Imunogenicidade da proteína e do Sars-Cov-2: potencial para imunodiagnóstico e alvo terapêutico da Covid-19

Authors

  • Vinicius Meneses Lelis
  • Ellen Karla Nobre dos Santos
  • Fabiane da Silva Reis Goes
  • Bruno Silva Andrade
  • Tarcísio Silva Melo
  • Lucas Lacerda da Cruz
  • Soraya Castro Trindade

DOI:

https://doi.org/10.54033/cadpedv21n3-249

Keywords:

Imunologia, Covid-19, Bioinformática., Imunoinformática

Abstract

A pandemia da COVID-19 trouxe uma demanda pelo desenvolvimento de métodos diagnósticos e terapêuticos para essa doença causada pela infecção pelo SARS-CoV2. Embora muitos métodos tenham sido desenvolvidos, existe a necessidade de considerar as constantes mutações do vírus circulantes, bem como as variadas cepas virais. Além disso, é necessário levar em conta a diversidade genética das populações e das moléculas da defesa de cada hospedeiro. Nessa perspectiva, o presente trabalho objetivou identificar epítopos de uma das proteínas com maior estabilidade genética de SARS-CoV 2, a proteína E, que sejam capazes de interagir com maior especificidade com os receptores de linfócitos B (B Cell Receptor - BCR) e com alelos do antígeno leucocitário humano (Human Leucocyte Antigen - HLA) mais frequentes na população baiana. Observou-se que, na Proteína E de Sars-Cov-2, a região N-terminal, especificamente entre os aminoácidos 4 e 20; e a região C-terminal, especificamente entre os aa 50 e 70, são altamente promissoras para pesquisas que visam avaliar a resposta imune de SARS-CoV-2. Os três peptídeos triados e analisados pela dinâmica molecular 11-TLIVNSVLLF-20, 50-SLVKPSFYVY-59 e 54-PSFYVYSRVKNLNSS-68 são promissores para testes de imunogenicidade in vitro. Sabendo-se que a evolução da doença tem estreita relação com a imunidade adaptativa do hospedeiro, este estudo permite uma compreensão da melhor forma a resposta imune adaptativa da Sars-Cov-2, obtendo novos caminhos para seu diagnóstico e tratamento. Na perspectiva pedagógica, este trabalho se destaca por apresentar detalhadamente o método de análise empregado, facilitando novas abordagens in sílico, que de forma geral permite a redução tempo e de custo para pesquisa, não só para o estudo da COVID-19, quanto para outras doenças infecciosas.

References

BJELKMAR, Par et al. Implementation of the CHARMM force field in GROMACS: analysis of protein stability effects from correction maps, virtual interaction sites, and water models. Journal of chemical theory and computation, v. 6, n. 2, p. 459-466, 2010. DOI: https://doi.org/10.1021/ct900549r

BRISTER, J. Rodney et al. NCBI viral genomes resource. Nucleic acids research, v. 43, n. D1, p. D571-D577, 2015. DOI: https://doi.org/10.1093/nar/gku1207

CLIFFORD, Joakim Nøddeskov et al. BepiPred‐3.0: Improved B‐cell epitope prediction using protein language models. Protein Science, v. 31, n. 12, p. e4497, 2022. DOI: https://doi.org/10.1002/pro.4497

GONZALEZ-GALARZA, Faviel F. et al. Allele frequency net: a database and online repository for immune gene frequencies in worldwide populations. Nucleic acids research, v. 39, n. suppl_1, p. D913-D919, 2010. DOI: https://doi.org/10.1093/nar/gkq1128

HUANG, Jing et al. CHARMM36: An improved force field for folded and intrinsically disordered proteins. Biophysical Journal, v. 112, n. 3, p. 175a-176a, 2017. DOI: https://doi.org/10.1016/j.bpj.2016.11.971

KHANDIA, Rekha et al. Emergence of SARS-CoV-2 Omicron (B. 1.1. 529) variant, salient features, high global health concerns and strategies to counter it amid ongoing COVID-19 pandemic. Environmental research, v. 209, p. 112816, 2022. DOI: https://doi.org/10.1016/j.envres.2022.112816

KNAPP, Bernhard et al. Current status and future challenges in T-cell receptor/peptide/MHC molecular dynamics simulations. Briefings in bioinformatics, v. 16, n. 6, p. 1035-1044, 2015. DOI: https://doi.org/10.1093/bib/bbv005

MARIUZZA, Roy A.; AGNIHOTRI, Pragati; ORBAN, John. The structural basis of T-cell receptor (TCR) activation: An enduring enigma. Journal of Biological Chemistry, v. 295, n. 4, p. 914-925, 2020. DOI: https://doi.org/10.1016/S0021-9258(17)49904-2

MINERVINA, Anastasia; POGORELYY, Mikhail; MAMEDOV, Ilgar. T‐cell receptor and B‐cell receptor repertoire profiling in adaptive immunity. Transplant International, v. 32, n. 11, p. 1111-1123, 2019. DOI: https://doi.org/10.1111/tri.13475

MUKHERJEE, Shruti; BHATTACHARYYA, Dipita; BHUNIA, Anirban. Host-membrane interacting interface of the SARS coronavirus envelope protein: Immense functional potential of C-terminal domain. Biophysical chemistry, v. 266, p. 106452, 2020. DOI: https://doi.org/10.1016/j.bpc.2020.106452

PEREZ, Marta AS et al. Structural Prediction of Peptide–MHC Binding Modes. Computational Peptide Science: Methods and Protocols, p. 245-282, 2022. DOI: https://doi.org/10.1007/978-1-0716-1855-4_13

RAHMAN, M. Shaminur et al. Mutational insights into the envelope protein of SARS-CoV-2. Gene reports, v. 22, p. 100997, 2021. DOI: https://doi.org/10.1016/j.genrep.2020.100997

REYNISSON, Birkir et al. NetMHCpan-4.1 and NetMHCIIpan-4.0: improved predictions of MHC antigen presentation by concurrent motif deconvolution and integration of MS MHC eluted ligand data. Nucleic acids research, v. 48, n. W1, p. W449-W454, 2020. DOI: https://doi.org/10.1093/nar/gkaa379

RIBEIRO, Lucas Nascimento et al. HLA-A* 02 affinity to SARS-CoV-2 and susceptibility to COVID-19. European Journal of Biological Research, v. 13, n. 4, p. 202-210, 2023.

ROBINSON, James et al. Ipd-imgt/hla database. Nucleic acids research, v. 48, n. D1, p. D948-D955, 2020. DOI: https://doi.org/10.1093/nar/gkz950

RODRIGUEZ-RIVAS, Juan et al. Epistatic models predict mutable sites in SARS-CoV-2 proteins and epitopes. Proceedings of the National Academy of Sciences, v. 119, n. 4, p. e2113118119, 2022. DOI: https://doi.org/10.1073/pnas.2113118119

SCHWEDE, Torsten et al. SWISS-MODEL: an automated protein homology-modeling server. Nucleic acids research, v. 31, n. 13, p. 3381-3385, 2003. DOI: https://doi.org/10.1093/nar/gkg520

SU, Shuo et al. Epidemiology, genetic recombination, and pathogenesis of coronaviruses. Trends in microbiology, v. 24, n. 6, p. 490-502, 2016. DOI: https://doi.org/10.1016/j.tim.2016.03.003

SURYA, Wahyu; LI, Yan; TORRES, Jaume. Structural model of the SARS coronavirus E channel in LMPG micelles. Biochimica et Biophysica Acta (BBA)-Biomembranes, v. 1860, n. 6, p. 1309-1317, 2018. DOI: https://doi.org/10.1016/j.bbamem.2018.02.017

VELAZQUEZ, Anjelina et al. An analysis of clinical and geographical metadata of over 75,000 records in the GISAID COVID-19 database. medRxiv, p. 2020.09. 22.20199497, 2020. DOI: https://doi.org/10.1101/2020.09.22.20199497

VAN DER SPOEL, David et al. GROMACS: fast, flexible, and free. Journal of computational chemistry, v. 26, n. 16, p. 1701-1718, 2005. DOI: https://doi.org/10.1002/jcc.20291

WIECZOREK, Marek et al. Major histocompatibility complex (MHC) class I and MHC class II proteins: conformational plasticity in antigen presentation. Frontiers in immunology, v. 8, p. 292, 2017. DOI: https://doi.org/10.3389/fimmu.2017.00292

ZHOU, Pei et al. HPEPDOCK: a web server for blind peptide–protein docking based on a hierarchical algorithm. Nucleic acids research, v. 46, n. W1, p. W443-W450, 2018. DOI: https://doi.org/10.1093/nar/gky357

Published

2024-03-29

How to Cite

Lelis, V. M., Santos, E. K. N. dos, Goes, F. da S. R., Andrade, B. S., Melo, T. S., Cruz, L. L. da, & Trindade, S. C. (2024). Imunogenicidade da proteína e do Sars-Cov-2: potencial para imunodiagnóstico e alvo terapêutico da Covid-19. Caderno Pedagógico, 21(3), e3532. https://doi.org/10.54033/cadpedv21n3-249

Issue

Section

Articles