项目文章 | RAIN单细胞机器学习模型，为 HIV-1广谱中和抗体发现加速
发布时间：2024-07-31 10:39:16
2024年6月，瑞士研究团队在Nature Communications发表了一篇题为“RAIN: machine learning-based identification for HIV-1 bNAbs”研究结果，本研究开发了一种名为RAIN的机器学习方法，用于快速自动地从免疫谱系中识别HIV-1的广谱中和抗体（broadly neutralizing antibodies,bNAbs）。研究还对鉴定的bNAbs进行体外中和实验验证，并利用单粒子冷冻电镜（cryo-EM）解析了其中一种bNAb的结构。RAIN方法的提出旨在促进和加速从未选择的免疫谱系中发现HIV-1 bNAbs，对治疗和预防HIV-1感染具有重要意义。
新格元在本研究中提供了GEXSCOPE®单细胞转录组建库、单细胞BCR测序。
研究背景
自1980年代初HIV-1首次被确认以来，一直是全球健康的重大威胁。尽管已有抗逆转录病毒治疗药物，但至今仍未有根治HIV-1的方法或有效疫苗。HIV-1的包膜蛋白（Env）具有高度变异性，使得病毒能快速逃避免疫控制。广谱中和抗体（bNAbs）因其能中和多种HIV-1毒株而成为治疗和预防的有希望的候选者。然而，bNAbs的鉴定过程复杂且资源密集。近年来，单细胞测序技术的发展为深入理解免疫反应和发现新bNAbs提供了新途径。结合人工智能（AI）的机器学习算法，研究者们开发了RAIN方法，旨在自动化和加速从免疫谱系中识别HIV-1 bNAbs的过程，为HIV-1治疗和预防策略带来新的突破。
单细胞相关研究结果
1.作者从HIV-1免疫供体中分离出类转换记忆B细胞，并进行了单细胞BCR测序，这些供者的血清具有广泛的中和活性或没有中和活性。BCR序列经过工作流进行处理，并作为特征表进行分析。在分析中产生四种算法预测的bNAbs，并在中和结合试验中进行测试。
自动识别bNAbs的RAIN管线
2.为了鉴定潜在的bNAbs，作者研究了从不同HIV-1感染供者血清中纯化的免疫球蛋白G(IgG)的中和活性。供者3、11和某种程度上供者9的血清具有广泛的中和活性(图a)。基于此结果，作者选择供者3的血清作为bNAb鉴定的测试样本，而选择供者1和2的血清作为阴性对照。从不同供者的外周血单个核细胞(PBMCs)中分离IgG类别转换的B细胞，并对B细胞受体(B3、G3、S4和G4)进行单细胞测序。为供体3重建了一组15713个IgG序列。作为阴性对照，对供者1和2(不具有广泛中和活性的血清)的IgG+记忆B细胞的BCR进行测序，结果获得了8347个IgG序列。RAIN处理这些序列数据，识别出多个潜在的bNAbs，并通过三种不同的算法进行交叉验证，最终确认了三个特定的bNAbs。
血清和IgG样本的HIV Env结合和中和分析
总结
单细胞技术的出现让越来越多的配对全长可变重链和轻链BCR序列的可用性大大增加。因此，免疫库测序与人工智能相结合，有望改善许多免疫相关疾病或感染性疾病的诊断和治疗。在这项研究中，作者开发RAIN，一个基于单细胞BCR测序和机器学习的管道，根据它们的结合位点鉴定抗HIV-1的bNAbs。单细胞免疫组测序的运用，使得研究者能够从免疫捐赠者体内鉴定出具有治疗潜力的抗体，这为抗体的发现和应用提供了一个全新的视角和方法。
参考文献
Mathilde Foglierini , Pauline Nortier, Rachel Schelling, et al. RAIN: machine learning-based identification for HIV-1 bNAbs. Nature Communications.(2024) 15:5339
