广度和效力扩展了约10到600倍，包括对Delta变种的中和作用。我们还证明了我们的方法能够识别CDR变化，减轻了两个大脑过冷症突变对抗原表位的影响。这些结果突显了我们的深度学习方法在抗体优化中的优势，以及其在工程化其他蛋白分子方面的潜在应用。我们优化的抗体有可能成为应对当前和新出现的SARS-CoV-2变种的抗体药物候选物。

过去2年来，严重急性呼吸综合征冠状病毒2型（SARS-CoV-2）在全球范围内传播，导致数亿人确诊感染和数百万人死亡（1）。SARS-CoV-2病毒突刺蛋白的受体结合结构域（RBD）启动了与宿主受体血管紧张素转化酶2（ACE2）的结合，这是病毒与细胞膜融合的初始关键步骤，也是中和抗体的潜在靶点（7-10）。靶向RBD的中和抗体已经显示出治疗和临床价值（11-17）。

然而，对抗体和血清中和作用的SARS-CoV-2变种的敏感性下降现象已普遍观察到（18-21）。例如，B.1.617系列，也被称为Delta变种，在RBD中含有两个突变（L452R和T478K），这些突变有助于病毒逃逸 - 即病毒逃避免疫系统并引起疾病的能力（22）。 L452R突变位于受体结合基序（RBM）的外围，并已发现可减少抗体的中和活性。RBD中的T478K突变位于RBM中的表位区域，也与抗体逃逸有关。有明显的证据表明，抗体的中和活性受到很大影响，甚至完全失去中和活性，由于病毒逃逸（23-26）。

已经开发了改善抗体结合和中和作用的实验方法。体外亲和力成熟方法，如用展示技术进行的随机突变，已经显示出改善抗体对目标蛋白的结合，但此类方法是耗时且劳动密集的（27-32）。针对特定变体的定向优化也可能导致对其他变体的中和活性丧失。因此，迫切需要高效优化能够对多种变种产生广泛和有效中和活性的抗体。

在这里，我们开发并应用一种深度学习框架，以高效地优化抗体，实现对SARS-CoV-2变种的广泛和更强大的中和活性。基于大量的抗体-抗原复合物结构和结合亲和力数据，我们训练了一个几何神经网络模型，该模型最近在计算机视觉领域中开发，能够有效地提取残基间相互作用特征，并预测因单个或多个氨基酸替换对抗原结合亲和力的改变。为了寻找改善抗体结合的有利互补决定区（CDR）突变，我们还模拟了一种利用CDR突变预测的复合物结构的体外合集，以获得自由能变化的可靠估计，也被称为ΔΔG。与传统方法相比，深度学习的搜索空间理论上更大，并且可以通过多目标优化同时针对多个变种。

为了展示我们方法的实用性，我们试图优化一种名为P36-5D2的人源中和抗体，该抗体最初是从康复患者中分离出来的，并在Alpha、Beta和Gamma变种中显示出相当强的效力和广度（33），但对于Delta变种则无效，这是通过计算结构分析确定的，由于Delta的L452R但不是T478K突变。我们将我们的深度学习模型应用于预测CDR序列，可能改善与Delta变种的结合亲和力，同时保持对Alpha、Beta和Gamma变种的活性。通过建模和实验证实的迭代过程，我们能够获得六种优化的抗体，其对多种变种，包括Delta，的效力大大提高，约为10至600倍。我们还提供了关于Omicron的初步有希望的研究结果。这些结果突出了深度学习方法在抗体优化方面的能力，以及它们在广泛范围的其他蛋白分子中的潜在应用。这里介绍的优化抗体还有潜力进一步发展为针对SARS-CoV-2变种的抗体药物候选物。