Abstract The monocled cobra ( Naja kaouthia ) is one of the most feared snakes in Southeast Asia. It is a highly dangerous species with a potent venom deriving its toxicity predominantly from abundant long-chain α-neurotoxins. The only specific treatment for snakebite envenoming is antivenom, which is based on animal-derived polyclonal antibodies. Despite the lifesaving importance of these medicines over the past 120 years, and their ongoing role in combating snakebite disease, major limitations in safety, supply consistency, and efficacy creates a need for a new generation of improved treatments based on modern biotechnological techniques. Here, we describe the initial discovery and subsequent optimization of a recombinant human monoclonal immunoglobin G (IgG) antibody against α-cobratoxin using phage display technology. Affinity maturation of the parental antibody by light chain-shuffling resulted in an 8-fold increase in affinity, translating to a significant increase in in vitro neutralization potency and in vivo efficacy. While the parental antibody prolonged survival of mice challenged with purified α-cobratoxin, the optimized antibody prevented lethality when incubated with N. kaouthia whole venom prior to intravenous injection. This study is the first to demonstrate neutralization of whole snake venom by a single recombinant monoclonal antibody. Importantly, this suggests that for venoms whose toxicity relies on a single predominant toxin group, such as that of N. kaouthia , as little as one monoclonal antibody may be sufficient to prevent lethality, thus providing a tantalizing prospect of bringing recombinant antivenoms based on human monoclonal or oligoclonal antibodies to the clinic. One Sentence Summary A recombinant human monoclonal immunoglobulin G antibody, discovered and optimized using in vitro methods, was demonstrated to neutralize the lethal effect of whole venom from the monocled cobra in mice via abrogation of α-neurotoxin-mediated neurotoxicity.

Abstract Snakebite envenoming continues to claim many lives across the globe, necessitating the development of improved therapies. To this end, human monoclonal antibodies may possess advantages over current plasma-derived antivenoms by offering superior safety and improved neutralization capacity. However, as new antivenom products may need to be polyvalent, i.e ., target multiple different snake species, without dramatically increasing dose or cost of manufacture, such monoclonal antibodies need to be broadly-neutralizing. Here, we report the establishment of a pipeline for the discovery of high affinity broadly-neutralizing human monoclonal antibodies. We further demonstrate its utility by discovering an antibody that can prevent lethality induced by N. kaouthia whole venom at an unprecedented low molar ratio of one antibody per toxin, and which also prolongs survival of mice injected with Dendroaspis polylepis or Ophiophagus hannah whole venoms.

Abstract Protein structure determination is a critical aspect of biological research, enabling us to understand protein function and potential applications. Recent advances in deep learning and artificial intelligence have led to the development of several protein structure prediction tools, such as AlphaFold2 and ColabFold. However, their performance has primarily been evaluated on well-characterised proteins, and comparisons using proteins with poor reference templates are lacking. In this study, we evaluated three modelling tools on their prediction of over 1000 snake venom toxin structures with no reference templates. Our findings show that AlphaFold2 (AF2) performed the best across all assessed parameters. We also observed that ColabFold (CF) only scored slightly worse than AF2, while being computationally less intensive. All tools struggled with regions of intrinsic disorder, such as loops and propeptide regions, and performed well in predicting the structure of functional domains. Overall, our study highlights the importance of exercising caution when working with proteins that have poor reference templates, are large, and contain flexible regions. Nonetheless, leveraging computational structure prediction tools can provide valuable insights into the modelling of protein interactions with different targets and reveal potential binding sites, active sites, and conformational changes, as well as into the design of potential molecular binders for reagent, diagnostic, or therapeutic purposes. Statement Recent advances in machine learning have led to the development of new protein structure prediction tools. However, these tools have mainly been tested on well-known proteins and their performance on proteins without known templates is unclear. This study evaluated the performance of three tools on over 1000 snake venom toxins. We found that while caution is required when studying poorly characterised proteins, these tools offer valuable opportunities to understand protein function and applications.