CC BY
12
Problem-Solving Article
https://doi.org/10.31631/2073-3046-2022-21-1-4-20
Новый метод распознавания иммуноэпитопов, маркеры долговременного иммунитета, иммуносупрессивные домены и вакцины против COVID-19
Е. П.Харченко*
ФГБУН «Институт эволюционной физиологиии и биохимии им. И. М. Сеченова» РАН, Санкт-Петербург
Резюме
Актуальность. Поиск компьютерных методов с высокой эффективностью распознавания иммуноэпитопов и прогнозирование долговременности индуцируемого ими иммунитета определяется прежде всего необходимостью быстрого создания вакцин против вновь возникших инфекций, особенно в периоды пандемий. Цель. Разработка нового иммуноинформационного метода распознавания иммуноэпитопов, выявление в первичной структуре вирусных белков возможных маркеров их потенциала индуцировать долговременный иммунитет и в оценке ими вакцин против COVID-19. Материалы и методы. Для компьютерного анализа использовались доступные в Интернете базы данных иммуноэпитопов длиною в 15 и 9 аминокислот, рестриктиро-ванных соответственно по МНС I и МНС II, и пептидов, не связывающихся с МНС, а также белков человека и вирусов. Алгоритм дискриминации иммуноэпитопов основывался на позиционном различении в их первичных структурах специфичных коротких пептидов. Результаты. «Инвентаризация» в обучающих выборках ди- и трипептидов или пентапептидов иммуноэпитопов и неиммуноэпитопов позволяет безошибочно распознать в контрольных выборках до 93-97% иммуноэпитопов, рестрик-тированных по МНС I и МНС II. В белках разных субъединичных вакцин, вызывающих длительный иммунитет, доминируют аминокислоты (особенно пролина), составляющие основу внутренне дезорганизованных областей, и пролин-содержащие дипептиды, что позволяет рассматривать их как биомаркеры потенциала вирусного белка формировать долговременную иммунную память. Вывод. Метод распознавания иммуноэпитопов и биомаркер индуцирования долговременной иммунной памяти могут быть использованы как биоинформативные инструменты вычислительной вакцинологии. Обеспечение долговременного иммунитета вакцинами на основе белка S коронавируса SARS-CoV-2 маловероятно.
Ключевые слова: иммуноэпитопы, биомаркеры, иммунная память, иммуносупрессивные домены, коронавирусы, прогнозирование Конфликт интересов не заявлен.
Для цитирования: Харченко Е. П. Новый метод распознавания иммуноэпитопов, маркеры долговременного иммунитета, иммуносупрессивные домены и вакцины против COVID-19. Эпидемиология и Вакцинопрофилактика. 2022;21(1): 4-20. https:// doi:10.31631/2073-3046-2022-21-1-4-20._
Novel Method of Immunoepitope Recognition, Long-Term Immunity Markers, Immunosuppressive Domens and Vaccines against COVID-19
EP Kharchenko
Sechenov Institute of Evolutionary Physiology and Biochemistry, Russian Federation, St. Petersburg Abstract
Relevance of searching for computer methods with high efficiency of immunoepitopes recognition and predicting the longevity of the immunity they induce is determined primarily by the need to quickly create vaccines against newly emerging infections, especially during pandemic periods. Aim. To develop a new immunoinformation method for recognizing immunoepitopes, to identify in the viral proteins possible potential markers to induce long-term immunity and to evaluate by them the vaccines against Covid-19. Materials and methods. For computer analysis, an Internet-accessible databases of immunoepitopes 15 and 9 amino acids long, restricted respectively by MHC I and MHC II, and peptides not binding to MHC, as well as human and virus proteins, were used. The algorithm for discriminating immunoepitopes was based on positional distinction of specific short peptides in their primary structures. Results. The «inventory» in the training samples of di- and tripeptides or pentapeptides of immunoepitopes and non-immunoepitopes makes it possible to accurately recognize in the control samples up to 93-97% of immunoepitopes restricted by MHC I and MHC II. Comparison of the amino acid composition of proteins of subunit vaccines causing long-term immunity revealed dominance of amino acids (especially proline), which form the basis of internally disorganized regions, and proline-containing
* Для переписки: Харченко Евгений Петрович, д. б. н., ведущий научный сотрудник Института эволюционной физиологии и биохимии им. И. М. Сеченова, 194223, Санкт-Петербург, пр. Тореза, 44. 8(904)338-22-80, neuro.children@mail.ru. ©Харченко Е. П.
* For correspondence: Kharchenko Eugene P., Dr. Sci. (Biol.), leader researcher Sechenov Institute of Evolutionary Physiology and Biochemistry, 44 Toreza pr., St. Petersburg, Russian Federation,194223, 8(904)338-22-80, neuro.children@mail.ru. ©Kharchenko EP.
Problem-Solving Article
dipeptides, that allowed them to be considered as biomarkers of the potential of a viral protein to form a long-term immune memory. In the S-protein of coronavirus SARS-CoV-2 two candidates for immunospressive domains are present and the dominance of proline and dipeptides containing it is absent. Conclusion. The immunoepitope recognition method and the biomarker for inducing long-term immune memory can be used as immunoinformative tools of computational vaccinology. Providing long-term immunity by vaccines based on the coronavirus SARS-CoV-2 protein S is unlikely.
Keywords: immunoepitopes, biomarkers, immune memory, immunosuppressive domains, coronaviruses, prediction No conflict of interest to declare.
For citation: Kharchenko EP. Novel Method of Immunoepitope Recognition, Long-Term Immunity Markers, Immunosuppressive Domens and Vaccines against COVID-19. Epidemiology and Vaccinal Prevention. 2022;21(1): 4-20 (In Russ.). https://doi: 10.31631/20733046-2022-21-1-4-20.
Введение
Распознавание «своего» и «не своего» на уровне адаптивной иммунной системы (ИС) реализуется Т-клетками через сканирование ими презентиру-емых главными комплексами гистосовместимости (МНС) фрагментов белков и липидов. Короткие фрагменты белков (чаще всего инфекционных агентов), которые комплексируются с МНС и распознаются рецепторами Т-клеток (запуская реакцию ИС), именуются иммуноэпитопом (ИЭ). Сам процесс распознавания ИЭ предполагает связывание его первоначально с двумя разными молекулами, составляющими МНС, а затем с двумя разными молекулами рецептора Т-клеток.
В первом приближении априорно можно предположить, что комплексирование ИЭ с МНС требует трех его контактов с МНС (по обоим концам и центральной части ИЭ), еще два контакта необходимы на взаимодействие ИЭ с разными цепями рецептора Т-клеток. Если принять длину ИЭ, связывающегося с МНС класса I (МНС I), в 9 аминокислот, а для ИЭ, связывающегося с МНС класса II (МНС II), в 15 аминокислот, то становится очевидным, что каждый из 5 контактов в иммунном узнавании опосредуется участием 1-2 аминокислот в случае ИЭ, рестриктированного МНС I, и не более 2-3 аминокислот в случае ИЭ, рестриктированного МНС II, вовлекая в контакты практически всю последовательность ИЭ. Этим можно было бы объяснить очень слабую аффинность взаимодействий компонентов в комплексах МНС-ИЭ-Т-клеточный рецептор и необходимость тонких методов обнаружения их немногочисленных циркулирующих экземпляров [1].
Использование столь коротких фрагментов в ИЭ, как ди- и трипептиды для иммунного распознавания в комплексе МНС-ИЭ-Т-клеточный рецептор, является достаточным благодаря динамичности самого процесса. В качестве других примеров использования природой минимальных «образов» для распознавания можно привести обонятельную систему или генетический код. Как известно, последний основан на 64 триплетах и является вырожденным, и в 32 триплетах определяющими являются лишь первые два нуклеотида. Природа не роскошествует.
Три основных экспериментальных метода, направленных на распознавание кандидатов
Т-клеточных ИЭ (без прогнозирования длительности индуцируемого ими иммунитета), включают определение прямого связывания синтезированного пептида с МНС, элюцию связанных с МНС лигандов с последующей их идентификацией и, наконец, анализ способности Т-клетки реагировать на соответствующий ИЭ-кандидат. С накоплением базы данных по первичным структурам идентифицированных ИЭ и не связывающихся с МНС пептидов (далее в тексте они будут именоваться как неИЭ) возникла возможность компьютерного прогнозирования Т-клеточных ИЭ, что стало неотъемлемым элементом формирующейся ныне компьютерной (вычислительной) вакцинологии.
Динамичность структуры субъединиц МНС I и МНС II, как и конформационные переходы связывающихся с ними ИЭ позволяют реализовать взаимодействие МНС-ИЭ множеством, однако ограниченным числом, способов. Искусственные нейронные сети дают возможность создать целый ряд компьютерных программ по распознаванию Т-клеточных ИЭ. Особенно программы эффективны по распознанию ИЭ, рестриктированным МНС I, однако в отношении ИЭ, рестриктированных МНС II, таких результатов пока достичь не удалось [2-4]. Этим, по-видимому, отчасти объясняется наличие в базе данных значительно меньшего (более чем на порядок) количества ИЭ, рестриктированных МНС II, по сравнению с ИЭ, рестриктированными МНС I.
Актуальность поисков методов с высокой эффективностью распознавания кандидатов в ИЭ, рестриктированных по МНС I и МНС II, определяется прежде всего необходимостью их идентификации в белках при аутоиммунных, аллергических, онкологических заболеваниях и при трансплантации органов. Важны идентификация ИЭ и прогнозирование долговременности индуцируемого ими иммунитета для быстрого создания вакцин, например, пептидных или субъединичных, против вновь возникших инфекций (особенно в период пандемии) и возбудителей сезонных эпидемий или при дизайне индивидуальных вакцин для лечения рака. С другой стороны, при появлении новых мутантов возбудителей инфекций расшифровка состава ИЭ белков позволила бы прогнозировать чувствительность мутантов к существующим вакцинам.
Problem-Solving Article
В не стихающей уже более двух лет коронави-русной пандемии мир столкнулся с быстрым порождением в разных регионах новых мутантов SARS-CoV-2, снижающих усилия по созданию коллективного иммунитета. Поскольку мутации в новых штаммах SARS-CoV-2 многочисленны, то происходит изменение иммуногенности вируса, что ведет к снижению эффективности используемых вакцин и, соответственно, к проявлениям гетерологичного иммунитета.
Цели исследования - разработка нового метода с высокой эффективностью распознавания кандидатов в ИЭ, выявление в первичной структуре вирусных белков маркеров потенциала индуцирования долговременного иммунитета для использования их в разработке новых вакцин и прогнозирования их эффективности; оценка потенциала существующих вакцин против новых штаммов SARS-CoV-2.
Материалы и методы
Для компьютерного анализа были использованы первичные структуры ИЭ белков человека из доступной в Интернете базы данных (www.iedb.org). Размеры ИЭ, распознаваемых МНС II, составляют 13-24 аминокислот. Поскольку полость молекулы МНС II вмещает лишь ИЭ длиною в 13-15 аминокислот и концы ИЭ большей длины провисают вне торцов полости, не участвуя в иммунном узнавании, то анализировались лишь ИЭ длиною в 15 аминокислот. По ИЭ, рестриктированным МНС I, в анализ были включены наиболее часто встречающиеся среди них пептиды длиною в 9 аминокислот. Анализировались линейные ИЭ и неИЭ безотносительно к способу их идентификации и привязки к определенному аллелю МНС I и МНС II. Обучающие и тестовые выборки формировались (по 1000 пептидов) случайным набором пептидов. Их необходимые объемы определялись путем последовательного подбора на основе анализа результатов дискриминации. В общей сложности анализ охватил около 20 000 ИЭ, рестриктирован-ных по МНС I и МНС II.
Следует отметить, что объем данных по ИЭ и неИЭ отличается для разных организмов, в частности вирусов. Кроме того, для многих ИЭ не идентифицирована рестрикция по определенному гаплотипу МНС II и их аллелям. Поэтому при разработке метода распознавания ИЭ сделан акцент на универсальности, не уточняя его рестрикцию по конкретному гаплотипу МНС II либо его аллелю.
Поскольку контакты между компонентами в комплексе МНС-ИЭ-Т-клеточный рецептор, как отмечено выше, ограничены короткими последовательностями ИЭ (1-3 аминокислоты), анализ включал определение частоты встречающихся как в ИЭ, так и в неИЭ аминокислот, ди-, три- и пента-пептидов по каждой из позиций (а применительно к дипептидам - и по нескольким позициям одновременно) с записью их в отдельные многомерные
массивы компьютерной программы. Такая инвентаризация репертуара коротких пептидов по каждой позиции аминокислотной последовательности ИЭ и неИЭ обучающих выборок позволила использовать принцип запрета (невозможности [5]) для различения ИЭ от неИЭ. Применительно к ИЭ и неИЭ его можно было бы выразить в следующей формулировке: ИЭ и неИЭ не могут иметь идентичные первичные структуры и должны хотя бы минимально отличаться друг от друга, что и наблюдается в реальности. Поэтому для различения их (при сильном преобладании данных по ИЭ) необходимо по ИЭ сформировать репрезентативную обучающую выборку, содержащую наиболее полный состав встречающихся в них, например, ди- и трипептидов. Инвентаризация позволяет разделять ИЭ от неИЭ по следующему правилу: если при пошаговом просмотре всей последовательности пептида в нем присутствовали разрешенные по каждой позиции ди- и трипептиды, зафиксированные в массивах данных по обучающей выборке ИЭ, но которые отсутствовали в массивах данных по обучающей выборке неИЭ, то пептид относился к ИЭ, а при обратной ситуации - к неИЭ. Поясним это на конкретном примере. Так, если при последовательной проверке каждой позиции аминокислотной последовательности его пептида на приходящий на нее дипептид ХY (трипептид XYZ или пентапептид XYZQR) выявляется отсутствие в этой позиции у неИЭ, то пептид причисляется к ИЭ, поскольку, по данным инвентаризации дипептидного (трипептидного, пентапептидного) состава обучающих выборок ИЭ и неИЭ, дипептид XY (трипептид XYZ или пентапептид XYZQR) присутствует в данной позиции только у ИЭ и запрещен для данной позиции у неИЭ (ХЛ'Д^^ -любая из 20 аминокислот). Использованный метод распознания кандидатов ИЭ от неИЭ принципиально отличается от других иммуноинформативных инструментов определения Т-клеточных ИЭ, основанных на вероятностных подходах, и позволяет с высокой эффективностью безошибочно выявить ИЭ. Возможно применять две стратегии дискриминации ИЭ от неИЭ: прямую и обратную. В случае прямой стратегии ИЭ отсеиваются от множества неИЭ, а при обратной стратегии исключаются неИЭ. Нами использовались обе стратегии на основе базы данных ИЭ белков человека (www.iedb.org ).
Для иллюстрации изменения в белках состава ИЭ и неИЭ у мутантных вирусов были применены последовательности S-белка трех штаммов пандемического коронавируса (уханьского, «дельта, 5» и «омикрона, о»). Дополнительно были проанализированы ИЭ у белков вирусов гепатита В, С и Е, папилломы человека, краснухи, гриппа А, кори и Эбола, а также у гистона Н4, инсулина и тиреопе-роксидазы человека. Источником первичных структур пандемического коронавируса SARS-CoV-2, сезонных коронавирусов человека HCoV-NL63, Н^-229Е, Н^-НКи1 и Н^-0С43 и других
Problem-Solving Article
вирусов, а также белков человека служили общедоступные в Интернете базы данных (http://www. ncbi.nlm.nih.gov http://www.рlatform.gisaid.org, www. nextprot.org и http://viralzone.expasy.org).
В статье используется международный код аминокислот: A - аланин, C - цистеин, D - аспа-рагиновая кислота, E - глутаминовая кислота, F - фенилаланин^ - глицин, H - гистидин, I - изо-лейцин, K - лизин, L - лейцин, M - метионин, N -аспарагин, P - пролин, Q - глутамин, R - аргинин, S - серин, T - треонин, V - валин, W - триптофан, Y - тирозин.
Результаты и обсуждение
Формально разработка метода распознавания кандидатов ИЭ, связывающихся с МНС I и МНС II, относится к задачам, сопряженным с распознаванием образов на основе различных подходов. Если кратко охарактеризовать особенности нашего метода дискриминации связывающихся с МНС II пептидов от неИЭ, то они заключаются в обнаружении тонких различий в их первичных структурах, в частности в выявлении по каждой позиции в их аминокислотных последовательностях разрешенных и запрещенных коротких пептидов (ди-, три-или пентапептидов) [5].
Возможность разработки метода распознавания ИЭ, связывающихся с МНС I и МНС II, подкрепляется прежде всего тем, что, несмотря на большую численность ИЭ для МНС I, для МНС II их значительно меньше. В этой связи следует заметить, что реализованное в процессе эволюции многообразие белковых последовательностей существенно меньше потенциально возможного, что, по-видимому, объясняется происхождением ныне существующих белков из сравнительно небольшого числа предковых генов. Принципиально важным моментом в механизмах возникновения разнообразия белков является то, что в числе основных способов увеличения размеров и числа белков оказались генные дупликации и мозаичные комбинации, причем большинство генов белков являются разорванными и составленными из разного числа экзонов и интронов. Сопоставление первичных структур белков показало, что они обнаруживают блочное родство, т.е. их последовательности родственны не по всей длине, а лишь по отдельным протяженным блокам, причем разветвленная сеть блочного родства охватывает белки, глубоко различающиеся по своим функциям, образуя континуум пептидного родства белков. Соответствие размеров экзонов в разорванных генах функциональным доменам белков дает основание полагать, что полипептиды представляют собой наборы фрагментов с различными функциями, которые эволюция по непонятным пока правилам собирает как одно структурно-функциональное целое [6].
Адаптивная ИС возникла на уровне позвоночных, намного позднее формирования основных функциональных систем и вовлеченных в них
белков. Предсуществование глобального пептидного континуума родства белков, охватывающего организмы разных ступеней эволюционного развития, обрекло адаптивную ИС формироваться и функционировать на предуготовленном ей имму-ноэпитопном континууме родства белков [6].
ИЭ не являются каким-то обособленным подмножеством пептидных фрагментов белков, и их рассеянность и повторяемость в разных белках лишь отражает особенности возникновения и эволюции белков. Достаточно взглянуть на таблицу 1, в которой приводится частота встречаемости аминокислот в каждой позиции ИЭ, связывающихся с гаплотипами DR DQ и DR МНС II, чтобы убедиться в пестрой мозаике их возможных сочетаний. Комплексирование ИЭ с МНС обоих классов является результатом возникновения между ними сте-рической конгруэнтности в диапазоне допустимых для них конформационных изменений, что разрешает взаимодействие МНС с разными по своей аминокислотной последовательности ИЭ, т.е. при ограниченности числа аллелей МНС у каждого индивидуума и возможности образования огромного числа пептидов узнавание МНС обоих классов пептидов априорно обречено быть вырожденным, т.е. один и тот же аллель МНС будет распознавать множество ИЭ. Но последнее не бесконечно (что следует прежде всего из существования им-муноэпитопного континуума родства белков [6]), и задача исследования состояла в выявлении этих ограничений на уровне аминокислотных последовательностей ИЭ и неИЭ по каждой их позиции.
Другое ограничение, налагаемое на численность ИЭ, связывающихся с МНС II, исходит из структурной специфики самих гаплотипов DP, DQ и DR, допускающих посадки на них лишь ограниченного множества пептидов со специфичным аминокислотным и соответственно ди- , три- и пен-тапептидном составами, что вытекает, например, из данных в таблицах 2, в которых представлены обобщенные частоты встречаемости дипептидов в ИЭ (табл. 2а) и в одной (для примера приводятся данные по первой позиции) из 15 позиций ИЭ (табл. 2б). Заметим, что хотя таблица 2а отображает разрешенные и запрещенные дипепти-ды в структуре ИЭ, однако не позволяет судить о полном репертуаре ди- и трипептидов в каждой позиции ИЭ. Эта информация заключена в многомерных (точнее - в 15-мерных) массивах данных по ди- и трипептидам сравниваемых ИЭ и неИЭ. Расчеты показали, что по каждой позиции в ИЭ не используется в среднем 307, в то время как в неИЭ - 144 дипептидов из 400. Еще большие различия между ИЭ и неИЭ проявляются по каждой позиции на уровне трипептидов.
Уже по общей сводке дипептидов в ИЭ (таблица 2а) просматривается запрет на 7 дипептидов, связанных с редко встречающимися в белках аминокислотами: цистеином, триптофаном и метиони-ном (для сравнения: у неИЭ запрещены лишь два
Problem-Solving Article
Таблица 1. Распределение частот аминокислот в 15 позициях ИЭ, рестриктированных тремя гаплотипами МНС II Table 1. Distribution of amino acid frequencies in 15 immunoepitopes positions restricted by three MHC II haplotypes
DP MHC II
K R H D E P C L I V A Y W F G M N Q S T
1. 75 45 17 97 73 10 2 BB BS BB BS 14 6 26 94 15 54 24 73 69
2. 62 44 22 B6 74 129 0 51 3B 4B 77 1B 4 24 10S 11 47 47 6B 47
3. B4 B7 23 52 BB SB 2 59 45 72 7B 24 13 36 65 15 37 63 54 45
4. 101 134 10 30 63 26 2 10B 52 BS so 49 21 91 27 17 30 32 46 4B
s. 65 100 13 40 67 B 2 9B B0 B1 9B SB 24 B6 2B 1B 1B 34 49 S3
б. 50 44 30 26 4B 17 3 70 SS B1 129 63 25 63 SS 16 2B 35 92 70
7. 55 23 20 62 107 17 2 4B SS BB 12S 45 13 43 54 12 17 25 107 B4
B. 62 1B 20 62 107 47 3 7B 52 77 111 24 12 45 37 13 32 39 71 90
g. 42 21 1B 35 70 61 2 B2 47 BB 161 39 17 12S 35 9 25 2B 63 54
10. 41 20 16 25 93 37 2 14S 3B 69 1B3 34 7 93 17 10 37 4B 50 35
11. 66 56 15 44 96 54 S 94 34 BB 142 22 7 26 30 1B 31 65 65 42
12. 36 39 26 63 74 41 10 101 61 BB 111 21 7 20 49 12 70 37 91 43
13. 55 47 25 5B B9 57 4 72 4B 69 96 1B 2 16 76 12 64 49 93 52
14. B3 40 35 65 77 112 1 BB S3 73 91 26 3 1B 33 12 39 57 6B 4B
15. 109 B7 25 57 79 45 2 B0 1B 2B 65 16 6 21 95 19 57 70 65 56
DQ MHC_II
K R H D E P C L I V A Y W F G M N Q S T
1. 21 20 13 233 1B2 11 B 41 35 41 190 S 3 36 4B 6 21 16 3B 32
2. 35 29 29 90 90 177 2 B4 4B BS 66 15 11 19 B4 g 30 36 44 39
3. so 54 20 SB 93 B2 S BB 42 73 95 30 19 32 76 11 2B 61 72 51
4. 36 37 27 6B BB 39 7 B3 59 70 91 31 26 49 61 1B 2B 4B 7B 56
5. 35 30 25 35 74 34 g 69 52 BB 124 60 19 46 71 19 36 37 77 60
б. 32 37 26 3B 59 33 g 59 S3 59 141 39 13 34 99 13 21 44 104 B7
7. 20 35 13 52 6B 27 13 63 3B 72 177 21 g 23 107 19 19 32 110 B2
B. 35 33 10 66 B1 34 12 77 4B B0 161 15 7 31 90 10 21 39 BS 65
g. 27 2B 15 77 B4 6B 11 57 SB B3 164 23 7 16 51 10 35 37 B4 65
10. 27 42 24 69 109 56 10 B3 59 B4 132 20 3 26 51 11 3B 41 65 S0
11. 27 40 24 65 121 63 B BS 34 B3 143 30 B 20 4B 14 29 52 75 51
12. 30 53 14 61 104 74 7 BS 41 54 130 22 13 21 B7 11 33 42 74 44
13. 33 BS 19 BB BB B2 3 B2 45 SB 100 19 10 2B 92 16 42 42 B9 45
14. 56 56 23 64 90 107 4 73 45 79 B1 31 12 3B 43 24 25 54 61 34
15. B3 95 24 60 B9 64 4 B0 14 17 77 16 11 25 96 g 52 62 70 52
DR MHC_II
K R H D E P C L I V A Y W F G M N Q S T
1. BB 25 B 11S 70 7 0 B3 7B B3 B3 1B 6 37 93 10 54 27 7B SB
2. 57 44 22 91 59 1S4 0 35 31 B2 77 13 1 21 10S S 56 41 75 50
3. B7 72 19 S3 71 7B 0 B4 4B 75 43 37 6 33 92 g 47 57 65 47
4. 52 29 1B 37 74 23 0 10B 110 75 43 116 1B B4 34 21 25 46 42 47
S. 39 42 15 19 52 14 1 95 134 10S so 120 14 141 24 B 19 3B 37 33
B. 71 54 21 29 SB 22 2 97 100 90 67 66 13 4B 36 21 33 54 60 57
7. 40 41 20 54 59 32 B 12B BB B4 94 46 B 4B 31 39 40 49 46 46
B. SB 31 19 91 BS 4B 0 110 41 54 9B 37 7 30 32 27 67 4B BS 51
g. 92 46 20 S0 43 61 1 45 31 69 109 13 3 15 B4 12 64 29 116 96
10. 76 35 2B 57 45 B0 1 70 33 61 130 19 2 12 62 12 101 36 93 66
11. 61 BB 25 47 75 B0 1 95 35 70 110 21 4 15 57 19 47 57 75 57
12. 71 7B 2B 3B 41 42 3 96 49 B4 111 25 S 12 BS 15 3B 51 B0 51
13. 7B BS 22 SS 41 3B 1 75 43 91 10S 22 B 26 6B 11 50 46 99 37
14. BB SS 32 72 72 113 2 69 so 71 7B 37 7 36 3B 13 26 42 65 35
15. 90 BB 33 69 77 34 1 70 10 2B 6B 24 6 19 126 12 43 67 B0 S
Problem-Solving Article
Таблица 2а. Сводка дипептидов в ИЭ, рестриктированных МНС II Table 2a. Summary of dipeptides in immunoepitopes restricted by MHCII
K R H D E P C L I V A Y W F G M N Q S T
K 56 41 12 43 60 34 3 57 52 76 77 22 9 35 49 10 34 23 62 45
R 39 34 13 33 49 28 2 56 51 39 74 32 5 51 37 14 28 32 55 30
H 16 13 9 10 18 26 0 25 3 22 21 9 3 10 30 2 10 17 24 13
D 38 31 12 40 38 35 6 62 43 50 79 32 10 31 34 17 27 32 58 55
E 77 67 19 52 83 45 2 77 44 53 84 37 10 50 62 18 31 43 52 41
P 42 52 10 43 52 36 4 49 31 48 103 13 4 31 60 15 32 29 75 35
C 3 8 1 4 4 2 3 3 0 2 3 1 1 1 3 0 5 2 7 1
L 59 62 28 56 72 95 3 104 49 55 103 36 4 26 63 18 52 67 118 58
I 50 23 16 29 47 41 1 65 48 40 82 32 2 29 45 13 42 34 56 40
V 49 65 29 69 73 70 4 70 61 73 90 42 13 39 58 16 48 31 62 71
A 81 84 26 50 109 108 1 120 61 125 340 38 12 43 108 18 45 75 147 67
Y 38 22 13 22 39 20 2 52 25 27 33 20 11 19 17 7 17 20 38 34
W 15 7 2 12 17 3 1 7 8 11 8 1 0 5 14 0 14 6 4 14
F 36 33 19 32 52 12 1 56 19 56 38 24 8 5 18 10 18 37 38 25
G 63 51 16 43 55 49 1 53 41 71 112 23 3 17 68 5 33 35 59 30
M 6 12 5 5 14 13 0 13 7 17 25 4 2 9 17 2 17 11 12 9
N 32 29 24 29 36 39 5 48 37 43 43 21 2 31 29 8 21 22 43 26
Q 34 45 12 33 47 27 0 44 33 42 56 20 9 39 42 9 20 27 34 32
S 56 48 23 57 67 54 7 106 49 54 80 59 26 42 85 11 47 59 92 59
T 27 31 9 29 47 67 6 60 38 65 83 28 6 27 51 7 19 44 50 30
дипептида - МС и WМ), Визуальному просмотру доступны лишь таблицы распределения дипептидов. При этом выявляется, что в отдельных позициях ИЭ число запретов на дипептиды сильно возрастает и проявляется их специфичность. Например, при наличии в 14-й позиции цистеина в 15-й позиции может быть только лейцин, причем сам дипеп-тид ^ выявлен лишь у двух из 1000 ИЭ и цистеин не сочетается с остальными 19 аминокислотами. Диапазон запретов дипептидов в позициях весьма широкий. Общность запретов на дипептиды во всех 15 позициях ИЭ связана с редко встречающимися аминокислотами в белках. Но помимо дипептидов с цистеином, триптофаном и метионином запреты распространяются и на дипептиды с гисти-дином, тирозином и фенилаланином, встречающиеся в белках чаще, чем первые, затрагивая и те аминокислоты, которые не относятся к разряду редких в белках, и в каждой позиции запреты на них обнаруживают специфичность, что в совокупности обеспечило эффективность разрабатываемого подхода дискриминации ИЭ от неИЭ.
ИЭ являются короткими пептидами, и каждая аминокислота в них (и тем более ди-,
три- и пентапептиды) определяет потенциал пептида быть ИЭ. Замена в последовательности ИЭ одной аминокислоты может привести к снижению аффинности связывания и даже к утрате способности связываться с МНС, но ИЭ и полученный из него пептидный аналог по своим интегральным физико-химическим свойствам практически не различимы, что обрекает на низкую эффективность распознавания их подходами, основанными на использовании только физико-химических параметров аминокислот [2,3] без учета их последовательности в пептиде. Ранее такой подход оказался успешным в случае небольших выборок ИЭ [7,8], но он мало эффективен при анализе выборки, исчисляемой десятками и сотнями тысяч ИЭ.
Объективно трудности распознавания кандидатов в ИЭ по особенностям аминокислотных последовательностей пептидов связаны с сильной количественной асимметричностью данных по самим ИЭ и неИЭ. Если ИЭ, рестриктирован-ные по МНС II, исчислялись несколькими десятками тысяч, а ИЭ, рестриктированные по МНС I, несколькими сотнями тысяч, то на неИЭ по каждому классу МНС в базе данных (www.iedb.org)
Problem-Solving Article
Таблица 2б. Пример сводки дипептидов в первой позиции ИЭ, рестриктированных МНС II
Table 2b. Example of a summary of dipeptides in the first position of immunoepitopes restricted by MHCII
K R H D E P C L I V A Y W F G M N Q S T
K 8 5 0 4 8 8 0 2 6 4 5 1 0 3 5 2 2 3 3 5
R 4 1 1 2 7 3 0 4 4 1 5 0 0 0 8 0 3 2 0 2
H 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 1 0
D 7 0 1 15 5 5 0 5 1 5 21 0 2 3 3 0 5 1 3 8
E 1 7 0 4 2 4 0 2 0 4 1 0 0 2 6 2 1 4 2 1
P 1 1 0 1 1 2 1 0 0 1 1 0 0 0 0 0 0 0 1 1
C 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0
L 7 4 2 3 3 15 0 91 0 1 9 0 0 2 8 0 6 6 4 2
I 4 2 0 2 4 13 0 0 0 4 3 1 0 1 2 0 4 4 6 2
V 3 4 2 9 9 7 0 4 5 7 6 2 0 3 9 1 9 2 4 5
A 8 5 7 12 12 44 0 15 6 13 28 2 2 3 15 0 1 8 14 6
Y 0 0 0 1 0 2 0 0 0 0 0 1 0 0 0 0 0 0 1 0
W 1 0 1 0 0 1 0 1 0 1 0 0 0 0 4 0 1 0 0 0
F 1 2 0 0 2 0 0 0 1 2 1 2 0 0 2 0 0 1 3 0
G 3 1 1 3 1 10 0 1 4 3 5 1 0 0 8 0 2 2 2 2
M 0 1 2 1 2 2 0 0 0 0 3 0 0 0 0 0 2 0 0 0
N 4 4 1 2 2 10 0 4 1 7 4 2 0 1 4 1 2 2 4 5
Q 1 2 1 4 0 1 0 0 1 0 4 1 0 3 5 0 0 0 1 1
S 2 3 4 6 5 8 0 3 2 3 1 1 1 1 8 0 6 3 6 2
T 0 0 0 8 1 15 0 1 2 4 3 0 1 0 10 0 0 3 7 2
приходится немногим более 1000 пептидов. Такая асимметричность в данных чревата ситуацией, описываемой в области искусственных нейронных сетей, с одной стороны, как «переобученность», а с другой стороны, «недообученность», т.е. избыточностью одной группы данных и недостаточностью сравниваемой с нею другой группы. Другая трудность в разработке методов распознавания ИЭ связана с особенностями первичных структур пептидов: пептиды образуют огромное множество (особенно в случае пептидов длиною в 15 аминокислот) разных последовательностей из одного и того же состава аминокислот, что невозможно учесть при использовании методов распознавания, основанных на использовании физико-химических характеристик аминокислот и малом числе пептидов в обучающих выборках.
Поскольку основу развиваемого нами подхода составляла дискриминация ИЭ от неИЭ по их первичным структурам, разнообразие которых определяется как составом входящих в них аминокислот, так и их последовательностью, то важным моментом в разработке метода было выявление размера обучающей выборки. Как и ожидалось, первичный анализ результатов дискриминации показал, что наибольшее число правильных распознаваний по ИЭ, рестриктированным по каждому классу МНС, было связано с различиями по трипептидам, так как по численности они значительно преобладают над дипептидами. Поэтому в расчетах при определении необходимого числа ИЭ в обучающей
выборке мы ориентировались на необходимое множество трипептидов.
Если исходить из принципов комбинаторики и принять возможное число трипептидов как размещения из 20 аминокислот по 3, то с учетом повторов обучающая выборка должна составлять не менее 203 трипептидов, а их суммарная длина -24 000 аминокислот. Деля последнюю величину на 15, получаем 1600 ИЭ, связывающихся с МНС II - минимальное число ИЭ для обучающей выборки для идеального случая. Но в реальности ИЭ длиною в 15 аминокислот не являются уникальными по пептидному составу, и в своем множестве в их первичных структурах многократны повторы коротких пептидов. Поэтому численность обучающей выборки ИЭ априорно должна быть значительно выше величины для идеальной ситуации. Пошаговым увеличением ее объема на 1000 пептидов выяснено, что 4000-5000 ИЭ в обучающей выборке позволяют (при последовательной фильтрации всех 15 позиций пептида на наличие в них разрешенных ди- и трипептидов) достичь в среднем 96% безошибочного распознавания ИЭ, рестриктированных по МНС II, и полного исключения неИЭ, что является, насколько нам известно, наиболее высоким уровнем правильного прогнозирования для МНС II. Среди особенностей дискриминации ИЭ отметим, что, по сравнению с ИЭ, рестрикти-рованными по DP и DR гаплотипам МНС II, ИЭ, рестриктированные по DQ гаплотипу распознавались с меньшей эффективностью. Естественно,
Problem-Solving Article
асимметричность в размерах обучающих выборок ИЭ и неИЭ (последняя из-за ограниченного числа их в базе данных составляла 1000 пептидов), с одной стороны, и сосуществование в реальных ИЭ и неИЭ идентичных пептидных фрагментов в одной и той же позиции, с другой стороны, предопределили отказ от требования наличия в ИЭ уникальности по разрешенным пептидным фрагментам во всех позициях.
Таким образом, используя обучающую выборку ИЭ большого размера и оптимизируя уровень разрешенных трипептидных фрагментов, удалось при ограниченной обучающей выборке неИЭ достичь высокого уровня безошибочной (относительно базы данных ИЭ (www.iedb.org)) дискриминации кандидатов ИЭ, рестриктированных по МНС II, от неИЭ. Приведенные показатели уровня распознавания ИЭ не являются предельными. С увеличением репрезентативности обучающей выборки ИЭ, что предполагает включение в нее еще несколько тысяч ИЭ, распознавание приблизится к максимально возможному минимуму потери информации. Кроме того, следует подчеркнуть, что метод потенциально позволяет распознавать новые кандидаты ИЭ, не входящие в существующие базы данных.
В случае ИЭ, рестриктированных по МНС I, потребовалась еще большая обучающая выборка из-за меньшей их размерности (9 аминокислот) по сравнению с ИЭ, рестриктированными по МНС II (15 аминокислот), и из-за многократной повторяемости разных коротких пептидных фрагментов в ИЭ. При 9000 и 1000 пептидов соответственно в обучающей выборке ИЭ и неИЭ была достигнута правильная дискриминация 92% ИЭ тестируемой выборки при полном исключении неИЭ. Отметим, что уровень правильного распознавания ИЭ в отдельных тестовых выборках из 1000 пептидов превышал 97%.
Распознавание ИЭ представляется ценным в нескольких аспектах. Один из них связан, как отмечалось выше, с дизайном пептидных или субъединичных вакцин и позволяет посредством анализа состава ИЭ и неИЭ в первичной структуре пептида или белка прогнозировать их иммуно-генность и тем самым ускорить создание вакцин. Первый этап в таком прогнозировании - определение способности, например, пептида или фрагмента белка комплексироваться с МНС. На основе разработанного нами подхода были построены последовательности распределения потенциальных ИЭ в S-белке трех штаммов коронавируса SARS-CoV-2 (уханьского, «5» и «о»), отличающихся по возникшим в них мутациям. Неожиданным оказалось то, что последовательность S-белка всех трех штаммов плотно усеяна ИЭ белков человека, и эту иммуноэпитопную мимикрию вирусных белков можно было бы охарактеризовать, следуя терминологии De Groot et а1., как иммунный камуфляж [9], ослепляющий ИС инфицируемого
и обеспечивающий вирусу высокую контагиоз-ность с индуцированием им множественной патологии при проникновении в организм. Выявленное в S-белке SARS-CoV-2 множество ИЭ, рестриктированных по МНС II, по численности превосходит те, что выявлены другими авторами другими методами [10,11], и свидетельствует о том, что разработанный нами метод открывает новые кандидаты ИЭ, обнаружение которых недоступно другими методами. Как продукты деградации S-белка, отдельные ИЭ, будучи гомологичными разным белкам человека, способны индуцировать к ним антитела, вызывая многочисленные аутоиммунные поражения, чем так характерен патогенез инфекции SARS-CoV-2 и что послужило поводом сам вирус назвать как аутоиммунный [12].
Уместно заметить, что одного иммуноэпитопно-го камуфляжа S-белка SARS-CoV-2 недостаточно для проявления высокой контагиозности вируса. (Он предсуществует и свойственен, по-видимому, белкам всех инфекционных патогенов, обеспечивая на начальных стадиях инфекции ускользание от ИС). Необходимо также обретение структурой S-белка конгруэнтности клеточным белкам поражаемого им хозяина. Оно «оттачивается» множеством мутаций, разные комбинации которых порождают новые пандемичные штаммы SARS-CoV-2. Для них характерно увеличение в S1-субъединице S-белка количества аминокислот, образующих в белках внутренне дезорганизованные области, и повышенное количество аргинина и лизина по отношению к глу-таминовой и аспарагиновой кислотам [13].
Следующий этап в дизайне вакцин - прогнозирование узнавания кандидата ИЭ Т-клетками ИС. Не все пептиды, комплексирующие с МНС, будут распознаны Т-клетками с запуском иммунной реакции. Из организма элиминируются большинство аутореактивных Т-клеток, и основной репертуар Т-лимфоцитов в циркуляции представлен теми, которые распознают «не своего». К сожалению, база данных по ИЭ, рестриктированным МНС II и длиною в 15 аминокислот, как и по неИЭ, не многочисленна (и первых, и вторых около 1000), и применить в полной мере подход, использованный для распознавания пептидов, связывающихся с МНС I и МНС II, не представляется возможным. Из-за недостаточной репрезентативности обеих выборок полностью распознаются неактивирующие Т-клетки пептиды, а безошибочно выявляется до 51% ИЭ, распознаваемых Т-клетками. Но безошибочность выявления последних искупает неполноту их распознавания.
В таблице 3 представлено распределение в S-белке SARS-CoV-2 кандидатов Т-клеточных ИЭ. При внимательном просмотре таблицы 3 видно, как от штамма к штамму перекраивается череда следования ИЭ и неИЭ (за каждым знаком «+» или «-» стоит последовательность из 14 аминокислот), что позволяет ретроспективно спрогнозировать изменение как патогенности, так и чувствительности
Problem-Solving Article
штаммов «5» и «о» к вакцинам, разработанным против уханьского штамма. Примечательна высокая плотность и протяженность блоков ИЭ в белках. Столь же высокой плотностью характеризуется S-белок и по В-клеточным ИЭ (распознавание их не описывается в данной публикации). Это свидетельствует о том, что образование антител против S-белка может быть направлено к разным его сайтам в обеих субьединицах, однако их доступность антителам в цельном вирионе будет разная. Протективной активностью будут обладать те антитела, что направлены к обнаженным фрагментам молекулы. В совокупности информация по распределению Т-клеточных ИЭ в S-белке SARS-CoV-2 в таблице 3 свидетельствует о том, что S-белок разных штаммов SARS-CoV-2 будет обладать специфичной иммуногенностью, что и подтверждается сообщениями о резком снижении чувствительности штаммов «5» и «о» к вакцинам на основе S-белка уханьского штамма SARS-CoV-2.
Выявление мутаций в S-белке необходимо, но не достаточно для прогнозирования их влияния на его иммуногенность. Развиваемый нами метод позволяет выяснить, как изменилась природа фрагмента белка, в котором произошла мутация. Она может проявить себя тремя исходами: не изменить прежнего состояния фрагмента, который она затрагивает, относительно принадлежности к ИЭ или неИЭ; привести к утрате принадлежности фрагмента к ИЭ либо к обретению им принадлежности к ИЭ, если ранее он соответственно являлся ИЭ или неИЭ.
При множественности Т- и В-клеточных ИЭ вакцины (уханьского) штамма SARS-CoV-2 первой волны пандемии могут сохранять в значительной степени их протективную способность против новых мутантов, что подтверждено в отношении «5» штамма, имеющего, по сравнению с штаммом «о», значительно меньше сдвигов в составе ИЭ. Однако вирус штамма «о», SARS-CoV-2, оказывается, заражает привитых вакциной из S-белка уханьского штамма SARS-CoV-2. Более 30 мутаций в S-белке «о» штамма привели к сокрытию части последовательностей, узнаваемых антителами, индуцируемыми вакцинами к уханьскому штамму, и к появлению новых ИЭ, не узнаваемых ими, что, вероятно, обернулось в отношении штамма «о» реализацией (в рамках гетерологичного иммунитета) феномена антитело-зависимого усиления вирусной инфекции. Последний может обусловливаться парадоксальным эффектом мо-ноштаммоспецифичной вакцины, когда после ее введения вакцинированный подвергается инфицированию новым мутантным вирусом, который по механизму иммунного импритинга («первородного греха») вызывает образование в организме антител, реактивируя клетки иммунной памяти, сформировавшиеся в результате предшествующей вакцинации. Влияние активированных Т- и В-клеток памяти может быть двояким. Если
индуцированные их активацией антитела способны нейтрализовать мутантный вирус, то это ослабляет инфекционный процесс. При отсутствии у антител нейтрализующей активности наблюдается иммунная коллизия: антитело-зависимое усиление инфекции, цитокиновый шторм, усиление воспаления и вызванная им гибель клеток. В итоге - повышенная контагиозность инфекции, вызванной мутантным вирусом. В разных странах распространение штамма «о» протекает по-разному, но особенно сильной его волна оказалась, например, в Израиле и Франции, охватив значительную долю вакцинированных и свидетельствуя, по существу, о том, что предшествовавшая иммунизация вакцинами против уханьского штамма не может гарантировать высокую защиту от штамма «о».
Среди используемых против COVID-19 вакцин пептидные и мРНК-вакцины являются самыми простыми по молекулярному составу, а самые сложные - векторные вакцины, в частности, вакцина Спутник V, в которой носителями гена S-белка служат аденовирусы НAd5 и НAd26, способные проявлять себя и как адъюванты. Оба вектора содержат гомологичные последовательности к S-белку коро-навируса SARS-CoV-2, что наделяет их потенциалом индуцировать антитела с перекрестной активностью против SARS-CoV-2 [14]. Априорно три разных источника ИЭ в векторной вакцине «Спутник V» должны обеспечивать большую стабильность ее протективного эффекта против разных штаммов SARS-CoV-2. Поскольку вакцина Спутник V является сложной по своим молекулярным компонентам, ее протективный эффект реализуется с привлечением множества механизмов врожденной ИС, активированных ее сенсорами, и сформированным ею натренированным иммунитетом, и он более длительный по сравнению с мРНК-вакцинами. Как показало сравнение штаммов «5» и «о», S-белок последнего содержит больше и притом разных последовательностей, гомологичных белкам аденовирусов НAd5 и НAd26. Даже при рекордном числе мутаций у штамма «о» подавляющая часть его ИЭ в S-белке осталась идентичной ИЭ уханьского штамма (см. табл. 3), поэтому вакцина «Спутник V» будет обладать достаточной (хотя и пониженной) эффективностью как против штамма «5», так и против штамма «о», и она по-прежнему может быть рекомендована для иммунизации против COVID-19. Критическим фактором вакцинации является длительность ее эффекта. Что касается пептидных вакцин, то при сильной ограниченности их по составу ИЭ эффективность их против разных вариантов SARS-CoV-2 будет сильно варьировать в зависимости от того, приходятся ли мутации в S-белке на те сайты, которые представлены в самой вакцине.
Другой возникающий вопрос: будет ли штамм «о» последним в череде волн пандемии COVID-19 и завершится ли она в 2022 г. с трансформацией SARS-CoV-2 в сезонный штамм по аналогии с вирусами гриппа? Если сравнивать потенциал
Problem-Solving Article
изменчивости вирусов гриппа и коронавирусов, то у последних он несравненно выше и не исчерпан, прежде всего, из-за большего размера генома и S-белка, не ограниченного в размерах и способах мутирования (транзиции, трансверсии, делеции и вставки), отсутствия сезонной привязанности. У вирусов же гриппа отмечается сезонное активирование, ограничение в размерах гемаг-глютинина и консервативность его остова (у Н1 гемагглютинина он сохраняется на протяжении, по крайней мере, уже более ста лет, и существуют строгие ограничения в его генетическом коде).
Если сопоставить мутации S-белка штаммов SARS-CoV-2, возникших на протяжении двух лет пандемии, то нетрудно заметить отсутствие какой-либо тенденции или ограничений по их числу и составу. У штамма «е» (В.1.429) их всего 6, у штамма С.1.2 их 20, а рекордсменом предстает штамм «о» - более 30 мутаций, причем по составу у последнего они отличаются явным преобладанием мутирования трансверсиями в 5 позициях аспара-гина в лизин (обретение вирусом новых положительно заряженных аминокислот в S-белке (лизина и аргинина) - верный маркер возрастания его кон-тагиозности), а у С.1.2 чаще всего (в 6 позициях) мутировал пролин. Вовлечение в мутационный процесс множества сайтов в S-белке не только изменяет его иммуногенность, но и позволяет разнообразить круг его рецепторов в клетке (и тем самым увеличить вероятность заражения, т.е. кон-тагиозность), взаимодействуя с которыми, вирус инфицирует организм.
Пандемия COVID-19 расширила круг хозяев коронавирусов, включив в него и человека. Присущая штаммам С.1.2 и омикрону столь высокая частота повторяемости мутирования в S-белке одних и тех же аминокислот (например, пролина и аспарагина), не входящих в первую десятку наиболее часто встречающихся в нем аминокислот и определяющих вторичную структуру белков (обе аминокислоты локализуются в местах изгиба белковой молекулы), естественно ставят вопрос об ее происхождении. Многократная повторяемость мутаций, затрагивающих одни и те же аминокислоты (не только аспарагин или пролин), склоняет к мысли, что они возникли не в результате последовательного переселения коронавируса от одного носителя к другому, а, вероятнее всего, из-за длительного пребывания штамма в одном носителе - одна и та же среда обитания с однотипным мутагенным воздействием, т. е. при длительном пребывании коронавируса в организме носителя могут последовательно рождаться, как и при ВИЧ инфекции, новые мутанты. Примечательно, что первое описание омикрона связано с выделением его именно у пациента с иммунным дефицитом, обеспечившим вирусу длительное беспрепятственное воспроизведение потомства. Организм при ослабленном ВИЧ-инфекцией иммунитете, по сообщениям ученых из ЮАР, предрасполагает
к многоступенчатым мутациям в геноме коронави-руса. Согласно опубликованному ими отчету, из-за перерыва в лечении ВИЧ-инфекции у заразившейся COVID-19 женщины коронавирус «5» на протяжении 9 месяцев претерпел 21 мутацию nauka.tass.ru/). Не исключено возникновение новых штаммов коронавирусов при затяжном течении COVID-19 и при длительном бессимптомном вирусоносительстве. С учетом множества источников возникновения мутантов SARS-CoV-2 ожидания по блокированию моноштаммоспецифичной вакциной пандемии COVID-19 становятся призрачными, и как в случае пандемии ВИЧ-инфекции, вакцинацию в борьбе против COVID-19, вероятно, потеснит фармакотерапия.
Пестрая мозаика мутаций по количеству и составу в S-белке, наряду с его крупными размерами (у большого корабля - большое плавание!), не дают оснований полагать, что штаммом «о» иссякает потенциал изменения SARS-CoV-2 и с его распространением пандемия завершится. Уже выявленный новый подтип омикрона штамм ВА.2 содержит в S-белке меньше мутаций и отличается их составом, но обладает большей контагиозностью. Поэтому более вероятными представляются ожидания увядания пандемии COVID-19 на протяжении последующих двух лет, т.е. когда большая часть человечества «успеет» переболеть COVID-19 с варьирующей степенью тяжести, если не будут найдены препараты, специфически блокирующие размножение коронавирусов, или новые иммуно-модуляторы, памятуя, что человек не создан для бесконечной ревакцинации против одного и того же патогена через каждые 4-6 месяцев. А биоинформационным ориентиром для прогнозирования свойств (контагиозности (трансмиссивности), пато-генности и иммуногенности) новых штаммов SARS-CoV-2 могли бы послужить особенности первичной структуры S-белка [13] и состава его ИЭ. Используя их, штамм «о» можно охарактеризовать, как обладающий высокой трансмиссивностью, умеренной патогенностью и измененной иммуногенностью. Особенности аминокислотного, ди- и трипептидно-го составов S-белка SARS-CoV-2, как и его мутантов, не свидетельствуют в пользу предположения, что прививка способна обеспечить долговременный иммунитет [13].
Другое подтверждение предположения о маловероятности формирования долговременного иммунитета вследствие иммунизации вакцинами на основе S-белка исходит из сравнения особенностей аминокислотного и дипептидного состава белков субъединичных вакцин, которые разработаны, как и вакцины против SARS-CoV-2, на основе только одного белка вируса (вакцины против гепатитов В и Е и папилломавируса человека) и обеспечивают долговременную защиту. Сопоставление именно аминокислотного и дипеп-тидного состава белков этих вакцин обусловлено тем, что контакты в МНС-ИЭ-Т-клеточный рецептор,
Problem-Solving Article
Таблица 3. Последовательности распределения потенциальных Т-клеточных ИЭ в разных белках Table 3. Distribution sequences of potential T cell IEs in different proteins
«дельта»
1 -++-+++-+++-++++++++++-++++-+++-+-+++++-+-+++--+--++++-+++-+++++++++++++-+++-+++ 321 ++++-+++++++-+++-++++-++-+-+-++++-++-++-++++++++++--++--+-+-++-++-+++--+++++--++
801 ++-++++-+++++++-++++-++++++-+++-+++-++-++-+--++-++--++-+
1041 ++-+-+++-+-++++++++-++++++++++++++++++++--+-+--++++-+--++-++-++++++--+++++-+++++ Wuhan-Hu-1
1 -++-+++-+++-+-++++++++-++++-+++-+-+++++-+-+++--+--++++-+++-+++++++++++++-+++-+++
321 ++++++-+++++++-+++-++++-++-+-+-++++-++-++-++++++++++--++--+-+-++-++-+++--+++++--401 +++++-+--+-+ 481 ++++++++++++-+--++-561 +-++++++++++--+++++-641 +++++++++--++++-+++-+ 721 ++-+++++++++++-++++-+ 801 ++++-++++-+++++++-++++-881
961 -+-++++--++-+ 1041 ++++-+-+++-+-+
1121 +++++----+++-+-+-
1201
«омикрон»
1 -++-+++-+++-+-++++++++-++++-+++-+-+++++-+-+++--+--++++-++++++++++-++++-+++-++++-161 +++++++++--++-++++++++++++++-+++++-+++-+++--++++-++--+-++++-+++++--++-+ 321 +++++++++++-+++-++++-+--+-+-++++-++-+++++++++++++++++--+-+-++-++-+++--+++++--+++
641 ++++++-+++++-+++-+++++++-++-+++++--++++++++-+++-+++++++++-+++++++++-++++-++--++-
801 +-++++-+++++++-++++-++++++-+++-+++-++-++-+-++-++++-++-+ 881 +++++-++++++++++++++-+-+++--+--+ 961 ++++--++-++--++-1041 +-+-+++-+-1121 ++----+++-+-+-+ 1201
гистон H4
81 -+-++-++-инсулин
тиреопероксидаза
81 +++++++++-++--+-+++++++++++--+-++++-++++-+++++-+++++++--+-++++-++++++++-+-++-+++
241 ++++++++--+++++-+++-+++-++++++-+++++--+-++++++++-+-++-++--+-+++-+-+++++++---+++-321 ++--+++-++++++-++++++++-+++++-+++++++-+-++--++++-+++-+++++-++-++---+++++++++++++
481 ++++-++-++++++-+---+++-+-++++++-+++++-+++++++++++-+-++-++++++-+-+++-++++--+++++-561 +++++--++---+-+--++++++-+--+++++++++-+++++++++++++++++++--+++++-++-+-+++++-+++++ 641 -+-++++-+-+-+-+++++++++++++++--++++++++-++++-+++-+-++++++-+++++--+++-++-+-+-++-+ 721 ++++--++-++++-+-++-++-++--+++-+++++++-++++++++++--++--+-++++-+++-+++++-+-+-+-+-+ 801 -++++-++--++--+—+++--+---+---+--+++---++++-++--++++++++-++++-881 --+-+-+++++++--+-+++++-++++++-+-+-++-++
Problem-Solving Article
как было отмечено ранее, реализуются через короткие фрагменты длиною в 1-3 аминокислоты, и в них возможно доминирование некоторых аминокислот. Представленные в таблице 4 данные подтверждают это предположение: среди доминирующих аминокислот в белках, использованных в вакцинах против гепатита В и Е и папилломавируса человека, выступает пролин. Высокой частоте его встречаемости сопутствует также высокая частота аминокислот, составляющих основу внутренне дезорганизованных областей (intrinsically disordered regions) в белках: глицина, аспарагина, глутамина, треонина и серина. Дополняющим биомаркером субъединичных вакцин, индуцирующих долговременный иммунитет, могут служить особенности дипептидного состава использующихся в них вирусных белков - доминирование дипептидов РХ и ХР (Х - любая аминокислота).
В таблицах 5 и 6 приведены составы дипептидов соответственно для S-белка SARS-CoV-2 и суммарного белка, охватывающего 4 белка ( поверхностные белки вируса гепатита В и папилломавируса человека и иммуногенный белок вируса гепатита Е) и обозначенного как 2-белок. Их различия особенно очевидны по составу отсутствующих и наиболее часто встречающихся дипептидов, особенно пролин-содержащих. Эту общую особенность аминокислотного и дипептидного состава, характерную для столь разных белков у разных по своей природе вирусов, вряд ли можно счесть за случайность. Она свойственна также поверхностному белку Е1 вируса краснухи, разные виды вакцин против которой вызывают длительный иммунитет. Вирус краснухи, как и вирусы кори, паротита, полиомиелита и бешенства, в числе тех, что вызывают, как и разработанные на их основе цельновирион-ные вакцины, длительный иммунитет. Общая особенность их поверхностных белков - повышенная частота встречаемости дипептидов РХ и ХР [13, табл. 2 и 3]. Повторяемость у разных вирусов доминирования в первичной структуре вирусных белков пролина с аминокислотами, составляющими основу внутренне дезорганизованных областей, служит основанием рассматривать их кандидатами в биомаркеры потенциала вирусного белка
формировать долговременную иммунную память. Дополнительной аргументацией этому может служить персистенция на протяжении, по крайней мере, 2 лет высоких титров антител к гликопротеи-ну вируса Эбола после однократной инъекции вакцины rVSV-ZEBOV[22]. Отличительная особенность структурных белков разных вариантов вируса Эбола (гликопротеина, нуклеопротеина и VP40) -высокое и доминирующее содержание в них пролина. Но следует сразу оговорить возможность существования и других (еще не распознанных, например, у прокариот) биомаркеров долговременного иммунитета как проявление функциональной вырожденности. В широком аспекте функциональная вырожденность определяется как способность элементов, которые структурно различны, выполнять одинаковые функции либо определять одно и то же состояние. Функциональная вырожденность пронизывает все уровни биологической организации и составляет основу функционирования и врожденной, и адаптивной ИС.
Как известно, пролин избегает вторичные структуры в белках и сосредоточен преимущественно в их внутренне дезорганизованных областях, что предполагает линейную, а не пространственную структуру ИЭ, индуцирующих долговременную иммунную память. С ИЭ, индуцирующими долговременную иммунную память, по-видимому, связано и иммунодоминирование среди ИЭ.
По общей статистике белков, по рангу частоты встречаемости пролин среди 20 аминокислот занимает примерно 12-ю позицию, а в S-белке SARS-CoV-2 - даже 13-ю позицию (см. табл. 2), что следует рассматривать как аргумент против ожидания долговременного иммунитета к SARS-CoV-2 при использовании вакцин на основе его S-белка с соответствующим прогнозом: для поддержания иммунитета против SARS-CoV-2 необходимы повторные ревакцинации. Среди других белков SARS-CoV-2 лишь в белке N в ряду частот встречаемости аминокислот пролин занимает более высокую (8-ю) позицию.
Если внутренне дезорганизованные области в белках являются вероятными кандидатами в ИЭ,
Таблица 4. Аминокислотный состав белков субъединичных вакцин Table 4. Amino acid composition of subunit vaccine proteins
Возбудитель The pathogen K R H D E P C L I V A Y W F G M N Q S T ( L)
HBV 3 14 6 11 3 52 14 46 17 14 21 6 18 26 34 9 17 17 41 31 (400 а.к.)
HEV 0 8 3 3 0 21 8 13 3 10 11 0 0 4 9 2 1 3 12 3 (114 а.к.)
HPV16 34 19 11 28 21 37 13 44 26 36 30 25 7 27 35 11 30 21 33 43 (531 а.к.)
HPV18 27 28 16 35 14 47 16 51 25 43 31 29 8 23 35 11 22 26 44 37 (568 а.к.)
Rubella 9 24 17 16 21 47 24 34 11 40 55 16 15 13 46 3 12 17 22 39 (481 а.к.)
Примечание: HBV- вирус гепатита В, HEV - вирус гепатита Е, иммуногенный белок; HPV16 и HPV18 - папилломавирус человека типов 16 и 18, главный капсидный белок L1; Rubella - вирус краснухи, гликопротеин Е1, (L) - длина белка.
Note: HBV - Hepatitis B virus, HEV - Hepatitis Е virus, small immunogenic protein: HPV16 и HPV18 Human papillomavirus type 16 and 18 major capsid protein L1 Rubella virus, E1 envelope glycoprotein; (L) protein length.
Problem-Solving Article
Таблица 5. Частота встречаемости дипептидов в I-белRe Table 5. Occurence of dipeptides in I-protein
K R H D E P C L I V A Y W F G M N Q S T
K 3 5 1 3 4 9 1 4 2 3 3 3 0 9 4 1 2 4 2 0
R 8 5 5 2 3 7 0 5 2 9 4 0 1 5 3 0 1 3 2 3
H 1 1 0 0 0 5 0 3 2 2 3 2 3 1 2 0 3 2 5 1
D 1 0 3 4 1 8 2 8 3 4 3 6 3 3 3 2 3 2 5 13
E 2 0 2 6 2 1 1 2 1 4 2 4 1 0 0 0 4 2 2 2
P 4 6 2 11 2 20 3 23 8 6 13 7 0 3 9 1 6 5 15 13
C 5 1 0 0 1 7 5 7 3 2 5 1 2 1 1 0 0 3 1 6
L 6 8 3 12 6 15 7 16 5 11 3 7 4 9 13 0 2 11 8 7
I 4 0 3 0 0 5 7 13 4 1 1 3 1 11 5 0 1 2 5 4
V 0 6 1 9 3 13 2 4 2 6 4 6 3 4 10 2 6 4 9 9
A 4 5 0 4 1 9 4 3 5 6 9 2 0 3 12 3 6 5 7 5
Y 3 5 5 4 1 3 0 5 8 2 1 1 3 4 4 1 4 2 2 2
W 0 1 1 1 2 1 0 5 0 1 5 1 1 1 3 2 5 0 2 1
F 2 3 1 0 0 8 4 11 6 7 3 4 3 6 7 0 4 3 5 3
G 2 5 6 8 4 7 2 12 3 9 8 2 2 6 8 3 4 4 9 9
M 0 0 0 3 1 1 2 1 0 5 1 0 1 3 4 1 2 2 5 1
N 11 4 1 1 0 9 1 4 2 8 2 1 0 4 2 2 5 3 5 5
Q 2 3 0 3 0 5 0 11 1 2 8 5 2 3 7 4 1 0 8 2
S 3 7 2 4 5 16 4 10 8 5 9 1 3 1 10 6 4 5 12 15
T 3 4 0 2 2 8 6 7 6 10 6 4 0 3 6 1 7 5 21 13
Таблица б.Частота встречаемости дипептидов в S-белке SARS-CoV-2 (Wuhan-Hu-1) Table 6. Occurrence of dipeptides in SARS-CoV-2 (Wuhan-Hu-1) S-protein
K R H D E P C L I V A Y W F G M N Q S T
K 2 4 1 1 2 2 3 5 3 5 1 3 1 3 4 1 8 4 5 3
R 2 1 0 5 2 0 0 5 1 5 5 0 0 5 3 0 1 1 4 2
H 1 1 0 1 0 0 0 1 0 3 3 1 1 1 1 0 0 0 1 2
D 4 2 0 2 3 5 3 9 7 4 3 2 0 3 3 0 2 1 8 1
E 3 1 1 2 1 3 3 4 5 6 1 1 0 3 3 1 3 2 4 1
P 1 3 1 4 1 3 2 6 4 4 4 1 1 8 3 0 1 4 2 5
C 1 0 1 2 1 1 4 3 0 5 3 2 0 1 4 1 2 0 4 5
L 5 1 5 7 3 11 3 10 8 6 4 4 0 3 8 2 6 9 5 8
I 4 4 2 4 1 3 4 4 3 4 12 4 1 1 6 1 3 2 5 8
V 4 4 0 5 4 2 2 12 5 7 6 8 0 8 3 1 8 2 8 8
A 1 2 1 6 4 4 0 8 7 4 6 5 2 0 8 1 3 5 8 4
Y 2 3 2 1 4 1 0 3 3 4 2 3 0 4 4 0 4 5 5 4
W 0 1 0 0 0 1 0 1 1 0 0 1 0 2 0 1 2 0 0 2
F 6 4 1 2 3 4 3 7 3 6 4 1 0 1 7 0 10 5 4 6
G 7 2 0 6 1 1 3 3 7 12 7 4 3 6 3 0 3 2 4 8
M 0 0 0 1 1 0 0 1 1 1 1 1 0 1 0 0 0 1 3 2
N 4 2 1 4 3 1 5 10 5 5 4 3 0 9 8 0 7 4 8 5
Q 3 1 0 5 3 6 1 5 6 2 2 4 0 3 2 1 2 2 6 8
S 6 1 0 0 4 3 4 5 3 10 8 4 1 10 5 1 13 4 8 9
T 5 5 1 4 7 7 0 6 4 4 3 2 2 5 7 2 10 9 7 6
необязательно вызывающими формирование к ним долговременной памяти, то потенциальным фактором, препятствующим формированию долговременной иммунной памяти к ним, может быть присутствие в их последовательностях иммуносупрессивных доменов. Наделен ими и белок S коронавируса
SARS-CoV-2, на основе которого разработаны вакцины против COVID-19. В качестве примера приведем последовательности только двух обнаруженных нами в белке S кандидатов в иммуносупрессивные домены: 815RSFIEDLLFNK825 и 237RFQTLLALHR246. Они гомологичны иммуносупрессивным доменам,
Problem-Solving Article
Таблица 7. Аминокислотный состав белков SARS-CoV-2 Table 7. Amino acid composition of SARS-CoV-2 proteins
Белки K R H D E P C L I V A Y W F G M N Q S T (L)
S 61 42 17 62 48 58 40 108 76 97 79 54 12 77 82 14 88 62 99 97 (1273ак)
N 31 29 4 24 12 28 0 27 14 8 37 11 5 13 43 7 22 35 37 32 (419 ак.)
E 2 3 0 1 2 2 3 14 3 13 4 4 0 5 1 1 5 0 8 4 ( 75 ак.)
M 7 14 5 6 7 5 4 35 20 12 19 9 7 11 14 4 11 4 15 13 (222ак.)
ORF3a 11 6 8 13 11 12 7 30 21 25 13 17 6 14 14 4 8 9 22 24 (275ак)
ORF6 4 1 1 4 5 1 0 8 10 3 1 2 1 3 0 3 4 3 4 3 ( 61 ах)
ORF7a 7 5 3 2 8 6 6 15 8 8 9 5 0 10 4 1 2 5 7 10 (121ак.)
ORF8 5 4 4 7 6 7 7 10 10 12 5 7 1 8 5 1 2 6 9 5 (121ак.)
0RF10 0 2 0 1 0 1 1 4 3 4 2 3 0 4 1 2 5 1 2 2 (38 ак)
встречающимся в ретровирусах животных и человека, в синцитинах человеческой плаценты и в белках высокопатогенных вирусов (вирусы гриппа, Эбола, Ласса, Марбурга и др.). К сожалению, и на сегодняшний день неясны механизмы действия иммуносупрессивных доменов в составе белков, не установлено, как они действуют на компоненты ИС. Сами структуры иммуносупрессивных доменов могут заметно дивергировать, и для их функцио-нализации важны особенности фланкирующих их последовательностей. Единство же гомологии иммуносупрессивных доменов разного происхождения проявляется в наличии гидрофобного ядра и фланкирования их с обоих концов остатками аргинина [23]. С учетом сильной вырожденности последовательностей иммуносупрессивных доменов их представленность в белке S, вероятно, не исчерпывается приведенными выше кандидатами в им-муносупрессивные домены.
В аспекте выявленного в белках SARS-CoV-2 множества ИЭ, рестриктированных по МНС II, возможно следующее объяснение феномена гибридного иммунитета, проявившегося широко в связи с развернутой кампанией иммунизации населения, включая и переболевших ранее COVID-19. Оказалось, что у последних после иммунизации обнаруживали более сильный гуморальный иммунный ответ (обеспечивавший защиту от новых штаммов SARS-CoV-2), чем те, которые не были ранее инфицированы SARS-CoV-2 и были иммунизированы [15]. Известно, что формирование долговременной иммунной памяти и антител с широким профилем специфичности является длительным процессом и связан с возникновением мутаций в геноме В-клеток в терминальных центрах с образованием генов иммуноглобулинов к разным ИЭ. Наличие их множества в вирусных белках необходимо для выработки разных клонов В-клеток памяти с формированием генов, кодирующих иммуноглобулины с аномально длинными вариабельными областями Н-цепей. Такие иммуноглобулины характерны при ВИЧ-инфекции [16-18], выявляются они и при перенесенной гриппозной инфекции [19]. Важность роли временного
фактора в проявлении гибридного иммунитета против SARS-CoV-2 (чем позднее проведена вакцинация и больше времени между введениями первой и второй дозы, тем сильнее эффект) подчеркивают его сходство с феноменами образования антител с широкой нейтрализующей способностью при ВИЧ-инфекции и/или повторном гриппе. Примечательно, что возникают такие широко нейтрализующие антитела через месяцы и годы после инфекции и в контексте повторной встречи с компонентами инфекционного агента. Большая реакция гуморального иммунитета перенесшего ранее COVID-19 на иммунизацию двумя дозами вакцины против SARS-CoV-2, по существу, является результатом трехкратной (и длительной по времени) встречей переболевшего с SARS-CoV-2, и в основе проявления ее как феномена гибридного иммунитета, по-видимому, заложен тот же механизм, что и при образовании антител с широкой нейтрализующей способностью при других инфекциях.
Оборотная сторона наличия множества ИЭ в вирусных белках может проявляться в нескольких аспектах. Во-первых, ими обеспечивается образование широкого спектра антител к вирусу: как протективных, так и нейтральных. Последние не обладают способностью блокировать сам патоген, но связываются с ним, вызывая антитело-зависимое усиление инфицирования, фагоцитоза клеток и связывания комплемента и спасая вирус от полного уничтожения. Ускользнувший от ИС вирус порождает новое потомство мутантов, из которых селектируются наиболее жизнеспособные. Не удивителен в этом аспекте сценарий развития на протяжении двух лет пандемии COVID-19 с ее чередой волн заражения возникающими новыми штаммами SARS-CoV-2 с меняющимся пандемическим потенциалом (по уровням заболеваемости и летальности) и калейдоскопической картиной распространения COVID-19 уже на фоне все большего охвата населения в мире вакцинацией. Во-вторых, при обладании коронавирусами самым крупным поверхностным белком и высокой плотностью в нем ИЭ инфекция ими, как и вакцинации против них (особенно многократные и частые)
Problem-Solving Article
сопряжены с перегрузкой ИС с различными последствиями.
Возможности ИС не беспредельны, и поражение новыми штаммами SARS-CoV-2, и многократная вакцинация против них способны привести к ее супрессии со многими осложнениями. Истощение пула наивных лимфоцитов (особенно у пожилых лиц) лишает ИС надзорной функции, вследствие чего нарушается элиминация из организма патологически измененных клеток и возрастает частота онкогенных поражений, а в итоге - увеличение смертности населения. Резистентность огромного контингента населения к вирусу может проявляться в бессимптомном его носительстве или бессимптомной инфекции благодаря вирусостати-ческому эффекту, реализуемому врожденной ИС и/или резидентными Т-клетками памяти адаптивной ИС, т.е. при обследовании этой части населения антител к SARS-CoV-2 не выявить. Будет ли многократная вакцинация в этом случае лучшей защитой от вируса? Окажется ли благом посягательство на естественный иммунитет?
Подводя итог рассмотрения возможностей развиваемого метода прогнозировать иммуноген-ность белков, хотелось бы заметить, что в таблице 3 представлено также распределение Т-клеточных ИЭ в других белках, в частности, в гистоне Н4, участвующем в формировании нуклеосом в хроматине, являющемся одним из наиболее древних и консервативных (от дрожжей до человека) белков в эволюции и обладающем низкой имму-ногенностью. Для него, как и ожидалось, характерна низкая плотность и малая протяженность ИЭ. Специфическая картина распределения Т-клеточных ИЭ характерна для инсулина, проявляясь наличием протяженных блоков неИЭ. Богата Т-клеточными ИЭ первичная структура тиреоперок-сидазы человека, к которой часто выявляются антитела при аутоиммунном поражении щитовидной железы. Оба последних белка нередко являются мишенями возникающих в организме аутоантител. Обилие ИЭ, рестриктированных по МНС II, отмечается и для ^белка SARS-CoV-2, гемагглютини-на вируса гриппа Н^1, поверхностных белков Е1 и Е2 вируса гепатита С, для гемагглютинина и белка слияния вируса кори и других вирусов. В совокупности же приведенные примеры подтверждают информативность разработанного метода распознавания ИЭ.
Сфера применения вакцин в последнее десятилетие расширилась внедрением их для лечения онкологических заболеваний, которые характеризуются наличием специфических опухолевых антигенов (неоантигенов). Последние выбираются как мишени при иммунотерапии с использованием индивидуальных раковых вакцин [20]. Получение индивидуальной раковой вакцины, как и других вакцин, - процесс многостадийный, и первый из них - анализ белков опухоли in silico на присутствие в них раковых антигенов. С разработкой
передовых методов секвенирования обнаружение мутаций в белках опухоли уже не представляет трудностей. Проблема - идентификация в белке областей, соответствующих ИЭ, миновавших селекцию на уровне центральных механизмов толерантности и способных индуцировать иммунный ответ. Новый метод может быть использован для обнаружения в белках опухоли неоантигенов, как узнаваемых МНС, так и видимых Т-клетками.
Полезен он и для предсказания потенциальной иммуногенности белковых препаратов человеческого происхождения, используемых широко в терапии при различных патологиях. В числе их гормоны, интерфероны, моноклональные антитела, факторы роста, очищенные фракции крови и др. При длительном их использовании, несмотря на человеческую природу их происхождения, у пациентов к ним возникает иммунная реакция, зависимая от Т-клеток и блокирующая их биоактивность. Экспериментально показано, что устранение иммунной реакции возможно путем деиммунизации и индукции толерантности. Первая достигается, например, путем производства белкового лекарственного препарата, не содержащего последовательности Т-клеточного ИЭ. Толерантность же достигается путем введения белкового лекарственного препарата вместе с ИЭ Т-регуляторных клеток, которые реализуют супрессию иммунной реакции [21].
Наконец, нельзя обойти вниманием возможность практического приложения разработанного метода при аутоиммунных нарушениях. Часто они возникают из-за не единичного, а множественного нарушения толерантности, затрагивающего разные белки пораженного органа. Секвенирование протеома на уровне одной клетки расширяет возможности идентификации в белках новых ИЭ и позволяет более полно постигнуть патогенез развивающегося аутоиммунного поражения органа.
В завершение хотелось бы подчеркнуть, что пробелы в наших знаниях о механизмах функционирования ИС и сегодня, как во времена Пастера, но на другом научном и технологическом уровне, низводят поиски вакцин до ловли удачи.
Секвенирован геном человека, расшифровка генома любого вируса сегодня не составляет проблему, разработано множество вариантов платформ для вакцин, но это не приблизило нас к полному пониманию, как формируется эффективный специфичный иммунный ответ. За короткий срок на протяжении пандемии COVID-19 удалось создать несколько вакцин, не способных, однако, противостоять разным штаммам SARS-CoV-2, обеспечивая долговременный протективный эффект. Пятая волна пандемии COVID-19, порождаемая штаммом «о», опрокинула все надежды на формирование коллективного иммунитета в странах с предшествующим высоким уровнем иммунизации моноштаммоспецифичной вакциной. Амплитуды третьей, четвертой и пятой волн заражений коррелирует с контагиозностью (уханьский < дельта
Problem-Solving Article
< омикрон) вызвавших их штаммов. Особенность пятой волны COVID-19 проявится во всем мире ее наибольшим масштабом, по сравнению с предыдущими волнами, обусловленным высокой кон-тагиозностью самого штамма «о», срабатыванием иммунного импринтинга («первородного греха») у ранее переболевших и вакцинированных и зимним сезоном.
В России распространение волн заражения COVID-19 имеет свои особенности. Спад третьей волны заражений обозначился в самом начале развертывания вакцинации. Четвертая волна пошла на спад, когда вакцинацией не было охвачено даже половины населения страны, и ее большая амплитуда объяснима большей контагиозностью циркулировавших штаммов и благоприятствующим им осенне-зимним сезоном. Следовательно, трудно полагать, что уровень вакцинации населения является определяющим фактором в распространении COVID-19. Это утверждение особенно справедливо для третьей волны заражений.
Препятствием для создания эффективных вакцин против COVID-19 на основе белка S ко-ронавируса SARS-CoV-2, обеспечивающих долговременный иммунитет, служат особенности самого белка S: его крупные размеры, содержание в нем большого числа последовательностей, гомологичных белкам человека, отсутствие маркеров долговременного иммунитета, наличие иммуно-супрессивных доменов, множество механизмов его мутирования и быстрота возникновения мутаций, быстрое выведение из циркуляция антител к нему. Примечательно, что индуцирующие лишь непродолжительный иммунитет белки S сезонных коронавирусов человека HCoV-NL63, HCoV-229E, HCoV-HKU1 и Н^-0С43, принадлежащих разным линиям подсемейства Coronavirinae, и белок S пандемического коронавируса SARS-CoV-2 при наличии существенных различий их первичных структур имеют плотности распределения
пролина < 46 остатков пролина на 1000 аминокислот, т.е. они сходны по отсутствию в них биомаркеров долговременного иммунитета. Совокупность этих особенностей не внушает оптимизма в отношении окончания пандемии в 2022 г. и расширения поисков вакцин против COVID-19, нацеленных на использование новых векторов, или поли-штаммоспецифичных вакцин на основе белка S. Не оказались спасительными мРНК-вакцины, бесперспективными представляются попытки создать комбинированную вакцину против вирусов гриппа и коронавирусов. Для преодоления пандемии COVID-19 (памятуя и о возможном новом «явлении MERS-CoV-2 народу») необходимы вакцины с широкой специфичностью и длительным защитным эффектом, что предполагает развитие новых подходов в вакцинологии и пересмотр границ ее возможностей исходя из более глубоких знаний об ИС.
Трудности в предсказании иммуногенных свойств белков инфекционных агентов еще не преодолены из-за сложности механизмов формирования Т- и В-клеточной иммунной памяти (двух ее путей: независимого и зависимого от терминальных центров), соучастия в них функционально и транскрип-ционно различных клеточных популяций и разных информационных потоков с обязательной стадией образования комплексов МНС-ИЭ-Т-клеточный рецептор, и новый метод распознавания ИЭ и выявленные биомаркеры индуцирования долговременной иммунной памяти могут быть использованы как иммуноинформативные инструменты для прогнозирования свойств вакцин (против разных инфекционных патогенов) на стадии их дизайна. Они оказались эффективными и для распознавания в белках кандидатов В-клеточных ИЭ. С привлечением данных по составу рецепторов Т- и В-клеток и репертуару антител они могут способствовать раскрытию новых феноменов ИС, отражающих ее многоуровневую сложность.
Литература
Joglekar AV, Li G. Tcell antigen discovery. Nature Methods. 2020. Doi:10.1038/s41592-020-0867-z
Peters B, Nielsen M, Sette A. T Cell Epitope Predictions. Annu. Rev. Immunol. 2020.38:123-45. Doi I0.ii46/annurev-immunol-082ii9-l24838
Loan Ping Eng, Tin Wee Tan, Joo Chuan Tong, Sollner J. Building MHC Class II Epitope Predictor Using Machine Learning Approaches. In: Peng Zhou and Jian Huang (eds.), Computational Peptidology, Methods in Molecular Biology, vol. 1268, DO110.1007/978-1-4939-2285-7_4,
Sollner J. Computational Peptide Vaccinology. In: Peng Zhou and Jian Huang (eds.), Computational Peptidology, Methods in Molecular Biology, vol. 1268, DOI: 10.1007/978-1-4939-2285-7_13
Пригожин И. Р., Стенгерс И. Порядок из хаоса. М: Прогресс 1986:432.
Харченко Е. П. Иммуноэпитопный континуум родства белков и полиреактивность и аутореактивность антител. Медицинская иммунология. 2015. Т.17, № 4. C. 335-346.
Харченко Е. П., Дитятев А. Э. Предсказание пептидных антигенных структур, узнаваемых основным комплексом гистосовместимости. Докл. АН СССР 1990. Т.318(4):1013-1016.
Харченко Е .П. Распознавание эпитопов, связывающихся с разными DR-типами главного комплекса гистосовместимости класса II. Иммунология.1995. Т.16(6):21-23.
De Groot AS, Moise L, Terry F, Gutierrez AH, et al. Better epitope discovery, precision immune engineering, and accelerated vaccine design using immunoinformatics tools. Front. Immunol. 2020 11:442. doi: 10.3389/fimmu.2020.00442
Meyers LM, Gutiérrez AH, Boyle CM, et al. Highly conserved, non-human-like, and cross-reactive SARS-CoV-2 T cell epitopes for COVID-19 vaccine. design and validation. npj Vaccines.2021.Vol. 6:71. doi 10.1038/s41541-021-00331-6
Grifoni A, Sidney J,. Zhang Y, et al. A Sequence Homology and Bioinformatic Approach Can Predict Candidate Targets for Immune Responses to SARS-CoV-2 Cell Host & Microbe. 2020. Vol.27, P.671-680, doi 10.1016/j.chom.2020.03.002
Halperta G, Shoenfeld Y. SARS-CoV-2, the autoimmune virus. Autoimmunity Reviews. 2020. Vol. 19. 102695. Doi:10.1016/j.autrev.2020.102695
Харченко Е. П. Общие особенности коронавирусной пандемии и пандемий гриппа и поверхностных белков их возбудителей. Параллели. Эпидемиология и Вакцинопрофилактика. 2021;20(4):4-18. doi:10.31631/2073-3046-2021-20-4-4-18
Харченко Е. П. Вакцины против COVID-19: сравнительная оценка рисков аденовирусных векторов. Эпидемиология и Вакцинопрофилактика. 2020;19(5):4-17. https://doi: 10.31631/2073-3046-2020-19-5-4-17
Callaway E. COVID-19 super-immunity: one of the pandemic's great puzzles. Nature. 2021. doi.org/10.1038/d41586-021-02795-x.
Problem-Solving Article
16. Burton DR. Advancing an HIV vaccine advancing vaccinology. Nat Rev Immunol. 2019;19(2):77-78. doi: 10.1038/s41577-018-0103-6
17. Sok D, Burton DR. Recent progress in broadly neutralizing antibodies to HIV. Nat Immunol. 2018;19(11):1179-1188. doi: 10.1038/s41590-018-0235-7.
18. Andrabi R, Bhiman JN, Burton DR. Strategies for a multi-stage neutralizing antibody-based HIV vaccine. Curr Opin Immunol. 2018:53:143-151. doi: 10.1016/j. coi.2018.04.025
19. Bajic G, van der Poel CE, Kuraoka M, et al. Autoreactivity profiles of influenza hemagglutinin broadly neutralizing antibodies. Sci Rep. 2019;9(1):3492. doi: 10.1038/s41598-019-40175-8
20. Blass E, Ott PA. Advances in the development of personalized neoantigen-based therapeutic cancer vaccines. Nat Rev Clin Oncol. 2021 Apr;18(4):215-229. doi:10.1038/ s41571-020-00460-2
21. Jawa V, Terry F, Gokemeijer J, et al. T-Cell Dependent Immunogenicity of Protein Therapeutics Pre-clinical Assessment and Mitigation-Updated Consensus and Review 2020. Front. Immunol. 11:1301. doi: 10.3389/fimmu.2020.01301
22. Huttner A, Siegrist C.A. Durability of single-dose rVSV-ZEBOV vaccine responses: what do we know? Expert Rev Vaccines. 2018, 17:1105-1110. doi:10.1080/ 14760584.2018.1546582.
23. Киселев О. И. Беременность, иммуносупрессия, грипп и плацентарная экспрессия эндогенных ретровирусов. Санкт-Петербург. Изд-во Росток. 2014:316.
Reference
1. Joglekar AV, Li G. T cell antigen discovery. Nature Methods. 2020. Doi:10.1038/s41592-020-0867-z
2. Peters B, Nielsen M, Sette A. TCell Epitope Predictions. Annu. Rev. Immunol. 2020.38:123-45. Doi 10.1146/annurev-immunol-082119-124838
3. Loan Ping Eng, Tin Wee Tan, Joo Chuan Tong, Sollner J. Building MHC Class II Epitope Predictor Using Machine Learning Approaches. In: Peng Zhou and Jian Huang (eds.), Computational Peptidology, Methods in Molecular Biology, vol. 1268, DO110.1007/978-1-4939-2285-7_4,
4. Sollner J. Computational Peptide Vaccinology. In: Peng Zhou and Jian Huang (eds.), Computational Peptidology, Methods in Molecular Biology, vol. 1268, DOI: 10.1007/978-1-4939-2285-7_13
5. Prigozhin I.R., Stengers I. Order from chaos. Progress 1986. s432.
6. Kharchenko EP. Immune epitope continuum of the protein relationships, poly- and autoreactivity of antibodies. Medical Immunology. 2015;17(4):335-346 (In Russ.). doi:10.15789/1563-0625-2015-4-335-346.
7. Kharchenko E.P., Dityatev A.E. Prediction of peptide antigenic structures recognized by the main histocompatibility complex. Dokl. USSR ACADEMY OF SCIENCES 1990. T.318 N 4 C.1013-1016.
8. Kharchenko E.P. Recognition of epitopes binding to different DR types of the main histocompatibility complex of class II. Immunology. 1995. T.16 N 6 S.21-23.
9. De Groot AS, Moise L, Terry F, Gutierrez AH, et al. Better epitope discovery, precision immune engineering, and accelerated vaccine design using immunoinformatics tools. Front. Immunol. 2020 11:442. doi: 10.3389/fimmu.2020.00442
10. Meyers LM, GutierrezAH, Boyle CM, et al. Highly conserved, non-human-like, and cross-reactive SARS-CoV-2 T cell epitopes for COVID-19 vaccine. design and validation. npj Vaccines.2021. Vol. 6:71. doi 10.1038/s41541-021-00331-6
11. Grifoni A, Sidney J,. Zhang Y, et al. A Sequence Homology and Bioinformatic Approach Can Predict Candidate Targets for Immune Responses to SARS-CoV-2 Cell Host & Microbe. 2020. Vol.27, P.671-680, doi 10.1016/j.chom.2020.03.002
12. Halperta G, Shoenfeld Y. SARS-CoV-2, the autoimmune virus. Autoimmunity Reviews. 2020. Vol. 19. 102695. Doi:10.1016/j.autrev.2020.102695
13. Kharchenko EP. Common Features of Coronavirus and Influenza Pandemics and Surface Proteins of their Pathogens. Parallels. Epidemiology and Vaccinal Prevention. 2021:20(4): 4-18 (In Russ.). https://doi: 10.31631/2073-3046-2021-20-4-4-18
14. Kharchenko EP. Vaccines against Covid-19: the Comparative Estimates of Risks in Adenovirus Vectors. Epidemiology and Vaccinal Prevention. 2020; 19 (5): 4-17 (In Russ.). doi: 10.31631/2073-3046-2020-19-5-4-17.
15. Callaway E. COVID-19 super-immunity: one of the pandemic's great puzzles. Nature. 2021. doi.org/10.1038/d41586-021-02795-x.
16. Burton DR. Advancing an HIV vaccine advancing vaccinology. Nat Rev Immunol. 2019;19(2):77-78. doi: 10.1038/s41577-018-0103-6
17. Sok D, Burton DR. Recent progress in broadly neutralizing antibodies to HIV. Nat Immunol. 2018;19(11):1179-1188. doi: 10.1038/s41590-018-0235-7.
18. Andrabi R, Bhiman JN, Burton DR. Strategies for a multi-stage neutralizing antibody-based HIV vaccine. Curr Opin Immunol. 2018:53:143-151. doi: 10.1016/j. coi.2018.04.025
19. Bajic G, van der Poel CE, Kuraoka M, et al. Autoreactivity profiles of influenza hemagglutinin broadly neutralizing antibodies. Sci Rep. 2019;9(1):3492. doi: 10.1038/s41598-019-40175-8
20. Blass E, Ott PA. Advances in the development of personalized neoantigen-based therapeutic cancer vaccines. Nat Rev Clin Oncol. 2021 Apr;18(4):215-229. doi:10.1038/ s41571-020-00460-2
21. Jawa V, Terry F, Gokemeijer J, et al. T-Cell Dependent Immunogenicity of Protein Therapeutics Pre-clinical Assessment and Mitigation-Updated Consensus and Review 2020. Front. Immunol. 11:1301. doi: 10.3389/fimmu.2020.01301
22. Huttner A, Siegrist C.A. Durability of single-dose rVSV-ZEBOV vaccine responses: what do we know? Expert Rev Vaccines. 2018, 17:1105-1110. doi:10.1080/ 14760584.2018.1546582.
23. Kiselev O.I. Pregnancy, immunosuppression, influenza and the placental expression of endogenous retroviruses. 2014. St. Petesburg. Publisher «Rostok»:316 (In Russ.).
Об авторе About the Author
• Евгений Петрович Харченко - д. б. н., ведущий научный сотрудник • Eugene P. Kharchenko - Dr. Sci. (Biol.), leader researcher of I. Sechenov Insti-Института эволюционной физиологии и биохимии им. И. М. Сеченова, tute of Evolutionary Physiology and Biochemistry, Russian Academy Sciences. РАН. 194223, Россия, Санкт-Петербург, пр. Тореза, 44. +7 (904) 338-22-80, 194223, Russian Federation, St. Petersburg, Toreza pr., 44. +7 (904) 338-22-80, neuro.children@mail.ru neuro.children@mail.ru
Поступила 10.01.2022. Принята к печати: 19.02.2022. Received: 10.01.2022. Accepted: 19.02.2022.
Контент доступен под лицензией CC BY 4.0. Creative Commons Attribution CC BY 4.0.
