Программа LinearDesign для оптимизации иммуногенов мРНК вакцин

Концепция мРНК вакцин чрезвычайно проста:
· мРНК, кодирующая белок инфекционного агента (иммунные ответы на который важны для формирования иммунитета к этому агенту) «впрыскивается» в клетки
· На этой мРНК в клетках синтезируется данный белок (в случае SARS-COV-2 это белок S)
· Он распознаётся как чужеродный и на него запускаются иммунные ответы.
Но, быстро сказка сказывается, да не быстро дело делается – потребовалось около 30 лет для реализация этой простой идеи (подробнее здесь: https://prof-afv.livejournal.com/124905.html ; https://prof-afv.livejournal.com/124962.html ). Одна из основных целей разработчиков мРНК вакцин – максимизация синтеза иммуногена вакцины (белка, кодируемого вакцинной РНК). Основным фактором, обеспечивающим это, является стабильность вакцинной мРНК, которая зависит от её нуклеотидной последовательности.
Здесь самое время вспомнить о том, что генетический код вырожденный – каждой из 20-ти аминокислот соответствует несколько кодирующих её кодонов (троек/триплетов нуклеотидов). Из этого следует, что последовательность нуклеотидов в вакцинной мРНК может быть не такой, как в геноме вируса. Главное, чтобы она кодировала ту же аминокислотную последовательность. Пространство потенциальных возможностей для модификации той или иной вакцинной мРНК, вытекающее из вырожденности генетического кода, ОГРОМНО. В случае белка S SARSCoV-2 это около 10 в 632 степени вариантов. Для их перебора, даже на самых мощных суперкомпьютерах, нужны тысячи лет. Тупик?
Оказалось, что нет. Китайские исследователи разработали компьютерную программу LinearDesign, которая справляется с задачей оптимизации структуры вакцинной мРНК для белка S за 11 минут, причём, на обычном «настольном» компьютере. Разумеется, она не перебирает все возможные варианты. Фокус состоит в использовании эвристического алгоритма (называется “lattice parsing”), заимствованного из компьютерной лингвистики, где он используется в контексте машинного перевода и распознавания речи. Этот алгоритм изобретён в начале 60-х годов. Вряд ли в то время были программы, приближающиеся к границе, за которой алгоритм «преображается» в Искусственный Интеллект (ИИ). К тому же, насколько я понимаю, алгоритм, взятый за прототип для LinearDesign (а он использован в «первозданном» виде), не имеет встроенной способности к обучению. Поэтому, отнесение программы LinearDesign к области ИИ (как это делается в СМИ), это, как мне кажется, как минимум, перебор.
Алгоритм оптимизации предполагает наличие оптимизируемых параметров. Таких параметров два: 1) минимальное изменение свободной энергии (minimum free energy сhange), цель – наиболее низкое значение этого параметра; 2) оптимизация кодонов - предпочтение кодонам, наиболее часто используемым белоксинтезирующим аппаратом клеток человека для «собственных» целей.
LinearDesign за 11 минут находит оптимальный (по «мнению» алгоритма) вариант нуклеотидной последовательности вакцинной мРНК, кодирующей белок S. Откуда известно, что этот вариант действительно оптимальный? Какие конечные критерии оптимальности? В данной работе конечным критерием оптимальности была иммуногенность (выраженность антительного ответа).
Было проведено экспериментальное сравнение иммуногенности для мышей нескольких мРНК вакцин, кодирующих один и тот же белок S, но имеющих нуклеотидную последовательность с разными значениями оптимальности (по оценке LinearDesign), начиная от «исходной» величины (соответствующей последовательности в вирусном геноме) и заканчивая самым оптимальным вариантом, предсказанным программой.
Результат: чем выше «оценка» LinearDesign, тем выше титры антитела индуцированных мРНК вакциной у мышей. При этом разница между иммуногенностью исходного варианта и самого оптимального варианта (по оценке LinearDesign) была весьма существенной – 128 раз для связывающихся антител и 20 раз для нейтрализующих антител.
Аналогичные результаты были получены при использовании LinearDesign для предсказания оптимального варианта мРНК вакцины против вируса VZV (ветрянка-опоясывающий лишай/зостер), иммуногеном которой был белок gE VZV. Таким образом, разумно предположить, что LinearDesign может быть использован для оптимизации любых вакцин и лекарственных препаратов, сделанных на основе мРНК. А это быстро развивающаяся и очень перспективная область.
Слов нет, впечатляет! Но трубить в фанфары ещё рановато. Есть проблема. LinearDesign «заточен» на оптимизацию трансляции мРНК, что коррелирует с иммуногенностью. Но есть и другая сторона медали – реактогенность мРНК (воспалительные реакции на её введение). И структурные особенности мРНК, оптимизированных LinearDesign (повышение доли двунитчатых вторичных структур), могут повысить реактогенность. Испытаний на мышах недостаточно. На людях проблема реактогенности и поважней и может проявится иначе. Пока на людях испытана только одна мРНК вакцина против COVID-19 (китайская SW-BIC-213 компании StemiRNA Therapeutics ), оптимизированная LinearDesign. Вроде бы её реактогенность приемлема. Но данных пока маловато.
Стандартный же приём для понижения реактогенности мРНК вакцин (который успешно использован в вакцинах PfizerBioNTech и Moderna) – это замена уридина на псевдоуридин (подробнее здесь: https://prof-afv.livejournal.com/136786.html ). Но LinearDesign пока «не умеет» работать с такими РНК последовательностями. Впрочем, эта проблема решаема и, как утверждают разработчики LinearDesign, легко решаема.
Ну и в заключение — сама статья с описанием LinearDesign. Она принята для публикации в Nature и пока опубликована только в формате Accelerated Article Preview (https://doi.org/10.1038/s41586-023-06127-z ).
Проф_АФВ
|
</> |