سال 16، شماره 6 - ( آذر - دی 1401 )
جلد 16 شماره 6 صفحات 519-506 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Pirmoradi S. In-silico Designing of Immunogenic Construct Based on Peptide Epitopes Using Immuno-informatics Tools Against Tuberculosis. Iran J Med Microbiol 2022; 16 (6) :506-519
URL: http://ijmm.ir/article-1-1594-fa.html
URL: http://ijmm.ir/article-1-1594-fa.html
پیرمرادی سعید. طراحی سازه ایمونوژنیک بر اساس اپی توپ های پپتیدی با استفاده از ابزارهای ایمونو انفورماتیک علیه سل. مجله میکروب شناسی پزشکی ایران. 1401; 16 (6) :506-519
گروه بیوشیمی، دانشگاه شهید چمران اهواز، اهواز، ایران ، pirmoradi150@gmail.com
چکیده: (1555 مشاهده)
زمینه و اهداف: مایکوباکتریوم توبرکلوزیس یک مشکل عمده بهداشت جهانی در کشورهای توسعه نیافته و در حال توسعه است. علیرغم شیوع جهانی سل و فقدان داروهای ضد باکتری مناسب، هنوز به کمک روش‌های طراحی مدرن در رابطه با تهیه واکسن‌های مبتنی بر اپی توپ برای سل نیاز به پیشرفت بیشتر است.
مواد و روش کار: در این مطالعه به ترتیب به تعیین و تهیه اپی توپهای خاص سلول های T, B مورد نیاز برای تولید واکسن کایمربا کمک سرورهایی نظیر IEDB پرداخته شد. در ادامه بررسی انتی ژنسیته و الرژنسیته و توکسیسیتی اپی توپهای انتخابی توسط سرورهای مختلف دیگر مثل VaxiJenv۲.۰ وAllerTOP وToxinpred صورت گرفت. در ادامه پیکربندی ترکیب کایمر اولیه از واکسن اپی توپی با کمک لینکرهایی خاص انجام شد. سپس به ارزیابی واکسن کایمر از نظر ساختاری و قابلیت شناسایی توسط سلولهایB و ترکیبات MHCI,II و بررسی ساختار دو بعدی و جایگاه امینواسیدها وپیوندها در مدل سازه ایمنی زا و نیز بررسی فیزیکوشیمیایی و پایداری واکسن مدل توسط برخی نرم افزارها سرورهای دیگر بیوانفورماتیکی مانند PRABI و SWISSMODELو PROCHECK و PEPCALC و protParam پرداخته شد و در نهایت سپس برای شناسایی توسط مولکول هایHLA ، با استفاده از تکنیکdocking ، به منظور بررسی اثر متقابل با اپی توپ از طریق نرم افزار MVD مورد بررسی قرار گرفت.
یافته ها: نتایج حاصل بیانگر ان بودند که سازه ایمنی زای ایجاد شده از لحاظ ارزیابیهای اینسیلیکو ساختارهای دو بعدی و بخصوص از لحاظ داشتن درصد الفا هلیکس کافی (۳۹/۷۷) در وضعیت مناسبی بود و ساختار سه بعدی ان دارای درصد شباهت بالایی با ترکیبات تعیین ساختار شده در سرور SWISSMODEL و I-TASSER بود. همچنین در بررسی درصد جایگاه قرارگیری مطلوب امینواسیدها وپیوندها توسط سرور PROCHECK دارای (۹۹) درصد جایگیری مطلوب امینواسیدها در ساختار کایمر ایجاد شده بود. همچنین سازه کایمری ایجاد شده فاقد سمیت و الرژی زایی و دارای توان انتی ژنسیته مطلوبی بود که توسط نرم افزارهای بیوانفورماتیکی این موارد مورد تایید قرار گرفت.و نیز کایمر ایجاد شد یک ترکیب پایدار و دارای نیمه عمر مطلوب و شرایط فیزیکوشیمیایی مناسبی از لحاظ حلالیت بود.
نتیجه‌گیری: به طور کلی ساختار واکسنی تهیه شده در این فرآیند تحقیقاتی توانسته است در فرآیند داکینگ با برخی از اجزای سیستم ایمنی (HLA) تعامل مطلوبی داشته باشد که نشان دهنده شناسایی بهینه این ساختار توسط سیستم ایمنی هومورال و سلولی میزبان است و با تحریک سیستم ایمنی بدن میزبان باعث ایجاد ایمنی و مصونیت مطلوب در میزبان می شود، البته اثبات مطمئن تر آن، نیازمند فرآیندهای فاز بالینی است.
مواد و روش کار: در این مطالعه به ترتیب به تعیین و تهیه اپی توپهای خاص سلول های T, B مورد نیاز برای تولید واکسن کایمربا کمک سرورهایی نظیر IEDB پرداخته شد. در ادامه بررسی انتی ژنسیته و الرژنسیته و توکسیسیتی اپی توپهای انتخابی توسط سرورهای مختلف دیگر مثل VaxiJenv۲.۰ وAllerTOP وToxinpred صورت گرفت. در ادامه پیکربندی ترکیب کایمر اولیه از واکسن اپی توپی با کمک لینکرهایی خاص انجام شد. سپس به ارزیابی واکسن کایمر از نظر ساختاری و قابلیت شناسایی توسط سلولهایB و ترکیبات MHCI,II و بررسی ساختار دو بعدی و جایگاه امینواسیدها وپیوندها در مدل سازه ایمنی زا و نیز بررسی فیزیکوشیمیایی و پایداری واکسن مدل توسط برخی نرم افزارها سرورهای دیگر بیوانفورماتیکی مانند PRABI و SWISSMODELو PROCHECK و PEPCALC و protParam پرداخته شد و در نهایت سپس برای شناسایی توسط مولکول هایHLA ، با استفاده از تکنیکdocking ، به منظور بررسی اثر متقابل با اپی توپ از طریق نرم افزار MVD مورد بررسی قرار گرفت.
یافته ها: نتایج حاصل بیانگر ان بودند که سازه ایمنی زای ایجاد شده از لحاظ ارزیابیهای اینسیلیکو ساختارهای دو بعدی و بخصوص از لحاظ داشتن درصد الفا هلیکس کافی (۳۹/۷۷) در وضعیت مناسبی بود و ساختار سه بعدی ان دارای درصد شباهت بالایی با ترکیبات تعیین ساختار شده در سرور SWISSMODEL و I-TASSER بود. همچنین در بررسی درصد جایگاه قرارگیری مطلوب امینواسیدها وپیوندها توسط سرور PROCHECK دارای (۹۹) درصد جایگیری مطلوب امینواسیدها در ساختار کایمر ایجاد شده بود. همچنین سازه کایمری ایجاد شده فاقد سمیت و الرژی زایی و دارای توان انتی ژنسیته مطلوبی بود که توسط نرم افزارهای بیوانفورماتیکی این موارد مورد تایید قرار گرفت.و نیز کایمر ایجاد شد یک ترکیب پایدار و دارای نیمه عمر مطلوب و شرایط فیزیکوشیمیایی مناسبی از لحاظ حلالیت بود.
نتیجه‌گیری: به طور کلی ساختار واکسنی تهیه شده در این فرآیند تحقیقاتی توانسته است در فرآیند داکینگ با برخی از اجزای سیستم ایمنی (HLA) تعامل مطلوبی داشته باشد که نشان دهنده شناسایی بهینه این ساختار توسط سیستم ایمنی هومورال و سلولی میزبان است و با تحریک سیستم ایمنی بدن میزبان باعث ایجاد ایمنی و مصونیت مطلوب در میزبان می شود، البته اثبات مطمئن تر آن، نیازمند فرآیندهای فاز بالینی است.
نوع مطالعه: مقاله پژوهشی |
موضوع مقاله:
بیوانفورماتیک میکروبی
دریافت: 1400/10/3 | پذیرش: 1401/4/20 | انتشار الکترونیک: 1401/6/18
دریافت: 1400/10/3 | پذیرش: 1401/4/20 | انتشار الکترونیک: 1401/6/18
فهرست منابع
1. Bennett JE, Dolin R, Blaser MJ. Mandell, douglas, and bennett's principles and practice of infectious diseases: 2-volume set: Elsevier Health Sciences. Philadelphia, Saunders, Elsevier; 2014.
2. DruSzczyńSka M, Kowalewicz-Kulbat M, Fol M, WłOdarczyk M, RuDnIcka W. Latent M. tuberculosis infection--pathogenesis, diagnosis, treatment and prevention strategies. Pol J Microbiol. 2012;61(1):3-10. [DOI:10.33073/pjm-2012-001] [PMID]
3. Maji A, Misra R, Dhakan DB, Gupta V, Mahato NK, Saxena R, et al. Gut microbiome contributes to impairment of immunity in pulmonary tuberculosis patients by alteration of butyrate and propionate producers. Environ Microbiol. 2018;20(1):402-19. [DOI:10.1111/1462-2920.14015] [PMID]
4. Singhvi N, Singh Y, Shukla P. Computational approaches in epitope design using DNA binding proteins as vaccine candidate in Mycobacterium tuberculosis. Infect Genet Evol. 2020;83:104357. [DOI:10.1016/j.meegid.2020.104357] [PMID]
5. Gholami A, Moosavi L. Incidence Rate of ExtraPulmonary Tuberculosis in Urmia city during 2004-2007. Nurs midwifery res j. 2010;8(2):0.
6. Ong E, He Y, Yang Z. Epitope promiscuity and population coverage of Mycobacterium tuberculosis protein antigens in current subunit vaccines under development. Infect Genet Evol. 2020;80:104186. [DOI:10.1016/j.meegid.2020.104186] [PMID]
7. Barker LF, Brennan MJ, Rosenstein PK, Sadoff JC. Tuberculosis vaccine research: the impact of immunology. Curr Opin Immunol. 2009;21(3):331-8. [DOI:10.1016/j.coi.2009.05.017] [PMID]
8. Daniel T, Bates J, Downes K. History of tuberculosis. Tuberculosis: pathogenesis, protection, and control. 1994 (16):13-24. [DOI:10.1128/9781555818357.ch2] [PMID] [PMCID]
9. Dimitrov I, Bangov I, Flower DR, Doytchinova I. AllerTOP v. 2-a server for in silico prediction of allergens. J Mol Model. 2014;20(6):1-6. [DOI:10.1007/s00894-014-2278-5] [PMID]
10. Dimitrov I, Naneva L, Doytchinova I, Bangov I. AllergenFP: allergenicity prediction by descriptor fingerprints. Bioinformatics. 2014;30(6):846-51. [DOI:10.1093/bioinformatics/btt619] [PMID]
11. Gupta S, Kapoor P, Chaudhary K, Gautam A, Kumar R, Open Source Drug Discovery C, et al. In silico approach for predicting toxicity of peptides and proteins. PloS One. 2013;8(9):e73957. [DOI:10.1371/journal.pone.0073957] [PMID] [PMCID]
12. Thevenet P, Shen Y, Maupetit J, Guyon F, Derreumaux P, Tuffery P. PEP-FOLD: an updated de novo structure prediction server for both linear and disulfide bonded cyclic peptides. Nucleic Acids Res. 2012;40(W1):W288-W93. [DOI:10.1093/nar/gks419] [PMID] [PMCID]
13. Shen Y, Maupetit J, Derreumaux P, Tufféry P. Improved PEP-FOLD approach for peptide and miniprotein structure prediction. J Chem Theory Comput. 2014;10(10):4745-58. [DOI:10.1021/ct500592m] [PMID]
14. Zhang Y, Skolnick J. Scoring function for automated assessment of protein structure template quality. Proteins. 2004;57(4):702-10. [DOI:10.1002/prot.20264] [PMID]
15. Kumar V, Kancharla S, Kolli P, Jena M. Reverse vaccinology approach towards the in-silico multiepitope vaccine development against SARS-CoV-2. F1000Research. 2021;10. [DOI:10.12688/f1000research.36371.1] [PMID] [PMCID]
16. Ikai A. Thermostability and aliphatic index of globular proteins. J Biochem. 1980;88(6):1895-8.
17. Jespersen MC, Peters B, Nielsen M, Marcatili P. BepiPred-2.0: improving sequence-based B-cell epitope prediction using conformational epitopes. Nucleic Acids Res. 2017;45(W1):W24-W9. [DOI:10.1093/nar/gkx346] [PMID] [PMCID]
18. Singh H, Ansari HR, Raghava GPS. Improved method for linear B-cell epitope prediction using antigen's primary sequence. PloS One. 2013;8(5):e62216. [DOI:10.1371/journal.pone.0062216] [PMID] [PMCID]
19. El‐Manzalawy Y, Dobbs D, Honavar V. Predicting linear B‐cell epitopes using string kernels. J Mol Recognit: An Interdisciplinary Journal. 2008;21(4):243-55. [DOI:10.1002/jmr.893] [PMID] [PMCID]
20. Faria AR, Costa MM, Giusta MS, Grimaldi Jr G, Penido MLO, Gazzinelli RT, et al. High-throughput analysis of synthetic peptides for the immunodiagnosis of canine visceral leishmaniasis. PLoS Negl Trop Dis. 2011;5(9):e1310. [DOI:10.1371/journal.pntd.0001310] [PMID] [PMCID]
21. Kaye K, Frieden TR. Tuberculosis control: the relevance of classic principles in an era of acquired immunodeficiency syndrome and multidrug resistance. Epidemiol Rev. 1996;18(1):52-63. [DOI:10.1093/oxfordjournals.epirev.a017916] [PMID]
22. Cosivi O, Grange JM, Daborn CJ, Raviglione MC, Fujikura T, Cousins D, et al. Zoonotic tuberculosis due to Mycobacterium bovis in developing countries. Emerging Infect Dis. 1998;4(1):59. [DOI:10.3201/eid0401.980108] [PMID] [PMCID]
23. Singh H, Raghava GPS. ProPred: prediction of HLA-DR binding sites. Bioinformatics. 2001;17(12):1236-7. [DOI:10.1093/bioinformatics/17.12.1236] [PMID]
24. Yang X, Yu X. An introduction to epitope prediction methods and software. Rev Med Virol. 2009;19(2):77-96. [DOI:10.1002/rmv.602] [PMID]
25. Waaler H. Tuberculosis and poverty. Int J Tuberc Lung Dis. 2002 6(9):745-6.
26. Elhag M, Sati A, Saadaldin M, Hassan M. Immunoinformatics prediction of epitope-based peptide vaccine against Mycobacterium tuberculosis PPE65 family protein. bioRxiv2019 p. 755983. [DOI:10.1101/755983]
27. Colditz GA, Brewer TF, Berkey CS, Wilson ME, Burdick E, Fineberg HV, et al. Efficacy of BCG vaccine in the prevention of tuberculosis: meta-analysis of the published literature. Jama. 1994;271(9):698-702. [DOI:10.1001/jama.1994.03510330076038] [PMID]
28. Iseman MD. Evolution of drug-resistant tuberculosis: a tale of two species. Proc Natl Acad Sci. 1994;91(7):2428-9. [DOI:10.1073/pnas.91.7.2428] [PMID] [PMCID]
29. Schaaf HS, Marais BJ, Whitelaw A, Hesseling AC, Eley B, Hussey GD, et al. Culture-confirmed childhood tuberculosis in Cape Town, South Africa: a review of 596 cases. BMC Infect Dis. 2007;7(1):1-8. [DOI:10.1186/1471-2334-7-140] [PMID] [PMCID]
30. Riccomi A, Piccaro G, Christensen D, Palma C, Andersen P, Vendetti S. Parenteral vaccination with a tuberculosis subunit vaccine in presence of retinoic acid provides early but transient protection to M. tuberculosis infection. Front Immunol. 2019;10:934. [DOI:10.3389/fimmu.2019.00934] [PMID] [PMCID]
31. Reginald K, Chan Y, Plebanski M, Poh CL. Development of peptide vaccines in dengue. Curr Pharm Des. 2018;24(11):1157-73. [DOI:10.2174/1381612823666170913163904] [PMID] [PMCID]
32. Bahrami AA, Payandeh Z, Khalili S, Zakeri A, Bandehpour M. Immunoinformatics: in silico approaches and computational design of a multi-epitope, immunogenic protein. Int Rev Immunol. 2019;38(6):307-22. [DOI:10.1080/08830185.2019.1657426] [PMID]
33. Watt J, Liu J. Preclinical progress of subunit and live attenuated Mycobacterium tuberculosis vaccines: A review following the first in human efficacy trial. Pharmaceutics. 2020;12(9):848. [DOI:10.3390/pharmaceutics12090848] [PMID] [PMCID]
34. Lu LL, Suscovich TJ, Fortune SM, Alter G. Beyond binding: antibody effector functions in infectious diseases. Nat Rev Immunol. 2018;18(1):46-61. [DOI:10.1038/nri.2017.106] [PMID] [PMCID]
35. Krocova Z, Plzakova L, Pavkova I, Kubelkova K, Macela A, Ozanic M, et al. The role of B cells in an early immune response to Mycobacterium bovis. Microb Pathog. 2020;140:103937. [DOI:10.1016/j.micpath.2019.103937] [PMID]
36. Singhvi N, Gupta V, Gaur M, Sharma V, Puri A, Singh Y, et al. Interplay of human gut microbiome in health and wellness. Indian J Microbiol. 2020;60(1):26-36. [DOI:10.1007/s12088-019-00825-x] [PMID] [PMCID]
37. Eickhoff CS, Terry FE, Peng L, Meza KA, Sakala IG, Van Aartsen D, et al. Highly conserved influenza T cell epitopes induce broadly protective immunity. Vaccine. 2019;37(36):5371-81. [DOI:10.1016/j.vaccine.2019.07.033] [PMID] [PMCID]
38. Patankar YR, Sutiwisesak R, Boyce S, Lai R, Lindestam Arlehamn CS, Sette A, et al. Limited recognition of Mycobacterium tuberculosis-infected macrophages by polyclonal CD4 and CD8 T cells from the lungs of infected mice. Mucosal Immunol. 2020;13(1):140-8. [DOI:10.1038/s41385-019-0217-6] [PMID] [PMCID]
39. Russell SL, Lamprecht DA, Mandizvo T, Jones TT, Naidoo V, Addicott KW, et al. Compromised metabolic reprogramming is an early indicator of CD8+ T cell dysfunction during chronic Mycobacterium tuberculosis infection. Cell reports. 2019;29(11):3564-79. [DOI:10.1016/j.celrep.2019.11.034] [PMID] [PMCID]
40. Meza B, Ascencio F, Sierra-Beltrán AP, Torres J, Angulo C. A novel design of a multi-antigenic, multistage and multi-epitope vaccine against Helicobacter pylori: an in silico approach. Infect Genet Evol. 2017;49:309-17. [DOI:10.1016/j.meegid.2017.02.007] [PMID]
41. Chen R. Bacterial expression systems for recombinant protein production: E. coli and beyond. Biotechnol Adv. 2012;30(5):1102-7. [DOI:10.1016/j.biotechadv.2011.09.013] [PMID]
42. Rosano GL, Ceccarelli EA. Recombinant protein expression in Escherichia coli: advances and challenges. Front Immunol. 2014;5:172. [DOI:10.3389/fmicb.2014.00172]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
