Abstract Generative machine learning (ML) has been postulated to be a major driver in the computational design of antigen-specific monoclonal antibodies (mAb). However, efforts to confirm this hypothesis have been hindered by the infeasibility of testing arbitrarily large numbers of antibody sequences for their most critical design parameters: paratope, epitope, affinity, and developability. To address this challenge, we leveraged a lattice-based antibody-antigen binding simulation framework, which incorporates a wide range of physiological antibody binding parameters. The simulation framework enables both the computation of antibody-antigen 3D-structures as well as functions as an oracle for unrestricted prospective evaluation of the antigen specificity of ML-generated antibody sequences. We found that a deep generative model, trained exclusively on antibody sequence (1D) data can be used to design native-like conformational (3D) epitope-specific antibodies, matching or exceeding the training dataset in affinity and developability variety. Furthermore, we show that transfer learning enables the generation of high-affinity antibody sequences from low-N training data. Finally, we validated that the antibody design insight gained from simulated antibody-antigen binding data is applicable to experimental real-world data. Our work establishes a priori feasibility and the theoretical foundation of high-throughput ML-based mAb design. Highlights A large-scale dataset of 70M [3 orders of magnitude larger than the current state of the art] synthetic antibody-antigen complexes, that reflect biological complexity, allows the prospective evaluation of antibody generative deep learning Combination of generative learning, synthetic antibody-antigen binding data, and prospective evaluation shows that deep learning driven antibody design and discovery at an unconstrained level is feasible Transfer learning (low-N learning) coupled to generative learning shows that antibody-binding rules may be transferred across unrelated antibody-antigen complexes Experimental validation of antibody-design conclusions drawn from deep learning on synthetic antibody-antigen binding data Graphical abstract We leverage large synthetic ground-truth data to demonstrate the (A,B) unconstrained deep generative learning-based generation of native-like antibody sequences, (C) the prospective evaluation of conformational (3D) affinity, paratope-epitope pairs, and developability. (D) Finally, we show increased generation quality of low-N-based machine learning models via transfer learning.

Abstract Adaptive immune receptor repertoires (AIRR) are key targets for biomedical research as they record past and ongoing adaptive immune responses. The capacity of machine learning (ML) to identify complex discriminative sequence patterns renders it an ideal approach for AIRR-based diagnostic and therapeutic discovery. To date, widespread adoption of AIRR ML has been inhibited by a lack of reproducibility, transparency, and interoperability. immuneML ( immuneml.uio.no ) addresses these concerns by implementing each step of the AIRR ML process in an extensible, open-source software ecosystem that is based on fully specified and shareable workflows. To facilitate widespread user adoption, immuneML is available as a command-line tool and through an intuitive Galaxy web interface, and extensive documentation of workflows is provided. We demonstrate the broad applicability of immuneML by (i) reproducing a large-scale study on immune state prediction, (ii) developing, integrating, and applying a novel method for antigen specificity prediction, and (iii) showcasing streamlined interpretability-focused benchmarking of AIRR ML.

Abstract The process of recombination between variable (V), diversity (D), and joining (J) immunoglobulin (Ig) gene segments determines an individual’s naïve Ig repertoire, and consequently (auto)antigen recognition. VDJ recombination follows probabilistic rules that can be modeled statistically. So far, it remains unknown whether VDJ recombination rules differ between individuals. If these rules differed, identical (auto)antigen-specific Ig sequences would be generated with individual-specific probabilities, signifying that the available Ig sequence space is individual-specific. We devised a sensitivity-tested distance measure that enables inter-individual comparison of VDJ recombination models. We discovered, accounting for several sources of noise as well as allelic variation in Ig sequencing data, that not only unrelated individuals but also human monozygotic twins and even inbred mice possess statistically distinguishable immunoglobulin recombination models. This suggests that, in addition to genetic, there is also non-genetic modulation of VDJ recombination. We demonstrate that population-wide individualized VDJ recombination can result in orders of magnitude of difference in the probability to generate (auto)antigen-specific Ig sequences. Our findings have implications for immune receptor-based individualized medicine approaches relevant to vaccination, infection, and autoimmunity.

Abstract The continual evolution of the severe acute respiratory syndrome coronavirus-2 (SARS-CoV-2) and the emergence of variants that show resistance to vaccines and neutralizing antibodies ( 1–4 ) threaten to prolong the coronavirus disease 2019 (COVID-19) pandemic ( 5 ). Selection and emergence of SARS-CoV-2 variants are driven in part by mutations within the viral spike protein and in particular the ACE2 receptor-binding domain (RBD), a primary target site for neutralizing antibodies. Here, we develop deep mutational learning (DML), a machine learning-guided protein engineering technology, which is used to interrogate a massive sequence space of combinatorial mutations, representing billions of RBD variants, by accurately predicting their impact on ACE2 binding and antibody escape. A highly diverse landscape of possible SARS-CoV-2 variants is identified that could emerge from a multitude of evolutionary trajectories. DML may be used for predictive profiling on current and prospective variants, including highly mutated variants such as omicron (B.1.1.529), thus supporting decision making for public heath as well as guiding the development of therapeutic antibody treatments and vaccines for COVID-19.

ABSTRACT Isolation and characterization of antibodies in COVID-19 patients has largely focused on memory B cells, however it is the antibody-secreting plasma cells that are directly responsible for the production of serum antibodies, which play a critical role in controlling and resolving SARS-CoV-2 infection. To date there is little known about the specificity of plasma cells in COVID-19 patients. This is largely because plasma cells lack surface antibody expression, which complicates their screening. Here, we describe a technology pipeline that integrates single-cell antibody repertoire sequencing and high-throughput mammalian display screening to interrogate the specificity of plasma cells from 16 convalescent COVID-19 patients. Single-cell sequencing allows us to profile antibody repertoire features in these patients and identify highly expanded clonal lineages. Mammalian display screening is employed to reveal that 37 antibodies (out of 132 candidates) derived from expanded plasma cell clonal lineages are specific for SARS-CoV-2 antigens, including antibodies that target the receptor binding domain (RBD) with high affinity and exhibit potent neutralization of SARS-CoV-2. One Sentence Summary Single-cell antibody repertoire sequencing and high-throughput screening identifies highly expanded plasma cells from convalescent COVID-19 patients that produce SARS-CoV-2-specific antibodies capable of potent neutralization.

ABSTRACT T cell receptor (TCR) gene therapy is a promising cell therapy approach for the treatment of cancer. However, most naturally occurring TCRs display low affinities to their peptide-MHC targets, and engineering of TCRs for enhanced affinity is complicated by the risk of introducing cross-reactivity and the poor correlation between affinity and function. Here we report the establishment of the TCR-accepting T cell (TnT) platform through five sequential CRISPR-Cas9 genome editing steps of a human T cell line, and demonstrate its application for functional engineering of TCRs and prediction of cross-reactivity. Using the TnT platform, we profile the mutational landscapes of tumor-specific TCRs at high-throughput to reveal a substantial discordance between antigen binding and antigen-induced signaling. Furthermore, we combine CRISPR-targeting, functional selection and deep sequencing to screen TCR mutagenesis libraries and identify variants with enhanced recognition of the cancer-testis antigen MAGE-A3. Finally, functional cross-reactivity profiling using TnT cells was able to accurately predict off-targets and identify engineered TCRs with exquisite specificity to MAGE-A3. Thus, the TnT platform represents a valuable technology for the engineering of TCRs with enhanced functional and safety profiles.

Abstract Diverse antibody repertoires spanning multiple lymphoid organs (e.g., bone marrow, spleen, lymph nodes) form the foundation of protective humoral immunity. Changes in their composition across lymphoid organs are a consequence of B-cell selection and migration events leading to a highly dynamic and unique physiological landscape of antibody repertoires upon antigenic challenge (e.g., vaccination). However, to what extent B cells encoding identical or similar antibody sequences (clones) are distributed across multiple lymphoid organs and how this is shaped by the strength of a humoral response, remains largely unexplored. Here, we performed an in-depth systems analysis of antibody repertoires across multiple distinct lymphoid organs of immunized mice, and discovered that organ-specific antibody repertoire features (e.g., germline V-gene usage and clonal expansion profiles) equilibrated upon a strong humoral response (multiple immunizations and high serum titers). This resulted in a surprisingly high degree of repertoire consolidation, characterized by highly connected and overlapping B-cell clones across multiple lymphoid organs. Finally, we revealed distinct physiological axes indicating clonal migrations and showed that antibody repertoire consolidation directly correlated with antigen-specificity. Our study uncovered how a strong humoral response resulted in a more uniform but redundant physiological landscape of antibody repertoires, indicating that increases in antibody serum titers were a result of synergistic contributions from antigen-specific B-cell clones distributed across multiple lymphoid organs. Our findings provide valuable insights for the assessment and design of vaccine strategies.

Abstract Single-cell sequencing now enables the recovery of full-length immune repertoires [B cell receptor (BCR) and T cell receptor (TCR) repertoires], in addition to gene expression information. The feature-rich datasets produced from such experiments require extensive and diverse computational analyses, each of which can significantly influence the downstream immunological interpretations, such as clonal selection and expansion. Simulations produce validated standard datasets, where the underlying generative model can be precisely defined and furthermore perturbed to investigate specific questions of interest. Currently, there is no tool that can be used to simulate a comprehensive ground truth single-cell dataset that incorporates both immune receptor repertoires and gene expression. Therefore, we developed Echidna, an R package that simulates immune receptors and transcriptomes at single-cell resolution. Our simulation tool generates annotated single-cell sequencing data with user-tunable parameters controlling a wide range of features such as clonal expansion, germline gene usage, somatic hypermutation, and transcriptional phenotypes. Echidna can additionally simulate time-resolved B cell evolution, producing mutational networks with complex selection histories incorporating class-switching and B cell subtype information. Finally, we demonstrate the benchmarking potential of Echidna by simulating clonal lineages and comparing the known simulated networks with those inferred from only the BCR sequences as input. Together, Echidna provides a framework that can incorporate experimental data to simulate single-cell immune repertoires to aid software development and bioinformatic benchmarking of clonotyping, phylogenetics, transcriptomics and machine learning strategies. Abstract Figure

Abstract B- and T-cell receptor (immune) repertoires can represent an individual’s immune history. While current repertoire analysis methods aim to discriminate between health and disease states, they are typically based on only a limited number of parameters (e.g., clonal diversity, germline usage). Here, we introduce immuneREF: a quantitative multi-dimensional measure of adaptive immune repertoire (and transcriptome) similarity that allows interpretation of immune repertoire variation by relying on both repertoire features and cross-referencing of simulated and experimental datasets. immuneREF is implemented in an R package and was validated based on detection sensitivity of immune repertoires with known similarities and dissimilarities. To quantify immune repertoire similarity landscapes across health and disease, we applied immuneREF to >2400 datasets from individuals with varying immune states (healthy, [autoimmune] disease and infection [Covid-19], immune cell population). Importantly we discovered, in contrast to the current paradigm, that blood-derived immune repertoires of healthy and diseased individuals are highly similar for certain immune states, suggesting that repertoire changes to immune perturbations are less pronounced than previously thought. In conclusion, immuneREF implements population-wide analysis of immune repertoire similarity and thus enables the study of the adaptive immune response across health and disease states.

Abstract COVID-19 disease outcome is highly dependent on adaptive immunity from T and B lymphocytes, which play a critical role in the control, clearance and long-term protection against SARS-CoV-2. To date, there is limited knowledge on the composition of the T and B cell immune receptor repertoires [T cell receptors (TCRs) and B cell receptors (BCRs)] and transcriptomes in convalescent COVID-19 patients of different age groups. Here, we utilize single-cell sequencing (scSeq) of lymphocyte immune repertoires and transcriptomes to quantitatively profile the adaptive immune response in COVID-19 patients of varying age. We discovered highly expanded T and B cells in multiple patients, with the most expanded clonotypes coming from the effector CD8 + T cell population. Highly expanded CD8 + and CD4 + T cell clones show elevated markers of cytotoxicity (CD8: PRF1, GZMH, GNLY; CD4: GZMA), whereas clonally expanded B cells show markers of transition into the plasma cell state and activation across patients. By comparing young and old convalescent COVID-19 patients (mean ages = 31 and 66.8 years, respectively), we found that clonally expanded B cells in young patients were predominantly of the IgA isotype and their BCRs had incurred higher levels of somatic hypermutation than elderly patients. In conclusion, our scSeq analysis defines the adaptive immune repertoire and transcriptome in convalescent COVID-19 patients and shows important age-related differences implicated in immunity against SARS-CoV-2.