一个机器学习框架来识别B细胞表位的复杂的物理化学特征

科学领域:

• 寄生虫学的寄生虫学
• 免疫学 免疫学 免疫学
• 计算生物学 计算生物学

背景情况:

• 怀孕期间的*Plasmodium falciparum*感染涉及病毒性因子VAR2CSA,介导受感染的红细胞粘附于胎盘.
• 开发针对胎盘疟疾的疫苗需要针对VAR2CSA的抗体,但其高多态性对抗菌株超越免疫构成挑战.
• 一个单克隆抗体 (3D10),对*P. vivax*达菲结合蛋白 (DBPII) 产生,意外地与各种VAR2CSA等位基因发生交叉反应.

研究的目的:

• 通过交叉反应抗体3D10.10识别VAR2CSA上的保存表位.
• 开发和应用一种机器学习框架,用于分析抗体-表皮质相互作用和预测保存区域.
• 探索多活性抗体在理解和向多态寄生虫抗原方面的潜力.

主要方法:

• 使用决策树和430个特征的机器学习框架被开发出来,用于分析3D10抗体对VAR2CSA等位基因,DBPII和PvEBP2.2的反应性.
• 用配列来评估抗体结合,然后对特征模式的分析和突变的设计来测试序列动机.
• 识别的特征被映射到预测的3D蛋白质结构上,并使用对重组抗原的反应性进行验证.

主要成果:

• 机器学习框架成功识别了与3D10与VAR2CSA结合相关的特征.
• 在VAR2CSA上预测了线性和构造性表位,构造性表位是这种方法的一个新发现.
• 该研究表明,可以挖掘基阵列数据,以检测多活性抗体识别的表位体的物理化学性质.

结论:

• 机器学习框架可以有效地挖掘基阵列数据,以识别像VAR2CSA这样的多态抗原上的保守线性和构造性表位.
• 这种方法有助于了解交叉反应性抗体的结合,并可以指导设计更有效的针对胎盘疟疾的疫苗.
• 这些发现突显了计算方法在表位发现中的实用性,用于开发针对复杂病原体的疫苗.