Abstract Plasma cells and their secreted antibodies play a central role in the long-term protection against chronic viral infection. However, due to experimental limitations, a comprehensive description of linked genotypic, phenotypic, and antibody repertoire features of plasma cells (gene expression, clonal frequency, virus specificity, and affinity) has been challenging to obtain. To address this, we performed single-cell transcriptome and antibody repertoire sequencing of the murine bone marrow plasma cell population following chronic lymphocytic choriomeningitis virus infection. Our single-cell sequencing approach recovered full-length and paired heavy and light chain sequence information for thousands of plasma cells and enabled us to perform recombinant antibody expression and specificity screening. Antibody repertoire analysis revealed that, relative to protein immunization, chronic infection led to increased levels of clonal expansion, class-switching, and somatic variants. Furthermore, antibodies from the highly expanded and class-switched (IgG) plasma cells were found to be specific for multiple viral antigens and a subset of clones exhibited cross-reactivity to non-viral- and auto-antigens. Integrating single-cell transcriptome data with antibody specificity suggested that plasma cell transcriptional phenotype was correlated to viral antigen specificity. Our findings demonstrate that chronic viral infection can induce and sustain plasma cell clonal expansion, combined with significant somatic hypermutation, and can generate cross-reactive antibodies. Graphical abstract. Single-cell sequencing reveals clonally expanded plasma cells during chronic viral infection produce virus-specific and cross-reactive antibodies.

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 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

Most COVID-19 antibody therapies rely on binding the SARS-CoV-2 receptor binding domain (RBD). However, heavily mutated variants such as Omicron and its sublineages, which are characterized by an ever increasing number of mutations in the RBD, have rendered prior antibody therapies ineffective, leaving no clinically approved antibody treatments for SARS-CoV-2. Therefore, the capacity of therapeutic antibody candidates to bind and neutralize current and prospective SARS-CoV-2 variants is a critical factor for drug development. Here, we present a deep learning-guided approach to identify antibodies with enhanced resistance to SARS-CoV-2 evolution. We apply deep mutational learning (DML), a machine learning-guided protein engineering method to interrogate a massive sequence space of combinatorial RBD mutations and predict their impact on angiotensin-converting enzyme 2 (ACE2) binding and antibody escape. A high mutational distance library was constructed based on the full-length RBD of Omicron BA.1, which was experimentally screened for binding to the ACE2 receptor or neutralizing antibodies, followed by deep sequencing. The resulting data was used to train ensemble deep learning models that could accurately predict binding or escape for a panel of therapeutic antibody candidates targeting diverse RBD epitopes. Furthermore, antibody breadth was assessed by predicting binding or escape to synthetic lineages that represent millions of sequences generated using in silico evolution, revealing combinations with complementary and enhanced resistance to viral evolution. This deep learning approach may enable the design of next-generation antibody therapies that remain effective against future SARS-CoV-2 variants.

ABSTRACT The Covid-19 pandemic showcases a coevolutionary race between the human immune system and SARS-CoV-2, mirroring the Red Queen hypothesis of evolutionary biology. The immune system generates neutralizing antibodies targeting the SARS-CoV-2 spike protein’s receptor binding domain (RBD), crucial for host cell invasion, while the virus evolves to evade antibody recognition. Here, we establish a synthetic coevolution system combining high-throughput screening of antibody and RBD variant libraries with protein mutagenesis, surface display, and deep sequencing. Additionally, we train a protein language machine learning model that predicts antibody escape to RBD variants. Synthetic coevolution reveals antagonistic and compensatory mutational trajectories of neutralizing antibodies and SARS-CoV-2 variants, enhancing the understanding of this evolutionary conflict.

Abstract The maturation of systems immunology methodologies requires novel and transparent computational frameworks capable of integrating diverse data modalities in a reproducible manner. Here, we present the ePlatypus computational immunology ecosystem for immunogenomics data analysis, with a focus on adaptive immune repertoires and single-cell sequencing. ePlatypus is a web-based platform and provides programming tutorials and an integrative database that elucidates selection patterns of adaptive immunity. Furthermore, the ecosystem links novel and established bioinformatics pipelines relevant for single-cell immune repertoires and other aspects of computational immunology such as predicting ligand-receptor interactions, structural modeling, simulations, machine learning, graph theory, pseudotime, spatial transcriptomics and phylogenetics. The ePlatypus ecosystem helps extract deeper insight in computational immunology and immunogenomics and promote open science. Accessibility https://alexyermanos.github.io/Platypus/index.html