Structural antibody database (SAbDab; http://opig.stats.ox.ac.uk/webapps/sabdab) is an online resource containing all the publicly available antibody structures annotated and presented in a consistent fashion. The data are annotated with several properties including experimental information, gene details, correct heavy and light chain pairings, antigen details and, where available, antibody-antigen binding affinity. The user can select structures, according to these attributes as well as structural properties such as complementarity determining region loop conformation and variable domain orientation. Individual structures, datasets and the complete database can be downloaded.

We describe a generic approach to assemble correctly two heavy and two light chains, derived from two existing antibodies, to form human bivalent bispecific IgG antibodies without use of artificial linkers. Based on the knobs-into-holes technology that enables heterodimerization of the heavy chains, correct association of the light chains and their cognate heavy chains is achieved by exchange of heavy-chain and light-chain domains within the antigen binding fragment (Fab) of one half of the bispecific antibody. This "crossover" retains the antigen-binding affinity but makes the two arms so different that light-chain mispairing can no longer occur. Applying the three possible "CrossMab" formats, we generated bispecific antibodies against angiopoietin-2 (Ang-2) and vascular endothelial growth factor A (VEGF-A) and show that they can be produced by standard techniques, exhibit stabilities comparable to natural antibodies, and bind both targets simultaneously with unaltered affinity. Because of its superior side-product profile, the CrossMab(CH1-CL) was selected for in vivo profiling and showed potent antiangiogenic and antitumoral activity.

Several novel anti-CD20 monoclonal antibodies are currently in development with the aim of improving the treatment of B cell malignancies. Mutagenesis and epitope mapping studies have revealed differences between the CD20 epitopes recognized by these antibodies. Recently, X-ray crystallography studies confirmed that the Type I CD20 antibody rituximab and the Type II CD20 antibody obinutuzumab (GA101) differ fundamentally in their interaction with CD20 despite recognizing a partially overlapping epitope on CD20. The Type I CD20 antibodies rituximab and ofatumumab are known to bind to different epitopes. The differences suggest that the biological properties of these antibodies are not solely determined by their core epitope sequences, but also depend on other factors, such as the elbow hinge angle, the orientation of the bound antibody and differential effects mediated by the Fc region of the antibody. Taken together, these factors may explain differences in the preclinical properties and clinical efficacy of anti-CD20 antibodies.

Computational modeling of antibody structures plays a critical role in therapeutic antibody design. Several antibody modeling pipelines exist, but no freely available methods currently model nanobodies, provide estimates of expected model accuracy, or highlight potential issues with the antibody's experimental development. Here, we describe our automated antibody modeling pipeline, ABodyBuilder, designed to overcome these issues. The algorithm itself follows the standard 4 steps of template selection, orientation prediction, complementarity-determining region (CDR) loop modeling, and side chain prediction. ABodyBuilder then annotates the ‘confidence’ of the model as a probability that a component of the antibody (e.g., CDRL3 loop) will be modeled within a root–mean square deviation threshold. It also flags structural motifs on the model that are known to cause issues during in vitro development. ABodyBuilder was tested on 4 separate datasets, including the 11 antibodies from the Antibody Modeling Assessment–II competition. ABodyBuilder builds models that are of similar quality to other methodologies, with sub–Angstrom predictions for the ‘canonical’ CDR loops. Its ability to model nanobodies, and rapidly generate models (∼30 seconds per model) widens its potential usage. ABodyBuilder can also help users in decision–making for the development of novel antibodies because it provides model confidence and potential sequence liabilities. ABodyBuilder is freely available at http://opig.stats.ox.ac.uk/webapps/abodybuilder.

SAbPred is a server that makes predictions of the properties of antibodies focusing on their structures. Antibody informatics tools can help improve our understanding of immune responses to disease and aid in the design and engineering of therapeutic molecules. SAbPred is a single platform containing multiple applications which can: number and align sequences; automatically generate antibody variable fragment homology models; annotate such models with estimated accuracy alongside sequence and structural properties including potential developability issues; predict paratope residues; and predict epitope patches on protein antigens. The server is available at http://opig.stats.ox.ac.uk/webapps/sabpred.

Abstract Immune receptor proteins play a key role in the immune system and have shown great promise as biotherapeutics. The structure of these proteins is critical for understanding their antigen binding properties. Here, we present ImmuneBuilder, a set of deep learning models trained to accurately predict the structure of antibodies (ABodyBuilder2), nanobodies (NanoBodyBuilder2) and T-Cell receptors (TCRBuilder2). We show that ImmuneBuilder generates structures with state of the art accuracy while being far faster than AlphaFold2. For example, on a benchmark of 34 recently solved antibodies, ABodyBuilder2 predicts CDR-H3 loops with an RMSD of 2.81Å, a 0.09Å improvement over AlphaFold-Multimer, while being over a hundred times faster. Similar results are also achieved for nanobodies, (NanoBodyBuilder2 predicts CDR-H3 loops with an average RMSD of 2.89Å, a 0.55Å improvement over AlphaFold2) and TCRs. By predicting an ensemble of structures, ImmuneBuilder also gives an error estimate for every residue in its final prediction. ImmuneBuilder is made freely available, both to download ( https://github.com/oxpig/ImmuneBuilder ) and to use via our webserver ( http://opig.stats.ox.ac.uk/webapps/newsabdab/sabpred ). We also make available structural models for ~150 thousand non-redundant paired antibody sequences ( https://zenodo.org/record/7258553 ).

Abstract Solving the structure of an antibody-antigen complex gives atomic level information of the interactions between an antibody and its antigen, but such structures are expensive and hard to obtain. Alternative experimental sources include epitope mapping and binning experiments which can be used as a surrogate to identify key interacting residues. However, their resolution is usually not sufficient to identify if two antibodies have identical interactions. Computational approaches to this problem have so far been based on the premise that antibodies with similar sequences behave similarly. Such approaches will fail to identify sequence-distant antibodies that target the same epitope. We present Ab-Ligity, a structure-based similarity measure tailored to antibody-antigen interfaces. Using predicted paratopes on model antibody structures, we assessed its ability to identify those antibodies that target highly similar epitopes. Most antibodies adopting similar binding modes can be identified from sequence similarity alone, using methods such as clonotyping. In the challenging subset of antibodies whose sequences differ significantly, Ab-Ligity is still able to predict antibodies that would bind to highly similar epitopes (precision of 0.95 and recall of 0.69). We compared Ab-Ligity’s performance to an existing tool for comparing general protein interfaces, InterComp, and showed improved performance on antibody cases alongside a significant speed-up. These results suggest that Ab-Ligity will allow the identification of diverse (sequence-dissimilar) antibodies that bind to the same epitopes from large datasets such as immune repertoires. The tool is available at http://opig.stats.ox.ac.uk/resources .

Abstract Antibodies are a key component of the immune system and have been extensively used as biotherapeutics. Accurate knowledge of their structure is central to understanding their antigen binding function. The key area for antigen binding and the main area of structural variation in antibodies is concentrated in the six complementarity determining regions (CDRs), with the most important for binding and most variable being the CDR-H3 loop. The sequence and structural variability of CDR-H3 make it particularly challenging to model. Recently deep learning methods have offered a step change in our ability to predict protein structures. In this work we present ABlooper, an end-to-end equivariant deep-learning based CDR loop structure prediction tool. ABlooper rapidly predicts the structure of CDR loops with high accuracy and provides a confidence estimate for each of its predictions. On the models of the Rosetta Antibody Benchmark, ABlooper makes predictions with an average CDR-H3 RMSD of 2.49Å, which drops to 2.05Å when considering only its 76% most confident predictions.

Abstract Summary Inter-domain orientations between immunoglobulin domains are important for the modeling and engineering of novel antibody therapeutics. Previous tools to describe these orientations are applicable only to the variable domains of antibodies and T-cell receptors. We present the “Orientation of Cylindrical Domains (OCD)” tool, which employs a transferable approach to calculate inter-domain orientations for all immunoglobulin domains. Based on a reference structure, the OCD tool automatically builds a suitable reference coordinate system for each domain. Through alignment, the reference coordinate systems are transferred onto the sample to calculate six measures which fully characterize the inter-domain orientation. Availability and implementation The OCD approach is implemented as a stand-alone Python script, OCD.py, which can handle multiple types of data input for the analysis of single structures and molecular dynamics trajectories alike. OCD.py is available at https://github.com/liedllab/OCD under MIT license. Supplementary Information Supplementary information and data are available at Bioinformatics online.

ABSTRACT Antibodies are key proteins of the adaptive immune system, and there exists a large body of academic literature and patents dedicated to their study and concomitant conversion into therapeutics, diagnostics, or reagents. These documents often contain extensive functional characterisations of the sets of antibodies the describe. However, leveraging these heterogeneous reports, for example to offer insights into the properties of query antibodies of interest, is currently challenging as there is no central repository through which this wide corpus can be mined by sequence or structure. Here, we present PLAbDab (the Patent and Literature Antibody Database), a self-updating repository containing over 150,000 paired antibody sequences and 3D structural models, of which over 65,000 are unique. Each entry in the database also contains the title and authors of its literature source. Here we describe the methods used to extract, filter, pair, and model the antibodies in PLAbDab, and showcase how PLAbDab can be searched by sequence, structure, or keyword. PLAbDab uses include annotating query antibodies with potential antigen information from similar entries, analysing structural models of existing antibodies to identify modifications that could improve their properties, and compiling bespoke datasets of antibody sequences/structures known to bind to a specific antigen. PLAbDab is freely available via Github ( https://github.com/oxpig/PLAbDab ) and as a searchable webserver ( https://opig.stats.ox.ac.uk/webapps/plabdab/ ).