Computergestützte Vorhersage von B-Zell-Epitopen mittels Methoden der Künstlichen Intelligenz

Projekttitel: Computergestützte Vorhersage von B-Zell-Epitopen mittels Methoden der Künstlichen Intelligenz

Projektdauer: 01/2023 – 12/2024

Forschungsbereich: Biowissenschaften und Medizin

Wir entwickeln Machine-Learning-Methoden zur Vorhersage von B-Zell-Epitopen unter Berücksichtigung der konformationellen Veränderungen viraler Glykoproteine. AxIEM (Accelerated class I fusion protein Epitope Mapping) ist eine Methode zur Identifizierung möglicher B-Zell-Epitop-Regionen auf viralen Glykoproteinen (insbesondere Klasse-I-Fusionsglykoproteinen), die von der humoralen Immunantwort, insbesondere von Antikörpern, erkannt werden. Die Bestimmung zusätzlicher Epitop-Regionen auf den Glykoproteinen ist notwendig, um ein rationales Impfstoffdesign zu unterstützen.

Die von uns entwickelten Methoden erfordern zwei verschiedene Konformationen des Glykoproteins. Leider gibt es nur wenige bestimmte Strukturen. Wir werden dies überwinden, indem wir AlphaFold2-Multimer nutzen, ein Deep-Learning-Werkzeug zur Vorhersage von Proteinstrukturen, um den Benchmark-Datensatz zu erweitern. Gemeinsam mit einem experimentell arbeitenden Wissenschaftler wollen wir unsere vorhergesagten Epitope im Labor testen.

Ziele

• Optimierung der AxIEM-Methode für den allgemeinen Einsatz bei der Epitop-Vorhersage von Klasse-I-Fusionsproteinen
• Erweiterung des aktuellen Benchmark-Datensatzes von AxIEM zur Vorhersage von B-Zell-Epitopen für alle Klasse-I-Fusionsproteine anhand von AlphaFold-vorhergesagten Strukturen
• Test von AxIEM in einer realen Umgebung unter Verwendung des MARV-Glykoproteins als Testfall
• Entwicklung eines neuen KI-gesteuerten Protokolls zur Vorhersage konformationeller Zustände

Problemstellungen

Die Entwicklung neuer Antikörper und Impfstoffe allein durch experimentelle Methoden ist nicht zeiteffizient und nach wie vor sehr kostspielig. Wir gehen davon aus, dass computergestützte Methoden dazu beitragen können, rationale Impfstoffe in kurzer Zeit zu entwickeln und die Effizienz der Experimente zu steigern.

Praxisbeispiel

Wir haben mögliche Epitop-Regionen für das Marburg-Virus vorhergesagt und optimieren sowie verfeinern derzeit das Protokoll auf Grundlage der aktuellen Ergebnisse.

Technologie

Wir verwenden AlphaFold2-Multimer, eine Deep-Learning-Methode zur Vorhersage der Proteinstruktur. Zur Vorhersage von B-Zell-Epitopen von Klasse-I-Fusionsglykoproteinen optimieren wir die AxIEM-Methode, die ebenfalls auf Machine Learning basiert.

Ausblick

Das Projekt wird die Entwicklung rationaler Impfstoffe mit Machine-Learning-basierten Methoden unterstützen.

Team

Leitung

• Jun.-Prof. Dr. Clara T. Schoeder

Teammitglieder

• Sevilay Gülesen

Partner

• Prof. Dr. Jens Meiler
• Felipe Engelberger
• Johanna Möller