使用机器学习和高通量实验评估设计交叉反应抗原

科学领域:

• 疫苗学 疫苗学 疫苗学
• 计算生物学 计算生物学
• 蛋白质工程是指蛋白质工程.

背景情况:

• 艾滋病毒和流感等病原体中的抗原序列变异性使疫苗设计复杂化.
• 开发具有广泛保护的疫苗需要引起对多种变异的反应的抗原.
• 来自*Neisseria meningitidis*的H因子结合蛋白 (fHbp) 由于广泛的突变可能性,提出了设计挑战.

研究的目的:

• 应用机器学习来设计改进的疫苗抗原,特别针对fHbp.
• 克服抗原性数据的局限性,用于训练机器学习模型.
• 为了设计fHbp突变,转移特定的表位体,同时保持广泛的反应性.

主要方法:

• 利用计算模型来预测fHbp的属性.
• 采用高斯过程 (GP) 机器学习来选择有希望和有信息的fHbp突变.
• 实验评估选择的突变,以代地完善机器学习模型.
• 对顶级突变物进行了生物物理和X射线晶体学表征.

主要成果:

• 成功设计的fHbp突变能够从一种fHbp变体转移形态表位体到另一个.
• 保持与交叉反应表位体的结合,同时引入新的特异性.
• 通过生物物理和晶体学分析确认了工程fHbp突变的结构完整性.

结论:

• 一个集成的计算和实验策略可以加速抗原设计.
• 这种代平台有可能开发下一代广泛保护性疫苗.
• 使用机器学习的Epitope工程是一种可行的方法来提高疫苗的疗效.