RSS Feed (xml)
RINGKASAN
Wabah COVID-19 yang bermula
dari Tiongkok, bertanggung jawab atas Beberapa Sindrom Pernafasan Akut (SARS). Para
ilmuwan terpaksa mengembangkan vaksin dan obat yang efektif untuk mengendalikan
infeksi COVID-19. Untuk mengembangkan vaksin yang efektif untuk SARS - COVID 19,
pendekatan imunoinformatika dan komputasi dapat membantu merancang vaksin yang berhasil
melawan bahaya terbesar bagi umat manusia ini. Di sini kami menggunakan berbagai
pendekatan in - silico untuk merancang vaksin melawan COVID-19. Untuk mengembangkan
vaksin, kami menargetkan protein S, yang diekspresikan di permukaan virus, memainkan
peran penting dalam infeksi COVID-19. Kami mengidentifikasi 12 sel B, 9 T-helper
dan 20 epitop sel T sitotoksik berdasarkan kriteria seleksi. Epitop yang diprediksi
ditautkan secara bersamaan dengan linker GPGPG & AAY. Β-defensin digunakan sebagai
adjuvan, dihubungkan dengan epitop terpilih dengan menggunakan linker EAAAK. Untuk
justifikasi konstruksi vaksin, kami menganalisis sifat imunogenisitas, alergenisitas
dan fisiokimianya. Studi kami mengungkapkan bahwa vaksin bersifat non toksik, imunogenik
dan antigenik dan mencakup 98,6% populasi dunia, penting untuk vaksin secara efektif.
Kloning In-silico digunakan untuk menganalisis ekspresinya dalam vektor. Molecular
docking dilakukan untuk mempelajari interaksi konstruk dengan molekul TLR (TLR3,
TLR4, dan TLR9). Simulasi imun telah dilakukan dan disesuaikan bahwa konstruksi
vaksin kami dapat menginduksi imunitas yang didapat dan humoral secara efektif terhadap
COVID-19 pada konsentrasi yang sangat rendah, tetapi seiring dengan studi bioinformatika
kami perlu melakukan eksperimen di laboratorium untuk memvalidasi keamanan dan keefektifannya.
I.
PENGANTAR
Pada Desember 2019, infeksi
virus yang tidak spesifik ditemukan di pasar makanan laut kota Wuhan, Cina (Lu et
al., 2020a, Lu et al., 2020b) bernama (2019-nCoV). Pada tanggal 30 Januari 2020
wabah Cina, WHO (Organisasi Kesehatan Dunia) menyatakannya sebagai darurat kesehatan
masyarakat yang menjadi perhatian internasional karena tingkat penularannya yang
tinggi (Organisasi Kesehatan Dunia, 2020a, Organisasi Kesehatan Dunia, 2020b, Organisasi
Kesehatan Dunia, 2020c). Pada 16 Agustus 2020 jumlah kasus COVID-19 adalah 21.026,
758 dan 755.786 kematian secara global (Organisasi Kesehatan Dunia, 2020a, Organisasi
Kesehatan Dunia, 2020b, Organisasi Kesehatan Dunia, 2020c). Tingginya angka kematian
dan penularan infeksi COVID-19 menyebabkan beban yang sangat besar bagi organisasi
kesehatan dan perekonomian negara (World Health Organization, 2020a, World Health
Organization, 2020b, World Health Organization, 2020c; Kock et al., 2020) dan kondisinya.
tetap sangat kritis di seluruh dunia. Obat yang digunakan untuk pengobatan infeksi
COVID-19 adalah Remdesivir, Choloroquinine, Lopinavir, Rotonavir dan kombinasinya,
tetapi menjadi pertanyaan obat mana yang bekerja efektif melawannya (Agostini et
al., 2018; Aguiar et al., 2018; Cvetkovic dan Goa, 2003). Infeksi COVID-19 dan tingkat
penularannya yang tinggi menantang penelitian ilmiah dan industri untuk mengembangkan
vaksin dan obat-obatan yang efektif, tetapi karena sekarang tidak ada vaksin atau
obat yang efektif untuk melawannya. Beberapa tindakan pengendalian medis telah dilakukan
untuk mengendalikan infeksi Corona, pra-diagnosis, isolasi, pengobatan yang efektif.
Untuk individu WHO menyarankan untuk kebersihan dan menghindari tempat-tempat keramaian.
Semua tindakan pengendalian ini hanya untuk mengontrol penularan infeksi COVID-19,
bukan solusi permanen.
SARS-Cov 2 adalah anggota
virus corona beta, penyebab pneumonia. COVID-19 merupakan virus enveloped dengan
single stranded RNA, termasuk famili corona viridae yang dapat menyebabkan infeksi
pada mamalia, burung dan manusia (Tortorici et al., 2019; Lu et al., 2020a, Lu et
al., 2020b). Seluruh genom SARS - CoV 2 diurutkan (Wu et al., 2020), sekitar 29,9
kb. Ketersediaan genom membuka peluang untuk mengembangkan vaksin melawan penyakit
mematikan ini. Genom SARS - CoV 2 yang dikodekan untuk total (6-11) kerangka baca
terbuka (Cui et al., 2019) (orf1ab, protein S, ORF3a, protein amplop, membran glikoprotein,
ORF6, ORF7a, protein RF8, nukleokapsid fosfoprotein , ORF10). Dari semua protein
ini kami menargetkan protein S yang berperan penting dalam infeksi virus pada manusia.
Ini adalah glikoprotein lonjakan membran luar yang mengalami glikosilasi (Xiong
et al., 2018). Protein S berperan sebagai protein utama yang berinteraksi dengan
target inang. E. g ACE2, CD26, dan reseptor sel lainnya) semua ini memainkan peran
penting dalam adhesi dan virulensi sel (Song et al., 2018; Millet et al., 2012).
Setelah adhesi RNA genom dilepaskan ke dalam sitoplasma dan virus masuk ke dalam
sel inang, di dalam RNA genomik sel inang diterjemahkan menjadi dua polipeptida
dan protein struktural dan memulai replikasi (Bergmann et al., 2006).
Protein Spike yang terdiri
dari dua domain, S1 adalah domain pengikat reseptor (RBD) yang diduga SARS - CoV
2 menggunakan reseptor angiotensin-converting enzyme 2 (ACE2) untuk menginfeksi
inang manusia dan domain S2 lain yang bertanggung jawab untuk fusi membran virus
dan sel inang. selaput. Bersama dengan jalur ACE2 SARS - CoV 2 ini dapat menggunakan
beberapa jalur lain untuk infeksi karena ACE2 diekspresikan dalam monosit dan makrofag
paru (Bonavia et al., 2003; Li et al., 2003; Yan et al., 2020; Sun et al. , 2020).
Pentingnya protein S selama infeksi dan virulensi menjadikannya target yang ideal
untuk mengembangkan vaksin SARS - CoV 2. Vaksin potensial yang efektif melawan COVID-19
belum dirancang, maka di sini kami mencoba merancang vaksin berbasis epitop, untuk
mengaktifkan kekebalan bawaan dan yang didapat. Epitop merupakan segmen protein
yang bersifat antigenik dan mengaktifkan imunitas terhadap patogen (Sutton dan Boag,
2018). Segera setelah masuknya patogen dalam APC inang manusia (antigen presenting
cell) mengaktifkan sel T sitotoksik untuk membunuh sel yang terinfeksi (Khan et
al., 2018). Protein Spike bersifat antigenik; oleh karena itu kami mendeteksi
sejumlah besar epitop untuk sel-B dan epitop sel-T.
Ketersediaan alat imunoinformatika
yang mutakhir menarik minat para peneliti untuk mengembangkan vaksin yang stabil
dan efektif terhadap penyakit patogen dan juga mengurangi beban percobaan imunologi
pada model organisme (Sarkhar et al., 2015). Alat imunoinformatika ini memberikan
jalur yang andal, akurat dan cepat untuk merancang vaksin multiepitop potensial
terhadap penyakit misalnya Bacteroides fragilis enterotoksigenik (Majid dan Andle.,
2019), Helicobacter Pylori (Khan et al., 2019), Onchocerca volvulus (Shey et al.,
2019 ) dan Kanker (Nezafat et al., 2015), dapat diandalkan daripada protein utuh
dan patogen yang dilemahkan yang dapat menyebabkan hipersensitivitas dan respons
imunologis lainnya seperti kemerahan lokal, bengkak dan nyeri atau peningkatan dalam
suhu tubuh setelah imunisasi. Berdasarkan vaksin yang dirancang multiepitop berbasis
imunoinformatis sebelumnya untuk penyakit lain, kami menerapkan pendekatan yang
sama untuk SARS-CoV2. Di sini, antigenik protein S yang bersifat antigenik digunakan
sebagai target untuk mendeteksi epitop sel B dan sel T guna merancang konstruksi
vaksin yang potensial terbentuk. Kloning In-silico digunakan untuk mempelajari ekspresinya
dalam vektor ekspresi; Molecular docking dilakukan untuk memvalidasi efisiensinya
untuk mengaktifkan respon imun dan stabilitasnya. Dengan menggunakan validasi alat
imunoinformatika diperlukan penegasan secara eksperimental pada model hewan dan
manusia.
II.
METODOLOGI
Pengambilan
urutan protein S dan antigenisitasnya
Urutan S-protein diambil
dari NCBI. Di sini, pemilihan protein sebagai target pengembangan vaksin didasarkan
pada antigenisitasnya dan kepentingannya dalam infeksi virus. Server VaxiJen v2.0
(Irini et al., 2007) digunakan untuk menganalisis antigenisitasnya, faktor penting
untuk mengaktifkan kekebalan terhadap SARS - CoV 2. Alur kerja grafis untuk penelitian
ditunjukkan pada Gambar 1.
Gambar 1. Presentasi grafis
dari penelitian ilmiah. Metodologi formulasi vaksin terhadap SERS - CoV 2 direpresentasikan
dalam alur kerja ini secara berurutan, Dua langkah pertama adalah untuk analisis
urutan protein target dan antigenisitasnya. Tahap ketiga seleksi epitop, sisanya
validasi konstruk vaksin, interaksinya dengan molekul TLR dan terakhir imun profiling.
Prediksi
epitop sel B konformasional dan linier
Limfosit sel-B memainkan
peran yang sangat penting dalam respon imun dan menghasilkan respon imun yang tahan
lama terhadap patogen. Untuk memprediksi epitop linier sel B yang akurat kami menggunakan
alat BCPred dan IEDB (Chou dan Fasman, 1978; Parker et al., 1986; Emini et al.,
1985; Kolaskar dan Tongaonkar, 1990). Alat BCPred (El-Manzalawy et al., 2008; Saha
dan Raghava, 2004) didasarkan pada algoritma SVM (Support Vector Machine) untuk
memprediksi epitop linier sel-B. Epitop linier dipilih berdasarkan aksesibilitas
permukaan, fleksibilitas, putaran beta, dan antigenisitas.
Untuk memprediksi epitop
sel B Konformasional, server online Ellipro (Ponomarenko et al., 2008) digunakan.
Ellipro memilih epitop berdasarkan algoritma clustering Residue bersama dengan teknik
Thorton. Standar yang digunakan untuk pemilihan epitop konformasi adalah skor PI
(Indeks protrusion: 0,5).
Prediksi
Cytotoxic T-cell epitope (CTL)
Server online NetCTL 1.2
(Larsen et al., 2007) digunakan untuk memprediksi epitop pengikatan MHC 1. Prediksi
epitop berdasarkan pembelahan terminal-C dan efisiensi pengangkutan TAP-nya. Epitop
ini dipilih berdasarkan nilai ambang batas (0,75). Imunogenisitas epitop CTL juga
dianalisis menggunakan alat prediksi imunogenisitas IEDB MHC I (Calis et al., 2013).
Prediksi
epitop sel T-helper
Alat IEDB MHCII (Wang et
al., 2008) digunakan untuk memprediksi 15-mer peptida dari S-protein. Epitop diperkirakan
untuk tujuh molekul himpunan referensi HLA (DRB3 ∗ 01:01, DRB5: 01: 01, DRB1 ∗ 03:01, DRB1 ∗ 15:01, DRB3 ∗ 02:02, DRB4 ∗ 01:01, -DRB1 ∗ 07:01.). Peptida diprediksi
berdasarkan peringkat persentilnya ≤2 dan nilai SMM dan JST ≤100 nM. Peringkat persentase,
nilai yang lebih rendah menentukan afinitas pengikatan yang kuat untuk molekul MHC
II.
Perhitungan
cakupan populasi yang tercakup untuk epitop yang dipilih
Untuk perancangan vaksin,
sangat penting bahwa pembuatan vaksin mencakup populasi dunia secara maksimal. Untuk
menghitung cakupan populasi yang tercakup dengan epitop MHC I dan MHC II terpilih,
kami menggunakan alat cakupan populasi IEDB (Trott dan Olson, 2010).
Pandangan
strategis untuk pengembangan konstruk vaksin
Epitop sel B dipilih berdasarkan
kriteria seleksi dan alergenisitasnya. Pemilihan epitop sel T (Epitop sel T sitotoksik
& T-helper berdasarkan afinitas pengikatannya terhadap molekul HLA dan imunogenisitas.
Untuk membuat vaksin epitop multipel, epitop sel B dan sel T-helper dihubungkan
dengan linker GPGPG dan epitop CTL dihubungkan dengan linker AAY. Untuk meningkatkan
respon imun kami menggunakan β-defensin (Chen et al., 2007) sebagai adjuvan di C-terminal
dan dihubungkan dengan linker EAAAK. Polyhistidine-tag berdampingan di C-terminal
dari konstruksi vaksin.
Profil
alergi dan antigenisitas untuk pembuatan vaksin
Untuk memastikan apakah
vaksin tidak menimbulkan alergi, kami menggunakan Allertop v 2.0 (Dimitrov et al.,
2013), bekerja pada Auto cross covariance dari urutan protein.
Antigenisitas vaksin merupakan
faktor penting untuk mengaktifkan respon imun. Di sini kami menggunakan Vaxijen
v 2.0, untuk memprediksi antigenisitas konstruksi vaksin. Untuk antigenisitas prediksi
didasarkan pada patogen spesifik dan sifat fisiokimia urutan protein.
Analisis
sifat fisiokimia vaksin
Untuk memahami respon vaksin
dan kestabilannya, sifat fisiokimia dari konstruksi vaksin dianalisis dengan menggunakan
alat online ProtParam (Gasteiger et al., 2005). Beberapa sifat protein yang penting
untuk sifat antigeniknya, maka difokuskan untuk mempelajari beberapa sifat fisiokimia
misalnya komposisi asam amino, pI teoritis, indeks GRAVY, indeks ketidakstabilannya,
dll.
Prediksi
struktur sekunder untuk konstruksi vaksin
Untuk memprediksi struktur
sekunder vaksin digunakan software online SOPMA (Geourjon dan Deleage, 1995). Prediksi
struktur sekunder berdasarkan pemodelan Homology Protein.
Analisis struktur sekunder
digunakan untuk memprediksi aksesibilitas pelarut, trans-membrane helix, globular
region dan β-turn region yang merupakan faktor penting untuk kestabilan protein
dan untuk efisiensi vaksin.
Prediksi
struktur 3-D
Struktur 3-D dari vaksin
yang diprediksi dimodelkan dengan menggunakan server online RaptorX (Kallberg et
al., 2012). Struktur yang dimodelkan disempurnakan dengan penggunaan alat bantu
Galaxy server online (Ko et al., 2012).
Penyempurnaan
struktur 3-D dan validasinya
Untuk Validasi perbaikan
struktur 3-D, kami menggunakan alat online web RAMPAGE (Lovell et al., 2003) dan
PROSA (Wiederstein dan Sippl, 2007). RAMPAGE didasarkan pada plot Ramachandran (Hooft
et al., 1997) untuk menganalisis asam amino di wilayah yang disukai dan tidak disukai.
VALIDASI
IN SILICO DARI KONSTRUKSI VAKSIN
Pengoptimalan
kodon vaksin
Untuk membalik transkripsi
dan optimasi kodon, kami menggunakan alat online Jcat (Grote et al., 2005) untuk
menghitung kandungan GC dan skor CAI untuk ekspresi maksimum dalam vektor. Untuk
ekspresi maksimum dari urutan kueri, konten GC harus lebih dari 50% dan skor CAI
mendekati 1.
Ekspresi
vaksin in-silico
Untuk integrasi urutan query
dalam E. coli pET-28a (+), perangkat lunak SnapGene digunakan. Perangkat lunak digunakan
untuk memverifikasi ekspresi maksimum vaksin dalam vektor ekspresi di situs tertentu.
Docking
molekuler dari konstruksi vaksin dengan reseptor TLR4, TLR3 & TLR9
Untuk menganalisis interaksi
konstruksi vaksin dengan molekul TLR (TLR2, TLR3, TLR4 TLR5, TLR7, TLR8 dan TLR9),
kami melakukan docking dengan beberapa molekul TLR. Analisis hasil docking menunjukkan
bahwa konstruk vaksin menunjukkan afinitas pengikatan yang tinggi dengan TLR3, TLR4
dan TLR 9 yang bersifat tol seperti reseptor untuk mengaktifkan respon imun. Untuk
docking molekuler digunakan Autodock vina dan Patchdock (Forli et al., 2016), dan
hasilnya divisualisasikan di Pymol (http://www.pymol.Org) dan Discovery studio (Pal
et al., 2019). Server web CASTp digunakan untuk menilai kantong pengikat konstruksi
vaksin dengan reseptor. GROMACS digunakan untuk simulasi MD untuk memeriksa stabilitas
dan fleksibilitas protein.
Profil
respon imun dari konstruksi vaksin
C-immSim (http://150.146.2.1/C-IMMSIM/index.php)
stimulator imun digunakan untuk analisis respon imun yang dikembangkan oleh konstruksi
vaksin. Ia bekerja berdasarkan algoritma penilaian khusus posisi (PSSM) untuk prediksi
epitop imunogenik dan interaksinya dengan sistem kekebalan. Untuk simulasi analisis
respon imun dilakukan dengan parameter default dan injeksi tunggal digunakan.
III. HASIL-HASIL
SARS
- Pengambilan urutan protein lonjakan CoV 2
Urutan protein Spike (S-protein)
diambil dari NCBI, untuk memprediksi epitop sel B dan sel T untuk pembuatan vaksin
multi epitop untuk melawan COVID-19. Pemilihan protein S untuk prediksi epitop didasarkan
pada kepentingannya dalam infeksi virus dan virulensi.
Antigenisitas
S-protein pada SARS - CoV 2
Antigenisitas protein dianalisis
dengan alat imunoinformatika online Vaxijen v 2.0, diperoleh nilai antigenisitasnya
0,48, menunjukkan kemungkinan antigen untuk mengaktifkan imunitas terhadap SARS
- CoV 2.
Prediksi
epitop sel B, sel T sitotoksik & epitop sel pembantu T untuk vaksin
Alat online BCpred dan IEDB
digunakan untuk pemilihan epitop linier sel B yang sangat efisien. Pemilihan didasarkan
pada antigenisitas, posisinya pada putaran Beta, kelenturan dan kelarutan. Ellipro
digunakan untuk pemilihan epitop konformasi. Berdasarkan kriteria seleksi terdapat
12 B-cell epitope (Tabel 1), menghasilkan antibodi terhadap SARS - CoV-2.
Tabel
1. Epitop sel B untuk konstruksi vaksin menunjukkan urutan peptida, posisi awal
protein S dan skor PI-nya.
|
Peptide sequence |
Sequence Position |
Ellipro score (PI) |
|
HVSGTNGT |
67 |
0.847 |
|
VYFASTEK |
89 |
0.847 |
|
TTLDSKTQ |
108 |
0.847 |
|
VYYHKNN |
143 |
0.847 |
|
MDLEGKQ |
177 |
0.847 |
|
SYLTPGDSS |
247 |
0.82 |
|
YAWNRKRI |
351 |
0.753 |
|
NNLDSKVG |
439 |
0.79 |
|
RLFRKSNL |
523 |
0.553 |
|
VITPGTNTS |
599 |
0.553 |
|
RVYSTGS |
634 |
0.517 |
|
QILPDPSKPSKR |
804 |
0.589 |
Ada 9 T-helper (Tabel
2) dan 20 sel T sitotoksik (Tabel 3) terpilih untuk vaksin yang bersifat non
alergi dan imunogenik.
Tabel
2. Epitop sel T-helper untuk MHC II, peringkat persentasenya dan skor
imunogenisitasnya.
|
MHC II alleles |
Sequence Position |
Peptide Sequence |
Percentile rank |
Immunogenicity score |
|
HLA-DRB4∗01:01 |
5 |
LVLLPLVSSQCVNLT |
1.40 |
0.12 |
|
HLA-DRB1∗07:01 |
87 |
NDGVYFASTESNIIRGWF |
0.19 |
0.2 |
|
HLA-DRB5∗01:01 |
187 |
NLREFVFKNIDGYFKIYS |
0.21 |
0.41 |
|
HLA-DRB3∗01:01,HLA-DRB1∗03:01 |
205 |
KHTPINLVRDLPQGFS |
0.51 |
0.126 |
|
HLA-DRB4∗01:01,
HLA-DRB5∗01:01 |
229 |
PIGINITRFQTLLALHRS |
1.70 |
0.40 |
|
HLA-DRB5∗01:01 |
342 |
NATRFASVYAWNRKRIS |
0.83 |
0.27 |
|
HLA-DRB3∗01:01 |
395 |
YADSFVIRGDEVRQIAPGQ |
0.49 |
0.34 |
|
HLA-DRB1∗07:01 |
710 |
IAIPTNFTISVTTEILPVS |
0.47 |
0.35 |
|
HLA-DRB3∗01:01 |
1082 |
HFPEGVFVSNGTHWFVTQR |
1.70 |
0.38 |
Tabel
3. Epitop sel T sitotoksik untuk MHC I, skor imunogenisitasnya.
|
Peptide |
Sequence Position |
HLA supertype |
Immunogenicity |
|
VTWFHAIHV |
62 |
A2 |
0.39 |
|
VLPFNDGVY |
83 |
A1, B62 |
0.18 |
|
WTAGAAAYY |
258 |
A1, A26, B58, B62 |
0.51 |
|
LQPRTFLLK |
270 |
A3 |
0.18 |
|
VRFPNITNL |
327 |
B27 |
0.175 |
|
NATRFASV |
342 |
B8 |
0.15 |
|
NYLYRLFRK |
450 |
A24 |
0.161 |
|
YQPYRVVVL |
505 |
A2, A24, B8, B39, B62 |
0.14 |
|
VLSFELLHA |
512 |
A2 |
0.16 |
|
QLTPTWRVY |
628 |
A1, B62 |
0.31 |
|
TPTWRVYST |
630 |
B7 |
0.224 |
|
YECDIPIGA |
660 |
B44 |
0.26 |
|
KRSFIEDLL |
814 |
B27 |
0.30 |
|
RSFIEDLLF |
815 |
A1, B58, B62 |
0.27 |
|
QKFNGLTVL |
853 |
B39, B62 |
0.110 |
|
ITSGWTFGA |
882 |
A2 |
0.35 |
|
WTFGAGAAL |
886 |
A26, B62 |
0.20 |
|
AALQIPFAM |
892 |
B7, B58 |
0.120 |
|
FVSNGTHWFV |
1095 |
B58, A26, A1 |
0.166 |
|
YEQYIKWPWTIW |
1207 |
B62, B44, A24,B58 |
0.40 |
Formulasi
multi epitop untuk konstruksi vaksin melawan SARS - CoV 2
Dua belas epitop sel B dan
sembilan epitop sel T-helper dihubungkan bersama dengan linker GPGPG. T-helper dan
epitop sel T sitotoksik terkait dengan GPGPG dan dua puluh epitop sel T sitotoksik
bergabung bersama dengan linker AAY. β-defensin digunakan sebagai adjuvan di C-terminal
untuk melindungi vaksin dari degradasi dan meningkatkan respon imun. Linker EAAAK
digunakan untuk menghubungkan adjuvan dengan epitop sel B. Tag-nya digunakan di
terminal-N dari konstruksi vaksin (Gambar 2).
Gambar 2. Representasi skematis
dari konstruksi vaksin akhir. Konstruksi vaksin terakhir mengandung 678 asam amino,
64 asam amino pertama adalah adjuvan (β-defensin), sisa bagian untuk epitop yang
dipilih dan penghubung yang berbeda. Di sini epitop sel B dihubungkan bersama dengan
linker GPGPG dan berguna untuk menghubungkan epitop sel B dan sel T-helper. Epitop
sel T juga dihubungkan bersama oleh linker GPGPG dan hal yang sama digunakan untuk
menghubungkan T-helper dan epitop sel T sitotoksik. Linker AAY digunakan untuk menghubungkan
epitop sel T sitotoksik dan tag-Nya digunakan di terminal-N vaksin.
Cakupan
populasi untuk konstruksi vaksin
Populasi dunia yang tercakup
dalam pembuatan vaksin adalah 98,6% (Gambar 3a, b), dihitung dengan alat online
cakupan populasi IEDB. Cakupan populasi yang tercakup dalam konstruksi vaksin sesuai
dengan vaksin yang dirancang efektif untuk sebagian besar populasi di seluruh dunia.
Gambar 3. Cakupan populasi
dunia yang dicakup oleh epitop MHC I dan MHC II terpilih ditunjukkan pada Gambar
3 (a). Pada Gambar 3 (b) menunjukkan imunogenisitas dan cakupan populasi dunia yang
tercakup dengan epitop yang dipilih secara individual.
Analisis
sifat fisiokimia
Beberapa sifat fisiokimia
dianalisa untuk konstruk vaksin, konstruk asam amino, berat molekul, pI dan indeks
ketidakstabilannya. Antigenisitas dan alergenisitas dari konstruksi vaksin sesuai
dengan server Vaxijen v2.0 dan server online Allertop, penelitian ini menegaskan
bahwa konstruk akhir bersifat non-alergi dan antigenik dengan skor antigenisitas
0,46. Total panjang konstruk vaksin adalah 678 asam amino dengan berat molekul 72.605
Kda. Titik isoelektrik untuk konstruksi vaksin adalah 9,57, yang menunjukkan sifat
dasar. Indeks GRAVY (0,065) dan indeks ketidakstabilan (26,9) menunjukkan bahwa
pembuatan vaksin adalah protein yang stabil.
Prediksi
struktur sekunder
Struktur sekunder protein
diprediksi dengan menggunakan SOPMA server online. Analisis struktur sekunder menghasilkan
vaksin yang terdiri dari Alpha helix (23,5%), Random coil (44%), extended strand
(25,2%) dan beta-turn (7,2%) dan posisi epitop dalam konstruksi vaksin (Gambar 4)
dan 5).
Gambar
4. Analisis prediksi struktur sekunder dengan server online SOPMA.
Prediksi
struktur 3-D dan penyempurnaan struktur
RaptorX digunakan untuk
memodelkan struktur 3-D vaksin. Template PDB (6VSB, 1FD3, 2LXO, 6M0J, 1BNB, 2RUN,
2DD8) digunakan untuk pemodelan struktur 3-D (Gambar 6a) menggunakan metode pemodelan
tapak. Struktur konstruksi Vaksin disempurnakan dengan alat pemurnian Galaxy.
Gambar 6. Struktur 3-D dan
validasinya dari konstruksi vaksin (a) Struktur 3-D dari konstruksi vaksin yang
dibentuk oleh raptorx (b) plot inti Z dari struktur halus (c) plot Ramachanran (d)
Plot hidrofobositas.
Validasi
struktur 3-D dari konstruksi vaksin
Struktur protein yang telah
disempurnakan divalidasi dengan RAMPAGE, hal ini menegaskan bahwa 89,8% asam amino
berada di daerah yang disukai, 5,5% di daerah yang diizinkan dan hanya 4,6% asam
amino yang berada di daerah yang lebih jauh. PROSA –web (Gambar 6b) oniline server
digunakan untuk menganalisa standar struktur. Nilai score Z struktur yang dimurnikan
adalah -5,66 dan plot Ramachandran (Gambar 6c) dan plot hidrofobisitas (Gambar 6d)
menunjukkan bahwa sebagian besar asam amino dalam vaksin berada di wilayah yang
menguntungkan.
Optimasi kodon dan kloning in-silico
Dalam studi ini, alat Jcat
online digunakan untuk memahami tingkat ekspresi konstruksi vaksin di E. coli. Ada sekitar 2130 bp sekuens DNA
yang digunakan untuk input vektor. Hasil optimasi kodon Jcat, indeks optimasi kodon
(CI) 1,0 dan kandungan GC-nya sebesar 58,08% yang menunjukkan bahwa konstruk vaksin
diekspresikan pada tingkat ekspresi terbaik pada E. coli K12. Urutan masukan diklon dalam vektor ekspresi pET-28a seperti
yang ditunjukkan pada gambar (Gambar 7).
Gambar 7. Konstruk vaksin
kloning in-silico pada vektor ekspresi pET 28a (+) dimana bagian merah mewakili
sisipan dan bagian sisanya merupakan vektor genom.
Docking
molekuler dari konstruksi vaksin dengan reseptor TLR
Di sini, kami menganalisis
docking reseptor TLR3, TLR4 dan TLR9 yang berinteraksi dengan konstruksi vaksin.
Server web CASTp menunjukkan kantong pengikat dari konstruksi vaksin untuk reseptor,
kantong pengikat reseptor sekitar 1461,7 Å dibentuk dengan asam amino pada posisi;
8 Arg, 9ILE, 10ASP, 11GLU, 12GLY, 14 ARG, 18, TRY, 19LYS, 20ASP, 21 THR, 22GLU,
24, TYR, 26THR, 30GLY, 32LEU, 104PHE, 106MET, 107GLY, 137ARG, 138TRP, 143PRO, 144ASN
, 145ARG, 141GLN, 142THR (Gambar 8). Autodock vina digunakan untuk docking dan hasilnya
menunjukkan bahwa konstruksi vaksin secara efektif mengikat reseptor, menunjukkan
afinitas pengikatan yang kuat untuk TLR3 (-11.2 kcal / mol), TLR4 (-9.55 kcal /
mol) dan TLR9 (13.7 kcal / mol) ). Untuk memvalidasi hasil autodock vina selanjutnya
dilakukan docking dengan PatchDock (https://bioinfo3d.cs.tau.ac.il/PatchDock/) dan
hasil untuk ketiga TLR ditunjukkan pada Tabel 4. Nilai Patchdock docking Score dan
energi kontak atom sesuai bahwa konstruksi vaksin kami mengikat secara efisien ke
TLR3, TLR4 & TLR9. Pymol dan studio Discovery digunakan untuk visualisasi konstruksi
reseptor dan vaksin. Ditunjukkan (Gambar 9).
Tabel
4. Docking protein-protein hasil patchdock untuk validasi interaksi konstruksi vaksin
dengan molekul TLR3, TLR4 dan TLR9
|
Hasil PatchDock untuk
TLR3, TLR4, TLR9 |
|||
|
Molecul TLR |
Score |
Atomic contact energy |
Area |
|
TLR3 |
19171 |
-240 |
4003 |
|
TLR4 |
15724 |
-246 |
2261 |
|
TLR9 |
19080 |
-143.5 |
3434 |
Gambar 9. Stimulasi molekuler docking dari konstruksi vaksin dengan reseptor TLR3, TLR4 dan TLR9 ditunjukkan. Interaksi konstruk reseptor dan vaksin ditunjukkan, garis putus-putus hijau menunjukkan ikatan hidrogen antara konstruk vaksin (abu-abu) dan residu asam amino reseptor (merah muda).
Simulasi MD menyesuaikan
stabilitas thermo dari konstruksi vaksin dari plot RMSD (Root Mean Square Deviation)
dan RMSF (Root Mean Square Fluctuation). Selama pemrosesan, selama simulasi nilai
nilai RMSD berubah karena pergerakan atom tulang punggung. Variasi yang tinggi pada
puncak RMSF untuk residu menunjukkan bahwa konstruksi vaksin sangat fleksibel (Gambar
10) dan kekompakan plot menunjukkan stabilitas termonya.
Gambar 10. Nilai plot RMSD
/ RMSF dihitung untuk setiap residu protein. Pada gambar terdapat variasi yang besar
pada nilai RMSF (Biru) yang menunjukkan fleksibilitas protein. Plot RMSD (Black)
sesuai dengan stabilitas protein.
Simulasi
Kekebalan
Simulasi imun menggunakan
C-immSimm dengan antigen dosis tunggal dilakukan untuk alel HLA ((HLA-A ∗ 0101, HLA-A ∗ 0201, HLA-B ∗ 0702, HLA-B ∗ 3901, HLA-DRB1 ∗ 0101, danHLA-DRB1 ∗ 0401). Hasil simulasi ditunjukkan
secara grafis untuk jumlah total limfosit, antibodi dan konsentrasi sitokin. Hasil
simulasi menunjukkan bahwa respon imun sekunder dan tersier lebih dominan daripada
respon primer. Respon primer terutama dihasilkan oleh sel memori B dan IgM (Gambar
11A).
Gambar 11. (A) Antigen dan
imunoglobulin kontrol (B) Antigen dan imunoglobulin dengan konstruksi vaksin menunjukkan
antibodi terbagi per isotipe (C) Grafik yang menunjukkan total dan memori sel T
helper plot (D) menunjukkan jumlah sel T sitotoksik dengan Vaksin konstruk (E) Jumlah
total sel dendritik untuk konstruk vaksin (F) Konsentrasi sitokin dan interleukin
dengan konstruk vaksin.
Konsentrasi sel T helper
(Gambar 11C), Sitokin dan interleukin meningkat pesat (Gambar 11D). Konsentrasi
sel T-sitotoksik bervariasi setelah pemberian konstruk vaksin.
DISKUSI
COVID-19 adalah penyakit
virus dan sangat sulit dikendalikan penyakit yang mengancam nyawa ini karena sifatnya
yang terus berkembang dan tingkat penularan yang tinggi. Ada sejumlah obat yang
digunakan untuk pengobatan SARS-CoV 2, namun tidak satupun yang sangat efektif untuk
mengendalikannya. Vaksin adalah satu-satunya alat yang efektif untuk melawan COVID-19.
Pendekatan klasik untuk pengembangan vaksin melibatkan beberapa masalah yang berkaitan
dengan efisiensi dan ekspresinya. Untuk mengatasi semua kesulitan, pendekatan baru
"vaksin berbasis epitop" lebih menjanjikan daripada protein utuh yang
digunakan vaksin. Ketersediaan alat komputasi dan genome / proteome dari organisme
tersebut memudahkan pembuatan vaksin berbasis subunit, bersifat antigenik lengkap
dan mampu mengaktifkan respon imun. Imunoinformatika memainkan peran penting untuk
mengembangkan vaksin yang stabil, efektif dan aman untuk konsumsi manusia.
Dalam studi ini kami menargetkan
lonjakan protein (protein S) dari SARS-CoV 2, yang penting untuk infeksi virus pada
manusia dan bersifat antigenik. Ada berbagai alat yang digunakan untuk pemilihan
daerah antigenik protein untuk mengembangkan vaksin. Untuk pengembangan vaksin,
kami berfokus pada pemilihan epitop sel T dan sel B dari S-protein COVID-19.
Konstruksi vaksin yang dirancang
mencakup sebagian besar populasi dunia (~ 98,6%). Untuk memberikan kekebalan jangka
panjang terhadap COVID-19, dipilih epitop sel B berdasarkan sifat konformasi dan
fisiokimianya. Untuk pemilihan epitop sel B yang efisien untuk menghasilkan kekebalan
yang didapat, kami menargetkan lapisan sel B dan epitop konformasi. Untuk mengembangkan
konstruksi vaksin berbagai linker (EAAK, GPGPG, dan AAY) digunakan untuk menggabungkan
epitop yang dipilih dan bahan pembantu digunakan untuk meningkatkan respon imun
dari konstruksi vaksin. Ada 12 epitop sel B, yang diidentifikasi menghasilkan antibodi
melawan SARS - CoV-2. Pemilihan epitop sel-T didasarkan pada afinitas pengikatan
yang tinggi untuk molekul MHC I dan MHC II. Terdapat 9 T-helper dan 20 sel T sitotoksik
terpilih untuk vaksin yang bersifat non alergi dan imunogenik. Dua belas epitop
sel B dan sembilan epitop sel T-helper dihubungkan bersama dengan linker GPGPG.
T-helper dan epitop sel T sitotoksik terkait dengan GPGPG dan dua puluh epitop sel
T sitotoksik bergabung bersama dengan linker AAY. β-defensin digunakan sebagai adjuvan
di C-terminal untuk melindungi vaksin dari degradasi dan meningkatkan respon imun.
Linker EAAAK digunakan untuk menghubungkan adjuvan dengan epitop sel B. Tag-nya
digunakan di terminal-N dari konstruksi vaksin.
Untuk memahami efisiensi
pembuatan vaksin, berbagai parameter dianalisis untuk menyesuaikan alergenisitas
dan antigenisitasnya. Konstruksi akhir bersifat non-alergi dan antigenik dengan
skor antigenisitas 0,46. Total panjang konstruk vaksin adalah 678 asam amino dengan
berat molekul 72.605 Kda. Titik isoelektrik untuk konstruksi vaksin adalah 9,57,
yang menunjukkan sifat dasar. Indeks GRAVY (0,065) dan indeks ketidakstabilan (26,9)
menunjukkan bahwa pembuatan vaksin adalah protein yang stabil.
Struktur 3-D dinilai menggunakan
RaptoX dan disempurnakan dengan Galaxy refine - web server. Server web RAMPAGE dan
PROSA digunakan untuk validasi struktur yang disempurnakan. 89,8% asam amino mereka
berada di daerah yang disukai, 5,5% di daerah yang diizinkan dan hanya 4,6% asam
amino di daerah yang lebih jauh. Nilai Z score struktur yang dimurnikan adalah -5,66
dan plot Ramachandran serta plot hidrofobisitas menunjukkan bahwa sebagian besar
asam amino dalam vaksin berada di daerah yang menguntungkan.
Tingkat ekspresi konstruk
vaksin pada E. coli K12 yang dianalisis
dengan penggunaan kloning In-silico dan alat Jcat online menunjukkan ekspresi maksimalnya.
Stimulasi molekuler docking konstruk vaksin dengan molekul TLR (TLR3, TLR4, dan
TLR9) dilakukan untuk menilai interaksinya. Konstruksi vaksin secara efektif terikat
dengan reseptor, menunjukkan afinitas pengikatan yang kuat untuk TLR3 (-11.2 kcal
/ mol), TLR4 (-9.55 kcal / mol) dan TLR9 (13.7 kcal / mol). Simulasi Imun menunjukkan
bahwa pembuatan vaksin kami mampu menghasilkan respons imun yang luar biasa setelah
pemberian antigen dengan konsentrasi yang sangat rendah.
Studi alat komputasi dan
imun-informatika menyesuaikan bahwa konstruksi vaksin sangat efektif, stabil dan
aman sebagai target vaksin progresif melawan SARS -CoV2 dan menunjukkan tingkat
ekspresi yang tinggi pada E-coli. Selain itu, secara akurat memahami efisiensi dan
validitas vaksin setelah studi eksperimental in-vitro.
IV.
KESIMPULAN
Di sini, vaksin berbasis
imunoinformatika kami dirancang untuk melawan SARS-CoV2. Vaksin rancangan multi-epitop
baru yang potensial mampu menghasilkan kekebalan humoral dan yang didapat terhadap
COVID-19 karena afinitas pengikatan yang tinggi dengan kedua molekul HLA. Konstruksi
vaksin kami dapat menghasilkan respons imun yang luar biasa setelah injeksi antigen
dosis tunggal. Berbagai alat digunakan untuk analisis dan validasi strukturnya.
Validasi konstruk vaksin untuk keamanan, stabilitas dan tingkat ekspresinya dikonfirmasi
dengan menggunakan pendekatan in-silico. Hasil untuk pembuatan vaksin memberikan
pandangan yang mendalam untuk perancangan vaksin dan memberikan dasar untuk vaksin
yang diverifikasi secara eksperimental untuk melawan penyakit virus.
V.
DAFTAR PUSTAKA
Agostini et al.,
2018. M.L. Agostini, E.L. Andres, A.C. Sims, R.L. Graham, T.P. Sheahan,
X. Lu. Coronavirus susceptibility to the antiviral remdesivir (gs-5734) is mediatedby
the viral polymerase and the proofreading exoribonuclease. mBio, 9 (2) (2018) e00221–18.
Aguiar et al., 2018. A.C. Aguiar, E. Murce, W.A. Cortopassi, A.S. Pimentel, M. Almeida, D.C.S. Barros Chloroquine analogs as antimalarial candidates with potent in vitro and in vivo activity. Int. J. Parasitol. Drugs Drug Resist., 8 (3) (2018), pp. 459-464.
Bergmann et al., 2006. C.C. Bergmann, T.E. Lane, S.A. Stohlman. Coronavirus infection of the central nervous system: host–virus stand-off. Nat. Rev. Microbiol., 4 (2) (2006), pp. 121-132.
Bonavia et al.,
2003. A. Bonavia, B.D. Zelus, D.E. Wentworth, P.J. Talbot, K.V. Holmes.
Identification of a receptor-binding domain of the spike glycoprotein of human coronavirus
HCoV-229E. J. Virol., 77 (4) (2003), pp. 2530-2538.
Calis et al.,
2013. J.A. Calis, M. Maybeno, J.A. Greenbaum, D. Weiskopf, A.D. De Silva,
A. Sette, C. Kesmir, B. Peters. Properties of MHC class I presented peptides that
enhance immunogenicity. PloS Comp. Biol., 8 (1) (2013), p. 361.
X. Chen, F. Niyonsaba, H. Ushio, M. Hara, H. Yokoi, K. Matsumoto, H. Saito, I. Nagaoka, S. Ikeda, K. Okumura, H. Ogawa. Antimicrobial peptides human β-defensin (hBD)- and hBD-4 activate mast cells and increase skin vascular permeability. Eur. J. Immunol., 37 (2) (2007), pp. 434-444.
P.Y. Chou, G.D. Fasman. Prediction of the secondary structure of proteins from their amino acid sequence Adv. Enzymol. Relat. Area Mol. Biol., 47 (1978), pp. 45-148/
Cui et al., 2019.
J. Cui, F. Li, Z.L. Shi. Origin and evolution of pathogenic coronaviruses. Nat.
Rev. Microbiol., 17 (3) (2019), pp. 181-192.
R.S. Cvetkovic, K.L. Goa.
Lopinavir/ritonavir: a review of its use in the management of HIV infection. Drugs,
63 (8) (2003), pp. 769-802.
Dimitrov et al., 2013. I. Dimitrov, D.R. Flower, I. Doytchinova. April. AllerTOP-a. server for in silico prediction of allergens. BMC Bioinf., 14 (6) (2013), p. S4. BioMed Central.
El-Manzalawy et al., 2008. Y. El-Manzalawy, D. Dobbs, V. Honavar. Predicting linear B-cell epitopes using string kernels. J. Mol. Recogn.: Interdiscipl. J., 21 (2008), pp. 243-255.
Emini et al., 1985. E.A. Emini, J.V. Hughes, D.S. Perlow, J. Boger. Induction of hepatitis A virus-neutralizing antibody by a virus-specific synthetic peptide. J. Virol., 55 (1985), pp. 836-839.
Forli et al.,
2016. S. Forli, R. Huey, M.E. Pique, M.F. Sanner, D.S. Goodsell, A.J.
Olson. Computational protein–ligand docking and virtual drug screening with the
AutoDock suite. Nat. Protoc., 11 (5) (2016), p. 905.
Gasteiger et al., 2005. E. Gasteiger, C. Hoogland, A. Gattiker, M.R. Wilkins, R.D. Appel, A. Bairoch. Protein identification and analysis tools on the ExPASy server. The Proteomics Protocols Handbook, Humana press (2005), pp. 571-607.
C. Geourjon, G. Deleage. SOPMA: significant improvements in protein secondary structure prediction by consensus prediction from multiple alignments. Bioinformatics, 11 (6) (1995), pp. 681-684.
Grote et al., 2005. A. Grote, K. Hiller, M. Scheer, R. Münch, B. Nörtemann, D.C. Hempel, D. Jahn. JCat: a novel tool to adapt codon usage of a target gene to its potential expression host. Nucleic Acids Res., 33 (suppl_2) (2005), pp. W526-W531.
R.W. Hooft, C. Sander, G.
Vriend. Objectively judging the quality of
a protein structure from a Ramachandran plot.
Bioinformatics, 13 (4) (1997), pp. 425-430.
Irini et al., 2007. A. Irini, Doytchinova, R.F. Darren. Identifying candidate subunit vaccines using an alignment-independent method based on principal amino acid properties. Vaccine, 25 (2007), pp. 856-866.
Källberg et al.,
2012. M. Källberg, H. Wang, S.
Wang, J. Peng, Z. Wang, H. Lu, J. Xu. Template-based
protein structure modeling using the RaptorX web server. Nat. Protoc., 7 (8) (2012),
p. 1511.
Khan et al., 2018.
A. Khan, M. Junaid, A.C. Kaushik, A. Ali, S.S. Ali, A. Mehmood, D.Q. Wei. Computational
identification, characterization and validation of potential antigenic peptide vaccines
from hrHPVs E6 proteins using immunoinformatics and computational systems biology
approaches. PloS One, 13 (5) (2018).
Khan et al., 2019. M. Khan, S. Khan, A. Ali, H. Akbar, A.M. Sayaf,
A. Khan, D.Q. Wei. Immunoinformatics approaches
to explore Helicobacter Pylori proteome (Virulence Factors) to design B and T cell
multi-epitope subunit vaccine. Sci. Rep., 9 (1) (2019), pp. 1-13.
Ko et al., 2012. J. Ko, H. Park, L. Heo, C. Seok. GalaxyWEB server for protein structure prediction
and refinement. Nucleic Acids Res., 40 (2012),
pp. W294-W297.
Kock et al., 2020. R.A. Kock, W.B. Karesh, F. Veas, T.P. Velavan,
D. Simons, L.E. Mboera, O. Dar, L.B. Arruda, A. Zumla. 2019-nCoV in context: lessons learned? The Lancet Planetary Health, 4 (3) (2020), pp.
e87-e88.
A.S. Kolaskar, P.C. Tongaonkar. A semi-empirical method for prediction of antigenic
determinants on protein antigens. FEBS Lett.,
276 (1990), pp. 172-174.
Larsen et al.,
2007. M.V. Larsen, C. Lundegaard,
K. Lamberth, S. Buus, O. Lund, M. Nielsen.
Large-scale validation of methods for cytotoxic T-lymphocyte epitope prediction. BMC Bioinf., 8 (1) (2007), p. 424.
Li et al., 2003. W. Li, M.J. Moore, N. Vasilieva. Angiotensin-converting enzyme 2 is a functional
receptor for the SARS coronavirus. Nature,
426 (6965) (2003), pp. 450-454.
Lovell et al.,
2003. S.C. Lovell, I.W. Davis,
W.B. Arendall III, P.I. De Bakker, J.M. Word, M.G. Prisant, J.S. Richardson, D.C.
Richardson. Structure validation by Cα geometry:
φ, ψ and Cβ deviation. Proteins: Structure
Funct. Bioinformat., 50 (3) (2003), pp. 437-450.
H. Lu, C.W. Stratton, Y.-W.
Tang. Outbreak of pneumonia of unknown etiology
in Wuhan, China: the mystery and the miracle.
J. Med. Virol., 92 (4) (2020), pp. 401-402.
Lu et al., 2020b.
R. Lu, X. Zhao, J. Li, P. Niu, B. Yang, H. Wu, W. Wang, H. Song, B. Huang, N. Zhu,
Y. Bi. Genomic characterisation and epidemiology
of 2019 novel coronavirus: implications for virus origins and receptor binding. The Lancet, 395 (10224) (2020), pp. 565-574.
Majid and Andleeb, 2019. M. Majid, S. Andleeb. Designing a multi-epitopic vaccine against the enterotoxigenic Bacteroides fragilis based on immunoinformatics approach. Sci. Rep., 9 (1) (2019), pp. 1-15.
Millet et al.,
2012. J.K. Millet, F. Kien, C.-Y.
Cheung. Ezrin interacts with the SARS coronavirus
spike protein and restrains infection at the entry stage..PloS One, 7 (11) (2012),
Article e49566.
Nezafat et al.,
2015. N. Nezafat, M. Sadraeian,
M.R. Rahbar, M.J. Khoshnoud, M. Mohkam, A. Gholami, M. Banihashemi, Y. Ghasemi. Production of a novel multi-epitope peptide vaccine
for cancer immunotherapy in TC-1 tumor-bearing mice. Biologicals, 43 (1) (2015), pp. 11-17.
Pal et al., 2019.
S. Pal, V. Kumar, B. Kundu, D. Bhattacharya,
N. Preethy, M.P. Reddy, A. Talukdar. Ligand-based
pharmacophore modeling, virtual screening and molecular docking studies for discovery
of potential topoisomerase I inhibitors. Comput. Struct. Biotechnol. J., 17 (2019),
pp. 291-310.
Parker et al.,
1986. J.M. Parker, D. Guo, R.S. Hodges. New hydrophilicity scale derived from high-performance
liquid chromatography peptide retention data: correlation of predicted surface residues
with antigenicity and X-ray-derived accessible sites. Biochemistry, 25 (1986), pp. 5425-5432.
J.V. Ponomarenko, H. Bui, W. Li, N. Fusseder, P.E. Bourne, A. Sette, B. Peters. ElliPro: a new structure-based tool for the prediction of antibody epitopes. BMC Bioinf., 9 (2008), p. 514.
S. Saha, G.P.S. Raghava,
BcePred: Prediction of continuous B-cell epitopes in antigenic sequences using physico-chemical
properties.
G. Nicosia, V. Cutello,
P.J. Bentley, J. Timis (Eds.), ICARIS LNCS, 3239 (2004), pp. 197-204.
K.R. Sakharkar, M.K. Sakharkar,
R. Chandra. Post-genomic Approaches in Drug and Vaccine Development 5 (2015).
R.A. Shey, S.M. Ghogomu,
K.K. Esoh, N.D. Nebangwa, C.M. Shintouo, N.F. Nongley, B.F. Asa, F.N. Ngale, L.
Vanhamme, J. Souopgui. In-silico design of
a multi-epitope vaccine candidate against onchocerciasis and related filarial diseases. Sci. Rep., 9 (1) (2019), pp. 1-18.
Song et al., 2018. W.F. Song, M. Gui, X. Wang. Cryo-EM structure
of the SARS coronavirus spike glycoprotein in complex with its host cell receptor
ACE2. PLoS Pathog., 14 (8) (2018), Article e1007236.
Sun et al., 2020. Z. Sun, K. Thilakavathy, S.S. Kumar, G. He, S.V.
Liu. Potential factors influencing repeated
SARS outbreaks in China. Int. J. Environ.
Res. Publ. Health, 17 (5) (2020), p. 1633.
Sutton and Boag,
2018. P. Sutton, J.M. Boag. Status
of Vaccine Research and Development for Helicobacter pylori Vaccine (2018).
Tortorici et al.,
2019. M.A. Tortorici, A.C. Walls, Y. Lang, C. Wang, Z. Li, D. Koerhuis,
G.J. Boons, B.J. Bosch, F.A. Rey, R.J. de Groot, D. Veesler. Structural basis for
human coronavirus attachment to sialic acid receptors. Nat. Struct. Mol. Biol.,
26 (6) (2019), pp. 481-489.
O. Trott, A.J. Olson. AutoDockVina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. J. Comput. Chem., 31 (2) (2010), pp. 455-461.
Wang et al., 2008.
P. Wang, J. Sidney, C. Dow, B. Mothé, A. Sette, B. Peters. A systematic assessment
of MHC class II peptide binding predictions and evaluation of a consensus approach. PLoS Comput. Biol., 4 (4) (2008), Article e1000048.
Wiederstein and
Sippl, 2007. M. Wiederstein, M.J.
Sippl. ProSA-web: interactive web service
for the recognition of errors in three-dimensional structures of proteins. Nucleic
Acids Res., 35 (suppl_2) (2007), pp. W407-W410.
World Health Organization,
2020a. World Health Organization. Coronavirus Disease 2019 (COVID-19) Situation
Report-208 (2020)/
World Health Organization. Novel coronavirus(2019-nCoV). Situation Report – 12 (2020).
World Health Organization,
2020c. World Health Organization. 2019-NCoV Outbreak Is an Emergency of International
Concern. World Health Organization (2020)
31 Jan.
Wu et al., 2020.
F. Wu, S. Zhao, B. Yu, Y.M. Chen, W. Wang, Z.G. Song, Y. Hu, Z.W. Tao, J.H. Tian,
Y.Y. Pei, M.L. Yuan. A new coronavirus associated with human respiratory disease
in China. Nature, 579 (7798) (2020), pp. 265-269.
Xiong et al.,
2018. X.L. Xiong, M.A. Tortorici, J. Snijder. Glycan shield and fusion activation of a delta
coronavirus spike glycoprotein fine-tuned for enteric infections. J. Virol., 92 (4) (2018). e01628–17.
R. , Y. Zhang, Y. Li, L. Xia, Y. Guo, Q. Zhou. Structural basis for the recognition of the SAYanRS-CoV-2 by full-length human ACE2. Science, 367 (6485) (2020), pp. 1444-1448.
SUMBER:
Hitesh Singh, Renu Jakhar,
NeelamSehrawat, Designing spike protein (S-Protein) based multi-epitope peptide
vaccine against SARS COVID-19 by immunoinformatics. Sciencedirect. Heliyon, volume 6. Issue 11, November
2020, e05528. https://www.sciencedirect.com/science/article/pii/S2405844020323719
No comments:
Post a Comment