Despite decades of antibody research, it remains challenging to predict the specificity of an antibody solely based on its sequence. Two major obstacles are the lack of appropriate models and the inaccessibility of datasets for model training. In this study, we curated >5,000 influenza hemagglutinin (HA) antibodies by mining research publications and patents, which revealed many distinct sequence features between antibodies to HA head and stem domains. We then leveraged this dataset to develop a lightweight memory B cell language model (mBLM) for sequence-based antibody specificity prediction. Model explainability analysis showed that mBLM could identify key sequence features of HA stem antibodies. Additionally, by applying mBLM to HA antibodies with unknown epitopes, we discovered and experimentally validated many HA stem antibodies. Overall, this study not only advances our molecular understanding of the antibody response to the influenza virus but also provides a valuable resource for applying deep learning to antibody research.

Abstract The receptor-binding site of influenza A virus hemagglutinin partially overlaps with major antigenic sites and constantly evolves. In this study, we observe that mutations G186D and D190N in the hemagglutinin receptor-binding site have coevolved in two recent human H3N2 clades. X-ray crystallography results show that these mutations coordinately drive the evolution of the hemagglutinin receptor binding mode. Epistasis between G186D and D190N is further demonstrated by glycan binding and thermostability analyses. Immunization and neutralization experiments using mouse and human samples indicate that the evolution of receptor binding mode is accompanied by a change in antigenicity. Besides, combinatorial mutagenesis reveals that G186D and D190N, along with other natural mutations in recent H3N2 strains, alter the compatibility with a common egg-adaptive mutation in seasonal influenza vaccines. Overall, our findings elucidate the role of epistasis in shaping the recent evolution of human H3N2 hemagglutinin and substantiate the high evolvability of its receptor-binding mode.

Despite decades of antibody research, it remains challenging to predict the specificity of an antibody solely based on its sequence. Two major obstacles are the lack of appropriate models and inaccessibility of datasets for model training. In this study, we curated a dataset of >5,000 influenza hemagglutinin (HA) antibodies by mining research publications and patents, which revealed many distinct sequence features between antibodies to HA head and stem domains. We then leveraged this dataset to develop a lightweight memory B cell language model (mBLM) for sequence-based antibody specificity prediction. Model explainability analysis showed that mBLM captured key sequence motifs of HA stem antibodies. Additionally, by applying mBLM to HA antibodies with unknown epitopes, we discovered and experimentally validated many HA stem antibodies. Overall, this study not only advances our molecular understanding of antibody response to influenza virus, but also provides an invaluable resource for applying deep learning to antibody research.

The ability of human immune system to generate antibodies to any given antigen can be strongly influenced by immunoglobulin V gene (IGV) allelic polymorphisms. However, previous studies have provided only a limited number of examples. Therefore, the prevalence of this phenomenon has been unclear. By analyzing >1,000 publicly available antibody-antigen structures, we show that many IGV allelic polymorphisms in antibody paratopes are determinants for antibody binding activity. Biolayer interferometry experiment further demonstrates that paratope allelic mutations on both heavy and light chain often abolish antibody binding. We also illustrate the importance of minor IGV allelic variants with low frequency in several broadly neutralizing antibodies to SARS-CoV-2 and influenza virus. Overall, this study not only highlights the pervasive impact of IGV allelic polymorphisms on antibody binding, but also provides mechanistic insights into the variability of antibody repertoires across individuals, which in turn have important implications for vaccine development and antibody discovery.

Abstract HLA-B27 is a major risk factor for spondyloarthritis (SpA), yet the underlying mechanisms remain unclear. HLA-B27 misfolding-induced IL-23, which is mediated by endoplasmic reticulum (ER) stress has been hypothesized to drive SpA pathogenesis. Expression of HLA-B27 and human β 2 m (hβ 2 m) in rats (HLA-B27-Tg) recapitulates key SpA features including gut inflammation. Here we determined whether deleting the transcription factor CHOP ( Ddit3− /−), which mediates ER-stress induced IL-23, affects gut inflammation in HLA-B27-Tg animals. ER stress-mediated Il23a overexpression was abolished in CHOP-deficient macrophages. Although CHOP-deficiency also reduced Il23a expression in immune cells isolated from the colon of B27+ rats, Il17a levels were not affected, and gut inflammation was not reduced. Rather, transcriptome analysis revealed increased expression of pro-inflammatory genes, including Il1a , Ifng and Tnf in HLA-B27-Tg colon tissue in the absence of CHOP, which was accompanied by higher histological Z-scores. RNAScope localized Il17a mRNA to the lamina propria of the HLA-B27-Tg rats and revealed similar co-localization with Cd3e (CD3) in the presence and absence of CHOP. This demonstrates that CHOP-deficiency does not improve, but rather exacerbates gut inflammation in HLA-B27-Tg rats, indicating that HLA-B27 is not promoting gut disease through ER stress-induced IL-23. Hence, CHOP may protect rats from more severe HLA-B27-induced gut inflammation.