Антитела – «сторожевые псы» здоровья человека, непрерывно циркулирующие по организму и с поразительной точностью отмечающие даже самые незначительные изменения, связанные с инфекционными и другими заболеваниями. Они же являются и биохимическими банками памяти, добросовестно записывающими информацию о встреченных ими патогенах и эффективно сохраняющими эти данные для дальнейшего использования.

Стивен Альберт Джонстон (Stephen Albert Johnston), Нил Вудбери (Neal Woodbury) и их коллеги из Института биодизайна (Biodesign Institute) Университета штата Аризона (Arizona State University) занимаются изучением механизмов функционирования антител, в частности, способностью этих «часовых» связываться – с высокой аффинностью и специфичностью – со своими белковыми мишенями. Более глубокое понимание огромного мира антител может привести к новому поколению быстрых и недорогих диагностических инструментов и ускорить разработку новых вакцин и лекарственных препаратов.

Используя в качестве основы сценарий, написанный самой Природой, ученые работают над созданием синтетических антител, или синтел, применяя метод, разработанный в Центре инноваций в медицине (Center for Innovations in Medicine) Джонстона. Изучив широкую панораму активности антител, выявленную по образцам крови, они используют эту информацию для разработки досимптомной диагностики заболеваний. Такие «иммунные подписи», как назвал их Джонстон, предоставляют в распоряжение ученых динамическую картину здоровья человека.

В двух новых статьях исследователи продемонстрировали простой метод усиления аффинности синтетических антител, представляющих собой цепочки из 20 звеньев-аминокислот, соединенных случайным образом. Используя случайные пептидные последовательности, нанесенные на пластины микрочипов, они получили информацию и об активных областях, или эпитопах, естественных антител. Эти статьи недавно опубликованы в журналах PloS ONE и Molecular and Cellular Proteomics.

Хотя антитела давно используются в биомедицинских исследованиях, обычные методы их получения трудоемки и дороги. Как правило, такие антитела вырабатываются организмом животного, отвечающим на введение определенного белка производством белок-специфических антител, которые затем можно извлечь.

В более ранней работе группа Джонстона показала, что искусственные высокоаффинные антитела можно получить синтетически с помощью простого метода. Этот метод переворачивает традиционный подход с ног на голову. Вместо того чтобы начать с определенного белка и попытаться создать соответствующее ему антитело, ученые сначала создают синтетическое антитело, а затем определяют белок, с которым оно эффективно взаимодействует, используя для этого скрининг потенциальных белков-партнеров.

Первым шагом в этом процессе является получение случайных сочетаний 20 аминокислот. Затем примерно 10000 таких случайных пептидов наносятся на слайд микрочипа. На этом наборе случайных последовательностей проверяется белок, к которому подбирается антитело, и по результатом скрининга выявляются пептиды с высокой аффинностью. Два таких пептида можно объединить и получить синтело, аффинность которого является суммой аффинностей каждого из пептидов. Таким образом, два слабо связывающихся пептида объединяют свои силы, образуя структуру с высоким сродством, полезную для исследований протеома – огромного мира белков, необходимых для протекания практически всех биологических процессов.

В статье, опубликованной в PloS ONE, ведущий автор Мэттью Гревинг (Matthew Greving) и его коллеги описывают стратегию дальнейшего усиления аффинности таких пептидов.

«Проблема состоит в том, что микрочип содержит около 10000 пептидов, но это меньше чем одна квадриллионная часть возможных вариантов последовательностей. То есть, мы осуществляет выборку из очень малой их части», – объясняет Гревинг. Следовательно, вероятность создания последовательности из 20 аминокислот, проявляющей оптимальную аффинность, остается довольно низкой.

Для усиления аффинности сначала выбирается главная последовательность. (В данном исследовании одной из таких последовательностей был состоящий из 17 аминокислот пептид TNF-1 – ключевой регулятор клеток иммунной системы). Главная последовательность используется в качестве шаблона для создания дополнительных пептидных последовательностей, в которых отдельная аминокислота в каждой позиции пептидной цепочки последовательно заменяется другой аминокислотой.

Используя этот метод, ученые создали 96 вариантов пептидов. Эти усовершенствованные варианты проверяются на аффинность к нужному белку, после чего составляется карта, отображающая степень ее выраженности. Наиболее успешные варианты могут быть собраны в новый пептид с высокой аффинностью, сила связывания которого равна сумме сил связывания его компонентов.

С помощью этого простого алгоритма можно быстро оптимизировать пептиды из случайных последовательностей, улучшая их аффинность от 100 до 1000 раз. Метод может быть использован и для повышения специфичности пептидов, позволяя биоконструкции присоединяться к определенному белку и исключая ее связывание с нежелательными мишенями.

В работе, опубликованной в Molecular and Cellular Proteomics, ученые отвечают на вопрос, может ли аналогичный микрочип со случайными пептидами помочь процессу создания карт эпитопов, отражающих активные связывающие области антител. Картирование эпитопов – один из методов определения, применимо ли данное антитело для конкретного приложения, и более быстрая и эффективная технология составления карт очень важна для биомедицины.

На микрочипе со случайными пептидными последовательностями были проверены антитела с известными эпитопами. Чтобы узнать, могут ли случайные пептиды помочь определить эпитопы антител, ученые использовали методы биоинформатики, выявив пептиды с высокой степенью сродства.

Они применили два метода. В первом высокоаффинные случайные пептиды были сравнены с эпитопами связывающихся с ними антител, и их сходство были проанализировано статистически. Другой метод выявлял пептиды для сигнатурных мотивов, состоящих не менее чем из 7 аминокислот (или для комбинации из двух более коротких мотивов). Ведущему автору Ребекке Гальперин (Rebecca Halperin) и ее коллегам удалось показать, что из таких биоинформационных тестов действительно может быть почерпнута статистически значимая информация по эпитопам.

Обе работы приближают разработку методов высоко производительного и недорогого изучения естественных антител. Дальнейшее их совершенствование должно позволить диагностировать точную белковую последовательность, вызывающую определенное заболевание, основываясь только на анализе иммунного ответа.

Thermodynamic Additivity of Sequence Variations: An Algorithm for Creating High Affinity Peptides Without Large Libraries or Structural Information

Аннотация к статье Exploring antibody recognition of sequence space through random-sequence peptide