编辑推荐：
为解决新冠抗体疗法失效问题，研究人员开展深度突变学习研究，筛选出抗变异抗体，意义重大。
在新冠疫情这场全球大危机中，曾经寄予厚望的新冠抗体疗法，却在病毒的不断变异下逐渐失去效力。起初，像单克隆抗体 LY-CoV555（bamlanavimab）以及由 REGN10933（casirivimab）和 REGN10987（imdevimab）组成的联合疗法，都曾获得美国食品药品监督管理局的紧急使用授权，它们通过与新冠病毒（SARS-CoV-2）刺突蛋白（S 蛋白）的受体结合域（RBD）特定表位结合，阻断病毒借助血管紧张素转化酶 2（ACE2）受体进入宿主细胞，从而实现中和病毒的作用。
然而，新冠病毒的变异速度远超想象。Beta、Gamma 和 Delta 等变异株的出现，让许多中和抗体的效果大打折扣，LY-CoV555 的紧急使用授权也因此被撤销。到了 2021 年末，奥密克戎（Omicron）BA.1 变异株强势登场，其 S 蛋白上竟有 35 处突变，其中 RBD 区域就占了 15 处，这使得几乎所有临床批准的抗体疗法都失效了，包括 Regeneron 和礼来公司的联合疗法，它们的紧急使用授权也相继被撤回。即便像 S309（sotrovimab）和 LY-CoV1404（bebtelovimab）这些最初针对原始毒株研发、对 BA.1 仍有中和活性的抗体疗法，面对后续的奥密克戎亚谱系（如 BA.2、BA.4/5 和 BQ.1.1）时，也失去了疗效，临床使用授权同样被撤销。这一系列挫折让人们意识到，在新冠抗体疗法的研发中，除了关注中和效力、亲和力等传统指标外，评估抗体广度（即抗体结合不同 SARS-CoV-2 变异株的能力）在临床开发早期至关重要。
为了应对这一挑战，来自瑞士苏黎世联邦理工学院（ETH Zurich）等机构的研究人员开展了一项重要研究，相关成果发表在《Nature Biomedical Engineering》上。该研究运用深度突变学习（DML）技术，旨在筛选出对 SARS-CoV-2 变异具有更强抗性的治疗性抗体，为抗击新冠疫情提供新的有力武器。
在研究过程中，研究人员用到了几个主要关键技术方法。首先是构建高突变距离的奥密克戎 BA.1 RBD 文库，通过独特的设计和合成方法，让文库覆盖整个 RBD 区域，理论上拥有约1042种变体。接着利用酵母表面展示技术，将 RBD 文库展示在酵母细胞表面，再通过荧光激活细胞分选技术（FACS）筛选出与 ACE2 结合或逃逸特定中和抗体的 RBD 变体。最后，运用深度学习模型，基于深度测序数据进行训练，以预测抗体的结合和逃逸情况。
下面来具体看看研究结果：
- 设计和构建高距离奥密克戎 BA.1 RBD 文库：研究人员构建了基于奥密克戎 BA.1 的突变文库，涵盖了整个 201 个氨基酸的 RBD 区域（SARS-CoV-2 S 蛋白的 331 - 531 位）。为了扩大突变序列空间，文库设计完全合成且无偏向性。通过将 RBD 序列拆分成 11 - 12 个片段，利用 Golden Gate assembly（GGA）技术将片段组装成全长 RBD 序列，并构建了四个交错的子文库来增加文库多样性。最终得到了理论多样性约为1042种变体的文库，且通过实验优化，确定了后续实验使用 60% 野生型片段的文库12。
- 筛选 RBD 文库的 ACE2 结合和抗体逃逸情况：将 PCR 扩增的 RBD 文库和线性化质粒共转化到酵母细胞中，实现 RBD 变体在酵母表面的展示。利用 FACS 技术，先筛选出与二聚体可溶性人 ACE2 保持结合或完全失去结合的酵母细胞，再从这些细胞中进一步筛选出对 8 种中和抗体保持结合或完全失去结合（逃逸）的 RBD 变体。通过对筛选后的 RBD 变体进行深度测序和数据分析，构建热图展示结合分数，发现不同抗体的逃逸突变模式存在差异34。
- 训练和测试深度学习集成模型：研究人员使用深度测序数据对基于卷积神经网络（CNN）的深度学习模型进行训练和优化。通过多数投票的方式，让多个模型对每个 RBD 变体进行预测，最终确定其结合或逃逸的标签。经测试，该模型对 ACE2 - RBD 变体或抗体 - RBD 变体对的预测准确率达到 87.5%，不过在预测高突变负载的变体时，模型可能会出现更多错误56。
- 设计抗体组合以预测对合成奥密克戎谱系的抗性：利用训练好的模型评估抗体对病毒进化的抗性。通过生成源自 BA.1 的合成谱系，模拟自然突变频率，预测抗体对合成 RBD 变体的结合或逃逸情况。研究发现，ZCB11 在预测的抗体广度上表现出色，且在设计抗体鸡尾酒疗法时，不仅要考虑抗体的广度，还要考虑其对逃逸变体谱系的互补覆盖情况78。
在研究结论和讨论部分，研究人员表示，DML 技术为评估抗体对潜在未来奥密克戎变体的广度提供了有效方法。通过该技术构建的高保真全长 RBD 突变文库，能够获得传统方法难以得到的包含组合突变的高维数据集。此外，DML 预测证实了 ZCB11 对 2022 年出现的主要奥密克戎谱系具有广泛的中和能力，同时也揭示了一些与免疫逃逸相关的特定突变，这些突变在近期发现的高突变 BA.2.86 变体中也有出现。然而，DML 方法也存在一些局限性，比如对低亲和力抗体的预测存在敏感性问题，且抗体广度预测的准确性依赖于对未来 RBD 突变的准确预测。未来，研究人员可以通过改进筛选方法和生成更相关的训练数据，进一步提升 DML 技术的性能和预测准确性，为开发更有效的新冠抗体疗法提供更有力的支持。
