5  Программы и сервисы для предсказания Т-клеточных эпитопов

Моделированию антигенного процессинга чуть больше 20 лет и за это время были опробованы различные подходы и использовались разные источники данных. За эти 20 с небольшим лет накопился огромный массив данных, собранный независимо в несколько баз данных и баз знаний. Immune Epitope Database (IEDB) - большой ресурс, который содержит, огромную базу данных иммунологических данных, большую онтологию и сервисы для предсказания различных взаимодействий[1]. Эта база данных (БД) - основа всех современных исследований в области моделирования связывания эпитопов с МНС, распознавания комплексов TCR-pMHC и других исследований, так как содержит в себе миллионы записей. Накоплен большой массив масс-спектрометрических данных, посвященных предсказанию продуктов расщепления белков протеосомой, который был объединен в БД InvitroSPI[2]. InvitroSPI объединяет три больших датасета in vitro экспериментов с протеосомой и содержит 16 631 уникальный пептид. Присутствубт как сплайсированные пептиды, так и несплайсированные Однако имеются данные, что in vitro данные не показывают того, что будет in vivo[3]. До появления источников этой БД основным датасетом были данные о сайтах разрезания для дрожжевой енолазы I и \(\beta\)-казеина[4; 5]. Данные по связыванию пептидов с TAP содержатся в двух БД: MHC BN 4.0 и AntiJen 2.0[6; 7]. Однако на момент 09 апреля 2023 года выгрузить данные из AntiJen 2.0 не представлялось возможным. Также некоторые датасеты выложены в открытый доступ разработчиками программ[8]. Эти БД небольшие, насчитывают около тысячи записей. Активность по отношению к ТАР представлена в виде IC₅₀ относительно пептида RRYNASTEL с радиоактивной меткой. Кроме IEDB существует ещё несколько небольших баз данных, хранящие порядка несколько десятков тысяч записей, которые хранят данные о эпитопах, аллелях МНС и узнающих последовательностях ТКР: VDJdb, McPAS-TCR, EPIMHC, SYFPEITHI и другие[9–12].

Первые программы также появились в начале 2000-ых годов и были посвящены моделированию отдельных шагов процессинга[13; 14]. Как было замечено, процессинг антигенов далеко не всегда протекает последовательно, однако уже в 2006 году была предпринята попытка его моделирования как единого процесса[15]. EpiJen моделирует три основополагающих этапа процессинга: нарезание белков протеосомой, транспорт в ЭР и связывание с МНС - и выдает топ-5% пептидов, которые связываются с прогнозируемыми ТКР. Методы, ставшие классическими, собраны на сайте Immune Epitope Database Analysis Resource (IEDB-AR)[16]. Сервисы по предсказанию процессинга антигенов можно разделить на 2 группы: сервисы, которые предсказывают отдельные этапы процессинга, и сервисы, которые учитывают несколько этапов процессинга.

На данный момент исследователи моделируют реакцию разрушения белков протеосомой, транспорт пептидов ТАР, связывание пептидов с МНС. Наиболее известные примеры программ представлены в Table 5.1.

Table 5.1: Примеры программ для моделирования отдельных этапов процессинга антигенов

Программа	Моделируемый этап	Источник обучающей выборки	Алгоритм	Литературный источник
Pcleavage	Протеосома	Данные по енолазе и казеину, МНС BN,	SVM	[17]
NetChop	Протеосома	SYFPEITHI, MHCPEP, HIV Immunology Database, Данные по енолазе и казеину	Нейронная сеть	[18]
PCPS	Протеосома	HIV Immunology Database, EPIMHC, Immuneepitope,Los Alamos database	N-граммы	[19]
PREDTAP	TAP	Экспериментальные данные	Нейронная сеть + HMM	[20]
TAPREG	TAP	Экспериментальные данные, Antijen	SVM	[8]
NetMHCpan	MHC	IEDB	Нейронная сеть	[21]
MHCSeqNet	MHC	IEDB, MHCflurry	Нейронная сеть	[22]

Программы NetCTLpan и MHCflurry моделируют несколько этапов процессинга. MHCflurry состоит из двух моделей на основе нейронных сетей: по предсказанию процессинга и связыванию с МНС - результат аггрегируется с помощью логистической регрессии[23]. NetCTLpan предсказывает разрезание белков протеосомой, транспорт и связывание по отдельности [24]. Эти методы являются пан-аллельными, то есть предсказывают результат для почти всего многообразия известных аллелей HLA. Это достигается путем особого подхода представления аллелей в виде псевдопоследовательности остатков, находящихся на расстоянии до 4 Å от пептидов длиной 9 аминокислот в любых репрезентативных структурах комплекса HLA-пептид[21]. Активно ведется разработка пан-специфичных фреймворков для предсказания связывания пептидов с HLA и все они основаны на нейронных сетях[22; 25; 26]. Современные методы предсказания связывания пептида с МНС имеют высокий AUC ROC, больше 0,95, однако предсказания ограничены какой-то конкретной длиной пептида, чаще в 9 аминокислот[27; 28].

1. Vita R. The Immune Epitope Database (IEDB): 2018 update / R. Vita [et al.] // Nucleic Acids Research. – 2019. – Vol. 47. – The Immune Epitope Database (IEDB). – № D1. – P. D339-D343.

2. Roetschke H.P. InvitroSPI and a large database of proteasome-generated spliced and non-spliced peptides / H.P. Roetschke [et al.] // Scientific Data. – 2023. – Vol. 10. – № 1. – P. 18.

3. Willimsky G. In vitro proteasome processing of neo-splicetopes does not predict their presentation in vivo / G. Willimsky [et al.] // eLife. – 2021. – Vol. 10. – P. e62019.

4. Toes R.E.M. Discrete Cleavage Motifs of Constitutive and Immunoproteasomes Revealed by Quantitative Analysis of Cleavage Products / R.E.M. Toes [et al.] // Journal of Experimental Medicine. – 2001. – Vol. 194. – № 1. – P. 1-12.

5. Emmerich N.P.N. The Human 26 S and 20 S Proteasomes Generate Overlapping but Different Sets of Peptide Fragments from a Model Protein Substrate / N.P.N. Emmerich [et al.] // Journal of Biological Chemistry. – 2000. – Vol. 275. – № 28. – P. 21140-21148.

6. Toseland C.P. AntiJen: A quantitative immunology database integrating functional, thermodynamic, kinetic, biophysical, and cellular data / C.P. Toseland [et al.] // Immunome Research. – 2005. – Vol. 1. – AntiJen. – № 1. – P. 4.

7. Lata S. MHCBN 4.0: A database of MHC/TAP binding peptides and T-cell epitopes / S. Lata, M. Bhasin, G.P. Raghava // BMC Research Notes. – 2009. – Vol. 2. – MHCBN 4.0. – № 1. – P. 61.

8. Diez-Rivero C.M. Quantitative modeling of peptide binding to TAP using support vector machine / C.M. Diez-Rivero [et al.] // Proteins: Structure, Function, and Bioinformatics. – 2010. – Vol. 78. – № 1. – P. 63-72.

9. Bagaev D.V. VDJdb in 2019: database extension, new analysis infrastructure and a T-cell receptor motif compendium / D.V. Bagaev [et al.] // Nucleic Acids Research. – 2020. – Vol. 48. – VDJdb in 2019. – № D1. – P. D1057-D1062.

10. Tickotsky N. McPAS-TCR: a manually curated catalogue of pathology-associated T cell receptor sequences / N. Tickotsky [et al.] // Bioinformatics. – 2017. – Vol. 33. – McPAS-TCR. – № 18. – P. 2924-2929.

11. Rammensee H.-G. SYFPEITHI: Database for MHC ligands and peptide motifs / H.-G. Rammensee [et al.] // Immunogenetics. – 1999. – Vol. 50. – SYFPEITHI. – № 3-4. – P. 213-219.

12. Reche P.A. EPIMHC: a curated database of MHC-binding peptides for customized computational vaccinology / P.A. Reche [et al.] // Bioinformatics. – 2005. – Vol. 21. – EPIMHC. – № 9. – P. 2140-2141.

13. Nussbaum A.K. PAProC: a prediction algorithm for proteasomal cleavages available on the WWW / A.K. Nussbaum [et al.] // Immunogenetics. – 2001. – Vol. 53. – PAProC. – № 2. – P. 87-94.

14. Hattotuwagama C.K. Quantitative online prediction of peptide binding to the major histocompatibility complex / C.K. Hattotuwagama [et al.] // Journal of Molecular Graphics and Modelling. – 2004. – Vol. 22. – № 3. – P. 195-207.

15. Doytchinova I.A. EpiJen: a server for multistep T cell epitope prediction / I.A. Doytchinova, P. Guan, D.R. Flower // BMC Bioinformatics. – 2006. – Vol. 7. – EpiJen. – № 1. – P. 131.

16. Dhanda S.K. IEDB-AR: immune epitope databaseanalysis resource in 2019 / S.K. Dhanda [et al.] // Nucleic Acids Research. – 2019. – Vol. 47. – IEDB-AR. – № W1. – P. W502-W506.

17. Bhasin M. Pcleavage: an SVM based method for prediction of constitutive proteasome and immunoproteasome cleavage sites in antigenic sequences / M. Bhasin, G.P.S. Raghava // Nucleic Acids Research. – 2005. – Vol. 33. – Pcleavage. – № Web Server. – P. W202-W207.

18. Nielsen M. The role of the proteasome in generating cytotoxic T-cell epitopes: insights obtained from improved predictions of proteasomal cleavage / M. Nielsen [et al.] // Immunogenetics. – 2005. – Vol. 57. – The role of the proteasome in generating cytotoxic T-cell epitopes. – № 1-2. – P. 33-41.

19. Gomez-Perosanz M. Identification of CD8+ T cell epitopes through proteasome cleavage site predictions / M. Gomez-Perosanz [et al.] // BMC Bioinformatics. – 2020. – Vol. 21. – № S17. – P. 484.

20. Zhang G. PREDTAP: a system for prediction of peptide binding to the human transporter associated with antigen processing / G. Zhang [et al.] // Immunome Research. – 2006. – Vol. 2. – PREDTAP. – № 1. – P. 3.

21. Nielsen M. NetMHCpan, a Method for Quantitative Predictions of Peptide Binding to Any HLA-A and -B Locus Protein of Known Sequence / M. Nielsen [et al.] // PLoS ONE. – 2007. – Vol. 2. – № 8. – P. e796.

22. Phloyphisut P. MHCSeqNet: a deep neural network model for universal MHC binding prediction / P. Phloyphisut [et al.] // BMC Bioinformatics. – 2019. – Vol. 20. – MHCSeqNet. – № 1. – P. 270.

23. O’Donnell T.J. MHCflurry 2.0: Improved Pan-Allele Prediction of MHC Class I-Presented Peptides by Incorporating Antigen Processing / T.J. O’Donnell, A. Rubinsteyn, U. Laserson // Cell Systems. – 2020. – Vol. 11. – MHCflurry 2.0. – № 1. – P. 42-48.e7.

24. Stranzl T. NetCTLpan: pan-specific MHC class I pathway epitope predictions / T. Stranzl [et al.] // Immunogenetics. – 2010. – Vol. 62. – NetCTLpan. – № 6. – P. 357-368.

25. Wu J. DeepHLApan: A Deep Learning Approach for Neoantigen Prediction Considering Both HLA-Peptide Binding and Immunogenicity / J. Wu [et al.] // Frontiers in Immunology. – 2019. – Vol. 10. – DeepHLApan. – P. 2559.

26. Alvarez B. NNAlign_MA; MHC Peptidome Deconvolution for Accurate MHC Binding Motif Characterization and Improved T-cell Epitope Predictions / B. Alvarez [et al.] // Molecular & Cellular Proteomics. – 2019. – Vol. 18. – № 12. – P. 2459-2477.

27. Paul S. Benchmarking predictions of MHC class I restricted T cell epitopes in a comprehensively studied model system / S. Paul [et al.] // PLOS Computational Biology. – 2020. – Vol. 16. – № 5. – P. e1007757.

28. Mei S. A comprehensive review and performance evaluation of bioinformatics tools for HLA class I peptide-binding prediction / S. Mei [et al.] // Briefings in Bioinformatics. – 2020. – Vol. 21. – № 4. – P. 1119-1135.