Abstract Natural evolution must explore a vast landscape of possible sequences for desirable yet rare mutations, suggesting that learning from natural evolutionary strategies could accelerate artificial evolution. Here, we report that deep learning algorithms known as protein language models can evolve human antibodies with high efficiency, despite providing the models with no information about the target antigen, binding specificity, or protein structure, and also requiring no additional task-specific finetuning or supervision. We performed language-model-guided affinity maturation of seven diverse antibodies, screening 20 or fewer variants of each antibody across only two rounds of evolution. Our evolutionary campaigns improved the binding affinities of four clinically relevant antibodies up to 7-fold and three unmatured antibodies up to 160-fold across diverse viral antigens, with many designs also demonstrating improved thermostability and viral neutralization activity. Notably, our algorithm requires only a single wildtype sequence and computes recommended amino acid changes in less than a second. Moreover, the same models that improve antibody binding also guide efficient evolution across diverse protein families and selection pressures, indicating that these results generalize to many natural settings. Contrary to prevailing notions of evolution as difficult and resource-intensive, our results suggest that when constrained to a narrow manifold of evolutionary plausibility, evolution can become much easier, which we refer to as the “efficient manifold hypothesis.”

Large language models trained on sequence information alone can learn high-level principles of protein design. However, beyond sequence, the three-dimensional structures of proteins determine their specific function, activity, and evolvability. Here, we show that a general protein language model augmented with protein structure backbone coordinates can guide evolution for diverse proteins without the need to model individual functional tasks. We also demonstrate that ESM-IF1, which was only trained on single-chain structures, can be extended to engineer protein complexes. Using this approach, we screened about 30 variants of two therapeutic clinical antibodies used to treat severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection. We achieved up to 25-fold improvement in neutralization and 37-fold improvement in affinity against antibody-escaped viral variants of concern BQ.1.1 and XBB.1.5, respectively. These findings highlight the advantage of integrating structural information to identify efficient protein evolution trajectories without requiring any task-specific training data.

Abstract HIV-1 strains are categorized into one of three neutralization tiers based on the relative ease by which they are neutralized by plasma from HIV-1 infected donors not on antiretroviral therapy; tier-1 strains are particularly sensitive to neutralization while tier-2 and tier-3 strains are increasingly difficult to neutralize. Most broadly neutralizing antibodies (bnAbs) previously described target the native prefusion conformation of HIV-1 Envelope (Env), but the relevance of the tiered categories for inhibitors targeting another Env conformation, the pre-hairpin intermediate, is not well understood. Here we show that two inhibitors targeting distinct highly-conserved regions of the pre-hairpin intermediate have strikingly consistent neutralization potencies (within ∼100-fold for a given inhibitor) against strains in all three neutralization tiers of HIV-1; in contrast, best-in-class bnAbs targeting diverse Env epitopes vary by more than 10,000-fold in potency against these strains. Our results indicate that antisera-based HIV-1 neutralization tiers are not relevant for inhibitors targeting the pre-hairpin intermediate and highlight the potential for therapies and vaccine efforts targeting this conformation.

Abstract Large language models trained on sequence information alone are capable of learning high level principles of protein design. However, beyond sequence, the three-dimensional structures of proteins determine their specific function, activity, and evolvability. Here we show that a general protein language model augmented with protein structure backbone coordinates and trained on the inverse folding problem can guide evolution for diverse proteins without needing to explicitly model individual functional tasks. We demonstrate inverse folding to be an effective unsupervised, structure-based sequence optimization strategy that also generalizes to multimeric complexes by implicitly learning features of binding and amino acid epistasis. Using this approach, we screened ∼30 variants of two therapeutic clinical antibodies used to treat SARS-CoV-2 infection and achieved up to 26-fold improvement in neutralization and 37-fold improvement in affinity against antibody-escaped viral variants-of-concern BQ.1.1 and XBB.1.5, respectively. In addition to substantial overall improvements in protein function, we find inverse folding performs with leading experimental success rates among other reported machine learning-guided directed evolution methods, without requiring any task-specific training data.

Abstract Most vaccines require several immunizations to induce robust immunity, and indeed, most SARS-CoV-2 vaccines require an initial two-shot regimen followed by several boosters to maintain efficacy. Such a complex series of immunizations unfortunately increases the cost and complexity of populations-scale vaccination and reduces overall compliance and vaccination rate. In a rapidly evolving pandemic affected by the spread of immune-escaping variants, there is an urgent need to develop vaccines capable of providing robust and durable immunity. In this work, we developed a single immunization SARS-CoV-2 subunit vaccine that could rapidly generate potent, broad, and durable humoral immunity. We leveraged injectable polymer-nanoparticle (PNP) hydrogels as a depot technology for the sustained delivery of a nanoparticle COVID antigen displaying multiple copies of the SARS-CoV-2 receptor-binding-domain (RBD-NP), and potent adjuvants including CpG and 3M-052. Compared to a clinically relevant prime-boost regimen with soluble vaccines formulated with CpG/Alum or 3M-052/Alum adjuvants, PNP hydrogel vaccines more rapidly generated higher, broader, and more durable antibody responses. Additionally, these single-immunization hydrogel-based vaccines elicited potent and consistent neutralizing responses. Overall, we show that PNP hydrogels elicit improved anti-COVID immune responses with only a single administration, demonstrating their potential as critical technologies to enhance our overall pandemic readiness.

Abstract The hydrophobic pocket found in the N-heptad repeat (NHR) region of HIV-1 gp41 is a highly conserved epitope that is the target of various HIV-1 neutralizing monoclonal antibodies. Although the high conservation of the pocket makes it an attractive vaccine candidate, it has been challenging to elicit potent anti-NHR antibodies via immunization. Here, we solved a high-resolution structure of the NHR mimetic IQN17, and, consistent with previous ligand-bound gp41 pocket structures, we observed remarkable conformational plasticity of the pocket. The high malleability of this pocket led us to test whether we could improve the immunogenicity of the gp41 pocket by stabilizing its conformation. We show that the addition of five amino acids at the C-terminus of IQN17, to generate IQN22, introduces a stabilizing salt bridge at the base of the peptide that rigidifies the pocket. Mice immunized with IQN22 elicited higher avidity antibodies against the gp41 pocket and a more potent, albeit still weak, neutralizing response against HIV-1 compared to IQN17. Stabilized epitope-focused immunogens could serve as the basis for future HIV-1 fusion-inhibiting vaccines.

The threat of future coronavirus pandemics requires developing cost-effective vaccine technologies that provide broad and long-lasting protection against diverse circulating and emerging strains. Here we report a multivalent liposomal hydrogel depot vaccine technology comprising the receptor binding domain (RBD) of up to four relevant SARS and MERS coronavirus strains non-covalently displayed on the surface of the liposomes within the hydrogel structure. The multivalent presentation and sustained exposure of RBD antigens improved the potency, neutralizing activity, durability, and consistency of antibody responses across homologous and heterologous coronavirus strains in a naive murine model. When administrated in animals previously exposed to the wild-type SARS-CoV-2 antigens, liposomal hydrogels elicited durable antibody responses against the homologous SARS and MERS strains for over 6 months and elicited neutralizing activity against the immune-evasive SARS-CoV-2 variant Omicron BA.4/BA.5. Overall, the tunable antigen-decorated liposomal hydrogel platform we report here generates robust and durable humoral responses across diverse coronaviruses, supporting global efforts to effectively respond to future viral outbreaks.

Autologous transplantation of

The receptor-binding domain (RBD) of the SARS-CoV-2 spike protein is the main target of neutralizing antibodies. Although they are infrequently elicited during infection or vaccination, antibodies that bind to the conformation-specific cryptic face of the RBD display remarkable breadth of binding and neutralization across