Разработка методических подходов к рациональному дизайну полиэпитопных T-клеточных антигенов

• Автор: Антонец, Денис Викторович
• Шифр специальности: 03.01.03
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Кольцово
• Количество страниц: 144 с. : ил.

ОГЛАВЛЕНИЕ

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ

Актуальность проблемы

Цели и задачи исследования

Научная новизна и практическая значимость

Положения, выносимые на защиту

Апробация работы

Публикации по теме диссертации

Вклад автора

1. ОБЗОР ЛИТЕРАТУРЫ

1.1. Архитектура молекул МНС и TCR
1.2. Функции молекул МНС, процессинг и презентация антигенов
1.2.1. Процессинг антигенов
1.2.2. Протеасома
1.2.3. Транспорт пептидов в ЭПР
1.2.4. Полиморфизм молекул МНС I класса
1.2.5. МНС I-зависимый путь процессинга и презентации антигенов в цифрах
1.2.6. МНС Н-ЗАВИСИМЫЙ ПУТЬ процессинга и презентации антигенов
1.3. Предсказание Т-клеточных эпитопов
1.4. Использование клеточных технологий для разработки новых способов иммунотерапии онкологических заболеваний. Полиэпитопные антигены
2. МАТЕРИАЛЫ И МЕТОДЫ
2.1. Формулировка моделей предсказывающих аффинность связывания олигопептидов с
МОЛЕКУЛАМИ МНС
2.2. Параметризация аминокислот и олигопептидов
2.3. Метод частных наименьших квадратов (PLS)
2.4. Метод SPLS (Sparse Partial Least Squares)
2.5. Использованное программное обеспечение
2.6. Дополнительные модели, использованные в программах TEpredict и PolyCTLDesigner
3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
3.1. Создание статистических моделей для предсказания аффинности связывания олигопептидов с различными алломорфами молекул HLAI класса
3.2. Создание программы TEpredict

3.3. Обновление статистических моделей, используемых программой TEpredict для предсказания Т-клеточных эпитопов
3.4. Разработка программного обеспечения для рационального дизайна полиэпитопных Т-
КЛЕТОЧНЫХ АНТИГЕНОВ
3.5. ПРОЕКТИРОВАНИЕ ПОЛИЭПИТОПНЫХ МЕЛАНОМНЫХ АНТИГЕНОВ
ЗАКЛЮЧЕНИЕ
ВЫВОДЫ
БЛАГОДАРНОСТИ
СПИСОК ЛИТЕРАТУРЫ

Список сокращений
а.к. - аминокислота
а.к.о. - аминокислотный остаток
ВИЧ - вирус иммунодефицита человека
СПИД - синдром приобретенного иммунодефицита
ANN - искусственные нейронные сети (artificial neural networks)
AUC - area under the curve
BCR - В-клеточный рецептор (В-cell receptor)
CC - коэффициент корреляции (correlation coefficient)
CD - кластер дифференцировки (cluster of differentiation)
CDR - участок, определяющий комплементарность (complementarity determining region)
CLIP - Class II associated invariant chain peptide CMV - Cytomegalovirus
CTL - цитотоксический Т-лимфоцит (cytotoxic T-lymphocite)
CV - кросс-валидация (cross-validation)
DC - дендритные клетки (dendritic cell)
DRiPs - Defective Ribosomal Products
ER - эндоплазматический ретикулум (endoplasmic reticulum)
ERAD - деградация белков, ассоциированная с эндоплазматическим ретикулумом (ER associated protein degradation)
ERAP - аминопептидазы эндоплазматического ретикулума (ER aminopeptidase) FN - ложно отрицательный (false negative)
FP - ложно положительный (false positive)
HIV - вирус иммунодефицита человека (human immunodeficiency virus)
HLA - human leukocyte antigen
IC50 - концентрация полуингибирования (half inhibitory concentration)
ICA - анализ независимых компонент (independent component analysis) isoMDS - изометрическое шкалирование (isometric multidimensional scaling)

При этом используются данные о частоте встречаемости определенных аминокислот в определенных позициях в пептидах, для которых способность взаимодействовать с данной молекулой МНС была проверена экспериментально (Reche et al., 2004), либо производится построение функциональной зависимости меры аффинности связывания пептида с молекулой МНС от аминокислотной последовательности пептида (Hattotuwagama et al., 2004; Parker et al., 1994; Singh, Raghava, 2001, 2003). Для этого подхода характерна более высокая точность. Такие матрицы имеют большую чувствительность, чем простой поиск якорных мотивов и, кроме того, они обладают и большей специфичностью, поскольку принимают во внимание влияние на связывание с молекулой МНС каждого аминокислотного остатка (Lafuente, Reche, 2009).
Сравнительно недавно появились методы для предсказания Т-клеточных эпитопов, основанные на применении искусственных нейронных сетей и метода опорных векторов как для бинарной классификации пептидов (Dönnes, Elofsson, 2002), так и для построения функциональной зависимости меры аффинности от аминокислотной последовательности пептида (Nielsen et al., 2004b; Wan et al., 2006). Кроме того, существуют и методы, использующие для предсказаний модели пространственной структуры комплексов пептидов с молекулами МНС (Табл. 1). Так при предсказании пептидов, связывающихся с молекулами МНС II класса при помощи трех различных структурных методов средние значения площади под характеристической кривой (графика значений специфичности предсказания против его чувствительности) составили 0,62-0,68, в то время как для NetMHCIIpan, использующего искусственные нейронные сети, соответствующее значение составило 0,8 (Liao, Arthur, 2011). Значение площади под характеристической кривой (AUC - area under curve) широко используется для сравнения методов классификации (Swets, 1988). Чем ближе это значение к 1, тем выше качество предсказаний, значение AUC, равное 0,5, соответствует случайному предсказанию.