Prediksi ikatan antara peptida dengan molekul MHC kelas I dan II menggunakan bioinformatika


Pada saat kita telah mendapatkan sebuah sekuen protein gen tertentu pada virus dan kita ingin menggunakannya untuk desain vaksin, terlebih dahulu perlu kita lihat apakah pada sekuen protein tersebut terdapat epitop yang dapat dikenali oleh MHC kelas I dan II. Prediksi pengenalan MHC terhadap epitop tersebut diperlukan untuk memperkirakan apakah sekuen protein tersebut dapat memicu timbulnya respon imun.

Jika MHC kelas I dan II diprediksi dapat berikatan dengan peptida-peptida pada sekuen tersebut, maka kita dapat berharap MHC kelas I akan mempresentasikan peptida pada sel T CD8 dan MHC kelas II mempresentasikan peptida kepada sel T CD4. Selanjutnya sel CD8 berubah menjadi CTL untuk membunuh sel-sel yang terinfeksi virus, sedangkan sel T CD4 akan memperkuat respon imun sel-sel imun lainnya. Cara prediksi yang paling praktis adalah menggunakan bioinformatika. 


Prediksi ikatan peptida ke molekul MHC kelas I
Website IEDB (Immuno epitope database analysis) menyediakan layanan prediksi peptida yang berikatan dengan molekul MHC kelas I dan II. Metode prediksi bisa dipilih dari beberapa pilihan yang tersedia, yaitu Artificial neural network (ANN), Average relative binding (ARB), Stabilized matrix method (SMM), SMM with a peptide: MHC binding energy covariance matrix (SMMPMBEC), Scoring matrices derived from combinatorial peptide libraries (Comblib_Sydney2008), Consensus dan NetMHCpan. 1


Metode prediksi bawaan (default) pada situs itu adalah IEDB recommended yang didasarkan pada ketersediaan prediktor dan kinerja prediksi sebelumnya. Metode ini mengusahakan untuk menggunakan metode terbaik yang bisa digunakan untuk prediksi molekul MHC. 1 

IEDB recommended akan memprioritaskan penggunaan metode konsensus yang terdiri atas NetMHC, SMM dan ComLib. Bila konsensus tersebut tidak memungkinkan maka digunakan NetMHCpan. Urutan kinerja metode prediksi adalah sebagai berikut: Consensus > NetMHC >SMM > NetMHCpan > Comblib.  Saat ini IEDB sedang melakukan studi skala besar untuk melihat kinerja metode prediksi, sehingga urutan tersebut bisa saja berubah bila ditemukan data baru. 1

Sebuah studi yang membandingkan metode prediksi epitop antara ANN, SVR, SMM dan ARB mendapatkan hasil metode ANN sebagai metode yang terbaik diantara 4 model prediksi. Peringkat selanjutnya adalah metode SVR model, kemudian disusul metode  SMM dan ARB.2


Prediksi ikatan peptida ke molekul MHC kelas II
Website IEDB Analysis Resource menyediakan akses untuk memprediksi binding peptida ke molekul MHC kelas II. Metode prediksi bisa kita pilih diantara pilihan berikut 1:
  1. Metode rekomendasi IEDB yaitu  metode yang melibatkan IEDB untuk menentukan metode penentuan epitop binding berdasarkan data yang dimiliki IEDB.
  2. Metode konsensus yang merupakan kombinasi dari beberapa metode, yaitu kombinasi NN-align, SMM-align dan Comblib bila  terdapat predictor yang bisa dipakai bersama oleh metode-metode tersebut.
  3. Average relative binding (ARB)
  4. Combinational library (sedang tahap dalam persiapan manuscript)
  5. NN-align (netMHCII-2.2)
  6. SMM-align (netMHCII-1.1)
  7. Sturniolo
  8. NetMHCIIpan   

Metode yang direkomendasikan IEDB (IEDB recommended) berdasarkan pada ketersediaan prediktor dan hasil observasi kinerja yang terdahulu. Metode tersebut merupakan metode yang terbaik untuk molekul MHC alami. Pemilihan metode oleh IEDB memprioritaskan pendekatan konsensus dengan mengkombinasikan NN-align, SMM-align dan Comlib jika tersedia prediktor yang sama untuk ketiga metode tersebut. Bila tidak ada maka digunakan metode NetMHCIIpan.1

Urutan kinerja prediksi binding MHC-II adalah sebagai berikut dari yang tertinggi ke yang terendah: Consensus > NetMHCIIpan > NN-align > SMM-align > Comlib.  Urutan kinerja tersebut didasarkan dua evaluasi skala besar terhadap prediksi binding MHC kelas II, yaitu studi tahun 2008 yang meneliti 10.000 afinitas binding dan studi tahun 2010 yang meneliti 40.000 afinitas binding. Metode yang direkomendasikan IEDB bisa saja berubah jika data dari penelitian dengan skala lebih besar yang sedang dilakukan IEDB memberi hasil kualitas prdiksi yang berbeda. 1

Prediksi yang dilakukan IEDB terbatas pada  alel-alel yang sudah terdaftar pada metode prediksi yang dipilih. Beberapa alel hanya terdaftar pada metode prediksi tertentu, tidak ada pada metode prediksi yang lain. Terdapat juga alel-alel MHC kelas II yang belum terdaftar pada IEDB. 1

Hasil prediksi untuk ARB, combinatorial library dan SMM-align berupa angka dengan satuan IC50nM. Angka yang lebih kecil menunjukkan afinitas yang lebih besar. Hasil prediksi secara garis besar dapat digolongkan dalam tiga kelompok, yaitu peptida < 50 nM adalah peptida berafinitas tinggi; peptida < 500 nM berfinitas intermediet; dan peptida < 5000 nM adalah peptida berfinitas rendah. Hasil prediksi Sturniolo berbentuk skor atau nilai. Nilai yang makin tinggi menunjukkan afinitas yang lebih tinggi juga. 1

Pada hasil prediksi dari empat metode (ARB, combinatorial library, SMM_align dan Sturniolo) dicantumkan juga ranking percentile (percentile rank) yang merupakan hasil pembandingan skore peptida dengan skor 5 juta random 15 mers yang diseleksi dari database SWISSPROT. Nilai percentile rank yang rendah menujukkan afinitas yang tinggi. Nilai median dari percentile rank keempat metode tersebut akan dijadikan dasar membuat rangking metode konsensus.1                 

Metode NetMHCIIpan dipergunakan bila konsensus dan metode lain seperti SMM-align, NN-align, COMLIB maupun Sturniolo tidak tersdia untul alel yang dikehendaki. Namun bila hanya satu atau dua metode yang bisa digunakan maka NetMHCIIpan akan digunakan sebagai metode yang kedua atau ketiga.1

  1. You L., Zhang P., Boden M., Brusic P., 2007, Understanding Prediction Systems for HLA-Binding Peptides and T-cell Epitope Identification, Proceedings of the 2nd IAPR international conference on Pattern recognition in bioinformatics. Springer-Verlag Berlin, Heidelberg  
  2. Immuno Epitope Database Analysis, http://tools.immuneepitope.org/analyze/html_mhcibinding20090901B/tutorial_mhc_I_binding.html#Method, 4 Desember 2012

0 komentar:

Post a Comment