XIX VI TO R I A 201 5 II ENCUENTRO INTERNACIONAL DE PARASITÓLOGOS CONGRESO DE LA SOCIEDAD ESPAÑOLA DE PARASITOLOGÍA Parasitaria, Vol. 73, No. 2, 1 5, 201 5 ESPAÑA · FRANCIA · ITALIA · PORTUGAL Predicción de epitopos B lineales mediante perfiles antigénicos Special Issue Predicción de epitopos B lineales mediante perfiles antigénicos Pérez-Montoto, L.G .1 , Martínez-Sernández, V.1 , Orbegozo, R.A.1 , Ubeira, F.M .1 Resumen La predicción de secuencias antigénicas de proteínas que contienen epitopos B lineales es de gran importancia en el diseño de vacunas quiméricas, en la selección de antígenos diana para mejorar los métodos de inmunodiagnóstico o para la producción de anticuerpos policlonales y monoclonales. Sin embargo, esta tarea constituye un importante reto para la Inmunología ya que una secuencia puede ser o no reconocida por el sistema inmunitario de un organismo dependiendo de diversos parámetros como la naturaleza del carrier, el adyuvante utilizado, su posición en la secuencia, su accesibilidad para los receptores de las células presentadoras de antígeno, etc. Pero además, en la selección de secuencias destinadas a la confección de vacunas quiméricas se debe evitar que tales vacunas puedan provocar o favorecer la aparición de reacciones autoinmunes como consecuencia de un mimetismo molecular. Los primeros intentos para predecir regiones inmunogénicas de antígenos a partir de su estructura primaria datan de la década de 1 980. Estos métodos son relativamente simples, utilizan una única tendencia o propiedad físico-química de sus aminoácidos, por ejemplo, la hidrofilicidad y están limitados a pequeñas bases de datos de proteínas. En los años 90 se fueron introduciendo nuevas propiedades tales como la accesibilidad, flexibilidad, tendencia a formar un tipo concreto de estructura secundaria dentro de la proteína o incluso la creación de una escala de tendencia a la antigenicidad de cada amino ácido, en aras de incrementar el poder de predicción de epítopos B lineales. Sin embargo, la exactitud de estos métodos no dista mucho de una discriminación al azar por lo que en las últimas décadas, mas allá de introducir nuevas propiedades, los esfuerzos se han centrado en el empleo de modelos y herramientas estadísticas más avanzadas entre las que se encuentran: modelos ocultos de Markov del método de BepiPred, los cuales toman 2 tendencias o propiedades como entrada; modelos de “ Machine Learning” en los que, mediante árboles de decisión y métodos de clasificación supervisada como el “ K nearest neighbors”, que permiten utilizar combinaciones más complejas de propiedades de amino ácidos como entrada; redes neuronales, como las utilizadas en ABCPred o los más recientes en los que hacen uso de modelos de “ support vector machine” con diferentes funciones Kernel (ej. BCPred o COBEpro). Mediante estas implementaciones [1 , 2], la precisión de los métodos de predicción de epitopos B lineales se ha incrementado hasta un 70-75%. Sin embargo, ninguno de ellos tiene en cuenta al organismo diana al que va destinado el inmunógeno y, además, son totalmente dependientes de las limitaciones propias de la base de datos de epitopos empleada. Con el fin de mejorar la selección de epitopos entre aquellos que presenten propiedades físico-químicas adecuadas, nuestro grupo se ha planteado emplear un criterio de discriminación self-nonself mediante el cual se puede predecir qué secuencias, siendo potencialmente antigénicas (non-self) resultan óptimas porque difieren de las proteínas del organismo que se quiere inmunizar. La aplicación de este concepto peremitiría seleccionar las secuencias que, a priori, pueden ser mejor reconocidas por el organismo diana, mientras que evitaría la génesis de reacciones autoinmunitarias debidas a un mimetismo molecular con las proteínas propias. Para ello, nuestro método de predicción selecciona las porciones de una proteína de interés que son potencialmente antigénicas y las compara con el proteoma del organismo a inmunizar. Referencias [1 ] El-Manzalawy, Y., Dobbs, D. and Honavar, V., Journal of molecular recognition: JMR, 2008, 21 , 243-55. [2] Kavitha, K.V., Saritha, R. and Vinod Chandra, S. S., International Journal of Computer Applications, 201 3, 63, 28-32. (1 ) Laboratorio de Parasitología, Facultades de Farmacia y Medicina, Universidad de Santiago de Compostela, España. Agradecimientos Este estudio ha sido financiado por los Proyectos AGL2011 -30563-C03-01 (MINECO) y GPC201 4/058 (Xunta de Galicia).