علم ایمونولوژی محاسباتی

مقدمه‌ای بر علم ایمونولوژی محاسباتی

هر ساله تقریبا 3.5 میلیون نفر در سراسر جهان به دلیل بیماری های عفونی، جان خود را از دست می دهند

عفونت به معنای حمله‌ی ارگانیسم های بیماری زا به بافت های میزبان، تکثیر آنها و واکنش بافت میزبان به آنها می باشد. عفونت ها می توانند ناشی از انبوهی از میکروب ها و انگل ها باشند که براساس عوامل ایجاد کننده به باکتری ها، تک یاخته ای ها، ویروس ها، قارچ ها و … طبقه بندی می شوند.

به عنوان مثال، بیماری های تنفسی اغلب اکتسابی هستند و توسط یک میزبان ساده در هنگام تماس با قطرات آئروسل حاوی ارگانیسمی است که از یک فرد آلوده هنگام عطسه، سرفه یا صحبت کردن آزاد می شود. از سوی دیگر، بیماری های گوارشی به طور معمول با مصرف مواد غذایی یا آشامیدنی ایجاد می شود که مستقیما با عوامل بیماری زا در ارتباط بوده اند.

این نوع بیماری ها در صورت تشخیص، با داروهای مختلف مانند پنی سیلین، سفالوسپورین، گلیکوپپتید و ماکرولید درمان می شوند. اما متاسفانه این داروها همچنین پتانسیل ایجاد اثرات جانبی سمی را دارند به ویژه آنهایی که واکنش های آلرژیک را القا می کنند. حتی با وجود تعداد زیادی از داروهای انتخابی، بسیاری از پاتوژن ها می توانند مقاوت تک دارویی یا چند دارویی (MDR) از طریق بقای انتخابی یا selective survival داشته باشند.

بنابراین برای پیشگیری میزبان از حساسیت به پاتوژن به جای تلاش برای ابداع داروهای جدید، پروتکل هایی برای درمان عفونت های مداوم نیاز می باشد. به طور کلی برای این منظور، توسعه عملی و مقرون به صرفه و استفاده از واکسن های ایمن کلیدی می باشد.

واکسن شناسی محاسباتی یا علم ایمونوانفورماتیک نوید از تغییر توسعه واکسن می دهد زیرا رویکرد مرسوم تولید واکسن با قیمت بالا و زمان زیاد را به چالش می کشد. در عصر جدید ژنومی، با ورود عمده اطلاعات توالی های ژنوم از میزبان های مختلف و پاتوژن های متعدد، استفاده از رویکردهای محاسباتی برای توسعه واکسن بر اساس اطلاعات ژنومی افزایش یافته است که به این رویکرد واکسن شناسی معکوس گفته می شود.

ایمونوانفورماتیک یا علم ایمونولوژی محاسباتی عرصه رو به رشدی است که توجه را به گسترش و ارتباط تکنیک های ایمونوانفورماتیک در سرمایه گذاری های توسعه واکسن پیش بالینی جلب می کند. الگوریتم های متنوع ایمونوانفورماتیک نیز برای پیش بینی اپی توپ های ایمنی سلول های T و B برای توسعه واکسن های مبتنی بر اپی توپ توسعه یافته اند.

غربالگری مجازی کاندیدهای بالقوه واکسن مستقیماً از توالی ژنوم از طریق رویکردهای واکسینولوژی معکوس امکان پذیر می باشد. شبیه‌سازی‌های محاسباتی برای تعاملات میزبان و پاتوژن نیز به طور فزاینده‌ای در پروتکل‌های توسعه واکسن و برای اهداف دیگری مانند توسعه ثبت‌های ایمن‌سازی، ارزیابی ایمنی و ارزش واکسن و مدل‌سازی ایمن‌سازی استفاده می‌شوند.

پیشرفت در ایمونولوژی محاسباتی

ایمونولوژی محاسباتی و ایمونوانفورماتیک زمینه های تحقیقاتی محکم و رو به رشدی هستند. هدف از ایمونولوژی محاسباتی توسعه روش‌های ریاضی و محاسباتی برای مطالعه دینامیک موجودیت‌های سلولی و مولکولی در طول پاسخ ایمنی است، در حالی که هدف از ایمونوانفورماتیک پیشنهاد روش‌هایی برای بررسی مجموعه داده‌های بزرگ ژنومی و پروتئومی مرتبط با ایمونولوژی و پیش‌بینی های جدید عمدتا با استنتاج آماری و الگوریتم‌های یادگیری ماشین، می باشد.

انبوهی از داده های تولید شده توسط ابزارهای دقیق به ویژه روش های ژنومیکس، ترنسکریپتومیکس، اپی ژنتیک و پروتئومیکس، برای اکتساب، ذخیره سازی و تجزیه و تحلیل داده های ایمونولوژیک، نیازمند استفاده از ابزارهای محاسباتی می باشند.

بهره‌برداری از چنین حجم عظیمی از داده‌های ایمونولوژیکی معمولا نیازمند تبدیل آن به مسائل محاسباتی، حل آنها با استفاده از رویکردهای ریاضی و محاسباتی و سپس ترجمه نتایج به‌دست‌آمده به تفاسیر معنی‌دار ایمنولوژیکی می باشد.

در علم ایمونولوژی محاسباتی، نیازمند همکاری تنگاتنگی بین محققان در زمینه های ریاضیات، بیوانفورماتیک، محققان محاسباتی و مهندسان به همراه محققان ایمونولوژیست تجربی می باشیم تا در مورد آخرین پیشرفت ها در حوزه های مختلف ایمونولوژی محاسباتی از برنامه های کاربردی پایگاه های داده گرفته تا طراحی واکسن محاسباتی، مدل سازی و شبیه سازی و همچنین کاربردهای آنها در ایمونولوژی پایه و بالینی، به بحث و تبادل نظر بپردازند.

در مطالعه ای که توسط N.Sepulveda و همکاران انجام شده است، توجه را به داده های سرولوژیکی در ارتباط با مدل سازی ریاضی در ارائه یک رویکرد قدرتمند برای اطلاع رسانی در مورد شدت انتقال مالاریا و تغییرات احتمالی در طول زمان جلب می کند. نتیجه‌گیری‌های آن‌ها نشان می‌دهد که یک ایده جالب با پتانسیل سلامت عمومی، استفاده از پنلی از آنتی‌بادی‌های چند بیماری است که می‌تواند برای دانستن اینکه چه عوامل عفونی در یک جمعیت خاص در گردش هستند (پویایی احتمالی آن‌ها)، مفید باشد.

این ایده در عمل آزمایش نشده است، اما قطعا نیاز به توسعه مدل های ریاضی کلاسیک برای توضیح کامل تعامل ایمنی بین بیماری های مختلف دارد که با علم ایمونولوژی محاسباتی قابل اجرا می باشد.

1. Schreiner و همکارانش در مقاله خود نشان می دهند که دینامیک مولکولی برای شبیه سازی مولکول های بزرگ سیستم ایمنی (کمپلکس های اصلی سازگاری بافتی یا MHC، گیرنده های سلول T و coreceptor ها) استفاده شده است. به عنوان جالب‌ترین نتیجه، آن‌ها دریافتند که به نظر می‌رسد حضور coreceptor ها بر پویایی درون کمپلکس پروتئین، به ویژه حرکات نسبی دو مارپیچ آلفا هلیکس، Gα1 و Gα2 تأثیر می‌گذارد.

ارزیابی می شود که کاربرد پزشکی شخصی نیاز به ادغام داده های مختلف برای تعیین ساختار بالینی منحصر به فرد هر بیمار دارد. تجزیه و تحلیل خودکار داده های پزشکی یک زمینه رو به رشد است که در آن از تکنیک های مختلف یادگیری ماشین برای به حداقل رساندن زمان تجزیه و تحلیل استفاده می شود.

1. K. Irin و همکاران بررسی رویکردهای مدل‌سازی محاسباتی بر روی عوامل اپی ژنتیک در بیماری‌های زوال عصبی یا neurodegenerative و بیماری های خودایمنی و تحلیل مکانیکی آنها را انجام دادند. نویسندگان نقاط عطف اصلی در تحقیقات اپی ژنتیک را در زمینه بیماری‌ها و رویکردهای محاسباتی مختلف توسعه یافته در دهه‌های گذشته برای کشف تغییرات اپی ژنتیکی جدید بررسی می‌کنند که برای این نوع مطالعات نیاز به علم ایمونولوژی محاسباتی می باشد.

در مقاله ی دیگری  G. Bocharov و همکاران، نشان می‌دهند که چگونه می‌توان رویکردهای ایمونولوژی محاسباتی را برای پرداختن به جنبه‌های مختلف عملکرد سیستم ایمنی در شرایط عادی و در پاسخ به LCMV پیاده‌سازی کرد و مهمتر از همه، پیش‌بینی‌های کمی از نتایج سیستم ایمنی را انجام داد.

واکسیناسیون از لحاظ تاریخی یکی از مهم ترین مداخلات پزشکی برای پیشگیری از بیماری های عفونی می باشد. پیش از این، واکسن ها معمولا از مخلوط های نسبتا خامی از عوامل غیرفعال یا ضعیف شده ساخته می شدند. با این حال، در طول ۱۰ تا ۲۰ سال گذشته، چندین پیشرفت مهم تکنولوژیکی در علم ایمونولوژی محاسباتی باعث پیشرفت عمده در کشف و طراحی آنتی ژن های واکسن پروتئین نوترکیب ایمونوژنیک قوی شده است.

L. Liljeroos و همکارانش در مورد سه رویکرد مهم کلیدی که طراحی ساختاری و محاسباتی واکسن را تقویت کرده اند، بحث می کنند. آنها قدرت رو به رشد ترکیب رویکردهای توالی، ساختاری و محاسباتی را نشان می‌دهند و به این مورد می پردازند که چگونه این امر ممکن است طراحی ایمونوژن‌های جدید مناسب برای واکسن‌های آینده را تحت تاثیر قرار دهند که به فوریت برای افزایش پیشگیری جهانی از بیماری‌های عفونی مورد نیاز می باشند.

MIrExpress یک پایگاه داده جدید است که از تئوری اطلاعات و همچنین روش همبستگی خطی پیرسون برای اندازه‌گیری همبستگی خطی، همبستگی غیرخطی و هیبرید آنها از بیان ژن‌های خاص سلولی در سلول‌های ایمنی بهره می‌برد.

J.Wang و همکاران این پایگاه داده را توصیف می کنند که به طور کلی شامل ۱۶ گروه سلول انسانی شامل ۲۰۲۸۳ ژن انسانی می باشد. داده های بیان و نتایج همبستگی محاسبه شده از پایگاه داده به صورت تعاملی در صفحه وب قابل دسترسی هستند و می توانند برای سایر برنامه ها و تحقیقات مرتبط پیاده سازی شوند.

داده‌های آنفلوانزا  موجود که در دسترس عموم هستند، منبعی ارزشمند برای تحلیل‌های محاسباتی با کاربرد در طراحی واکسن هستند. به طور مشابه، ابزارهای ایمونوانفورماتیک موجود، ابزاری را برای استخراج اطلاعات و دانش جدید فراهم می کنند. با این حال، برای استفاده از پتانسیل کامل این منابع، پیش پردازش داده ها باید انجام شود و ابزارهای تحلیلی باید به دقت در جریان های کاری کاملا تعریف شده ترکیب شوند.

C.Simon و همکاران در راستای پیشبرد اهداف علم ایمونولوژی محاسباتی،  FluKB را معرفی کرده اند که یک سیستم مبتنی بر دانش با تمرکز بر داده ها و ابزارهای تحلیلی برای کشف واکسن آنفولانزا می باشد. هدف اصلی FluKB فراهم کردن دسترسی به توالی و داده‌های اپی توپ آنفولانزا و تقویت تجزیه و تحلیل تنوع توالی آنفولانزا و تجزیه و تحلیل اهداف پاسخ‌های ایمنی است.

FluKB متشکل از بیش از ۴۰۰۰۰۰ توالی پروتئین آنفولانزا، داده های اپی توپ شناخته شده (۳۵۷ اپی توپ تایید شده سلول T، ۶۸۵ HLA binders و ۱۶ لیگاند MHC طبیعی پردازش شده) و مجموعه ای از ۲۸ آنتی بادی آنفولانزا می باشد.

دوره مهارت آموزی طراحی واکسن: ایمونوانفورماتیک