Deep Learning-basierte schnelle Generierung breit reaktiver Antikörper gegen SARS-CoV-2 und seine Omikron-Variante

Die COVID-19-Pandemie dauert nun bereits fast zwei Jahre und neun Monate an, und es treten weiterhin neue Varianten von besonderem Interesse (VOCs) des SARS-CoV-2-Virus auf, was die Entwicklung breit neutralisierender Antikörper dringend erforderlich macht. Varianten wie Delta (Linie B.1.617.2) und Omikron (BA.1 und BA.2) zeigten bereits eine Immunevasion gegenüber einigen der derzeit verfügbaren therapeutischen Antikörper. Aufgrund der stetigen Evolution des SARS-CoV-2 ist eine schnelle Vorhersage der Antikörperbindung an neue Varianten sowie die Entwicklung breit neutralisierender Antikörper unerlässlich. Angesichts der Anwendung von Deep Learning in der Antikörper-Engineering- und Optimierung fragten wir uns, ob breit reagierende Antikörper gegen SARS-CoV-2-Varianten mittels Deep Learning schnell entworfen und generiert werden können. Hier berichten wir über die Entwicklung eines auf einem Atrous Convolutional Neural Network (ACNN) basierenden Deep-Learning-Frameworks: des cross-reactive B cell receptor network (XBCR-net), das direkt aus einzelzellbasierten B-Zell-Rezeptor-(BCR-)Sequenzen breit reagierende Antikörper gegen SARS-CoV-2 und VOCs vorhersagen kann. Das XBCR-net besteht aus zwei Komponenten: Der erste Teil extrahiert mittels eines dreigeteilten ACNN Merkmale, die für die Antikörper-Antigen-Interaktion relevant sind, während der zweite Teil mithilfe eines residualen strukturierten Multi-Layer Perceptrons die Bindungswahrscheinlichkeit der Antikörper an Antigene (14 verschiedene RBD-Sequenzen) vorhersagt. Die Leistungsfähigkeit des auf ACNN basierenden XBCR-net bei der Vorhersage der Bindung an SARS-CoV-2 wurde evaluiert und zeigte eine signifikant höhere Genauigkeit, Präzision und Recall-Rate im Vergleich zu anderen Frameworks.