Strukturbasierte Vorhersage von MHC II Bindepeptiden

Einen zentralen Teil der Immunabwehr bilden antigenpräsentierende Zellen, in welchen vom Krankheitserreger stammende Proteine in kurze Peptide zerlegt werden. Einige wenige dieser Peptide binden an MHC-II Proteine. Diese Komplexe werden infolge auf der Zelloberfläche präsentiert und ihrerseits von T- Zellen erkannt, welche verschiedene Immunantworten in Gang setzen. Diese Wechselwirkungen und Reaktionen sind aber auch an Allergien und teils schweren Autoimmunerkrankungen beteiligt. Um geeignete Therapien entwickeln zu können, ist es daher essentiell zu erkennen, welche vom Erreger stammenden Peptide schlussendlich an die MHC-II Moleküle binden. Die experimentelle Bestimmung solcher Bindepeptide ist zeitaufwändig und damit teuer. Als Alternative wurden in den letzten zwei Jahrzehnten verschiedene bioinformatische Methoden zur Vorhersage von MHC- II Bindepeptiden entwickelt. Die Ansätze basieren entweder auf bekannten Bindesequenzdaten oder auf der 3D Struktur des MHC-II Moleküls. Moderne, auf der Sequenz basierende Methoden nutzen maschinelles Lernen, um typische Sequenzmuster aus experimentell ermittelten Bindepeptiden für eine spezifische MHC- II Variante (Allotyp) zu extrahieren. Da jedoch die Zahl der experimentell ermittelten Bindepeptide begrenzt ist und diese Daten auch nur für eine begrenzte Zahl von MHC-II Allotypen verfügbar sind, ist auch die Leistungsfähigkeit dieser Methoden begrenzt. Strukturbasierte Methoden arbeiten mit der 3D-Struktur des MHC-II Moleküls und verwenden physikalische Prinzipien und Simulationsmethoden um Bindepeptide vorherzusagen. Nachdem diese Ansätze nicht von experimentellen Bindedaten abhängen, gelten sie als universell. Limitierend jedoch ist die geringe Zahl von experimentell bestimmten 3D MHC-II Strukturen und die Vorhersagekraft der Methoden selbst. Daher ist unser Ziel, einen neuen, strukturbasierten Ansatz zu entwickeln, welcher diese Einschränkungen überwindet. Wir wollen optimierte statistische Bewertungsfunktionen mit verschiedenen Eigenschaften der Peptide kombinieren um die Vorhersagegenauigkeit zu maximieren. Das Bewertungsschema wird mittels eines schnellen Threading-Verfahrens angewandt. Gleichzeitig werden wir qualitativ hochwertige 3D Strukturmodelle für alle bekannten MHC-II Allotypen erzeugen. Damit wird das neue Verfahren umfassend anwendbar. Die entwickelte Software wird der Öffentlichkeit als eigenständiges Programm für Hochdurchsatzanwendungen und als einfach zu benutzender Web-Server für Einzelexperimente zur Verfügung gestellt. Zudem beabsichtigen wir in enger Zusammenarbeit mit auf Allergieforschung spezialisierten Arbeitsgruppen an der Universität Salzburg, die neue Methode in der Entwicklung von Hypoallergenen zur gezielten Therapie von Allergien einzusetzen.

Das Immunsystem erkennt und verarbeitet körperfremde Antigen-Proteine auf vielfältige Weise. In unserem Fokus liegen MHC II Immun-Moleküle, welche Fragmente von Antigen-Proteinen binden, dem Immunsystem präsentieren und damit natürliche Immunreaktionen auslösen. Dieser Prozess läuft auch bei verschieden Krankheiten wie z.B. Krebs oder Allergien ab, und ist daher von großer medizinischer Bedeutung. Entscheidend für das Auslösen der Immunantwort ist, dass ein bestimmtes MHC II Molekül nur bestimmte solcher Antigen-Peptide erkennen kann. Die Bandbreite dabei ist groß, denn unterschiedliche Individuen besitzen variierende MHC II Gene und somit auch MHC II Proteine. Eine Computermethode, welche zuverlässige Vorhersagen trifft, welche Peptide von welcher MHC II Variante erkannt werden, kann viel dazu beitragen, mögliche (fehlgeleitete) Immunantworten auf bestimmte Antigene zu erkennen und im Falle einer Krankheit gegebenenfalls gezielt im Rahmen personalisierter Medizin gegenzusteuern. Unsere Computermethode basiert auf der bekannten Raumstruktur einiger MHC II Proteine, von denen ausgehend man die 3D-Struktur aller Varianten modellieren kann. Diese jeweilige Raumstruktur erlaubt es danach, mittels statistischer Bewertungsfunktionen vorherzusagen, ob ein bestimmtes Antigen-Peptid vom MHC II Molekül erkannt werden kann. Da unsere Methode (benannt MHCII3D), im Gegensatz zu anderen Vorhersagemethoden, nicht auf spezielle, experimentelle Bindedaten angewiesen ist, lässt sie sich grundsätzlich auf alle MHC II Varianten anwenden. Diese Fähigkeit musste jedoch mit einer etwas geringeren Genauigkeit, als führende Methoden sie haben, erkauft werden. Wir sind jedoch zuversichtlich, diese Lücke bald schließen zu können. Zudem konnten wir zeigen, dass MHCII3D andere Methoden gut ergänzt, und somit die gemeinsame Vorhersagekraft erhöht. MHCII3D wurde als Kommandozeilen-Programm und als Web-Service der Öffentlichkeit zur Verfügung gestellt. Die Zahl der modellierten MHC II 3D-Strukturen wird von uns schrittweise ergänzt, was den Anwendungsbereich von MHCII3D laufend erweitert.