[论文解读] Personalized workflow to identify optimal T-cell epitopes for peptide-based vaccines against COVID-19

Rui Qiao, Ngoc Hieu Tran+3 more|arXiv (Cornell University)|Mar 24, 2020

vaccines and immunoinformatics approaches参考文献 14被引用 11

一句话总结

本文提出了一种个性化的机器学习工作流程，通过整合个体的HLA等位基因和免疫肽组数据，从SARS-CoV-2中识别保守的、具有免疫原性的T细胞表位，用于肽基疫苗。该方法可从病毒蛋白中预测高亲和力、保守的HLA结合肽，提供一种克服病毒通过突变逃避免疫反应的策略，实现广泛有效且个性化的T细胞免疫。

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.

研究动机与目标

• 解决传统抗体靶向疫苗因病毒抗原漂移而易受快速突变影响的局限性。
• 利用T细胞免疫应答，其靶向由HLA分子呈递的保守病毒肽段，以实现更广泛且持久的保护。
• 开发一种整合个体HLA分型和免疫肽组数据的个性化工作流程，以预测最佳T细胞表位。
• 从SARS-CoV-2中识别出可能引发强效T细胞反应的保守、高亲和力HLA结合肽。
• 提供一种计算框架，用于设计抗突变、基于个性化T细胞表位的SARS-CoV-2疫苗。

提出的方法

• 该工作流程基于实验获得的免疫肽组数据训练机器学习模型，以预测病毒蛋白中的HLA配体。
• 聚焦于SARS-CoV-2基因组的保守区域，以优先筛选出较不易发生突变的表位。
• 该模型整合个体的HLA等位基因，以预测哪些病毒肽最可能结合并激活T细胞。
• 预测基于肽段-HLA结合亲和力以及在病毒株间的保守性。
• 该方法结合基因组学、免疫肽组学与机器学习，以优先筛选候选表位用于疫苗设计。
• 该工作流程可实现根据个体HLA谱型个性化选择T细胞表位。

实验结果

研究问题

• RQ1 SARS-CoV-2基因组的哪些保守区域最可能产生高亲和力HLA结合肽？
• RQ2 如何利用个体的HLA基因型来预测个性化的T细胞表位？
• RQ3 基于免疫肽组数据训练的机器学习模型在识别功能性T细胞表位方面的预测性能如何？
• RQ4 SARS-CoV-2中保守的HLA结合肽是否能在多种HLA类型中引发强效T细胞反应？
• RQ5 该个性化工作流程如何提升抗突变T细胞表位疫苗的设计？

主要发现

• 该工作流程成功识别出一组预测可与多种HLA等位基因强结合的保守SARS-CoV-2肽段。
• 通过整合个体HLA类型和免疫肽组数据，模型显著提升了预测准确性。
• 所识别的表位在病毒蛋白组的保守区域中富集，降低了因突变导致免疫逃逸的风险。
• 该方法可优先筛选出兼具免疫原性和遗传稳定性的候选表位，用于疫苗开发。
• 工作流程的个性化特性支持设计对HLA谱型多样的人群均有效的疫苗。
• 该方法提供了一种可扩展的、基于计算机的框架，可快速发现新兴病毒病原体的表位。