stringtranslate.com

Вычислительная иммунология

В академических кругах вычислительная иммунология — это область науки , которая охватывает высокопроизводительные геномные и биоинформатические подходы к иммунологии . Основная цель области — преобразовать иммунологические данные в вычислительные задачи, решить эти задачи с помощью математических и вычислительных подходов, а затем преобразовать эти результаты в иммунологически значимые интерпретации.

Введение

Иммунная система — это сложная система человеческого организма, и ее изучение — одна из самых сложных тем в биологии. Исследования в области иммунологии важны для понимания механизмов, лежащих в основе защиты человеческого организма, а также для разработки лекарств от иммунологических заболеваний и поддержания здоровья. Недавние открытия в области геномных и протеомных технологий радикально изменили иммунологические исследования. Секвенирование геномов человека и других модельных организмов дало все большие объемы данных, имеющих отношение к иммунологическим исследованиям, и в то же время огромные объемы функциональных и клинических данных публикуются в научной литературе и хранятся в клинических записях. Недавние достижения в области биоинформатики или вычислительной биологии помогли понять и организовать эти крупномасштабные данные и дали начало новой области, которая называется вычислительной иммунологией или иммуноинформатикой .

Вычислительная иммунология является разделом биоинформатики и основана на схожих концепциях и инструментах, таких как инструменты выравнивания последовательностей и прогнозирования структуры белка . Иммуномика является дисциплиной, подобной геномике и протеомике . Это наука, которая особым образом объединяет иммунологию с информатикой , математикой , химией и биохимией для крупномасштабного анализа функций иммунной системы. Она направлена ​​на изучение сложных белок-белковых взаимодействий и сетей и позволяет лучше понять иммунные реакции и их роль в нормальных, болезненных и восстановительных состояниях. Вычислительная иммунология является частью иммуномики, которая сосредоточена на анализе крупномасштабных экспериментальных данных. [1] [2]

История

Вычислительная иммунология началась более 90 лет назад с теоретического моделирования эпидемиологии малярии. В то время акцент делался на использовании математики для руководства изучением передачи болезни. С тех пор область расширилась, чтобы охватить все другие аспекты процессов и заболеваний иммунной системы. [3]

Иммунологическая база данных

После недавних достижений в области секвенирования и протеомики, было отмечено многократное увеличение генерации молекулярных и иммунологических данных. Данные настолько разнообразны, что их можно классифицировать в различных базах данных в соответствии с их использованием в исследовании. На сегодняшний день в коллекции баз данных Nucleic Acids Research (NAR) отмечено в общей сложности 31 различных иммунологических баз данных, которые приведены в следующей таблице, вместе с некоторыми другими базами данных, связанными с иммунологией. [4] Информация, приведенная в таблице, взята из описаний баз данных в коллекции баз данных NAR.

Онлайн-ресурсы для информации об аллергии также доступны на http://www.allergen.org. Такие данные ценны для исследования перекрестной реактивности между известными аллергенами и анализа потенциальной аллергенности белков. Структурная база данных белков аллергенов (SDAP) хранит информацию об аллергенных белках. База данных белковых аллергенов Программы исследований и ресурсов пищевой аллергии (FARRP) содержит последовательности известных и предполагаемых аллергенов, полученные из научной литературы и общедоступных баз данных. Allergome подчеркивает аннотацию аллергенов, которые приводят к заболеванию, опосредованному IgE.

Инструменты

Доступны и описаны различные вычислительные, математические и статистические методы. Эти инструменты полезны для сбора, анализа и интерпретации иммунологических данных. Они включают в себя интеллектуальный анализ текста , [33] управление информацией, [34] [35] анализ последовательностей, анализ молекулярных взаимодействий и математические модели, которые позволяют проводить расширенное моделирование иммунной системы и иммунологических процессов. [36] [37] Предпринимаются попытки извлечения интересных и сложных шаблонов из неструктурированных текстовых документов в иммунологической области, таких как категоризация информации о перекрестной реактивности аллергенов, [33] идентификация вариантов генов, связанных с раком, и классификация иммунных эпитопов.

Иммуноинформатика использует базовые инструменты биоинформатики, такие как ClustalW, [38] BLAST, [39] и TreeView, а также специализированные инструменты иммуноинформатики, такие как EpiMatrix, [40] [41] IMGT/V-QUEST для анализа последовательностей IG и TR, IMGT/ Collier-de-Perles и IMGT/StructuralQuery [42] для анализа структуры вариабельного домена IG. [43] Методы, основанные на сравнении последовательностей, разнообразны и применялись для анализа сохранения последовательностей HLA, помогают проверить происхождение последовательностей вируса иммунодефицита человека (ВИЧ) и построить модели гомологии для анализа устойчивости полимеразы вируса гепатита B к ламивудину и эмтрицитабину.

Существуют также некоторые вычислительные модели, которые фокусируются на белок-белковых взаимодействиях и сетях. Существуют также инструменты, которые используются для картирования эпитопов Т- и В-клеток, предсказания сайта расщепления протеасомы и предсказания TAP-пептида. [44] Экспериментальные данные очень важны для проектирования и обоснования моделей для предсказания различных молекулярных целей. Инструменты вычислительной иммунологии - это игра между экспериментальными данными и математически разработанными вычислительными инструментами.

Приложения

Аллергии

Аллергии , хотя и являются важным предметом иммунологии, также значительно различаются у разных людей, а иногда даже у генетически схожих людей. Оценка аллергенного потенциала белков фокусируется на трех основных аспектах: (i) иммуногенность; (ii) перекрестная реактивность; и (iii) клинические симптомы. [45] Иммуногенность обусловлена ​​реакциями продуцирующей антитела IgE В-клетки и/или Т-клетки на определенный аллерген . Поэтому исследования иммуногенности в основном фокусируются на выявлении участков распознавания аллергенов В-клетками и Т-клетками. Трехмерные структурные свойства аллергенов контролируют их аллергенность.

Использование иммуноинформатических инструментов может быть полезным для прогнозирования аллергенности белка и будет становиться все более важным при скрининге новых продуктов перед их широкомасштабным выпуском для использования человеком. Таким образом, предпринимаются значительные усилия по созданию надежных баз данных по аллергии на широкой основе и объединению их с хорошо проверенными инструментами прогнозирования, чтобы обеспечить идентификацию потенциальных аллергенов в генетически модифицированных препаратах и ​​продуктах питания. Хотя разработки находятся на начальной стадии, Всемирная организация здравоохранения и Продовольственная и сельскохозяйственная организация предложили руководящие принципы для оценки аллергенности генетически модифицированных продуктов питания. Согласно Кодексу Алиментариус [46] , белок является потенциально аллергенным, если он обладает идентичностью ≥6 смежных аминокислот или ≥35% сходства последовательности в течение 80 аминокислотного окна с известным аллергеном. Хотя существуют правила, их неотъемлемые ограничения начали становиться очевидными, и исключения из правил были хорошо описаны [47]

Инфекционные заболевания и реакции хозяина

В изучении инфекционных заболеваний и реакций хозяина математические и компьютерные модели оказывают большую помощь. Эти модели были очень полезны для характеристики поведения и распространения инфекционных заболеваний, путем понимания динамики патогена в хозяине и механизмов факторов хозяина, которые способствуют персистенции патогена. Примерами являются Plasmodium falciparum [48] и нематодная инфекция у жвачных животных. [49]

Многое было сделано для понимания иммунных реакций на различные патогены путем интеграции геномики и протеомики со стратегиями биоинформатики. В настоящее время происходит много интересных разработок в области крупномасштабного скрининга патогенов. Национальный институт аллергии и инфекционных заболеваний (NIAID) инициировал попытку систематического картирования эпитопов В- и Т-клеток патогенов категории AC. К этим патогенам относятся Bacillus anthracis (сибирская язва), токсин Clostridium botulinum (ботулизм), Variola major (оспа), Francisella tularensis (туляремия), вирусные геморрагические лихорадки, Burkholderia pseudomallei , энтеротоксин Staphylococcus B, желтая лихорадка, грипп, бешенство, вирус Чикунгунья и т. д. Сообщалось о системах на основе правил для автоматизированного извлечения и обработки записей о гриппе A. [50]

Эта разработка приведет к разработке алгоритма, который поможет идентифицировать консервативные области последовательностей патогенов и, в свою очередь, будет полезен для разработки вакцин. Это будет полезно для ограничения распространения инфекционных заболеваний. Примеры включают метод идентификации мишеней вакцины из белковых областей консервативного связывания HLA [51] и вычислительную оценку перекрестной реактивности широко нейтрализующих антител против вирусных патогенов. [52] Эти примеры иллюстрируют силу приложений иммуноинформатики для помощи в решении сложных проблем в области общественного здравоохранения. Иммуноинформатика может значительно ускорить процесс открытия и потенциально сократить время, необходимое для разработки вакцины. Инструменты иммуноинформатики использовались для разработки вакцины против SARS-CoV-2, [53] вируса денге [54] и лейшмании. [55]

Функция иммунной системы

Используя эту технологию, можно узнать модель, лежащую в основе иммунной системы. Она использовалась для моделирования подавления, опосредованного Т-клетками, [56] миграции периферических лимфоцитов, [57] памяти Т-клеток, [58] толерантности, [59] функции тимуса, [60] и сетей антител. [61] Модели полезны для прогнозирования динамики токсичности патогенов и памяти Т-клеток в ответ на различные стимулы. Существует также несколько моделей, которые полезны для понимания природы специфичности в иммунной сети и иммуногенности.

Например, было полезно изучить функциональную связь между транспортом пептида TAP и презентацией антигена HLA класса I. [62] TAP является трансмембранным белком, ответственным за транспорт антигенных пептидов в эндоплазматический ретикулум, где молекулы MHC класса I могут связывать их и представлять Т-клеткам. Поскольку TAP не связывает все пептиды одинаково, сродство связывания TAP может влиять на способность конкретного пептида получать доступ к пути MHC класса I. Искусственная нейронная сеть (ИНС), компьютерная модель, использовалась для изучения связывания пептида с человеческим TAP и его связи со связыванием MHC класса I. Было обнаружено, что сродство пептидов, связывающих HLA, к TAP различается в зависимости от рассматриваемого супертипа HLA с использованием этого метода. Это исследование может иметь важные последствия для разработки иммунотерапевтических препаратов и вакцин на основе пептидов. Оно показывает силу подхода моделирования для понимания сложных иммунных взаимодействий. [62]

Существуют также методы, которые интегрируют инструменты прогнозирования пептидов с компьютерным моделированием, которые могут предоставить подробную информацию о динамике иммунного ответа, специфической для пептидов данного патогена. [63]

Информатика рака

Рак является результатом соматических мутаций, которые обеспечивают раковым клеткам избирательное преимущество роста. В последнее время очень важно определить новые мутации. Геномные и протеомные методы используются во всем мире для выявления мутаций, связанных с каждым конкретным видом рака и их лечением. Вычислительные инструменты используются для прогнозирования роста и поверхностных антигенов на раковых клетках. Существуют публикации, объясняющие целевой подход к оценке мутаций и риска рака. Алгоритм CanPredict использовался для указания того, насколько близко конкретный ген напоминает известные гены, вызывающие рак. [64] Иммунологии рака придается такое большое значение, что данные, связанные с ней, быстро растут. Сети взаимодействия белок-белок предоставляют ценную информацию о развитии опухолей у людей. Раковые белки демонстрируют сетевую топологию, которая отличается от обычных белков в человеческом интерактоме. [65] [66] Иммуноинформатика была полезна для повышения успешности вакцинации от опухолей. Недавно были проведены пионерские работы по анализу динамики иммунной системы хозяина в ответ на искусственный иммунитет, вызванный стратегиями вакцинации. [67] [68] [69] Другие инструменты моделирования используют предсказанные раковые пептиды для прогнозирования иммунных специфических противораковых реакций, которые зависят от указанного HLA. [37] Эти ресурсы, вероятно, значительно возрастут в ближайшем будущем, и иммуноинформатика станет основной областью роста в этой области.

Смотрите также

Ссылки

  1. ^ Tong JC, Ren EC (июль 2009 г.). «Иммуноинформатика: текущие тенденции и будущие направления». Drug Discov. Today . 14 (13–14): 684–9. doi :10.1016/j.drudis.2009.04.001. PMC  7108239. PMID  19379830 .
  2. ^ Korber B, LaBute M, Yusim K (июнь 2006 г.). «Иммуноинформатика достигает зрелости». PLOS Comput. Biol . 2 (6): e71. Bibcode : 2006PLSCB...2...71K. doi : 10.1371/journal.pcbi.0020071 . PMC 1484584. PMID  16846250 . 
  3. ↑ Росс, Р. (1 февраля 1916 г.). «Применение теории вероятностей к изучению априорной патометрии. Часть I». Труды Королевского общества A . 92 (638): 204–230. Bibcode :1916RSPSA..92..204R. doi : 10.1098/rspa.1916.0007 .
  4. ^ Oxford Journals | Науки о жизни | Исследования нуклеиновых кислот | Резюме базы данных Категории статей
  5. ^ Ansari HR, Flower DR, Raghava GP (январь 2010 г.). «AntigenDB: иммуноинформационная база данных антигенов патогенов». Nucleic Acids Res . 38 (выпуск базы данных): D847–53. doi : 10.1093/nar/gkp830. PMC 2808902. PMID  19820110. 
  6. ^ Toseland CP, Clayton DJ, McSparron H и др. (октябрь 2005 г.). «AntiJen: количественная иммунологическая база данных, объединяющая функциональные, термодинамические, кинетические, биофизические и клеточные данные». Immunome Research . 1 (1): 4. doi : 10.1186/1745-7580-1-4 . PMC 1289288. PMID  16305757 . 
  7. ^ Saha S, Bhasin M, Raghava GP (2005). "Bcipep: база данных эпитопов В-клеток". BMC Genomics . 6 (1): 79. doi : 10.1186/1471-2164-6-79 . PMC 1173103. PMID  15921533 . 
  8. ^ Chailyan A, Tramontano A, Marcatili P (январь 2012 г.). «База данных иммуноглобулинов с интегрированными инструментами: DIGIT». Nucleic Acids Res . 40 (выпуск базы данных): D1230–4. doi :10.1093/nar/gkr806. PMC 3245095. PMID  22080506 . 
  9. ^ Schönbach C, Koh JL, Flower DR, Wong L, Brusic V (январь 2002 г.). "FIMM, база данных функциональной молекулярной иммунологии: обновление 2002 г.". Nucleic Acids Res . 30 (1): 226–9. doi : 10.1093/nar/30.1.226. PMC 99079. PMID  11752300. 
  10. ^ Grimes GR, Moodie S, Beattie JS и др. (2005). «GPX-Macrophage Expression Atlas: база данных профилей экспрессии макрофагов, подвергшихся воздействию различных провоспалительных, противовоспалительных, доброкачественных и патогенных факторов». BMC Genomics . 6 : 178. doi : 10.1186/1471-2164-6-178 . PMC 1351201 . PMID  16343346. 
  11. ^ Singh MK, Srivastava S, Raghava GP, Varshney GC (январь 2006 г.). «HaptenDB: всеобъемлющая база данных гаптенов, белков-переносчиков и антител к гаптенам». Биоинформатика . 22 (2): 253–5. doi : 10.1093/bioinformatics/bti692 . PMID  16443637.
  12. ^ Wang X, Zhao H, Xu Q и др. (январь 2006 г.). "База данных HPtaa — потенциальные целевые гены для клинической диагностики и иммунотерапии карциномы человека". Nucleic Acids Res. 34 (выпуск базы данных): D607–12. doi :10.1093/nar/gkj082. PMC 1347445 . PMID  16381942.  
  13. ^ Ponomarenko J, Papangelopoulos N, Zajonc DM, Peters B, Sette A, Bourne PE (январь 2011 г.). "IEDB-3D: структурные данные в базе данных иммунных эпитопов". Nucleic Acids Res . 39 (выпуск базы данных): D1164–70. doi :10.1093/nar/gkq888. PMC 3013771. PMID  21030437 . 
  14. ^ Puck JM (ноябрь 1996 г.). "IL2RGbase: база данных дефектов гамма-c-цепи, вызывающих человеческий X-SCID". Immunol. Today . 17 (11): 507–11. doi :10.1016/0167-5699(96)30062-5. PMID  8961626.
  15. ^ Lefranc MP (январь 2001 г.). "IMGT, международная база данных ImMunoGeneTics". Nucleic Acids Res . 29 (1): 207–9. doi :10.1093/nar/29.1.207. PMC 29797. PMID  11125093 . 
  16. ^ Giudicelli V, Chaume D, Lefranc MP (январь 2005 г.). «IMGT/GENE-DB: комплексная база данных для генов иммуноглобулинов человека и мыши и рецепторов Т-клеток». Nucleic Acids Res . 33 (выпуск базы данных): D256–61. doi :10.1093/nar/gki010. PMC 539964. PMID  15608191 . 
  17. ^ Robinson J, Malik A, Parham P, Bodmer JG, Marsh SG (март 2000 г.). «База данных IMGT/HLA — база данных последовательностей для главного комплекса гистосовместимости человека». Tissue Antigens . 55 (3): 280–7. doi :10.1034/j.1399-0039.2000.550314.x. PMC 29780 . PMID  10777106. 
  18. ^ Giudicelli V, Duroux P, Ginestoux C, et al. (январь 2006 г.). "IMGT/LIGM-DB, комплексная база данных IMGT по последовательностям нуклеотидов иммуноглобулинов и рецепторов Т-клеток". Nucleic Acids Res . 34 (выпуск базы данных): D781–4. doi :10.1093/nar/gkj088. PMC 1347451. PMID  16381979 . 
  19. ^ abcd Robinson J, Mistry K, McWilliam H, Lopez R, Marsh SG (январь 2010 г.). "IPD — база данных иммунополиморфизма". Nucleic Acids Res . 38 (выпуск базы данных): D863–9. doi :10.1093/nar/gkp879. PMC 2808958. PMID 19875415  . 
  20. ^ abcd Robinson J, Waller MJ, Fail SC, Marsh SG (декабрь 2006 г.). «Базы данных IMGT/HLA и IPD». Hum. Mutat . 27 (12): 1192–9. doi : 10.1002/humu.20406 . PMID  16944494. S2CID  42119780.
  21. ^ Bhasin M, Singh H, Raghava GP (март 2003 г.). «MHCBN: комплексная база данных пептидов, связывающих и не связывающих MHC». Биоинформатика . 19 (5): 665–6. doi : 10.1093/bioinformatics/btg055 . PMID  12651731.
  22. ^ Brusic V, Rudy G, Harrison LC (сентябрь 1994 г.). "MHCPEP: база данных пептидов, связывающих MHC". Nucleic Acids Research . 22 (17): 3663–5. doi :10.1093/nar/22.17.3663. PMC 308338. PMID  7937075 . 
  23. ^ Хан JM, Черуку HR, Тонг JC, Ранганатан S (апрель 2011 г.). «MPID-T2: база данных для анализа последовательностей-структур-функций структур pMHC и TR/pMHC». Биоинформатика . 27 (8): 1192–3. doi : 10.1093/bioinformatics/btr104 . PMID  21349870.
  24. ^ Aidinis V, Chandras C, Manoloukos M и др. (январь 2008 г.). "База данных мышей MUGEN; модели животных иммунологических заболеваний человека". Nucleic Acids Res . 36 (выпуск базы данных): D1048–54. doi :10.1093/nar/gkm838. PMC 2238830. PMID  17932065 . 
  25. ^ Yang B, Sayers S, Xiang Z, He Y (январь 2011 г.). «Protegen: веб-база данных защитных антигенов и система анализа». Nucleic Acids Res . 39 (выпуск базы данных): D1073–8. doi :10.1093/nar/gkq944. PMC 3013795. PMID  20959289 . 
  26. ^ Günther S, Hempel D, Dunkel M, Rother K, Preissner R (январь 2007 г.). «SuperHapten: комплексная база данных для малых иммуногенных соединений». Nucleic Acids Res . 35 (выпуск базы данных): D906–10. doi :10.1093/nar/gkl849. PMC 1669746. PMID  17090587 . 
  27. ^ Sette, A. et al. База данных иммунных эпитопов и аналитический ресурс. Pattern Recognition in Bioinformatics, Proceedings 4146, 126-132 (2006).
  28. ^ Sharma-Oates A, Quirke P, Westhead DR (2005). "TmaDB: репозиторий данных микрочипов тканей". BMC Bioinformatics . 6 : 218. doi : 10.1186/1471-2105-6-218 . PMC 1215475. PMID  16137321 . 
  29. ^ Retter I, Althaus HH, Münch R, Müller W (январь 2005 г.). "VBASE2, интегративная база данных генов V". Nucleic Acids Res . 33 (выпуск базы данных): D671–4. doi :10.1093/nar/gki088. PMC 540042. PMID  15608286 . 
  30. ^ Schlessinger A, Ofran Y, Yachdav G, Rost B (январь 2006 г.). «Epitome: база данных структурно-выведенных антигенных эпитопов». Nucleic Acids Res . 34 (выпуск базы данных): D777–80. doi :10.1093/nar/gkj053. PMC 1347416. PMID  16381978 . 
  31. ^ Jojic V; Shay T; Sylvia K; Zuk O; Sun X; Kang J; Regev A; Koller D; Консорциум проекта «Иммунологический геном» (июнь 2013 г.). «Идентификация регуляторов транскрипции в иммунной системе мышей». Nature Immunology . 14 (6): 633–643. doi :10.1038/ni.2587. PMC 3690947 . PMID  23624555. 
  32. ^ Bhattacharya S; Dunn P; Thomas CG; Smith B; Schaefer H; Chen J; Hu Z; Zalocusky KA; Shankar RD; Zalocusky KA; Shen-Orr SS; Thomson E; Wiser J; Butte AJ (февраль 2018 г.). "ImmPort, на пути к повторному использованию данных иммунологических анализов открытого доступа для трансляционных и клинических исследований". Scientific Data . 5 : 180015. Bibcode :2018NatSD...580015B. doi :10.1038/sdata.2018.15. PMC 5827693 . PMID  29485622. 
  33. ^ ab Miotto O, Tan TW, Brusic V (2005). «Поддержка курирования биологических баз данных с помощью повторно используемого текстового интеллектуального анализа». Genome Inform . 16 (2): 32–44. PMID  16901087.
  34. ^ McDonald R, Scott Winters R, Ankuda CK и др. (сентябрь 2006 г.). «Автоматизированная процедура для определения биомедицинских статей, содержащих варианты генов, ассоциированных с раком». Hum. Mutat. (Представленная рукопись). 27 (9): 957–64. doi : 10.1002/humu.20363 . PMID  16865690. S2CID  3230776.
  35. ^ Wang P, Morgan AA, Zhang Q, Sette A, Peters B (2007). «Автоматическая классификация документов для базы данных иммунных эпитопов». BMC Bioinformatics . 8 : 269. doi : 10.1186/1471-2105-8-269 . PMC 1965490. PMID  17655769 . 
  36. ^ Палладини А, Николетти Г, Паппалардо Ф, Мурго А, Гроссо В, Стивани В, Янзано МЛ, Антоньоли А, Крочи С, Ландуцци Л, Де Джованни С, Нанни П, Мотта С, Лоллини PL (октябрь 2010 г.). «Моделирование in silico и эффективность прививок для профилактики рака in vivo». Исследования рака . 70 (20): 7756–63. дои : 10.1158/0008-5472.CAN-10-0701 . ПМИД  20924100.
  37. ^ ab Woelke AL, von Eichborn J, Murgueitio MS, Worth CL, Castiglione F, Preissner R (2011). "Развитие иммуноспецифических потенциалов взаимодействия и их применение в многоагентной системе вакцинации". PLOS ONE . 6 (8): e23257. Bibcode : 2011PLoSO...623257W. doi : 10.1371/journal.pone.0023257 . PMC 3157361. PMID  21858048 . 
  38. ^ Томпсон Дж. Д., Хиггинс Д. Г., Гибсон Т. Дж. (ноябрь 1994 г.). «CLUSTAL W: улучшение чувствительности прогрессивного множественного выравнивания последовательностей посредством взвешивания последовательностей, штрафов за пробелы, зависящие от позиции, и выбора матрицы весов». Nucleic Acids Res . 22 (22): 4673–80. doi :10.1093/nar/22.22.4673. PMC 308517. PMID  7984417 . 
  39. ^ Altschul SF, Madden TL, Schäffer AA и др. (сентябрь 1997 г.). «Gapped BLAST и PSI-BLAST: новое поколение программ поиска в базе данных белков». Nucleic Acids Res . 25 (17): 3389–402. doi :10.1093/nar/25.17.3389. PMC 146917. PMID  9254694 . 
  40. ^ Elfaki, ME (24 августа 2012 г.). «Иммуногенность и иммуномодулирующие эффекты in silico предсказанных пептидных вакцин-кандидатов L. donovani». Human Vaccines & Immunotherapeutics . 8 (12): 1769–74. doi :10.4161/hv.21881. PMC 3656064. PMID  22922767 . 
  41. ^ De Groot, AS; et al. (март 2005 г.). «Разработка вакцины против ВИЧ с помощью компьютерного проектирования: вакцина GAIA». Vaccine . 23 (17–18): 2136–48. doi :10.1016/j.vaccine.2005.01.097. PMID  15755584.
  42. ^ Каас, К. и Лефранк, М. IMGT Colliers de Perles: Стандартизированные представления последовательностей и структур доменов суперсемейств IgSF и MheSF. Current Bioinformatics 2, 21-30 (2007).
  43. ^ Brochet X, Lefranc MP, Giudicelli V (июль 2008 г.). "IMGT/V-QUEST: высоконастраиваемая и интегрированная система для анализа последовательностей VJ и VDJ, стандартизированных для IG и TR". Nucleic Acids Res . 36 (выпуск веб-сервера): W503–8. doi :10.1093/nar/gkn316. PMC 2447746. PMID  18503082 . 
  44. ^ Montañez R, Navas-Delgado I, Medina MA, Aldana-Montes JF, Sánchez-Jiménez F (декабрь 2006 г.). «Информационная интеграция белок-белковых взаимодействий как основные инструменты иммуномики». Cell. Immunol . 244 (2): 84–6. doi :10.1016/j.cellimm.2006.12.008. PMID  17442285.
  45. ^ Oehlschlager S, Reece P, Brown A и др. (декабрь 2001 г.). «Пищевая аллергия — к прогностическому тестированию новых продуктов». Food Addit Contam . 18 (12): 1099–107. doi :10.1080/02652030110050131. PMID  11761121. S2CID  19768067.
  46. ^ CODEX Alimentarius: Главная
  47. ^ Li KB, Issac P, Krishnan A (ноябрь 2004 г.). «Предсказание аллергенных белков с использованием вейвлет-преобразования». Биоинформатика . 20 (16): 2572–8. doi : 10.1093/bioinformatics/bth286 . PMID  15117757.
  48. ^ van Noort SP, Nunes MC, Weedall GD, Hviid L, Gomes MG (2010). «Иммунный отбор и конкуренция внутри хозяина могут структурировать репертуар вариантных поверхностных антигенов в Plasmodium falciparum — математическая модель». PLOS ONE . ​​5 (3): e9778. Bibcode :2010PLoSO...5.9778V. doi : 10.1371/journal.pone.0009778 . PMC 2842302 . PMID  20339540. 
  49. ^ Чан М.С., Ишем В.С. (август 1998 г.). «Стохастическая модель иммуноэпидемиологии шистосомоза». Math Biosci . 151 (2): 179–98. doi :10.1016/S0025-5564(98)10014-7. PMID  9711049.
  50. ^ Miotto O, Tan TW, Brusic V (2008). «Агрегация знаний на основе правил для крупномасштабного анализа белковых последовательностей вирусов гриппа А». BMC Bioinformatics . 9 (Suppl 1): S7. doi : 10.1186/1471-2105-9-S1-S7 . PMC 2259408. PMID  18315860 . 
  51. ^ Olsen LR, Simon C, Kudahl UJ, Bagger FO, Winther O, Reinherz EL, Zhang GL, Brusic V (2015). "Вычислительный метод идентификации вакцинных мишеней из белковых областей консервативного связывания человеческого лейкоцитарного антигена". BMC Medical Genomics . 8(Suppl 4) (S1): S1. doi : 10.1186/1755-8794-8-S4-S1 . PMC 4682376 . PMID  26679766. 
  52. ^ Sun J, Kudahl UJ, Simon C, Cao Z, Reinherz EL, Brusic V (2014). «Масштабный анализ эпитопов В-клеток на гемагглютинине вируса гриппа – последствия для перекрестной реактивности нейтрализующих антител». Frontiers in Immunology . 5 (38): 38. doi : 10.3389/fimmu.2014.00038 . PMC 3916768. PMID  24570677 . 
  53. ^ Рахман, Нур; Али, Фавад; Башарат, Заррин; Шехроз, Мухаммад; Хан, Мухаммад Казим; Жанде, Филипп; Неповимова, Эжени; Куча, Камиль; Хан, Харун (2020-07-28). "Разработка вакцины на основе ансамбля поверхностных гликопротеиновых эпитопов SARS-CoV-2: подход иммуноинформатики". Вакцины . 8 (3): 423. doi : 10.3390/vaccines8030423 . ISSN  2076-393X. PMC 7565012. PMID 32731461  . 
  54. ^ Али М., Пандей Р. К., Хатун Н., Нарула А., Мишра А., Праджапати В. К. (2017). «Изучение генома лихорадки денге для создания субъединичной вакцины на основе мультиэпитопов с использованием иммуноинформатического подхода к борьбе с инфекцией лихорадки денге». Scientific Reports . 7 (1): 9232. Bibcode :2017NatSR...7.9232A. doi :10.1038/s41598-017-09199-w. PMC 5569093 . PMID  28835708. 
  55. ^ Khatoon N, Pandey RK, Prajapati VK (2017). «Изучение секреторных белков Leishmania для разработки вакцины с несколькими эпитопами субъединиц B и T-клеток с использованием иммуноинформатического подхода». Scientific Reports . 7 (1): 8285. Bibcode :2017NatSR...7.8285K. doi :10.1038/s41598-017-08842-w. PMC 5557753 . PMID  28811600. 
  56. ^ León K, Peréz R, Lage A, Carneiro J (ноябрь 2000 г.). «Моделирование подавления, опосредованного Т-клетками, в зависимости от взаимодействий в многоклеточных конъюгатах». J. Theor. Biol. 207 (2): 231–54. Bibcode :2000JThBi.207..231L. doi :10.1006/jtbi.2000.2169. PMID  11034831.
  57. ^ Srikusalanukul W, De Bruyne F, McCullagh P (июнь 2000 г.). «Моделирование миграции периферических лимфоцитов: подход системной идентификации». Immunol. Cell Biol . 78 (3): 288–93. doi :10.1046/j.1440-1711.2000.00907.x. PMID  10849118. S2CID  9034528.
  58. ^ Jacob J, Baltimore D (июнь 1999). «Моделирование памяти Т-клеток путем генетического маркирования клеток памяти Т in vivo». Nature . 399 (6736): 593–7. Bibcode :1999Natur.399..593J. doi :10.1038/21208. PMID  10376601. S2CID  12567134.
  59. ^ Dolezal J, Hraba T (1988). «Вклад в математическое моделирование иммунологической толерантности». Arch. Immunol. Ther. Exp. (Warsz.) . 36 (1): 23–30. PMID  3266071.
  60. ^ Mehr R, Segel L, Sharp A, Globerson A (октябрь 1994 г.). «Колонизация тимуса предшественниками Т-клеток: модели межклеточных взаимодействий». J. Theor. Biol . 170 (3): 247–57. Bibcode : 1994JThBi.170..247M. doi : 10.1006/jtbi.1994.1185 . PMID  7996854.
  61. ^ Faro J, Carneiro J, Velasco S (февраль 1997 г.). «Дальнейшие исследования проблемы моделирования иммунных сетей». J. Theor. Biol . 184 (4): 405–21. Bibcode :1997JThBi.184..405F. doi :10.1006/jtbi.1996.0252. PMID  9082072.
  62. ^ ab Brusic V, van Endert P, Zeleznikow J, Daniel S, Hammer J, Petrovsky N (1999). «Подход на основе модели нейронной сети к изучению человеческого транспортера TAP». In Silico Biol. (Gedrukt) . 1 (2): 109–21. PMID  11471244.
  63. ^ Rapin N, Lund O, Bernaschi M, Castiglione F (2010). «Вычислительная иммунология встречается с биоинформатикой: использование инструментов прогнозирования для молекулярного связывания в моделировании иммунной системы». PLOS ONE . ​​5 (4): e9862. Bibcode :2010PLoSO...5.9862R. doi : 10.1371/journal.pone.0009862 . PMC 2855701 . PMID  20419125. 
  64. ^ Kaminker JS, Zhang Y, Watanabe C, Zhang Z (июль 2007 г.). «CanPredict: вычислительный инструмент для прогнозирования мутаций миссенс, связанных с раком». Nucleic Acids Res . 35 (выпуск веб-сервера): W595–8. doi :10.1093/nar/gkm405. PMC 1933186. PMID  17537827 . 
  65. ^ Jonsson PF, Bates PA (сентябрь 2006 г.). «Глобальные топологические особенности раковых белков в человеческом интерактоме». Биоинформатика . 22 (18): 2291–7. doi :10.1093/bioinformatics/btl390. PMC 1865486. PMID  16844706 . 
  66. ^ Sun J, Zhao Z (2010). «Сравнительное исследование раковых белков в сети взаимодействия белок-белок человека». BMC Genomics . 11 (Suppl 3): S5. doi : 10.1186/1471-2164-11-S3-S5 . PMC 2999350. PMID  21143787 . 
  67. ^ Палладини А, Николетти Г, Паппалардо Ф, Мурго А, Гроссо В, Янзано МЛ, Антоньоли А, Крочи С, Ландуцци Л, Де Джованни С, Нанни П, Мотта С, Лоллини PL (2010). «Моделирование in silico и эффективность прививок для профилактики рака in vivo». Исследования рака . 70 (20): 7755–63. дои : 10.1158/0008-5472.CAN-10-0701 . ПМИД  20924100.
  68. ^ Паппалардо Ф., Фореро ИМ., Пенниси М., Палазон А., Мелеро И., Мотта С. (2011). «Моделирование индуцированного ответа иммунной системы против меланомы B16». PLOS ONE . 6 (10): e26523. doi : 10.1371/journal.pone.0026523 . PMC 3197530. PMID  22028894 . 
  69. ^ Паппалардо Ф., Пенниси М., Рикупито А., Топпуто Ф., Беллоне М. (2014). «Индукция памяти Т-клеток вакциной на основе дендритных клеток: вычислительная модель» (PDF) . Биоинформатика . 30 (13): 1884–91. doi : 10.1093/bioinformatics/btu059 . PMID  24603984.

Внешние ссылки