ABSTRACT AlphaFold2 and related systems use deep learning to predict protein structure from co-evolutionary relationships encoded in multiple sequence alignments (MSAs). Despite dramatic, recent increases in accuracy, three challenges remain: (i) prediction of orphan and rapidly evolving proteins for which an MSA cannot be generated, (ii) rapid exploration of designed structures, and (iii) understanding the rules governing spontaneous polypeptide folding in solution. Here we report development of an end-to-end differentiable recurrent geometric network (RGN) able to predict protein structure from single protein sequences without use of MSAs. This deep learning system has two novel elements: a protein language model (AminoBERT) that uses a Transformer to learn latent structural information from millions of unaligned proteins and a geometric module that compactly represents C α backbone geometry. RGN2 outperforms AlphaFold2 and RoseTTAFold (as well as trRosetta) on orphan proteins and is competitive with designed sequences, while achieving up to a 10 6 -fold reduction in compute time. These findings demonstrate the practical and theoretical strengths of protein language models relative to MSAs in structure prediction.

The emergence of SARS-CoV-2 underscores the need to better understand the evolutionary processes that drive the emergence and adaptation of zoonotic viruses in humans. In the betacoronavirus genus, which also includes SARS-CoV and MERS-CoV, recombination frequently encompasses the Receptor Binding Domain (RBD) of the Spike protein, which, in turn, is responsible for viral binding to host cell receptors. Here, we find evidence of a recombination event in the RBD involving ancestral linages to both SARS-CoV and SARS-CoV-2. Although we cannot specify the recombinant nor the parental strains, likely due to the ancestry of the event and potential undersampling, our statistical analyses in the space of phylogenetic trees support such an ancestral recombination. Consequently, SARS-CoV and SARS-CoV-2 share an RBD sequence that includes two insertions (positions 432-436 and 460-472), as well as the variants 427N and 436Y. Both 427N and 436Y belong to a helix that interacts directly with the human ACE2 (hACE2) receptor. Reconstruction of ancestral states, combined with protein-binding affinity analyses using the physics-based trRosetta algorithm, reveal that the recombination event involving ancestral strains of SARS-CoV and SARS-CoV-2 led to an increased affinity for hACE2 binding, and that alleles 427N and 436Y significantly enhanced affinity as well. Structural modeling indicates that ancestors of SARS-CoV-2 may have acquired the ability to infect humans decades ago. The binding affinity with the human receptor was subsequently boosted in SARS-CoV and SARS-CoV-2 through further mutations in RBD. In sum, we report an ancestral recombination event affecting the RBD of both SARS-CoV and SARS-CoV-2 that was associated with an increased binding affinity to hACE2.

Abstract SARS-CoV-2 is a novel highly virulent pathogen which gains entry to human cells by binding with the cell surface receptor – angiotensin converting enzyme (ACE2). We computationally contrasted the binding interactions between human ACE2 and coronavirus spike protein receptor binding domain (RBD) of the 2002 epidemic-causing SARS-CoV-1, SARS-CoV-2, and bat coronavirus RaTG13 using the Rosetta energy function. We find that the RBD of the spike protein of SARS-CoV-2 is highly optimized to achieve very strong binding with human ACE2 (hACE2) which is consistent with its enhanced infectivity. SARS-CoV-2 forms the most stable complex with hACE2 compared to SARS-CoV-1 (23% less stable) or RaTG13 (11% less stable) while occupying the greatest number of residues in the ATR1 binding site. Notably, the SARS-CoV-2 RBD out-competes the angiotensin 2 receptor type I (ATR1) which is the native binding partner of ACE2 by 35% in terms of the calculated binding affinity. Strong binding is mediated through strong electrostatic attachments with every fourth residue on the N-terminus alpha-helix (starting from Ser19 to Asn53) as the turn of the helix makes these residues solvent accessible. By contrasting the spike protein SARS-CoV-2 Rosetta binding energy with ACE2 of different livestock and pet species we find strongest binding with bat ACE2 followed by human, feline, equine, canine and finally chicken. This is consistent with the hypothesis that bats are the viral origin and reservoir species. These results offer a computational explanation for the increased infectivity of SARS-CoV-2 and allude to therapeutic modalities by identifying and rank-ordering the ACE2 residues involved in binding with the virus.

ABSTRACT The association of the receptor binding domain (RBD) of SARS-CoV-2 viral spike with human angiotensin converting enzyme (hACE2) represents the first required step for viral entry. Amino acid changes in the RBD have been implicated with increased infectivity and potential for immune evasion. Reliably predicting the effect of amino acid changes in the ability of the RBD to interact more strongly with the hACE2 receptor can help assess the public health implications and the potential for spillover and adaptation into other animals. Here, we introduce a two-step framework that first relies on 48 independent 4-ns molecular dynamics (MD) trajectories of RBD-hACE2 variants to collect binding energy terms decomposed into Coulombic, covalent, van der Waals, lipophilic, generalized Born electrostatic solvation, hydrogen-bonding, π-π packing and self-contact correction terms. The second step implements a neural network to classify and quantitatively predict binding affinity using the decomposed energy terms as descriptors. The computational base achieves an accuracy of 82.2% in terms of correctly classifying single amino-acid substitution variants of the RBD as worsening or improving binding affinity for hACE2 and a correlation coefficient r of 0.69 between predicted and experimentally calculated binding affinities. Both metrics are calculated using a 5-fold cross validation test. Our method thus sets up a framework for effectively screening binding affinity change with unknown single and multiple amino-acid changes. This can be a very valuable tool to predict host adaptation and zoonotic spillover of current and future SARS-CoV-2 variants.

ABSTRACT Global climate change has severely impacted maize productivity. A holistic understanding of metabolic crosstalk among its organs is essential to address this issue. Thus, we reconstructed the first multi-organ maize genome-scale metabolic model, i ZMA6517, and contextualized it with heat and cold stress-related transcriptomics data using the novel EX pression dis T ributed REA ction flux M easurement (EXTREAM) algorithm. Furthermore, implementing metabolic bottleneck analysis on contextualized models revealed fundamental differences between these stresses. While both stresses had reducing power bottlenecks, heat stress had additional energy generation bottlenecks. To tie these signatures, we performed thermodynamic driving force analysis, revealing thermodynamics-reducing power-energy generation axis dictating the nature of temperature stress responses. Thus, for global food security, a temperature-tolerant maize ideotype can be engineered by leveraging the proposed thermodynamics-reducing power-energy generation axis. We experimentally inoculated maize root with a beneficial mycorrhizal fungus, Rhizophagus irregularis , and as a proof of concept demonstrated its potential to alleviate temperature stress. In summary, this study will guide the engineering effort of temperature stress-tolerant maize ideotypes.

The cellular entry of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) involves the association of its receptor binding domain (RBD) with human angiotensin converting enzyme 2 (hACE2) as the first crucial step. Efficient and reliable prediction of RBD-hACE2 binding affinity changes upon amino acid substitutions can be valuable for public health surveillance and monitoring potential spillover and adaptation into non-human species. Here, we introduce a convolutional neural network (CNN) model trained on protein sequence and structural features to predict experimental RBD-hACE2 binding affinities of 8,440 variants upon single and multiple amino acid substitutions in the RBD or ACE2. The model achieves a classification accuracy of 83.28% and a Pearson correlation coefficient of 0.85 between predicted and experimentally calculated binding affinities in five-fold cross-validation tests and predicts improved binding affinity for most circulating variants. We pro-actively used the CNN model to exhaustively screen for novel RBD variants with combinations of up to four single amino acid substitutions and suggested candidates with the highest improvements in RBD-ACE2 binding affinity for human and animal ACE2 receptors. We found that the binding affinity of RBD variants against animal ACE2s follows similar trends as those against human ACE2. White-tailed deer ACE2 binds to RBD almost as tightly as human ACE2 while cattle, pig, and chicken ACE2s bind weakly. The model allows testing whether adaptation of the virus for increased binding with other animals would cause concomitant increases in binding with hACE2 or decreased fitness due to adaptation to other hosts.

Abstract Reinforcement learning (RL), a subset of machine learning (ML), can potentially optimize and control biomanufacturing processes, such as improved production of therapeutic cells. Here, the process of CAR-T cell activation by antigen presenting beads and their subsequent expansion is formulated in-silico . The simulation is used as an environment to train RL-agents to dynamically control the number of beads in culture with the objective of maximizing the population of robust effector cells at the end of the culture. We make periodic decisions of incremental bead addition or complete removal. The simulation is designed to operate in OpenAI Gym which enables testing of different environments, cell types, agent algorithms and state-inputs to the RL-agent. Agent training is demonstrated with three different algorithms (PPO, A2C and DQN) each sampling three different state input types (tabular, image, mixed); PPO-tabular performs best for this simulation environment. Using this approach, training of the RL-agent on different cell types is demonstrated, resulting in unique control strategies for each type. Sensitivity to input noise (sensor performance), number of control step interventions, and advantage of pre-trained agents are also evaluated. Therefore, we present a general computational framework to maximize the population of robust effector cells in CAR-T cell therapy production. Author Summary Custom control strategies for expansion and activation of patient-specific CAR T-cell therapies resolved by reinforcement learning using a simulation environment and updatable cell growth parameters.

Reinforcement learning (RL), a subset of machine learning (ML), could optimize and control biomanufacturing processes, such as improved production of therapeutic cells. Here, the process of CAR T-cell activation by antigen-presenting beads and their subsequent expansion is formulated in silico. The simulation is used as an environment to train RL-agents to dynamically control the number of beads in culture to maximize the population of robust effector cells at the end of the culture. We make periodic decisions of incremental bead addition or complete removal. The simulation is designed to operate in OpenAI Gym, enabling testing of different environments, cell types, RL-agent algorithms, and state inputs to the RL-agent. RL-agent training is demonstrated with three different algorithms (PPO, A2C, and DQN), each sampling three different state input types (tabular, image, mixed); PPO-tabular performs best for this simulation environment. Using this approach, training of the RL-agent on different cell types is demonstrated, resulting in unique control strategies for each type. Sensitivity to input-noise (sensor performance), number of control step interventions, and advantages of pre-trained RL-agents are also evaluated. Therefore, we present an RL framework to maximize the population of robust effector cells in CAR T-cell therapy production.

The highly plastic nature of Alveolar Macrophage (AM) plays a crucial role in the defense against inhaled particulates and pathogens in the lungs. Depending upon the signal, AM acquires either classically activated M1 phenotype or alternatively activated M2 phenotype. These phenotypes have specific functions and unique metabolic traits such as upregulated glycolysis and pentose phosphate pathway in M1 phase and enhanced oxidative phosphorylation and tricarboxylic acid cycle during M2 phase that help maintain the sterility of the lungs. In this study, we investigate the metabolic shift in the activated phases of AM (M1 and M2 phase) and highlight the roles of pathways other than the typical players of central carbon metabolism. Pathogenesis is a complex and elongated process where the heightened requirement for energy is matched by metabolic shifts that supplement immune response and maintain homeostasis. The first step of pathogenesis is fever; however, analyzing the role of physical parameters such as temperature is challenging. Here, we observe the effect of an increase in temperature on pathways such as glycolysis, pentose phosphate pathway, oxidative phosphorylation, tricarboxylic acid cycle, amino acid metabolism, and leukotriene metabolism. We report the role of temperature as a catalyst to the immune response of the cell. The activity of pathways such as pyruvate metabolism, arachidonic acid metabolism, chondroitin/heparan sulfate biosynthesis, and heparan sulfate degradation are found to be important driving forces in the M1/M2 phenotype. We have also identified a list of 34 reactions such as nitric oxide production from arginine and the conversion of glycogenin to UDP which play major roles in the metabolic models and prompt the shift of the M2 phenotype to M1 and vice versa. In future, these reactions could further be probed as major contributors in designing effective therapeutic targets against severe respiratory diseases.

The emergence of SARS-CoV-2 is responsible for the pandemic of respiratory disease known as COVID-19, which emerged in the city of Wuhan, Hubei province, China in late 2019. Both vaccines and targeted therapeutics for treatment of this disease are currently lacking. Viral entry requires binding of the viral spike receptor binding domain (RBD) with the human angiotensin converting enzyme (ACE2). In an earlier paper, we report on the specific residue interactions underpinning this event. Here we report on the de novo computational design of high affinity antibody variable regions through the recombination of VDJ genes targeting the most solvent-exposed ACE2-binding residues of the SARS-CoV-2 spike protein using the software tool OptMAVEn-2.0. Subsequently, we carry out computational affinity maturation of the designed prototype variable regions through point mutations for improved binding with the target epitope. Immunogenicity was restricted by preferring designs that match sequences from a 9-mer library of human string content (HSC). We generated 60 different variable region designs and report in detail on the top five that trade-off the greatest affinity for the spike epitope (quantified using the Rosetta binding energies) with low immunogenicity scores. By grafting these designed variable regions with frameworks, high-affinity monoclonal antibodies can be constructed. Having a potent antibody that can recognize the viral spike protein with high affinity would be enabling for both the design of sensitive SARS-CoV-2 detection devices and for their deployment as neutralizing antibodies.### Competing Interest StatementThe authors have declared no competing interest.