Abstract Intracellular phase separation of proteins into biomolecular condensates is increasingly recognised as an important phenomenon for cellular compartmentalisation and regulation of biological function. Different hypotheses about the parameters that determine the tendency of proteins to form condensates have been proposed with some of them probed experimentally through the use of constructs generated by sequence alterations. To broaden the scope of these observations, here, we established an in silico strategy for understanding on a global level the associations between protein sequence and condensate formation, and used this information to construct machine learning classifiers for predicting liquid–liquid phase separation (LLPS) from protein sequence. Our analysis highlighted that LLPS–prone sequences are more disordered, hydrophobic and of lower Shannon entropy than sequences in the Protein Data Bank or the Swiss-Prot database, and have their disordered regions enriched in polar, aromatic and charged residues. Using these determining features together with neural network based word2vec sequence embeddings, we developed machine learning classifiers for predicting protein condensate formation. Our model, trained to distinguish LLPS-prone sequences from structured proteins, achieved high accuracy (93%; 25-fold cross-validation) and identified condensate forming sequences from external independent test data at 97% sensitivity. Moreover, in combination with a classifier that had developed a nuanced insight into the features governing protein phase behaviour by learning to distinguish between sequences of varying LLPS propensity, the sensitivity was supplemented with high specificity (approximated ROC–AUC of 0.85). These results provide a platform rooted in molecular principles for understanding protein phase behaviour. The predictor is accessible from https://deephase.ch.cam.ac.uk/ . Significance Statement The tendency of many cellular proteins to form protein-rich biomolecular condensates underlies the formation of subcellular compartments and has been linked to various physiological functions. Understanding the molecular basis of this fundamental process and predicting protein phase behaviour have therefore become important objectives. To develop a global understanding of how protein sequence determines its phase behaviour, here, we constructed bespoke datasets of proteins of varying phase separation propensity and identified explicit biophysical and sequence-specific features common to phase separating proteins. Moreover, by combining this insight with neural network based sequence embeddings, we trained machine learning classifiers that identified phase separating sequences with high accuracy, including from independent external test data. The predictor is available from https://deephase.ch.cam.ac.uk/ .

Abstract Recent efforts in understanding the course and severity of SARS-CoV-2 infections have highlighted both potential beneficial as well as detrimental effects of cross-reactive antibodies derived from memory immunity. Specifically, due to a significant degree of sequence similarity between SARS-CoV-2 and other members of the coronavirus family, memory B-cells that emerged from previous infections with endemic human coronaviruses (HCoVs) could be re-activated upon encountering the newly emerged SARS-CoV-2, thus prompting the production of cross-reactive antibodies. Understanding the affinity and concentration of these potentially cross-reactive antibodies to the new SARS-CoV-2 antigens is therefore particularly important when assessing both existing immunity against common HCoVs and adverse effects like antibody-dependent enhancement (ADE) in COVID-19. However, these two fundamental parameters cannot easily be deconvoluted by surface-based assays like enzyme-linked immunosorbent assays (ELISAs) which are routinely used to assess cross-reactivity. Here, we have used microfluidic antibody-affinity profiling (MAAP) to quantitatively evaluate the humoral immune response in COVID-19 convalescent patients by determining both antibody affinity and concentration against spike antigens of SARS-CoV-2 directly in nine convalescent COVID-19 patient and three pre-pandemic sera that were seropositive for common HCoVs. All 12 sera contained low concentrations of high affinity antibodies against spike antigens of HCoV-NL63 and HCoV-HKU1, indicative of past exposure to these pathogens, while the affinity against the SARS-CoV-2 spike protein was lower. These results suggest that cross-reactivity as a consequence of memory re-activation upon an acute SARS-CoV-2 infection may not be a significant factor in generating immunity against SARS-CoV-2.

Abstract The humoral immune response plays a key role in suppressing the pathogenesis of SARS-CoV-2. The molecular determinants underlying the neutralization of the virus remain, however, incompletely understood. Here, we show that the ability of antibodies to disrupt the binding of the viral spike protein to the angiotensin-converting enzyme 2 (ACE2) receptor on the cell, the key molecular event initiating SARS-CoV-2 entry into host cells, is controlled by the affinity of these antibodies to the viral antigen. By using microfluidic antibody-affinity profiling, we were able to quantify the serum-antibody mediated inhibition of ACE2–spike binding in two SARS-CoV-2 seropositive individuals. Measurements to determine the affinity, concentration, and neutralization potential of antibodies were performed directly in human serum. Using this approach, we demonstrate that the level of inhibition in both samples can be quantitatively described using the binding energies of the binary interactions between the ACE2 receptor and the spike protein, and the spike protein and the neutralizing antibody. These experiments represent a new type of in-solution receptor binding competition assay, which has further potential areas of application ranging from decisions on donor selection for convalescent plasma therapy, to identification of lead candidates in therapeutic antibody development, and vaccine development.

Abstract We assessed the affinities of the therapeutic monoclonal antibodies (mAbs) cilgavimab, tixagevimab, sotrovimab, casirivimab, and imdevimab to the receptor binding domain (RBD) of wild type, Delta, and Omicron spike. The Omicron RBD affinities of cilgavimab, tixagevimab, casirivimab, and imdevimab decreased by at least two orders of magnitude relative to their wild type equivalents, whereas sotrovimab binding was less severely impacted. These affinity reductions correlate with reduced antiviral activities of these antibodies, suggesting that simple affinity measurements can serve as an indicator for activity before challenging and time-consuming virus neutralization assays are performed. We also compared the properties of these antibodies to serological fingerprints (affinities and concentrations) of wild type RBD specific antibodies in 74 convalescent sera. The affinities of the therapeutic mAbs to wild type and Delta RBD were in the same range as the polyclonal response in the convalescent sera indicative of their high antiviral activities against these variants. However, for Omicron RBD, only sotrovimab retained affinities that were within the range of the polyclonal response, in agreement with its high activity against Omicron. Serological fingerprints thus provide important context to affinities and antiviral activity of mAb drugs and could guide the development of new therapeutics.

Abstract Biomolecular condensates help cells organise their content in space and time. Cells harbour a variety of condensate types with diverse composition and many are likely yet to be discovered. Here, we develop a methodology to predict the composition of biomolecular condensates. We first analyse available proteomics data of cellular condensates and find that the biophysical features that determine protein localisation into condensates differ from known drivers of homotypic phase separation processes, with charge mediated protein-RNA and hydrophobicity mediated protein-protein interactions playing a key role in the former process. We then develop a machine learning model that links protein sequence to its propensity to localise into heteromolecular condensates. We apply the model across the proteome and find many of the top-ranked targets outside the original training data to localise into condensates as confirmed by orthogonal immunohistochemical staining imaging. Finally, we segment the condensation-prone proteome into condensate types based on an overlap with biomolecular interaction profiles to generate a Protein Condensate Atlas. Several condensate clusters within the Atlas closely match the composition of experimentally characterised condensates or regions within them, suggesting that the Atlas can be valuable for identifying additional components within known condensate systems and discovering previously uncharacterised condensates.

Abstract The ability to determine the identity of specific proteins is a critical challenge in many areas of cellular and molecular biology, and in medical diagnostics. Here, we present a microfluidic protein characterisation strategy that within a few minutes generates a three-dimensional fingerprint of a protein sample indicative of its amino acid composition and size and, thereby, creates a unique signature for the protein. By acquiring such multidimensional fingerprints for a set of ten proteins and using machine learning approaches to classify the fingerprints, we demonstrate that this strategy allows proteins to be classified at a high accuracy, even though classification using a single dimension is not possible. Moreover, we show that the acquired fingerprints correlate with the amino acid content of the samples, which makes it is possible to identify proteins directly from their sequence without requiring any prior knowledge about the fingerprints. These findings suggest that such a multidimensional profiling strategy can lead to the development of novel method for protein identification in a microfluidic format.

Abstract Understanding the factors that contribute to antibody escape of SARS-CoV-2 and its variants is key for the development of drugs and vaccines that provide broad protection against a variety of virus variants. Using microfluidic diffusional sizing, we determined the dissociation constant ( K D ) for the interaction between receptor binding domains (RBDs) of SARS-CoV-2 in its original version (WT) as well as alpha and beta variants with the host-cell receptor angiotensin converting enzyme 2 (ACE2). For RBD-alpha, the ACE2-binding affinity was increased by a factor of ten when compared with RBD-WT, while ACE2-binding of RBD-beta was largely unaffected. However, when challenged with a neutralizing antibody that binds to both RBD-WT and RBD-alpha with low nanomolar K D values, RBD-beta displayed no binding, suggesting a substantial epitope change. In SARS-CoV-2 convalescent sera, RBD-binding antibodies showed low nanomolar affinities to both wild-type and variant RBD proteins—strikingly, the concentration of antibodies binding to RBD-beta was half that of RBD-WT and RBD-alpha, again indicating considerable epitope changes in the beta variant. Our data therefore suggests that one factor contributing to the higher transmissibility and antibody evasion of SARS-CoV-2 alpha and beta is a larger fraction of viruses that can form a complex with ACE2. However, the two variants employ different mechanisms to achieve this goal. While SARS-CoV-2 alpha RBD binds with greater affinity to ACE2 and is thus more difficult to displace from the receptor by neutralizing antibodies, RBD-beta is less accessible to antibodies due to epitope changes which increases the chances of ACE2-binding and infection.