Desde la secuencia hasta el andamio: diseño computacional de vacunas de nanopartículas de proteínas a partir de...

Área de la Ciencia:

• La bioquímica
• Inmunología
• Biología computacional

Sus antecedentes:

• Las nanopartículas de proteína de autoensamblaje son cruciales para las vacunas de próxima generación, ya que ofrecen respuestas de anticuerpos superiores.
• El diseño computacional de proteínas permite andamios de nanopartículas a medida, pero existen limitaciones en las estrategias actuales.

Objetivo del estudio:

• Desarrollar un método generalizable para diseñar nuevas proteínas de autoensamblaje utilizando herramientas de aprendizaje automático.
• Para crear inmunógenos de nanopartículas precisos y funcionales para el desarrollo de vacunas.

Principales métodos:

• Aprovechó herramientas de aprendizaje automático, incluido AlphaFold2, para diseñar nuevas proteínas de autoensamblaje a partir de bloques de construcción oligoméricos.
• Generó seis nanopartículas de proteína de 60 subunidades con simetría icosaédrica.
• Utilizamos la microscopía cryoelectrónica para validar la precisión del diseño a nivel atómico.
• Diseñado un inmunógeno de nanopartículas por permutación circular, agregando un glicano y mostrando un dominio de unión al receptor de la hemaglutinina de la influenza.

Principales resultados:

• Se han diseñado con éxito seis nuevas nanopartículas de proteína de 60 subunidades con simetría icosaédrica.
• La microscopía cryoelectrónica confirmó la precisión a nivel atómico en tres nanopartículas diseñadas.
• El inmunógeno diseñado provocó potentes respuestas de bloqueo y neutralización de anticuerpos en ratones.

Conclusiones:

• Las herramientas de modelado de proteínas basadas en el aprendizaje automático son prácticamente útiles para diseñar vacunas de nanopartículas.
• El método desarrollado amplía las posibilidades de diseñar proteínas de autoensamblaje eliminando la necesidad de estructuras determinadas experimentalmente.