AH
Ariel Halper-Stromberg
Author with expertise in Human Immunodeficiency Virus/Acquired Immunodeficiency Syndrome
Achievements
Cited Author
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
6
(100% Open Access)
Cited by:
1,925
h-index:
10
/
i10-index:
10
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Complex-type N -glycan recognition by potent broadly neutralizing HIV antibodies

Hugo Mouquet et al.Oct 30, 2012
Broadly neutralizing HIV antibodies (bNAbs) can recognize carbohydrate-dependent epitopes on gp120. In contrast to previously characterized glycan-dependent bNAbs that recognize high-mannose N -glycans, PGT121 binds complex-type N -glycans in glycan microarrays. We isolated the B-cell clone encoding PGT121, which segregates into PGT121-like and 10-1074–like groups distinguished by sequence, binding affinity, carbohydrate recognition, and neutralizing activity. Group 10-1074 exhibits remarkable potency and breadth but no detectable binding to protein-free glycans. Crystal structures of unliganded PGT121, 10-1074, and their likely germ-line precursor reveal that differential carbohydrate recognition maps to a cleft between complementarity determining region (CDR)H2 and CDRH3. This cleft was occupied by a complex-type N -glycan in a “liganded” PGT121 structure. Swapping glycan contact residues between PGT121 and 10-1074 confirmed their importance for neutralization. Although PGT121 binds complex-type N -glycans, PGT121 recognized high-mannose-only HIV envelopes in isolation and on virions. As HIV envelopes exhibit varying proportions of high-mannose- and complex-type N -glycans, these results suggest promiscuous carbohydrate interactions, an advantageous adaptation ensuring neutralization of all viruses within a given strain.
0
Citation522
0
Save
0

HIV therapy by a combination of broadly neutralizing antibodies in humanized mice

Florian Klein et al.Oct 23, 2012
Passive immunotherapy with a combination of neutralizing monoclonal antibodies is shown to be effective in suppressing HIV replication in a humanized mouse model. Broadly neutralizing antibodies to human immunodeficiency virus-1 (HIV-1) are slow to develop and are found in only a fraction of patients, but they can prevent infection and so are of great importance for HIV therapy design. Previous work has shown that the virus can quickly evolve resistance against these antibodies; however, more potent antibodies are now available. Michel Nussenzweig and colleagues therefore re-examined the potential of antibody therapy in 'humanized' mice. They demonstrate that passive immunotherapy with combinations of broadly neutralizing antibodies effectively controls HIV-1 infection. The authors suggest that it is time to re-examine monoclonal antibodies as therapeutics in HIV-1-infected individuals. Human antibodies to human immunodeficiency virus-1 (HIV-1) can neutralize a broad range of viral isolates in vitro and protect non-human primates against infection1,2. Previous work showed that antibodies exert selective pressure on the virus but escape variants emerge within a short period of time3,4. However, these experiments were performed before the recent discovery of more potent anti-HIV-1 antibodies and their improvement by structure-based design5,6,7,8,9. Here we re-examine passive antibody transfer as a therapeutic modality in HIV-1-infected humanized mice. Although HIV-1 can escape from antibody monotherapy, combinations of broadly neutralizing antibodies can effectively control HIV-1 infection and suppress viral load to levels below detection. Moreover, in contrast to antiretroviral therapy10,11,12, the longer half-life of antibodies led to control of viraemia for an average of 60 days after cessation of therapy. Thus, combinations of potent monoclonal antibodies can effectively control HIV-1 replication in humanized mice, and should be re-examined as a therapeutic modality in HIV-1-infected individuals.
0
Citation477
0
Save
0

Pseudo-spectral angle mapping for automated pixel-level analysis of highly multiplexed tissue image data

Madeleine Durkee et al.Jan 11, 2024
Abstract The rapid development of highly multiplexed microscopy systems has enabled the study of cells embedded within their native tissue, which is providing exciting insights into the spatial features of human disease [1]. However, computational methods for analyzing these high-content images are still emerging, and there is a need for more robust and generalizable tools for evaluating the cellular constituents and underlying stroma captured by high-plex imaging [2]. To address this need, we have adapted spectral angle mapping – an algorithm used widely in hyperspectral image analysis – to compress the channel dimension of high-plex immunofluorescence images. As many high-plex immunofluorescence imaging experiments probe unique sets of protein markers, existing cell and pixel classification models do not typically generalize well. Pseudospectral angle mapping (pSAM) uses reference pseudospectra – or pixel vectors – to assign each pixel in an image a similarity score to several cell class reference vectors, which are defined by each unique staining panel. Here, we demonstrate that the class maps provided by pSAM can directly provide insight into the prevalence of each class defined by reference pseudospectra. In a dataset of high-plex images of colon biopsies from patients with gut autoimmune conditions, sixteen pSAM class representation maps were combined with instance segmentation of cells to provide cell class predictions. Finally, pSAM detected a diverse set of structure and immune cells when applied to a novel dataset of kidney biopsies imaged with a 43-marker panel. In summary, pSAM provides a powerful and readily generalizable method for evaluating high-plex immunofluorescence image data. Significance Statement Understanding the cellular constituents captured by highly multiplexed tissue imaging is a major limitation affecting the usability of these novel imaging methods. Many imaging experiments have uniquely designed staining panels, reducing the generalizability of cell classification models to new datasets. We present pseudospectral angle mapping (pSAM), which can compress high-dimensional image data into class representations. We demonstrate that the class representations generated by pSAM can be used to interpret high-plex image data and guide cell classification. Importantly, we also demonstrate that pSAM can generalize to new image datasets—collected with a different staining panel in samples from different tissues—without manual image annotation, subjective intensity gating, or re-training an algorithm.