[논문 리뷰] Personalized workflow to identify optimal T-cell epitopes for peptide-based vaccines against COVID-19

Rui Qiao, Ngoc Hieu Tran외 3명|arXiv (Cornell University)|2020. 03. 24.

vaccines and immunoinformatics approaches참고 문헌 14인용 수 11

한 줄 요약

이 논문은 개인의 HLA 유전자형과 면역페프티드롬 데이터를 통합하여 SARS-CoV-2의 보존되고 항원성 있는 T세포 항원 결정부를 식별하기 위한 개인 맞춤형 기계학습 워크플로우를 제안한다. 이 방법은 바이러스 단백질에서 높은 친화도를 가지며 보존된 HLA 결합 펩티드를 예측하여 돌연변이에 의한 바이러스의 면역 회피를 극복하고 광범위하게 효과적인 개인 맞춤형 T세포 면역을 가능하게 한다.

ABSTRACT

Traditional vaccines against viruses are designed to target their surface proteins, i.e., antigens, which can trigger the immune system to produce specific antibodies to capture and neutralize the viruses. However, viruses often evolve quickly, and their antigens are prone to mutations to avoid recognition by the antibodies (antigenic drift). This limitation of the antibody-mediated immunity could be addressed by the T-cell mediated immunity, which is able to recognize conserved viral HLA peptides presented on virus-infected cells. Thus, by targeting conserved regions on the genome of a virus, T-cell epitope-based vaccines are less subjected to mutations and may work effectively on different strains of the virus. Here we propose a personalized workflow to identify an optimal set of T-cell epitopes based on the HLA alleles and the immunopeptidome of an individual person. Specifically, our workflow trains a machine learning model on the immunopeptidome and then predicts HLA peptides from conserved regions of a virus that are most likely to trigger responses from the person T cells. We applied the workflow to identify T-cell epitopes for the SARS-COV-2 virus, which has caused the recent COVID-19 pandemic in more than 100 countries across the globe.

연구 동기 및 목표

• 빠른 돌연변이로 인해 항원의 변화가 빠른 바이러스에 의해 영향을 받는 전통적인 항체를 표적으로 삼는 백신의 한계를 해결하기 위해.
• HLA 분자에 의해 제시되는 보존된 바이러스 펩티드를 표적으로 삼는 T세포 면역을 활용하여 더 넓고 지속적인 보호를 얻기 위해.
• 개인의 HLA 유형과 면역페프티드롬을 통합하여 최적의 T세포 항원 결정부를 예측하는 개인 맞춤형 워크플로우를 개발하기 위해.
• SARS-CoV-2에서 높은 친화도를 가지며 보존된 HLA 결합 펩티드를 식별하여 강력한 T세포 반응을 유도할 가능성이 높은 항원을 확보하기 위해.
• SARS-CoV-2에 대한 돌연변이에 저항하는 개인 맞춤형 T세포 항원 결정부 기반 백신 설계를 위한 계산 기반 프레임워크를 제공하기 위해.

제안 방법

• 실험적으로 유도된 면역페프티드롬 데이터를 기반으로 기계학습 모델을 훈련하여 바이러스 단백질에서 HLA 리간드를 예측한다.
• 돌연변이 가능성이 낮은 바이러스 게놈의 보존 영역에 초점을 맞춰 항원 결정부의 우선순위를 정한다.
• 개인의 HLA 유전자형을 통합하여 바이러스 펩티드 중에서 T세포에 결합하고 활성화할 가능성이 높은 것을 예측한다.
• 예측은 펩티드-HLA 결합 친화도와 바이러스 주요 변종 간 보존성에 기반한다.
• 게놈학, 면역페프티도믹스, 기계학습을 융합하여 백신 설계를 위한 후보 항원 결정부의 우선순위를 정한다.
• 이 워크플로우는 개인의 HLA 프로필에 맞게 맞춤형 T세포 항원 결정부를 선택할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 SARS-CoV-2 게놈의 보존 영역 중에서 높은 친화도의 HLA 결합 펩티드를 유도할 가능성이 가장 높은 영역는 어디인가요?
• RQ2 개인의 HLA 유전자형은 어떻게 활용되어 개인 맞춤형 T세포 항원 결정부를 예측할 수 있나요?
• RQ3 면역페프티드롬 데이터를 기반으로 훈련된 기계학습 모델이 기능적인 T세포 항원 결정부를 식별하는 데 있어 예측 성능은 어떠한가요?
• RQ4 SARS-CoV-2에서 보존되고 HLA에 결합하는 펩티드는 다양한 HLA 유형에서 강력한 T세포 반응을 일으킬 수 있나요?
• RQ5 이 개인 맞춤형 워크플로우는 돌연변이에 저항하는 T세포 항원 결정부 기반 백신 설계를 어떻게 향상시키나요?

주요 결과

• 워크플로우는 다양한 HLA 유전자형에 강하게 결합할 것으로 예측되는 보존된 SARS-CoV-2 펩티드 집합을 성공적으로 식별하였다.
• 개인의 HLA 유형과 면역페프티드롬 데이터를 통합함으로써 모델의 예측 정확도가 향상됨을 입증하였다.
• 식별된 항원 결정부는 바이러스 단백질의 보존 영역에 풍부하게 분포해 있어 돌연변이에 의한 면역 회피 위험을 줄였다.
• 이 접근법은 면역원성이 높고 유전적으로 안정적인 후보 항원 결정부를 우선순위 정렬할 수 있도록 하였다.
• 워크플로우의 개인 맞춤형 특성은 다양한 HLA 프로필을 가진 다수의 인구 집단에 효과적인 백신 설계를 지원한다.
• 이 방법은 새로운 바이러스 병원체에서 빠른 항원 결정부 발견을 위한 확장 가능한, 시뮬레이션 기반 프레임워크를 제공한다.