Abstract Traditional antibody optimization approaches involve screening a small subset of the available sequence space, often resulting in drug candidates with suboptimal binding affinity, developability or immunogenicity. Based on two distinct antibodies, we demonstrate that deep contextual language models trained on high-throughput affinity data can quantitatively predict binding of unseen antibody sequence variants. These variants span a K D range of three orders of magnitude over a large mutational space. Our models reveal strong epistatic effects, which highlight the need for intelligent screening approaches. In addition, we introduce the modeling of “naturalness”, a metric that scores antibody variants for similarity to natural immunoglobulins. We show that naturalness is associated with measures of drug developability and immunogenicity, and that it can be optimized alongside binding affinity using a genetic algorithm. This approach promises to accelerate and improve antibody engineering, and may increase the success rate in developing novel antibody and related drug candidates.

Generative artificial intelligence (AI) has the potential to greatly increase the speed, quality and controllability of antibody design. Traditional de novo antibody discovery requires time and resource intensive screening of large immune or synthetic libraries. These methods also offer little control over the output sequences, which can result in lead candidates with sub-optimal binding and poor developability attributes. Several groups have introduced models for generative antibody design with promising in silico evidence, however, no such method has demonstrated de novo antibody design with experimental validation. Here we use generative deep learning models to de novo design antibodies against three distinct targets, in a zero-shot fashion, where all designs are the result of a single round of model generations with no follow-up optimization. In particular, we screen over 400,000 antibody variants designed for binding to human epidermal growth factor receptor 2 (HER2) using our high-throughput wet lab capabilities. From these screens, we further characterize 421 binders using surface plasmon resonance (SPR), finding three that bind tighter than the therapeutic antibody trastuzumab. The binders are highly diverse, have low sequence identity to known antibodies, and adopt variable structural conformations. Additionally, these binders score highly on our previously introduced Naturalness metric, indicating they are likely to possess desirable developability profiles and low immunogenicity. We open source the HER2 binders and report the measured binding affinities. These results unlock a path to accelerated drug creation for novel therapeutic targets using generative AI combined with high-throughput experimentation.

Many species use dormant stages for habitat selection by tying recovery from the stage to informative external cues. Other species have an undiscerning strategy in which they recover randomly despite having advanced sensory systems. We investigated whether elements of a species’ habitat structure and life history can bar it from developing a discerning recovery strategy. The nematode Caenorhabditis elegans has a dormant stage called the dauer larva that disperses between habitat patches. On one hand, C. elegans colonization success is profoundly influenced by the bacteria found in its habitat patches, so we might expect this to select for a discerning strategy. On the other hand, C. elegans ’ habitat structure and life history suggest that there is no fitness benefit to varying recovery, which might select for an undiscerning strategy. We exposed dauers of three genotypes to a range of bacteria acquired from the worms’ natural habitat. We found that C. elegans dauers recover in all conditions but increase recovery on certain bacteria depending on the worm’s genotype, suggesting a combination of undiscerning and discerning strategies. Additionally, the worms’ responses did not match the bacteria’s objective quality, suggesting that their decision is based on other characteristics.

Genetically modified organisms are commonly used in disease research and agriculture but the precise genomic alterations underlying transgenic mutations are often unknown. The position and characteristics of transgenes, including the number of independent insertions, influences the expression of both transgenic and wild-type sequences. We used long-read, Oxford Nanopore Technologies (ONT) to sequence and assemble two transgenic strains of

Deep learning approaches have demonstrated the ability to design protein sequences given backbone structures [1, 2, 3, 4, 5]. While these approaches have been applied in silico to designing antibody complementarity-determining regions (CDRs), they have yet to be validated in vitro for designing antibody binders, which is the true measure of success for antibody design. Here we describe IgDesign, a deep learning method for antibody CDR design, and demonstrate its robustness with successful binder design for 8 therapeutic antigens. The model is tasked with designing heavy chain CDR3 (HCDR3) or all three heavy chain CDRs (HCDR123) using native backbone structures of antibody-antigen complexes, along with the antigen and antibody framework (FWR) sequences as context. For each of the 8 antigens, we design 100 HCDR3s and 100 HCDR123s, scaffold them into the native antibody9s variable region, and screen them for binding against the antigen using surface plasmon resonance (SPR). As a baseline, we screen 100 HCDR3s taken from the model9s training set and paired with the native HCDR1 and HCDR2. We observe that both HCDR3 design and HCDR123 design outperform this HCDR3- only baseline. IgDesign is the first experimentally validated antibody inverse folding model. It can design antibody binders to multiple therapeutic antigens with high success rates and, in some cases, improved affinities over clinically validated reference antibodies. Antibody inverse folding has applications to both de novo antibody design and lead optimization, making IgDesign a valuable tool for accelerating drug development and enabling therapeutic design.

Abstract Background High quality reference genome sequences are the core of modern genomics. Oxford Nanopore Technologies (ONT) produces inexpensive DNA sequences in excess of 100,000 nucleotides but high error rates make sequence assembly and analysis a non-trivial problem as genome size and complexity increases. To date there has been no comprehensive attempt to generate robust experimental design for ONT genome sequencing and assembly. In this study, we simulate ONT and Illumina DNA sequence reads for the model organisms Escherichia coli , Caenorhabditis elegans , Arabidopsis thaliana, and Drosophila melanogaster and assemble with Canu, Flye, and MaSuRCA software to quantify the influence of sequencing coverage and assembly approach. Heterozygosity in outbred eukaryotes is a common problem for genome assembly. We show broad applicability of our methods using real ONT data generated for four strains of the highly heterozygous nematode Caenorhabditis remanei and C. latens . Results ONT libraries have a unique error structure and high sequence depth is necessary to assemble contiguous genome sequences. As sequence depth increases errors accumulate and assembly statistics plateau. High-quality assembled sequences require a combination of experimental techniques that increase sequence read length and computational protocols that reduce error through correction, read selection and ‘polishing’ with higher accuracy short sequence reads. Our robust experimental design results in highly contiguous and accurate genome assemblies for the four strains of C. remanei and C. latens . Conclusions ONT sequencing is inexpensive and accessible but the technology’s error structure requires robust experimental design. Our quantitative results will be helpful for a broad array of researchers seeking guidance for de novo assembly projects.