Con la tecnologia IACT (Intracellular Antibody Capture Technology), il laboratorio di Biologia di SNS (Bio@SNS) può fornire domini anticorpali ricombinanti nelle forme di scFv (single chain fragment variable) o VHH, in grado di riconoscere epitopi di proteine intracellulari. Con la tecnologia PISA (Post-translational Intracellular Silencing Antibody), un upgrade dell’IACT, possiamo selezionare domini anticorpali ricombinanti in grado di riconoscere epitopi con modificazioni post-traduzionali (PTM). Entrambe le tecniche sono basate sul principio del doppio ibrido in lievito, in cui una proteina (chiamata esca) viene esposta ad una libreria di possibili interattori (chiamati prede).

Sono disponibili e già ampiamente validate librerie anticorpali di diversa origine (umane, di roditore, di camelide) e tipologia (naive/immune; scFv/VHH). Nell’IACT e PISA, l’esca è rappresentata dalla proteina target per cui si vuole selezionare il dominio anticorpale, mentre la preda è uno dei possibili domini anticorpali presenti nella libreria utilizzata per la selezione. Le cellule di lievito esprimono la preda e vengono trasformate con una libreria di domini anticorpali (scFv o VHH). Se uno di questi riconosce la proteina esca, quella cellula di lievito potrà sopravvivere in un terreno selettivo, e si potrà quindi recuperare il plasmide con la sequenza codificante per quel determinato dominio anticorpale. I scFv o VHH isolati vengono quindi caratterizzati biochimicamente per verificarne sia la stabilità che l’affinità.

L’offerta di servizi basata su selezione e caratterizzazione degli anticorpi ricombinanti contro bersagli di interesse prevede anche moduli computazionali che utilizzano in modo innovativo metodi stato dell’arte di intelligenza artificiale, machine learning e language models, per la predizione strutturale degli anticorpi e dei complessi antigene/anticorpo, per la maturazione di affinità nonché per la costruzione di librerie arricchite di specificità anticorpali di interesse (PTM-biased or PTM-enriched libraries).

La caratterizzazione computazionale consisterà nel prevedere attraverso approcci basati su Intelligenza Artificiale (IA), quali AlphaFold (AF), la struttura 3D del complesso epitopo-anticorpo. Questa informazione sarà poi cruciale per suggerire mutazioni che aumentino l’affinità e stabilità del binding, mediante approcci di disegno proteico quali Protein Message Passing Neural Network (ProteinMPNN) e Protein Language Models (PLM).