Investigación inmunológica
Acceso abierto

abstracto

Análisis y predicción de epítopos protectores continuos de células B en proteínas patógenas

Johannes Sollner, Rainer Grohmann, Ronald Rapberger, Paul Perco, Arno Lukas y Bernd Mayer

Antecedentes: La aplicación de diagnósticos y tratamientos basados en péptidos que imitan parte del antígeno proteico está experimentando un interés renovado. Hasta ahora, la justificación de la selección y el diseño para tales péptidos generalmente se basa en la predicción del epítopo de células T, la estructura 3D experimental y modelada disponible, las predicciones del epítopo de células B, como gráficos de hidrofilia o experiencia. Si no se dispone de una estructura, la selección racional de péptidos para la producción de anticuerpos que alteren o neutralicen la funcionalidad es prácticamente imposible. Específicamente, si hay muchos antígenos alternativos disponibles, la reducción de los péptidos sintetizados requeridos hasta que se encuentre un candidato exitoso es de interés técnico central. Hemos investigado la integración de la predicción de epítopos de células B con la variabilidad del antígeno y la conservación de patrones para la predicción de modificación postraduccional (PTM) para mejorar el estado del arte en el campo. En particular, la aplicación de métodos de aprendizaje automático muestra resultados prometedores. Resultados: Encontramos que las regiones proteicas que conducen a la producción de anticuerpos que alteran la funcionalidad a menudo se caracterizan por un claro aumento en la suma acumulativa de los tres parámetros presentados. Además, el concepto de maximizar la antigenicidad, minimizar la variabilidad y minimizar la probabilidad de modificación postraduccional para la identificación de sitios relevantes conduce a observaciones biológicamente interesantes. Principalmente, para aproximadamente el 50% del antígeno, el enfoque funciona bien con valores de área individual bajo la curva ROC (AROC) de al menos 0,65. Por otro lado, una parte significativa revela valores AROC equivalentemente bajos de < = 0,35 que indica una distribución general no gaussiana. Si bien aproximadamente un tercio de los 57 antígenos son aparentemente intangibles según nuestro enfoque, nuestros resultados sugieren la existencia de al menos dos clases distintas de epítopos detectables bioinformáticamente que deben predecirse por separado. Como efecto secundario de nuestro estudio, presentamos un conjunto de datos seleccionados a mano para la validación de la clasificación de protección. Sobre la base de este conjunto de datos, los métodos de aprendizaje automático mejoran aún más el poder predictivo para una separación de clases en un conjunto de datos equilibrado de hasta un 83 %. Conclusión: Presentamos un método computacional para seleccionar y clasificar automáticamente péptidos para la estimulación de anticuerpos potencialmente protectores o que alteran la funcionalidad. Se puede demostrar que la integración de la variabilidad, la conservación del patrón de modificación postraduccional y la antigenicidad de las células B mejoran la selección racional sobre las conjeturas aleatorias. Probablemente más importante, encontramos que para aproximadamente el 50% del antígeno, el enfoque funciona sustancialmente mejor que para el conjunto de datos general de 57 proteínas. Esencialmente, como efecto secundario, nuestro método se optimiza para los péptidos presumiblemente más aplicables, ya que tienden a no estar modificados y son tan invariables como sea posible, lo que responde a las necesidades de diagnóstico y tratamiento de la infección por patógenos. Además, mostramos el potencial de mejora adicional mediante la aplicación de métodos de aprendizaje automático, en particular, Random Forests.