نحوه انتخاب تارگت مناسب برای طراحی واکسن

انتخاب تارگت مناسب برای طراحی واکسن

شناسایی آنتی ژن گام مهمی در فرآیند تولید واکسن است. رویکردهای محاسباتی از جمله سیستم‌های یادگیری عمیق یا deep learning می‌توانند نقش مهمی در شناسایی اهداف واکسن با استفاده از اطلاعات ژنومی و پروتئومی ایفا کنند. رویکردهای جدید مبتنی بر داده، مانند واکسن شناسی معکوس یا reverse vaccinology، واکسن شناسی سیستمی یا systems vaccinology و یادگیری ماشین یا machine learning، شروع به سرمایه گذاری بر روی حجم بالایی از داده های omics مورد نیاز برای طراحی واکسن کرده‌اند.

چندین مطالعه محاسباتی ژنوم یا پروتئوم گونه‌ها یا گونه‌های بیماری‌زا را برای پیش‌بینی نامزدهای واکسن مورد تجزیه و تحلیل قرار داده‌اند. در یکی از این مطالعات، محققان از مجموعه داده‌های تعامل پروتئین-پروتئین و یک رویکرد بیولوژی برای اولویت بندی اهداف واکسن برای Borrelia burgdorferi استفاده کرده اند. علاوه بر این، Goodswen و همکاران از یک رویکرد یادگیری ماشین یا machine learning برای تمایز بین نامزدهای درست و نادرست واکسن برای یوکاریوت ها از جمله Caenorhabditis elegans، Toxoplasma gondii و Plasmodium sp استفاده کردند.

ابزارها، منابع و پایگاه‌ داده های متعددی در حوزه ایمونو انفورماتیک موجود است که در توسعه واکسن‌ها از گذشته تاکنون کمک کرده‌اند. در سال 2019، دالاسس و همکاران شش برنامه واکسینولوژی معکوس (RV) مستقل و open source طراحی شده برای پاتوژن های باکتریایی NERVE، VaxiJen، Vaxign، Bowman-Heinson، Jenner-predict، و VacSol را مقایسه کردند و آنها را بر روی یازده پروتئوم باکتریایی مختلف آزمایش کردند.

چندین مزیت و همچنین محدودیت در ابزارهای فوق الذکر وجود داشت. بیشتر برنامه‌ها و الگوریتم‌ها حول سیستم‌های باکتریایی و پروکاریوتی تنها با کمی کار با پاتوژن‌های یوکاریوتی، از جمله Trypanosoma cruzi ساخته شده‌اند. علاوه بر این، موضوع پیش‌بینی‌های مثبت کاذب همچنان یک چالش در این ابزارها می باشد.

علیرغم پیشرفت های قابل توجه در واکسن شناسی (vaccinology)، پروتئومیکس محاسباتی (computational proteomics)، یادگیری ماشین (machine learning) و واکسن شناسی معکوس (reverse vaccinology)، یافتن نامزدهای واکسن، تولید آنها در آزمایشگاه، و تایید کارایی آنها در مدل های حیوانی همچنان یک کار پیچیده است.

بنابراین، نیاز فوری به ساخت ابزاریا چارچوب‌های محاسباتی، برای ادغام الگوریتم‌ها و پایگاه‌های اطلاعاتی متنوع با استفاده از یک ورودی واحد و ارائه نتایج معنی‌دار برای محققانی که روی توسعه واکسن کار می‌کنند، وجود دارد.

مطالعات طراحی واکسن شامل یک رویکرد جامع برای استفاده از انفورماتیک و الگوریتم های کامپیوتری برای پیش بینی اهداف واکسن در پاتوژن ها است. در این راه مجموعه داده ها و چارچوب ها همچنین برای توسعه یک سیستم یادگیری ماشین و یادگیری عمیق جدید برای پیش بینی نامزدهای واکسن به طور کلی استفاده می شود.

در دهه گذشته، گروه‌های تحقیقاتی مختلف از چندین استراتژی مختلف از مراحل پاتوژنز (pathogenesis)، سنجش ایمنی (immunogenic assays)، پروتئومیکس کاهشی (subtractive proteomics) و همچنین خواص و فیلترها برای تعیین نامزدهای پاتوژن مربوطه، استفاده کرده‌اند.

محققان تلاش‌های متعددی را برای ایجاد واکسن‌های موثر انجام داده اند اما همیشه مسائلی مانند تنوع سویه ها، تنوع ژنتیکی میزبان، ساختار ژنومی پیچیده، تنوع فنوتیپی قابل توجه و رفتار متغیر پاتوژن در شرایط invivoو invitro در زمینه های پاتوفیزیولوژی (pathophysiology)، virulence، تروپیسم و پاسخ های ایمونولوژیک، موانع متعددی را ایجاد کرده اند.

رویکرد insilico برای طراحی ساختار واکسن چند اپی توپی برای بیماری ها با توجه به پیچیدگی‌های تولید چنین کاندیدهایی مانند پروتئین‌های محلول تجربی مناسب برای تولید و خالص‌سازی، چالش‌هایی را به عنوان واکسن مبتنی بر پروتئین ارائه می‌کند، لذا رویکردهای واکسیناسیون mRNA برای بیماری ها آغاز شده که ممکن است نیاز به بیان و مراحل خالص‌سازی را برطرف کند.

در طراحی واکسن insilico ما یک چارچوب یکپارچه را معرفی می کنیم که رویکردهای ایمونو انفورماتیک، ابزارهای بیوانفورماتیک و ابزارهای مبتنی بر یادگیری ماشین نظارت شده را برای کشف واکسن ترکیب می کند. در اینجا، ما پروتئین‌های پاتوژن را بر اساس تمایل آنها به کاندیدهای خوب واکسن و طراحی واکسن‌های چند اپی توپ ایمن و مؤثر با استفاده از مجموعه‌ای از ابزارها مانند PsortB، WoLF PSORT، BLAST، HMMTop، ProtParam، FungalRV، NetCTL، VaxiJen رتبه‌بندی یا طبقه‌بندی می‌کنیم.