Significance The new SARS-CoV-2 pandemic leads to COVID-19 with respiratory failure, substantial morbidity, and significant mortality. Overactivation of the innate immune response is postulated to trigger this detrimental process. The complement system is a key player in innate immunity. Despite a few reports of local complement activation, there is a lack of evidence that the degree of systemic complement activation occurs early in COVID-19 patients, and whether this is associated with respiratory failure. This study shows that a number of complement activation products are systemically, consistently, and long-lastingly increased from admission and during the hospital stay. Notably, the terminal sC5b-9 complement complex was associated with respiratory failure. Thus, complement inhibition is an attractive therapeutic approach for treatment of COVD-19.

Human IgG3 displays the strongest effector functions of all IgG subclasses but has a short half-life for unresolved reasons. Here we show that IgG3 binds to IgG-salvage receptor (FcRn), but that FcRn-mediated transport and rescue of IgG3 is inhibited in the presence of IgG1 due to intracellular competition between IgG1 and IgG3. We reveal that this occurs because of a single amino acid difference at position 435, where IgG3 has an arginine instead of the histidine found in all other IgG subclasses. While the presence of R435 in IgG increases binding to FcRn at neutral pH, it decreases binding at acidic pH, affecting the rescue efficiency—but only in the presence of H435–IgG. Importantly, we show that in humans the half-life of the H435-containing IgG3 allotype is comparable to IgG1. H435–IgG3 also gave enhanced protection against a pneumococcal challenge in mice, demonstrating H435–IgG3 to be a candidate for monoclonal antibody therapies. The half-life of IgG is regulated by binding to the neonatal Fc receptor and, in the case of IgG3, is reduced compared to other IgG proteins. In this study, a mutation in IgG3 is shown to reduce binding to the neonatal Fc receptor, which can be competitively blocked by IgG1.

Abstract Generative machine learning (ML) has been postulated to be a major driver in the computational design of antigen-specific monoclonal antibodies (mAb). However, efforts to confirm this hypothesis have been hindered by the infeasibility of testing arbitrarily large numbers of antibody sequences for their most critical design parameters: paratope, epitope, affinity, and developability. To address this challenge, we leveraged a lattice-based antibody-antigen binding simulation framework, which incorporates a wide range of physiological antibody binding parameters. The simulation framework enables both the computation of antibody-antigen 3D-structures as well as functions as an oracle for unrestricted prospective evaluation of the antigen specificity of ML-generated antibody sequences. We found that a deep generative model, trained exclusively on antibody sequence (1D) data can be used to design native-like conformational (3D) epitope-specific antibodies, matching or exceeding the training dataset in affinity and developability variety. Furthermore, we show that transfer learning enables the generation of high-affinity antibody sequences from low-N training data. Finally, we validated that the antibody design insight gained from simulated antibody-antigen binding data is applicable to experimental real-world data. Our work establishes a priori feasibility and the theoretical foundation of high-throughput ML-based mAb design. Highlights A large-scale dataset of 70M [3 orders of magnitude larger than the current state of the art] synthetic antibody-antigen complexes, that reflect biological complexity, allows the prospective evaluation of antibody generative deep learning Combination of generative learning, synthetic antibody-antigen binding data, and prospective evaluation shows that deep learning driven antibody design and discovery at an unconstrained level is feasible Transfer learning (low-N learning) coupled to generative learning shows that antibody-binding rules may be transferred across unrelated antibody-antigen complexes Experimental validation of antibody-design conclusions drawn from deep learning on synthetic antibody-antigen binding data Graphical abstract We leverage large synthetic ground-truth data to demonstrate the (A,B) unconstrained deep generative learning-based generation of native-like antibody sequences, (C) the prospective evaluation of conformational (3D) affinity, paratope-epitope pairs, and developability. (D) Finally, we show increased generation quality of low-N-based machine learning models via transfer learning.

ABSTRACT Diagnostic assays currently used to monitor the efficacy of COVID-19 vaccines measure levels of antibodies to the receptor-binding domain of ancestral SARS-CoV-2 (RBDwt). However, the predictive value for protection against new variants of concern (VOCs) has not been firmly established. Here, we used bead-based arrays and flow cytometry to measure binding of antibodies to spike proteins and receptor-binding domains (RBDs) from VOCs in 12,000 sera. Effects of sera on RBD-ACE2 interactions were measured as a proxy for neutralizing antibodies. The samples were obtained from healthy individuals or patients on immunosuppressive therapy who had received two to four doses of COVID-19 vaccines and from COVID-19 convalescents. The results show that anti-RBDwt titers correlate with the levels of binding- and neutralizing antibodies against the Alpha, Beta, Gamma, Delta, Epsilon and Omicron variants. The benefit of multiplexed analysis lies in the ability to measure a wide range of anti-RBD titers using a single dilution of serum for each assay. The reactivity patterns also yield an internal reference for neutralizing activity and binding antibody units per milliliter (BAU/ml). Results obtained with sera from vaccinated healthy individuals and patients confirmed and extended results from previous studies on time-dependent waning of antibody levels and effects of immunosuppressive agents. We conclude that anti-RBDwt titers correlate with levels of neutralizing antibodies against VOCs and propose that our method may be implemented to enhance the precision and throughput of immunomonitoring.

Designing effective monoclonal antibody (mAb) therapeutics faces a multi-parameter optimization challenge known as "developability", which reflects an antibody's ability to progress through development stages based on its physicochemical properties. While natural antibodies may provide valuable guidance for mAb selection, we lack a comprehensive understanding of natural developability parameter (DP) plasticity (redundancy, predictability, sensitivity) and how the DP landscapes of human-engineered and natural antibodies relate to one another. These gaps hinder fundamental developability profile cartography. To chart natural and engineered DP landscapes, we computed 40 sequence- and 46 structure-based DPs of over two million native and human-engineered single-chain antibody sequences. We find lower redundancy among structure-based compared to sequence-based DPs. Sequence DP sensitivity to single amino acid substitutions varied by antibody region and DP, and structure DP values varied across the conformational ensemble of antibody structures. We show that sequence DPs are more predictable than structure-based ones across different machine-learning tasks and embeddings, indicating a constrained sequence-based design space. Human-engineered antibodies localize within the developability and sequence landscapes of natural antibodies, suggesting that human-engineered antibodies explore mere subspaces of the natural one. Our work quantifies the plasticity of antibody developability, providing a fundamental resource for multi-parameter therapeutic mAb design. Analysis of 2 million native antibodies reveals that human-engineered antibodies form subspaces of the natural developability space. This large-scale analysis allows the quantification of developability plasticity, accelerating antibody drug design.

Abstract Recycling antibodies can bind to their target antigen at neutral pH in the blood stream and release them upon endocytosis when pH levels drop, allowing the antibodies to be recycled into circulation via FcRn-mediated pathway, while the antigens undergo lysosomal degradation. This enables recycling antibodies to achieve the same therapeutic effect at lower doses than their non-recyclable counterparts. The development of such antibodies is typically achieved by histidine doping of the variable regions of specific antibodies or by performing in vitro antibody selection campaigns utilizing histidine doped libraries. While often successful, these strategies may introduce sequence liabilities, as they often involve mutations that may render the resultant antibodies to be non-natural. Here, we present a methodology that employs a naïve antibody phage display library, consisting of natural variable domains, to discover antibodies that bind α-cobratoxin from the venom of Naja kaouthia in a pH-dependent manner. Upon screening of the discovered antibodies with immunoassays and bio-layer interferometry, a pH-dependent antibody was discovered that exhibits an 8-fold higher dissociation rate at pH 5.5 than 7.4. Interestingly, the variable domains of the pH-dependent antibody were found to be entirely devoid of histidines, demonstrating that pH-dependency may not always be driven by this amino acid. Further, given the high diversity available in a naïve antibody library, the methodology presented here can likely be applied to discover pH-dependent antibodies against different targets ab initio without the need of histidine doping. For broader audience Here, we present the discovery of an α-cobratoxin targeting pH-dependent antibody, with a variable region devoid of histidines, from a naïve antibody library with natural variable domains. Our findings suggest that the commonly taken approach of histidine doping to find pH-dependent antibodies may not always be required, and thus offer an alternative strategy for the discovery of pH-dependent antibodies.

Designing effective monoclonal antibody (mAb) therapeutics faces a multi-parameter optimization challenge known as "developability", which reflects an antibody9s ability to progress through development stages based on its physicochemical properties. While natural antibodies may provide valuable guidance for mAb selection, we lack a comprehensive understanding of natural developability parameter (DP) plasticity (redundancy, predictability, sensitivity) and how the DP landscapes of human-engineered and natural antibodies relate to one another. These gaps hinder fundamental developability profile cartography. To chart natural and engineered DP landscapes, we computed 40 sequence- and 46 structure-based DPs of over two million native and human-engineered single-chain antibody sequences. We found lower redundancy among structure-based compared to sequence-based DPs. Sequence DP sensitivity to single amino acid substitutions varied by antibody region and DP, and structure DP values varied across the conformational ensemble of antibody structures. Sequence DPs were more predictable than structure-based ones across different machine-learning tasks and embeddings, indicating a constrained sequence-based design space. Human-engineered antibodies were localized within the developability and sequence landscapes of natural antibodies, suggesting that human-engineered antibodies explore mere subspaces of the natural one. Our work quantifies the plasticity of antibody developability, providing a fundamental resource for multi-parameter therapeutic mAb design.

Abstract There is an unmet medical need for new therapeutic approaches and targets for patients with non- Hodgkin lymphoma (NHL) who relapse or are refractory to anti-CD20 immunotherapy. Therefore, we developed a humanized IgG 1 antibody targeting CD37, which was tailored to be afucosylated for enhanced antibody-dependent cellular cytotoxicity (ADCC) (NNV024). In line with this, NNV024 induced three-fold more potent ADCC activity against patient-derived chronic lymphocytic leukemia (CLL) cells compared with anti-CD20 obinutuzumab. Moreover, NNV024 showed 2-fold higher ADCC activity than anti-CD20 rituximab and a recombinant version of DuoHexaBody-CD37 against both NHL and CLL cells. Survival was significantly longer after NNV024 treatment than with obinutuzumab in a mouse model. In addition, NNV024 showed a favourable plasma half-life in human FcRn transgenic mice of about 9-days, which was 2-fold longer than that of obinutuzumab and DuoHexaBody-CD37. These results warrant the further development of NNV024 as a treatment for NHL.

Monoclonal antibodies (mAbs) as therapeutics necessitate favorable pharmacokinetic properties, including extended serum half-life, achieved through pH-dependent binding to the neonatal Fc receptor (FcRn). While prior research has mainly investigated IgG-FcRn binding kinetics with a focus on single affinity values, it has been shown that each IgG molecule can engage two FcRn molecules throughout an endosomal pH gradient. As such, we present here a more comprehensive analysis of these interactions with an emphasis on both affinity and avidity by taking advantage of switchSENSE technology, a surface-based biosensor where recombinant FcRn was immobilized via short DNA nanolevers, mimicking the membranous orientation of the receptor. The results revealed insight into the avidity-to-affinity relationship, where assessing binding through a pH gradient ranging from pH 5.8 to 7.4 showed that the half-life extended IgG1-YTE has an affinity inflection point at pH 7.2, reflecting its engineering for improved FcRn binding compared with the wild-type counterpart. Furthermore, IgG1-YTE displayed a pH switch for the avidity enhancement factor at pH 6.2, reflecting strong receptor binding to both sides of the YTE-containing Fc, while avidity was abolished at pH 7.4. When compared with classical surface plasmon resonance (SPR) technology and complementary methods, the use of switchSENSE demonstrated superior capabilities in differentiating affinity from avidity within a single measurement. Thus, the methodology provides reliable kinetic rate parameters for both binding modes and their direct relationship as a function of pH. Also, it deciphers the potential effect of the variable Fab arms on FcRn binding, in which SPR has limitations. Our study offers guidance for how FcRn binding properties can be studied for IgG engineering strategies.

Tumor cell phagocytosis by macrophages is considered a relevant mechanism of action for many therapeutic IgG antibodies. However, tumor cells employ several mechanisms to evade immune recognition, including hypersialylation. Here, we describe how reduction of sialic acid exposure on tumor cells promotes antibody-dependent tumor cell phagocytosis (ADCP) by macrophages. Incubation with the sialyltransferase inhibitor (STi) P-3Fax-Neu5Ac reduced sialylation on two breast cancer cell lines, rendering these cells more susceptible to macrophage mediated phagocytosis by EGFR or HER2 antibodies. This was observed with not only IgG1 and IgG2 antibodies but also IgA2 variants. These results show that inhibiting sialic acid exposure triggers enhanced tumor cell phagocytosis by macrophages irrespective of the antibody isotype and the tumor target antigen. Investigating the underlying mechanisms of enhanced ADCP, we observed reduced binding of soluble sialic acid-binding immunoglobulin-like lectins (Siglec)-7 and Siglec-9 to tumor cells after sialylation inhibition. However, Fc silent blocking antibodies against Siglec-7 or Siglec-9, or their combination, only marginally improved ADCP. Our results further promote the concept of cancer hypersialylation as immune escape mechanism, which could serve as target to improve tumor immunotherapy with monoclonal antibodies.