Génération rapide d'anticorps fortement réactifs contre SARS-CoV-2 et sa variante Omicron basée sur l'apprentissage profond

La pandémie de COVID-19 dure depuis près de deux ans et demi, et de nouveaux variants d’attention (VOC) du SARS-CoV-2 continuent d’émerger, ce qui rend impérative la mise au point d’anticorps neutralisants à large spectre. Des variants tels que Delta (ligneage B.1.617.2) et Omicron (BA.1 et BA.2) ont été signalés pour présenter une évasion immunitaire vis-à-vis de certains anticorps thérapeutiques actuels. L’évolution constante du SARS-CoV-2 exige une prédiction rapide de la liaison des anticorps aux nouveaux variants, ainsi que le développement d’anticorps neutralisants largement réactifs. Étant donné l’application croissante de l’apprentissage profond dans l’ingénierie et l’optimisation des anticorps, nous nous demandons si des anticorps hautement réactifs contre les variants du SARS-CoV-2 peuvent être conçus et générés de manière rapide à l’aide de l’apprentissage profond. Dans cette étude, nous rapportons le développement d’un cadre d’apprentissage profond basé sur un réseau de convolution à trous (ACNN) : le réseau XBCR-net (cross-reactive B cell receptor network), capable de prédire directement des anticorps largement réactifs contre le SARS-CoV-2 et ses variants d’attention à partir de séquences uniques de récepteurs de cellules B (BCR). Le XBCR-net se compose de deux parties : la première extrait les caractéristiques pertinentes pour l’interaction anticorps-antigène à l’aide d’un ACNN à trois branches, tandis que la seconde prédit la probabilité de liaison des anticorps aux antigènes (14 séquences différentes de la région RBD) à l’aide d’un perceptron multicouche à structure résiduelle. La performance du modèle XBCR-net basé sur ACNN a été évaluée en termes de liaison au SARS-CoV-2, révélant une précision, une exactitude et un rappel significativement supérieurs à ceux des autres cadres existants.