Thạc Sĩ Dự đoán epitope tế bào b không liên tục trên protein hemagglutinin của virus cúm a h5n1

LỜI MỞ ĐẦU

Virus cúm thuộc họ Orthomyxoviridae, có tất cả ba type A, B và C. Trong đó virus cúm A là loại virus gây độc cao nhất và có khả năng bùng phát thành đại dịch. Trong quá khứ đã có nhiều trận dịch do virus cúm A phân type H5N1 gây ra. Và theo các chuyên gia dự đoán trong tương lai rất có thể sẽ còn xuất hiện những trận dịch khác gây nhiều thiệt hại, mà Việt Nam là một trong những nước có khả năng chịu ảnh hưởng. Chính vì vậy việc phát triển vaccine phòng ngừa virus đóng vai trò quan trọng.
Việc sản xuất vaccine phòng chống cúm A đã và đang được phát triển. Nhưng các phương pháp chế tạo vaccine phòng ngừa đang gặp nhiều khó khăn do: virus có mức độ lây lan nhanh, rộng và khó kiểm soát. Hơn nữa, sự biến đổi nhanh và phức tạp trong cấu trúc di truyền của virus cúm A cũng khiến nó trở thành một đối tượng khó có thể bị khống chế. Trong nhiều phương thức tiếp cận, vaccine tiểu phần được đánh giá là một phương thức có nhiều ưu điểm và triển vọng. Cùng với sự phát triển của dịch tễ học, các dữ liệu thực nghiệm về sự biến động cũng như lan truyền của virus cúm A được công bố và tích lũy ngày một nhiều. Đây cũng là nguồn dữ liệu cơ sở cho việc phân tích, dự đoán sự biến động của virus cúm A cũng như việc định hướng cho việc chế tạo vaccine cúm A. Trong các nghiên cứu nói trên, vai trò của các công cụ tin sinh học góp một phần không nhỏ. Nhiều phương pháp đã được áp dụng vào dự đoán epitop bên cạnh các phương pháp mới ra đời đã phục vụ rất nhiều cho các nghiên cứu nói trên. Có thể kể đến các phương pháp như phương pháp HMM (Hidden Markov Model), ANN (Artificial Neuron Network) hay SVM (Support Vector Machine) đã được áp dụng vào dự đoán epitope trên trình tự; các phương pháp như phương pháp mô hình hóa tương đồng, phương pháp dùng thang tính chất hóa lý của các amino acid hay phương pháp Discotope đã được áp dụng cho việc dự đoán epitope cấu trúc. Áp dụng các phương pháp kể trên, rất nhiều server, rất nhiều chương trình đã ra đời để phục vụ công việc nghiên cứu như Discotope, MHCPred, CTLPred, Bebipred, CEP Có thể nói các phương pháp trong tin sinh học đang được áp dụng trên diện rộng và cả chiều sâu giúp tạo một nguồn lực lớn hỗ trợ cho các nghiên cứu thực nghiệm. Tuy nhiên, trong khi các phương pháp dự đoán epitope liên tục dựa trên trình tự đang phát triển mạnh mẽ và thu được những kết quả rất khả quan thì việc dự đoán epitope không liên tục đang gặp phải những hạn chế nhất định, đặc biệt là hạn chế về khả năng ứng dụng. Các epitope nhận diện bởi tế bào B đang được rất kỳ vọng do khả năng đáp ứng miễn dịch hiệu quả hơn hẳn so với epitope nhận diện bởi tế bào T. Các khảo sát cho thấy hơn 90% các epitope nhận diện bởi tế bào B là epitope không liên tục nên việc áp dụng các phương pháp vào dự đoán đang gặp rất nhiều hạn chế. Lý do chính vì các epitope này có chiều dài dao động trong một khoảng khá rộng (từ 6 đến 28 amino acid) và tính chất không liên tục làm cho việc xác định vô cùng khó khăn. Lấy ví dụ như chương trình Discotope giúp dự đoán epitope không liên tục tế bào B với độ chính xác khá cao (trên 70%) so với phương pháp khác nhưng kết quả trả ra chỉ là vị trí các gốc amino acid rời rạc được dự đoán là thuộc các epitope không liên tục. Kết quả từ chương trình này rất khó để ứng dụng vào thực tế do không thể lấy từng gốc amino acid riêng lẻ đi chế chế tạo vaccine được.
Từ thực tế trên, chúng tôi quyết định tiến hành nghiên cứu nhằm đưa ra một quy trình để có thể ứng dụng các công cụ đã được thiết kế để dự đoán epitope không liên tục nhận diện bởi tế bào B đáp ứng nhu cầu nghiên cứu chế tạo vaccine hiện nay. Phương pháp khảo sát gắn, phương pháp cho phép khảo sát khả năng gắn kết giữa 2 phân tử protein, hiện đang được sử dụng rất rộng rãi trong nghiên cứu tương tác giữa protein và protein như việc tìm vị trí tương tác của protein hay trong quá trình dò tìm chất bào chế thuốc trong y học. Phương pháp này sẽ được chúng tôi sử dụng nhằm giải quyết hạn chế của chương trình Discotope từ đó tiến hành dự đoán epitope không liên tục nhận diện bởi tế bào B trên protein HA – protein nằm trên màng đóng vai trò quan trọng trong quá trình xâm nhiễm của virus – của virus cúm A H5N1.
Với mục tiêu trên, luận văn được thực hiện với các nội dung sau:
- Khảo sát bộ thông số tối ưu cho chương trình Autodock trong việc khảo sát gắn giữa phân tử kháng thể và phân tử peptide
- Dự đoán các gốc amino acid thuộc epitope không liên tục nhận diện bởi tế bào B bằng chương trình Discotope, từ đó thiết kế các đoạn peptide liên tục dùng cho dự đoán bằng phương pháp khảo sát gắn
- Khảo sát gắn giữa các đoạn peptide thiết kế được với phân tử kháng thể nhằm tìm ra epitope kỳ vọng làm dữ liệu cho các nghiên cứu chế tạo vaccine thực nghiệm.

MỤC LỤC

LỜI CẢM ƠN
MỤC LỤC
DANH MỤC CÁC TỪ VIẾT TẮT i
DANH MỤC CÁC BẢNG iii
DANH MỤC CÁC HÌNH . iv
LỜI MỞ ĐẦU . 1
Chương 1: TỔNG QUAN TÀI LIỆU . 4
1.1. Virus cúm A, phân type H5N1 . 4
1.1.1. Phân loại 4
1.1.2. Cấu trúc 4
1.1.3. Vòng đời 7
1.1.4. Diễn tiến của virus cúm A H5N1 . 9
1.2. Đáp ứng miễn dịch tế bào B . 10
1.2.1. Giới thiệu tế bào B 10
1.2.1.1. Quá trình biệt hóa . 10
1.2.1.2. Quá trình hoạt hóa 10
1.2.2. Kháng thể . 12
1.2.2.1. Định nghĩa 10
1.2.2.2. Cấu trúc kháng thể 10
1.2.3. Giới thiệu epitope . 17
1.2.3.1. Khái niệm . 17
1.2.3.2. Phân loại . 17
1.3 Tình hình nghiên cứu dự đoán epitope 19
1.3.1. Các cơ sở dữ liệu 19
Luận văn thạc sĩ
1.3.1.1. Protein Data Bank - PDB . 17
1.3.1.2. IEDB-3D 20
1.3.2. Nghiên cứu dự đoán epitope tế bào B 20
1.3.2.1. Các phương pháp dự đoán epitope tế bào B 21
1.3.2.2. Các chương trình dự đoán epitope tế bào B . 27
Chương 2: VẬT LIỆU VÀ PHƯƠNG PHÁP 30
2.1. Vật liệu 30
2.1.1. Cơ sở dữ liệu cấu trúc protein PDB (Protein Data Bank) . 30
2.1.2. Cơ sở dữ liệu cấu trúc epitope IEDB-3D 30
2.1.3. Chương trình dự đoán epitope không liên tục tế bào B Discotope . 30
2.1.4. Chương trình khảo sát gắn Autodock 30
2.1.5. Các phần mềm được sử dụng . 30
2.2. Phương pháp 31
2.2.1. Quy trình thực hiện . 31
2.2.2. Khảo sát bộ thông số tối ưu cho chương trình Autodock . 32
2.2.2.1. Quy trình 32
2.2.2.2. Thu nhận dữ liệu kháng thể gắn peptide HA . 32
2.2.2.1. Chuẩn bị tập tin đầu vào cho chương trình Autodock . 32
2.2.2.1. Chuẩn bị tập tin chứa thông số AutoGrid và thực thi AutoGrid 32
2.2.2.1. Chuẩn bị tập tin chứa thông số Autodock và thực thi Autodock . 32
2.2.2.6. Phân tích kết quả 40
2.2.3. Thu nhận cấu trúc kháng thể 40
2.2.4. Dự đoán epitope không liên tục tế bào B bằng server Discotope, từ đó
thiết kế các peptide cần dự đoán . 40
2.2.5. Thu nhận cấu trúc các epitope và non-epitope . 40
2.2.6. Khảo sát gắn cấu trúc kháng thể với các cấu trúc peptide dự đoán, epitope
và non-epitope 40
Luận văn thạc sĩ
2.2.7. Phân tích kết quả khảo sát và đề xuất các epitope tế bào B không
liên tục 40
Chương 3: KẾT QUẢ VÀ BIỆN LUẬN 18
3.1. Khảo sát bộ thông số tối ưu cho chương trình Autodock . 43
3.1.1. Thu nhận cấu trúc kháng thể gắn peptide HA 47
3.1.2. Phân tích kết quả khảo sát gắn . 47
3.2. Thu nhận cấu trúc kháng thể . 47
3.3. Dự đoán epitope không liên tục tế bào B bằng chương trình Discotope, từ đó
thiết kế các peptide cần dự đoán . 49
3.4. Thu nhận cấu trúc các epitope và non-epitope 51
3.5. Khảo sát gắn cấu trúc kháng thể với các cấu trúc peptide dự đoán, epitope và
non-epitope . 52
Chương 4: KẾT LUẬN VÀ ĐỀ NGHỊ . 42
4.1. Kết luận . 57
4.2. Đề nghị 57
TÀI LIỆU THAM KHẢO . 59