RAIN : identification basée sur l'apprentissage automatique pour les bNAbs du VIH-1

Résumé Les anticorps neutralisants largement (bNAbs) sont des candidats prometteurs pour le traitement et la prévention des infections par le VIH-1. Malgré leur importance critique, la détection automatique des bNAbs du VIH-1 à partir des répertoires immunitaires fait encore défaut. Ici, nous développons une méthode computationnelle simple pour l'identification automatique rapide des bNAbs (RAIN) basée sur des méthodes d'apprentissage automatique. Contrairement à d'autres approches, qui utilisent l'encodage one-hot des séquences d'acides aminés ou l'alignement structurel pour la prédiction, RAIN utilise une combinaison de caractéristiques basées sur des séquences sélectionnées pour la prédiction précise des bNAbs du VIH-1. Nous démontrons la performance de notre approche sur des répertoires BCR obtenus expérimentalement et séquencés à partir de donneurs immunitaires du VIH-1. Le traitement RAIN conduit à l'identification réussie de bNAbs distincts du VIH-1 ciblant le site de liaison CD4 de la glycoprotéine d'enveloppe. De plus, nous validons les bNAbs identifiés à l'aide d'un essai de neutralisation in vitro et nous résolvons la structure de l'un d'eux en complexe avec la glycoprotéine d'enveloppe hétérotrimérique native soluble par microscopie cryo-électronique à particules uniques (cryo-EM). Dans l'ensemble, nous proposons une méthode pour faciliter et accélérer la découverte des bNAbs du VIH-1 à partir de répertoires immunitaires non sélectionnés.