New variants of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) continue to arise and prolong the coronavirus disease 2019 (COVID-19) pandemic. Here, we used a cell-free expression workflow to rapidly screen and optimize constructs containing multiple computationally designed miniprotein inhibitors of SARS-CoV-2. We found the broadest efficacy was achieved with a homotrimeric version of the 75-residue angiotensin-converting enzyme 2 (ACE2) mimic AHB2 (TRI2-2) designed to geometrically match the trimeric spike architecture. Consistent with the design model, in the cryo-electron microscopy structure TRI2-2 forms a tripod at the apex of the spike protein that engaged all three receptor binding domains simultaneously. TRI2-2 neutralized Omicron (B.1.1.529), Delta (B.1.617.2), and all other variants tested with greater potency than the monoclonal antibodies used clinically for the treatment of COVID-19. TRI2-2 also conferred prophylactic and therapeutic protection against SARS-CoV-2 challenge when administered intranasally in mice. Designed miniprotein receptor mimics geometrically arrayed to match pathogen receptor binding sites could be a widely applicable antiviral therapeutic strategy with advantages over antibodies in greater resistance to viral escape and antigenic drift, and advantages over native receptor traps in lower chances of autoimmune responses.

Abstract Influenza vaccines that confer broad and durable protection against diverse virus strains would have a major impact on global health. However, next-generation vaccine design efforts have been complicated by challenges including the genetic plasticity of the virus and the immunodominance of certain epitopes in its glycoprotein antigens. Here we show that computationally designed, two-component nanoparticle immunogens induce potently neutralizing and broadly protective antibody responses against a wide variety of influenza viruses. The nanoparticle immunogens display 20 hemagglutinin (HA) trimers in a highly immunogenic array, and their assembly in vitro enables precisely controlled co-display of multiple distinct HAs in defined ratios. Nanoparticle immunogens displaying the four HAs of licensed quadrivalent influenza vaccines (QIV) elicited hemagglutination inhibition and neutralizing antibody responses to vaccine-matched strains that were equivalent or superior to commercial QIV in mice, ferrets, and nonhuman primates. The nanoparticle immunogens—but not QIV—simultaneously induced broadly protective antibody responses to heterologous viruses, including H5N1 and H7N9, by targeting the subdominant yet conserved HA stem. Unlike previously reported influenza vaccine candidates, our nanoparticle immunogens can alter the intrinsic immunodominance hierarchy of HA to induce both potent receptor-blocking and broadly cross-reactive stem-directed antibody responses and are attractive candidates for a next-generation influenza vaccine that could replace current seasonal vaccines. One Sentence Summary Nanoparticle immunogens displaying four seasonal influenza hemagglutinins elicit neutralizing antibodies directed at both the immunodominant head and the conserved stem and confer broad protective immunity.

We used two approaches to design proteins with shape and chemical complementarity to the receptor binding domain (RBD) of SARS-CoV-2 Spike protein near the binding site for the human ACE2 receptor. Scaffolds were built around an ACE2 helix that interacts with the RBD, or de novo designed scaffolds were docked against the RBD to identify new binding modes. In both cases, designed sequences were optimized first in silico and then experimentally for target binding, folding and stability. Nine designs bound the RBD with affinities ranging from 100pM to 10nM, and blocked bona fide SARS-CoV-2 infection of Vero E6 cells with IC 50 values ranging from 35 pM to 35 nM; the most potent of these - 56 and 64 residue hyperstable proteins made using the second approach - are roughly six times more potent on a per mass basis (IC 50 ~ 0.23 ng/ml) than the best monoclonal antibodies reported thus far. Cryo-electron microscopy structures of the SARS-CoV-2 spike ectodomain trimer in complex with the two most potent minibinders show that the structures of the designs and their binding interactions with the RBD are nearly identical to the computational models, and that all three RBDs in a single Spike protein can be engaged simultaneously. These hyperstable minibinders provide promising starting points for new SARS-CoV-2 therapeutics, and illustrate the power of computational protein design for rapidly generating potential therapeutic candidates against pandemic threats.

Many peptide hormones form an α-helix on binding their receptors1-4, and sensitive methods for their detection could contribute to better clinical management of disease5. De novo protein design can now generate binders with high affinity and specificity to structured proteins6,7. However, the design of interactions between proteins and short peptides with helical propensity is an unmet challenge. Here we describe parametric generation and deep learning-based methods for designing proteins to address this challenge. We show that by extending RFdiffusion8 to enable binder design to flexible targets, and to refining input structure models by successive noising and denoising (partial diffusion), picomolar-affinity binders can be generated to helical peptide targets by either refining designs generated with other methods, or completely de novo starting from random noise distributions without any subsequent experimental optimization. The RFdiffusion designs enable the enrichment and subsequent detection of parathyroid hormone and glucagon by mass spectrometry, and the construction of bioluminescence-based protein biosensors. The ability to design binders to conformationally variable targets, and to optimize by partial diffusion both natural and designed proteins, should be broadly useful.

Abstract Many peptide hormones form an alpha-helix upon binding their receptors 1–4 , and sensitive detection methods for them could contribute to better clinical management. De novo protein design can now generate binders with high affinity and specificity to structured proteins 5,6 . However, the design of interactions between proteins and short helical peptides is an unmet challenge. Here, we describe parametric generation and deep learning-based methods for designing proteins to address this challenge. We show that with the RF diffusion generative model, picomolar affinity binders can be generated to helical peptide targets either by noising and then denoising lower affinity designs generated with other methods, or completely de novo starting from random noise distributions; to our knowledge these are the highest affinity designed binding proteins against any protein or small molecule target generated directly by computation without any experimental optimization. The RF diffusion designs enable the enrichment of parathyroid hormone or other bioactive peptides in human plasma and subsequent detection by mass spectrometry, and bioluminescence-based protein biosensors. Capture reagents for bioactive helical peptides generated using the methods described here could aid in the improved diagnosis and therapeutic management of human diseases. 7,8

Escape variants of SARS-CoV-2 are threatening to prolong the COVID-19 pandemic. To address this challenge, we developed multivalent protein-based minibinders as potential prophylactic and therapeutic agents. Homotrimers of single minibinders and fusions of three distinct minibinders were designed to geometrically match the SARS-CoV-2 spike (S) trimer architecture and were optimized by cell-free expression and found to exhibit virtually no measurable dissociation upon binding. Cryo-electron microscopy (cryoEM) showed that these trivalent minibinders engage all three receptor binding domains on a single S trimer. The top candidates neutralize SARS-CoV-2 variants of concern with IC 50 values in the low pM range, resist viral escape, and provide protection in highly vulnerable human ACE2-expressing transgenic mice, both prophylactically and therapeutically. Our integrated workflow promises to accelerate the design of mutationally resilient therapeutics for pandemic preparedness.We designed, developed, and characterized potent, trivalent miniprotein binders that provide prophylactic and therapeutic protection against emerging SARS-CoV-2 variants of concern.

Abstract We explore the improvement of energy-based protein binder design using deep learning. We find that using AlphaFold2 or RoseTTAFold to assess the probability that a designed sequence adopts the designed monomer structure, and the probability that this structure binds the target as designed, increases design success rates nearly 10-fold. We find further that sequence design using ProteinMPNN rather than Rosetta considerably increases computational efficiency.

Abstract Engineered proteins generally must possess a stable structure in order to achieve their designed function. Stable designs, however, are astronomically rare within the space of all possible amino acid sequences. As a consequence, many designs must be tested computationally and experimentally in order to find stable ones, which is expensive in terms of time and resources. Here we report a neural network model that predicts protein stability based only on sequences of amino acids, and demonstrate its performance by evaluating the stability of almost 200,000 novel proteins. These include a wide range of sequence perturbations, providing a baseline for future work in the field. We also report a second neural network model that is able to generate novel stable proteins. Finally, we show that the predictive model can be used to substantially increase the stability of both expert-designed and model-generated proteins.

Abstract The design of proteins that bind to a specific site on the surface of a target protein using no information other than the three-dimensional structure of the target remains an outstanding challenge. We describe a general solution to this problem which starts with a broad exploration of the very large space of possible binding modes and interactions, and then intensifies the search in the most promising regions. We demonstrate its very broad applicability by de novo design of binding proteins to 12 diverse protein targets with very different shapes and surface properties. Biophysical characterization shows that the binders, which are all smaller than 65 amino acids, are hyperstable and bind their targets with nanomolar to picomolar affinities. We succeeded in solving crystal structures of four of the binder-target complexes, and all four are very close to the corresponding computational design models. Experimental data on nearly half a million computational designs and hundreds of thousands of point mutants provide detailed feedback on the strengths and limitations of the method and of our current understanding of protein-protein interactions, and should guide improvement of both. Our approach now enables targeted design of binders to sites of interest on a wide variety of proteins for therapeutic and diagnostic applications.

Abstract Rapid generation of diagnostics is paramount to understand epidemiology and to control the spread of emerging infectious diseases such as COVID-19. Computational methods to predict serodiagnostic epitopes that are specific for the pathogen could help accelerate the development of new diagnostics. A systematic survey of 27 SARS-CoV-2 proteins was conducted to assess whether existing B-cell epitope prediction methods, combined with comprehensive mining of sequence databases and structural data, could predict whether a particular protein would be suitable for serodiagnosis. Nine of the predictions were validated with recombinant SARS-CoV-2 proteins in the ELISA format using plasma and sera from patients with SARS-CoV-2 infection, and a further 11 predictions were compared to the recent literature. Results appeared to be in agreement with 12 of the predictions, in disagreement with 3, while a further 5 were deemed inconclusive. We showed that two of our top five candidates, the N-terminal fragment of the nucleoprotein and the receptor-binding domain of the spike protein, have the highest sensitivity and specificity and signal-to-noise ratio for detecting COVID-19 sera/plasma by ELISA. Mixing the two antigens together for coating ELISA plates led to a sensitivity of 94% (N=80 samples from persons with RT-PCR confirmed SARS-CoV2 infection), and a specificity of 97.2% (N=106 control samples).