Simple Science

最先端の科学をわかりやすく解説

# 生物学# 生物情報学

ワクチンのためのプロテインデザインの新しい手法

研究者たちが免疫システムをターゲットにしたより良いワクチンデザインのためのツールを開発してる。

― 1 分で読む


革新的なタンパク質設計技術革新的なタンパク質設計技術を目指してるよ。新しいアプローチがワクチンや治療法の改善
目次

最近のCOVID-19パンデミックは、RNAワクチンの効果を浮き彫りにしたよ。このワクチンは安全で、すぐに開発できて、体がウイルスと戦うためのタンパク質を作る手助けをしてくれるんだ。この成功のおかげで、さまざまな病気のためのワクチンが作られるようになった。モダーナみたいな企業は、自己免疫疾患やがん、遺伝子疾患のためのRNA治療法に取り組んでる。

これらの治療法をデザインする時、研究者たちはタンパク質が免疫システムとどのようにやり取りするかを考えなければならないことがある。場合によっては、ワクチンのように免疫システムに強く反応してほしい時もあれば、副作用を避けるために弱い反応を好むこともある。このバランスを取るために、科学者たちは異なる免疫システムの目標を満たすタンパク質をデザインする方法に焦点を当ててる。

研究は主に、タンパク質上の特定のマーカーを取り除くことで強い免疫反応を避ける方法を探ってきた。でも、多くの治療法やワクチンは細胞内でタンパク質が作られ、それが特定の方法で免疫システムに提示されるから、研究者たちはこれらのタンパク質が免疫システムにどう見られるかを調整するツールも必要なんだ。

いくつかの研究では、治療が健康な細胞を攻撃するような免疫反応を引き起こしたり、免疫システムが必要な時に働かなくなったりするケースが見つかってる。たとえば、特定の遺伝子治療が遺伝子の変化を受けた細胞を攻撃することがある。また、HIVのような急速に変化するウイルスのためのワクチンは、免疫システムを正しくトレーニングするために多様なタンパク質断片を提示する必要がある。

これらの課題に対処するために、研究者たちは免疫システムにタンパク質を提示する方法を管理する新しいフレームワークを開発した。

タンパク質デザインの新しいフレームワーク

この記事では、免疫システムが感染したり異常な細胞を認識するのに重要な役割を果たすMHCクラスIを通じて、タンパク質がどのように見られるかを制御する新しい方法を紹介している。このフレームワークには、CAPE-XVAEとCAPE-Packerという2つのツールの開発が含まれてる。

CAPE-XVAE

CAPE-XVAEは、先進的な機械学習技術を組み合わせて、免疫システムに対する視認性が高い修正タンパク質配列を作成するツールなんだ。このツールは免疫環境の変化に適応して、将来のニーズに合わせて調整できる。

CAPE-Packer

CAPE-Packerは物理的原則に基づいていて、タンパク質が免疫システムにどれだけ見えるかを増やしたり減らしたりすることを目指してる。タンパク質が最も安定した形に折り畳まれる方法を考慮する手法を使ってるんだ。これにより、特定の治療目標に合ったタンパク質をデザインする手助けをしてる。

方法の評価

両方の方法はHIV Nefタンパク質を使ってテストされたよ。これはHIVと闘う必要があるため、ワクチン開発の重要なターゲットで、分析するための多くの配列が利用できるからね。研究者たちは、両方のツールを使用して修正タンパク質を作成し、免疫システムへの視認性、自然なタンパク質との類似性、安定性に基づいてその効果を比較した。

免疫システムへの視認性

タンパク質が免疫システムにどれだけ見えるかを評価するために、研究者たちは細胞の表面に提示されるタンパク質断片を予測するための既知の方法を使ったんだ。この視認性スコアは、免疫システムが与えられたタンパク質にどう反応するかを判断するのに役立つ。

自然なタンパク質との類似性

研究者たちは、修正されたタンパク質が自然に存在するタンパク質とどれだけ似ているかを調べた。これは、自然なものとあまりにも異なるタンパク質はうまく機能しなかったり、免疫システムから正しく認識されなかったりする可能性があるから重要なんだ。

タンパク質の安定性

視認性や類似性に加えて、研究者たちは、実際の状況を模倣したシミュレーションを通じて修正タンパク質の安定性を評価した。安定性は、タンパク質が効果的に機能するためにその構造を維持する必要があるから重要なんだ。

主な発見

結果は、CAPE-XVAEとCAPE-Packerの両方が、タンパク質が免疫システムにどれだけ見えるかを変えることができることを示したんだ。ただ、異なる強みがあったよ。

CAPE-XVAE

  1. 自然な配列の保持: CAPE-XVAEは自然なタンパク質の特徴をたくさん保持してた。たとえば、自然に存在する配列に見られる断片を含む多くのタンパク質を生成したんだ。これはワクチンデザインにおいて重要で、免疫システムがウイルスタンパク質の重要な変異を認識するようにトレーニングされるのを確実にするのに役立つ。

  2. 中程度の視認性変更: CAPE-XVAEはタンパク質の視認性を変えたけど、その変化は中程度だった。このことは、さまざまなタンパク質断片を提示する必要があるワクチン候補の作成に適しているかもしれないことを示唆してる。

  3. 自然なタンパク質への高い類似性: CAPE-XVAEで生成されたタンパク質は一般的に自然なタンパク質により似ていて、有用な機能を保持するのに役立つだろう。

CAPE-Packer

  1. 極端な視認性変更: CAPE-Packerは、タンパク質が免疫システムにどれだけ見えるかを大きく変えるのに効果的だった。ただし、自然な配列との類似性は犠牲になった。

  2. 自然ペプチドの統合が不十分: CAPE-XVAEとは異なり、CAPE-Packerは自然なタンパク質の断片をうまく組み込めなかった。これは、自然な配列を提示することが重要なワクチンデザインにおいて、その効果を制限する可能性がある。

  3. 構造的安定性: CAPE-Packerは構造的に安定したタンパク質を生成したけど、自然なタンパク質から外れているため、機能がうまくいかない可能性がある。

ワクチンデザインの課題

どちらの方法も、特にワクチンを設計する際に視認性、類似性、安定性のバランスを取ることに課題を抱えている。

免疫反応の複雑さ

タンパク質に対する免疫反応は複雑なんだ。個人間の遺伝的変異などの要因が、タンパク質が免疫システムにどう見られるかに影響を与えることがある。見えにくいようにデザインされたタンパク質も、宿主のプロファイルに合わないと免疫反応を引き起こすことがある。

現在のアプローチの限界

CAPE-XVAEとCAPE-Packerが提供する進歩にも限界がある。たとえば、どちらのツールも、効果を犠牲にせずにタンパク質を免疫システムの検出から完全に遮ることはできない。また、現在の方法は他の免疫システムコンポーネントからの反応など、免疫反応のすべての側面を完全には考慮していない。

将来の方向性

この研究は、今後の研究は両方のシステムの強みを組み合わせたハイブリッドアプローチの開発に焦点を当てるべきだと提案している。これには、以下が含まれるかもしれない:

  1. 構造情報の統合: 将来の方法は、デザインしたタンパク質の効果を高めるために配列と構造のデータの両方を活用するべきだ。

  2. フィードバックループの使用: 実験室の結果を取り入れるフィードバックメカニズムが、デザインプロセスを洗練させ、結果を改善するのに役立つかもしれない。

  3. 免疫システムの多様性に対応: より普遍的に効果的なタンパク質をデザインするためには、個人間の免疫反応の変動を考慮することが重要だ。

  4. 大きな目標をターゲットにする: 将来のツールは、免疫システムの複数のコンポーネントをターゲットにする変化を統合することを目指すべきだ。

結論

ここで話したタンパク質デザインの新しい方法は、ワクチンや治療法を開発するための貴重なツールを提供する。タンパク質が免疫システムとどのように相互作用するかを制御することで、研究者たちはさまざまな病気に対する効果的な解決策に向けて取り組むことができる。

CAPE-XVAEとCAPE-Packerはタンパク質の視認性を変更する可能性を示しているけど、研究者たちはこれらの技術をさらに洗練させ、免疫反応の複雑さに対処していく必要がある。最終的な目標は、急速に変異するウイルスに対してより良い保護を提供できるワクチンを作り、さまざまな状態で患者の結果を改善することだ。

要するに、タンパク質デザインの先進的な技術を活用することで、この分野は医療治療の効果と安全性を高める革新的な解決策に向かうことができる。さらなる研究が進むにつれて、将来の医療のためのより信頼性が高く柔軟なツールが開発されることが期待される。

オリジナルソース

タイトル: Guiding a language-model based protein design method towards MHC Class-I immune-visibility profiles for vaccines and therapeutics

概要: Proteins have an arsenal of medical applications that include disrupting protein interactions, acting as potent vaccines, and replacing genetically deficient proteins. While therapeutics must avoid triggering unwanted immune-responses, vaccines should support a robust immune-reaction targeting a broad range of pathogen variants. Therefore, computational methods modifying proteins immunogenicity without disrupting function are needed. While many components of the immune-system can be involved in a reaction, we focus on Cytotoxic T-lymphocytes (CTLs). These target short peptides presented via the MHC Class I (MHC-I) pathway. To explore the limits of modifying the visibility of those peptides to CTLs within the distribution of naturally occurring sequences, we developed a novel machine learning technique, CAPE-XVAE. It combines a language model with reinforcement learning to modify a proteins immune-visibility. Our results show that CAPE-XVAE effectively modifies the visibility of the HIV Nef protein to CTLs. We contrast CAPE-XVAE to CAPE-Packer, a physics-based method we also developed. Compared to CAPE-Packer, the machine learning approach suggests sequences that draw upon local sequence similarities in the training set. This is beneficial for vaccine development, where the sequence should be representative of the real viral population. Additionally, the language model approach holds promise for preserving both known and unknown functional constraints, which is essential for the immune-modulation of therapeutic proteins. In contrast, CAPE-Packer, emphasizes preserving the proteins overall fold and can reach greater extremes of immune-visibility, but falls short of capturing the sequence diversity of viral variants available to learn from. Source code: https://github.com/hcgasser/CAPE (Tag: CAPE 1.1)

著者: Hans-Christof Gasser, D. Oyarzun, A. Rajan, J. Alfaro

最終更新: 2024-03-20 00:00:00

言語: English

ソースURL: https://www.biorxiv.org/content/10.1101/2023.07.10.548300

ソースPDF: https://www.biorxiv.org/content/10.1101/2023.07.10.548300.full.pdf

ライセンス: https://creativecommons.org/licenses/by/4.0/

変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。

オープンアクセスの相互運用性を利用させていただいた biorxiv に感謝します。

著者たちからもっと読む

類似の記事