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.

ABSTRACT The influenza A virus nuclear export protein (NEP) is a multifunctional protein that is essential for the viral life cycle and has very high sequence conservation. However, since the open reading frame of NEP largely overlaps with that of another influenza viral protein, non-structural protein 1, it is difficult to infer the functional constraints of NEP based on sequence conservation analysis. Besides, the N-terminal of NEP is structurally disordered, which further complicates the understanding of its function. Here, we systematically measured the replication fitness effects of >1,800 mutations of NEP. Our results show that the N-terminal domain has high mutational tolerance. Additional experiments demonstrate that N-terminal domain mutations pleiotropically affect viral transcription and replication dynamics, host cellular responses, and mammalian adaptation of avian influenza virus. Overall, our study not only advances the functional understanding of NEP, but also provides insights into its evolutionary constraints.

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.

Abstract Understanding how immune history influences influenza immunity is essential for developing effective vaccines and therapeutic strategies. This study investigates the antigenic imprinting of influenza hemagglutinin (HA) and neuraminidase (NA) using a mouse model with sequential infection by four seasonal H1N1 strains. Our findings reveal that, among pre-2009 H1N1 strains, the extent of infection history correlates with the restriction of antibody responses to antigenically drifted HA, but not NA. This suggests the mouse model failed to recapitulate NA imprinting in humans, likely due to the difference in NA immunodominance hierarchy between humans and mice. Nevertheless, pre-existing antibodies induced by infection with pre-2009 influenza virus impeded both functional HA and NA antibody responses against a 2009 pandemic H1N1 strain. Overall, this study provides insights into antigenic imprinting for influenza virus, as well as the limitations of using mouse models for studying antigenic imprinting. Importance Influenza viruses continue to pose a significant threat to human health, with vaccine effectiveness being a persistent concern. One important factor is the individual immune history can influence subsequent antibody responses. While many studies have focused on how pre-existing antibodies influence the induction of anti-HA antibodies after influenza virus infections or vaccinations, the impact on anti-NA antibodies has been less extensively investigated. In this study, using a mouse model, we highlighted within the pre-2009 H1N1 strains, a greater extent of immune history negatively affected anti-HA antibodies but positively influenced anti-NA antibody responses. However, for the 2009 pandemic H1N1 strain, which underwent with antigenic shift, both anti-HA and anti-NA antibody responses have been impeded by the antibodies induced by pre-2009 H1N1 virus infection. These findings have important implications for enhancing our understanding of antigenic imprinting on anti-HA and anti-NA antibody response and for developing more effective vaccination strategies.

Antibody discovery is crucial for developing therapeutics and vaccines as well as understanding adaptive immunity. However, the lack of approaches to synthesize antibodies with defined sequences in a high-throughput manner represents a major bottleneck in antibody discovery. Here, we presented oPool + display, which combines oligo pool synthesis and mRNA display to construct and characterize the specificity of many natively paired antibodies in parallel. As a proof-of-concept, we applied oPool + display to rapidly screen the binding activity of >300 natively paired influenza hemagglutinin (HA) antibodies against the conserved HA stem domain. Structural analysis of 16.ND.92, one of the identified HA stem antibodies, revealed a unique binding mode distinct from other known broadly neutralizing stem antibodies with the same sequence feature. Yet, despite such differences, 16.ND.92 remained broadly reactive and conferred in vivo protection. Overall, this study not only established an experimental platform to accelerate antibody discovery, but also provides molecular insights into antibody responses to the influenza HA stem, which is a major target for universal influenza vaccine development.