Predicción de epitopos B lineales mediante perfiles

XIX
VI TO R I A
201 5
II ENCUENTRO INTERNACIONAL DE PARASITÓLOGOS
CONGRESO DE LA SOCIEDAD
ESPAÑOLA DE PARASITOLOGÍA
Parasitaria, Vol. 73, No. 2, 1 5, 201 5
ESPAÑA · FRANCIA · ITALIA · PORTUGAL
Predicción de epitopos B lineales
mediante perfiles antigénicos
Special Issue
Predicción de epitopos B lineales mediante perfiles antigénicos
Pérez-Montoto, L.G .1 , Martínez-Sernández, V.1 , Orbegozo, R.A.1 , Ubeira, F.M .1
Resumen
La predicción de secuencias antigénicas de proteínas que contienen epitopos B lineales es de gran importancia en el
diseño de vacunas quiméricas, en la selección de antígenos diana para mejorar los métodos de inmunodiagnóstico o
para la producción de anticuerpos policlonales y monoclonales. Sin embargo, esta tarea constituye un importante reto
para la Inmunología ya que una secuencia puede ser o no reconocida por el sistema inmunitario de un organismo
dependiendo de diversos parámetros como la naturaleza del carrier, el adyuvante utilizado, su posición en la secuencia,
su accesibilidad para los receptores de las células presentadoras de antígeno, etc. Pero además, en la selección de
secuencias destinadas a la confección de vacunas quiméricas se debe evitar que tales vacunas puedan provocar o
favorecer la aparición de reacciones autoinmunes como consecuencia de un mimetismo molecular. Los primeros
intentos para predecir regiones inmunogénicas de antígenos a partir de su estructura primaria datan de la década de
1 980. Estos métodos son relativamente simples, utilizan una única tendencia o propiedad físico-química de sus
aminoácidos, por ejemplo, la hidrofilicidad y están limitados a pequeñas bases de datos de proteínas. En los años 90 se
fueron introduciendo nuevas propiedades tales como la accesibilidad, flexibilidad, tendencia a formar un tipo concreto
de estructura secundaria dentro de la proteína o incluso la creación de una escala de tendencia a la antigenicidad de
cada amino ácido, en aras de incrementar el poder de predicción de epítopos B lineales. Sin embargo, la exactitud de
estos métodos no dista mucho de una discriminación al azar por lo que en las últimas décadas, mas allá de introducir
nuevas propiedades, los esfuerzos se han centrado en el empleo de modelos y herramientas estadísticas más
avanzadas entre las que se encuentran: modelos ocultos de Markov del método de BepiPred, los cuales toman 2
tendencias o propiedades como entrada; modelos de “ Machine Learning” en los que, mediante árboles de decisión y
métodos de clasificación supervisada como el “ K nearest neighbors”, que permiten utilizar combinaciones más
complejas de propiedades de amino ácidos como entrada; redes neuronales, como las utilizadas en ABCPred o los más
recientes en los que hacen uso de modelos de “ support vector machine” con diferentes funciones Kernel (ej. BCPred o
COBEpro). Mediante estas implementaciones [1 , 2], la precisión de los métodos de predicción de epitopos B lineales se
ha incrementado hasta un 70-75%. Sin embargo, ninguno de ellos tiene en cuenta al organismo diana al que va
destinado el inmunógeno y, además, son totalmente dependientes de las limitaciones propias de la base de datos de
epitopos empleada.
Con el fin de mejorar la selección de epitopos entre aquellos que presenten propiedades físico-químicas adecuadas,
nuestro grupo se ha planteado emplear un criterio de discriminación self-nonself mediante el cual se puede predecir qué
secuencias, siendo potencialmente antigénicas (non-self) resultan óptimas porque difieren de las proteínas del
organismo que se quiere inmunizar. La aplicación de este concepto peremitiría seleccionar las secuencias que, a priori,
pueden ser mejor reconocidas por el organismo diana, mientras que evitaría la génesis de reacciones autoinmunitarias
debidas a un mimetismo molecular con las proteínas propias. Para ello, nuestro método de predicción selecciona las
porciones de una proteína de interés que son potencialmente antigénicas y las compara con el proteoma del organismo
a inmunizar.
Referencias
[1 ] El-Manzalawy, Y., Dobbs, D. and Honavar, V., Journal of molecular recognition: JMR, 2008, 21 , 243-55.
[2] Kavitha, K.V., Saritha, R. and Vinod Chandra, S. S., International Journal of Computer Applications, 201 3, 63, 28-32.
(1 ) Laboratorio de Parasitología, Facultades de Farmacia y Medicina, Universidad de Santiago de Compostela, España.
Agradecimientos
Este estudio ha sido financiado por los Proyectos AGL2011 -30563-C03-01 (MINECO) y GPC201 4/058 (Xunta de Galicia).