SUMMARY The silent pandemic caused by antimicrobial resistance (AMR) requires innovative therapeutic approaches. Human monoclonal antibodies (mAbs), which are among the most transformative, safe and effective drugs in oncology and autoimmunity, are rarely used for infectious diseases and not yet used for AMR. Here we applied an antigen-agnostic strategy to isolate extremely potent human mAbs against Klebsiella pneumoniae (Kp) sequence type 147 (ST147), a hypervirulent and pandrug-resistant clonotype which is spreading globally. Isolated mAbs target the bacterial capsule and the O-antigen. Surprisingly, although both capsule- and O-antigen-specific mAbs displayed bactericidal activity in the picomolar range in vitro , only the capsule-specific mAbs were protective against fulminant ST147 bloodstream infection. Protection correlated with in vitro bacterial uptake by macrophages and enchained bacterial growth. Our study describes the only drug able to protect against pandrug-resistant Kp and provides a strategy to isolate mAbs and identify correlates of protection against AMR bacteria.

Protein assemblies are involved in many important biological processes. Solid-state NMR (SSNMR) spectroscopy is a technique suitable for the structural characterization of samples with high molecular weight and thus can be applied to such assemblies. A significant bottleneck in terms of both effort and time required is the manual identification of unambiguous intermolecular contacts. This is particularly challenging for homo-oligomeric complexes, where simple uniform labeling may not be effective. We tackled this challenge by exploiting coevolution analysis to extract information on homo-oligomeric interfaces from NMR-derived ambiguous contacts. After removing the evolutionary couplings (ECs) that are already satisfied by the 3D structure of the monomer, the predicted ECs are matched with the automatically generated list of experimental contacts. This approach provides a selection of potential interface residues that is used directly in monomer-monomer docking calculations. We validated the protocol on tetrameric L-asparaginase II and dimeric Sod1.

Abstract Lipopolysaccharide exposure to macrophages induces an inflammatory response that is heavily regulated at the transcriptional and post-transcriptional levels. HuR (ELAVL1) is an RNA binding protein that binds and regulates the maturation and half-life of AU/U rich elements (ARE) containing cytokines and chemokines transcripts, mediating the LPS-induced response. Here we investigated how and to what extent small molecule tanshinone mimics (TMs) inhibiting HuR-RNA interaction counteract LPS stimulus in macrophages. We show TMs exist in solution in keto-enolic tautomerism and that, by molecular dynamic calculations, the orto quinone form is the bioactive species interacting with HuR and inhibiting its binding mode vs mRNA targets. A chemical blockage of the diphenolic, reduced form as a diacetate caused the loss of activity of TMs in vitro but resulted to prodrug-like activity in vivo . The murine macrophage cell line RAW264.7 was treated with LPS and TMs, and the modulation of cellular LPS-induced response was monitored by RNA and Ribonucleoprotein immunoprecipitation sequencing. Correlation analyses indicated that LPS induced a strong coupling between differentially expressed genes and HuR-bound genes, and that TMs reduced such interactions. Functional annotation addressed a specific set of genes involved in chemotaxis and immune response, such as Cxcl10, Il1b, Cd40 , and Fas , with a decreased association with HuR, a reduction of their expression and protein secretion. The same effect was observed in primary murine bone marrow-derived macrophages, and in vivo in an LPS induced peritonitis model, in which the serum level of Cxcl10 and Il1b was strongly reduced, endowing TMs such as TM7nox with remarkable anti-inflammatory properties in vivo .

Understanding the fine structural details of inhibitor binding at the active site of metalloenzymes can have a profound impact on the rational drug design targeted to this broad class of biomolecules. Structural techniques such as NMR, cryo-EM, and X-ray crystallography can provide bond lengths and angles, but the uncertainties in these measurements can be as large as the range of values that have been observed for these quantities in all the published structures. This uncertainty is far too large to allow for reliable calculations at the quantum chemical (QC) levels for developing precise structure–activity relationships or for improving the energetic considerations in protein-inhibitor studies. Therefore, the need arises to rely upon computational methods to refine the active site structures well beyond the resolution obtained with routine application of structural methods. In a recent paper, we have shown that it is possible to refine the active site of cobalt(II)-substituted MMP12, a metalloprotein that is a relevant drug target, by matching to the experimental pseudocontact shifts (PCS) those calculated using multireference ab initio QC methods. The computational cost of this methodology becomes a significant bottleneck when the starting structure is not sufficiently close to the final one, which is often the case with biomolecular structures. To tackle this problem, we have developed an approach based on a neural network (NN) and a support vector regression (SVR) and applied it to the refinement of the active site structure of oxalate-inhibited human carbonic anhydrase 2 (hCAII), another prototypical metalloprotein target. The refined structure gives a remarkably good agreement between the QC-calculated and the experimental PCS. This study not only contributes to the knowledge of CAII but also demonstrates the utility of combining machine learning (ML) algorithms with QC calculations, offering a promising avenue for investigating other drug targets and complex biological systems in general.