Abstract Currently approved anti-influenza drugs target viral proteins, are subtype limited, and are challenged by rising antiviral resistance. To overcome these limitations, we sought to identify a conserved essential RNA secondary structure within the genomic RNA predicted to have greater constraints on mutation in response to therapeutics targeting this structure. Here, we identified and genetically validated an RNA stemloop structure we termed PSL2, which serves as a packaging signal for genome segment PB2 and is highly conserved across influenza A virus (IAV) isolates. RNA structural modeling rationalized known packaging-defective mutations and allowed for predictive mutagenesis tests. Disrupting and compensating mutations of PSL2’s structure give striking attenuation and restoration, respectively, of in vitro virus packaging and mortality in mice. Antisense Locked Nucleic Acid oligonucleotides (LNAs) designed against PSL2 dramatically inhibit IAV in vitro against viruses of different strains and subtypes, possess a high barrier to the development of antiviral resistance, and are equally effective against oseltamivir carboxylate-resistant virus. A single dose of LNA administered 3 days after, or 14 days before, a lethal IAV inoculum provides 100% survival. Moreover, such treatment led to the development of strong immunity to rechallenge with a ten-fold lethal inoculum. Together, these results have exciting implications for the development of a versatile novel class of antiviral therapeutics capable of prophylaxis, post-exposure treatment, and “just-in-time” universal vaccination against all IAV strains, including drug-resistant pandemics. One Sentence Summary Targeting a newly identified conserved RNA structure in the packaging signal region of influenza segment PB2 abrogates virus production in vitro and dramatically attenuates disease in vivo .

Abstract A major challenge in protein design is to augment existing functional proteins with multiple property enhancements. Altering several properties likely necessitates numerous primary sequence changes, and novel methods are needed to accurately predict combinations of mutations that maintain or enhance function. Models of sequence co-variation (e.g., EVcouplings), which leverage extensive information about various protein properties and activities from homologous protein sequences, have proven effective for many applications including structure determination and mutation effect prediction. We apply EVcouplings to computationally design variants of the model protein TEM-1 β -lactamase. Nearly all the 14 experimentally characterized designs were functional, including one with 84 mutations from the nearest natural homolog. The designs also had large increases in thermostability, increased activity on multiple substrates, and nearly identical structure to the wild type enzyme. This study highlights the efficacy of evolutionary models in guiding large sequence alterations to generate functional diversity for protein design applications.

Abstract Designing optimized proteins is important for a range of practical applications. Protein design is a rapidly developing field that would benefit from approaches that enable many changes in the amino acid primary sequence, rather than a small number of mutations, while maintaining structure and enhancing function. Homologous protein sequences contain extensive information about various protein properties and activities that have emerged over billions of years of evolution. Evolutionary models of sequence co-variation, derived from a set of homologous sequences, have proven effective in a range of applications including structure determination and mutation effect prediction. In this work we apply one of these models (EVcouplings) to computationally design highly divergent variants of the model protein TEM-1 β-lactamase, and characterize these designs experimentally using multiple biochemical and biophysical assays. Nearly all designed variants were functional, including one with 84 mutations from the nearest natural homolog. Surprisingly, all functional designs had large increases in thermostability and most had a broadening of available substrates. These property enhancements occurred while maintaining a nearly identical structure to the wild type enzyme. Collectively, this work demonstrates that evolutionary models of sequence co-variation (1) are able to capture complex epistatic interactions that successfully guide large sequence departures from natural contexts, and (2) can be applied to generate functional diversity useful for many applications in protein design.

Abstract As genomic databases expand and artificial intelligence tools advance, there is a growing demand for efficient characterization of large numbers of proteins. To this end, here we describe a generalizable pipeline for high-throughput protein purification using small-scale expression in E. coli and an affordable liquid-handling robot. This low-cost platform enables the purification of 96 proteins in parallel with minimal waste and is scalable for processing hundreds of proteins weekly per user. We demonstrate the performance of this method with the expression and purification of the leading poly(ethylene terephthalate) hydrolases reported in the literature. Replicate experiments demonstrated reproducibility and enzyme purity and yields (up to 400 µg) sufficient for comprehensive analyses of both thermostability and activity, generating a standardized benchmark dataset for comparing these plastic-degrading enzymes. The cost-effectiveness and ease of implementation of this platform render it broadly applicable to diverse protein characterization challenges in the biological sciences.