Структурное аннотирование вариабельных доменов антител тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Яковлев Павел Андреевич

• Яковлев Павел Андреевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Яковлев Павел Андреевич

Введение

1. Биология и биоинформатика антител

1.1 Антитела и их применение

1.1.1 Открытие и начало изучения антител

1.1.2 Структурная организация антител

1.1.3 Антиген-связывающий фрагмент антитела

1.1.4 Изотипы и эффекторные свойства антител

1.1.5 У(О^-рекомбинация вариабельных доменов

1.1.6 Формирование разнообразия в ходе иммунного ответа

1.1.7 Получение рекомбинантных IgG

1.2 Задачи и методы компьютерного анализа антител

1.2.1 Основные концепции биоинформатики антител

1.2.2 Предсказание регионов вариабельных доменов

1.2.3 Предсказание структур антител

2. Аннотирование регионов вариабельных доменов антител

2.1 Ключевая идея алгоритма аннотирования

2.2 Построение префиксного дерева и индекса к-меров

2.3 Поиск паттернов

2.4 Выравнивание один против многих

2.5 Выравнивание многие против многих

2.6 Получение аннотаций и вариантов замен

2.7 Практические результаты

2.8 Пример использования

3. Предсказание структуры вариабельных доменов антител

3.1 Общий обзор метода

3.2 Структурное выравнивание белков

3.3 Устройство базы структур и выбор шаблона

3.4 Поиск ближайших шаблонов

3.5 Со стыковка шаблонов

3.6 Осуществление точечных замен

3.7 Получение структуры Fv

3.8 Сборка петель de novo

3.8.1 Метод случайной генерации

3.8.2 Сборка из фрагментов

3.8.3 Сборка на основе k-меров

3.8.4 Оценка методов и выбор лучшего

3.9 Практическая реализация и применение

3.10 Пример использования

4. Минимизация потенциальной энергии предсказанных структур

4.1 Представление потенциальной энергии с помощью силовых полей

4.2 Силовое поле OPLS

4.3 Градиентные методы оптимизации

4.4 Выбор шага градиентного спуска

4.5 Выбор направления градиентного спуска

4.6 Сравнение методов оптимизации

4.7 Дальнейшее развитие

4.8 Пример использования

Заключение

Выводы

Список принятых сокращений

Список литературы

Введение

Введение диссертации (часть автореферата) на тему «Структурное аннотирование вариабельных доменов антител»

Актуальность темы исследования

Основой для разработки большинства белковых препаратов для терапии аутоиммунных и онкологических заболеваний являются вариабельные домены антител (они же иммуноглобулины) [1], способные обеспечивать высокоселективное "узнавание" мишеней, характеризующих патогены. Связывание антитело-мишень, как и прочие белок-белковые взаимодействия, обеспечиваются, в первую очередь, трехмерными структурами белков. В связи с этим при разработке терапевтических антител важным аспектом является понимание пространственной структуры антитела, в особенности, вариабельной части, обеспечивающей целевое взаимодействие, а также её свойств: склонности к агрегации, распределению заряда по поверхности, доступности аминокислот для посттрансляционных модификаций. Получение трехмерных белковых структур с помощью физических методов, таких как рентгеноструктурный анализ, -трудоемкая и длительная процедура, недоступная для рутинного использования даже в хорошо финансируемой фармацевтической сфере. В связи с этим наиболее актуальными становятся методы компьютерного предсказания пространственных структур белков.

Существующие универсальные подходы к компьютерному моделированию белковых структур часто дают неплохое решение в среднем, однако не способны давать достаточно качественные предсказания для практического применения [2]. Сужение задачи до предсказания пространственных структур одних только вариабельных доменов антител позволяет использовать некоторые дополнительные сведения, способные повысить точность получаемых моделей.

В данной работе представлена группа методов, решающих задачу аннотирования вариабельных доменов иммуноглобулинов. Аннотации представляют собой разметку на структурные регионы, определение семейства иммуноглобулина, а также предсказание трехмерных структур, основанное на сочетании статистических методов и методов оптимизации. Аннотирование последовательностей происходит за счет оригинального использования

структуры данных префиксное дерево, эффективно показывающей себя не только в задачах поиска, но и в задачах выравнивания за счет сочетания методов обхода в глубину и построения матриц выравнивания. Метод предсказания структур основан на принципе гомологичного фолдинга, когда для получения начального приближения используются структуры с близкими последовательностями. При этом реализованный в данной работе подход выбирает шаблоны исходя из особенностей структуры исследуемого объекта, что позволяет получать более точный результат.

Цель и задачи исследования

Целью исследования являлась разработка эффективных вычислительных методов предсказания структурной укладки вариабельных доменов антител. Для достижения этой цели было необходимо решить следующие задачи:

1. Определить наиболее точные критерии разметки последовательности аминокислот вариабельного домена иммуноглобулина на структурные регионы.

2. Разработать эффективный алгоритм выравнивания строки на множество строк.

3. Разработать эффективный алгоритм выравнивания строк одного множества на строки другого.

4. Разработать метод определения структурных шаблонов регионов вариабельных доменов иммуноглобулинов, а также методов состыковки данных шаблонов для получения модели вариабельных доменов иммуноглобулинов.

5. Выбрать наилучший метод оптимизации энергетического потенциала, заданного на геометрии белковых доменов.

Научная новизна исследования

Впервые разработаны алгоритмы для множественного попарного выравнивания последовательностей, работающие быстрее, чем наивный перебор всех пар. Новые методы применены для задачи аннотирования последовательностей вариабельных доменов иммуноглобулинов на структурные регионы. Реализация представленных методов сделана на нескольких языках программирования, включая Haskell, Rust, Julia и другие. Часть реализаций

доступны в виде библиотек с открытым исходным кодом, другие используются как компоненты проприетарных продуктов. По сравнению с существующими методами, достигается высокая скорость аннотации последовательностей с разбивкой на все регионы, что не характерно для других методов, основанных на выравнивании [3].

Разработан новый метод построения пространственных моделей вариабельных доменов иммуноглобулинов, позволяющий получать достаточно точные модели для проведения аналитических работ с целью улучшения свойств терапевтических молекул [4]. Выбран оптимальный метод для оптимизации потенциальной энергии белковых комплексов [5]. На основе данных методов построено множество инструментов, и создан ряд улучшений для реальных лекарственных средств.

Полученные теоретические результаты позволили подготовить ряд предложений [6] для комиссии Всемирной организации здравоохранения по присвоению международных непатентованных наименований лекарственных средств, что привело к изменению действующих правил присвоения таких наименований для терапевтических молекул на основе иммуноглобулинов [7].

Теоретическая и практическая значимость работы

Теоретическая значимость диссертации заключается в получении нескольких оригинальных, ранее не описанных алгоритмов и подходов, в частности:

1. алгоритма быстрого множественного попарного выравнивания последовательностей;

2. выбора метода предсказания гипервариабельных петель de novo;

3. оптимизации энергетического потенциала пространственных белковых структур с помощью варианта ускоренного градиентного спуска.

Стоит отметить, что полученные теоретические результаты могут применяться не только для решения задач структурной биоинформатики, но и находить удачные приложения к другим областям компьютерных наук.

Практическая значимость представленной работы состоит в следующем:

1. представлены эффективные реализации методов разметки вариабельных доменов антител;

2. разработаны инструменты для предсказания пространственных структур вариабельных доменов антител;

3. полученные на основе разработанных алгоритмов и методов решения были использованы в ряде разработок терапевтических препаратов на основе антител.

Методы исследования

К методам, использованным в исследовании, относятся:

1. методы представления данных в виде префиксного дерева;

2. методы выравнивания строк и подсчета расстояний между строками;

3. методы линейной алгебры для работы с пространственным представлением структур;

4. методы выпуклой оптимизации нелинейного потенциала.

Положения, выносимые на защиту

В ходе работы над диссертацией были получены следующие основные результаты:

1. Определены критерии разметки аминокислотных последовательностей вариабельных доменов иммуноглобулинов на основе полуглобального выравнивания строк. Для аннотации произвольных последовательностей метод показал себя более стабильным, чем метод на основе паттернов. Использование полуглобального выравнивания позволило применять метод даже для неполных фрагментов последовательностей.

2. Разработан эффективный алгоритм выравнивания строки на множество строк, оригинально использующий структуру префиксного дерева в сочетании с поиском в глубину и построением матриц выравнивания. Алгоритм позволяет значительно сократить количество операций при выравнивании на множество строк со схожими префиксами, что отвечает природе исследуемых объектов - последовательностям иммуноглобулинов. Алгоритм применен для разметки последовательностей аминокислот вариабельных доменов

иммуноглобулинов на структурные регионы, где обеспечил ускорение более чем в 100 раз.

3. Разработана улучшенная версия алгоритма, позволяющая представлять два множества строк в качестве префиксных деревьев и проводить выравнивание "многие на многих". За счет префиксных свойств матриц выравнивания, используемых в соответствующем алгоритме динамического программирования, части матрицы для совпадающих префиксов не пересчитываются.

4. Разработан оригинальный алгоритм для предсказания пространственный структур иммуноглобулинов, использующий поиск ближайших шаблонов для построения грубого приближения.

5. Выбран лучший метод для оптимизации потенциальной энергии результирующей структуры, оказавшийся авторским вариантом метода градиентного спуска с моментом и адаптивным шагом.

Степень достоверности и апробация результатов работы

Работа выполнена в соответствии с общепринятыми научными принципами. Достоверность выносимых на защиту результатов работы подтверждается строгостью математических выкладок и использованных моделей, а также полученными данными в ходе валидации разработанных методов и экспериментами по сравнению предложенных методов с существующими.

Результаты работы представлены на следующих конференциях:

1. XII Злокачественные лимфомы, доклад на тему «Биоинформатика от генома человека до создания лекарственных средств», 22 октября 2015, г. Москва, Россия

2. PEGS Summit 2016, доклад на тему «Discovery and Characterization of a High Potency Anti-Inflammatory Trispecific TNFa/IL-17A/IL-17F Inhibitor», 29 апреля 2016, г. Бостон, США

3. VI PhysTech Bio, доклад на тему «Modern mathematical methods for anticancer drug development», 26 мая 2016, г. Долгопрудный, Россия

4. XX Российский онкологический конгресс, доклад на тему

«Современные методы разработки таргетных лекарственных средств», 17 ноября 2016, г. Москва, Россия

5. The 64th Consultation on International Nonproprietary Names (INN) for Pharmaceutical Substances, доклад на тему «Antibody INN rules: humanization vs germalization», 4 апреля 2017, г. Женева, Швейцария

6. BiATA 2017, доклад на тему «Oligo-Designer: rational design for easy gene construction and high protein expression», 3 августа 2017, г. Санкт-Петербург, Россия

7. Russian Supercomputing Days, доклад на тему «Разработка таргетных лекарственных средств в эпоху суперкомпьютеров», 25 сентября 2017, г. Москва, Россия

8. Интеллектуализация обработки информации 2018, доклад на тему «Метод быстрого множественного попарного выравнивания на основе префиксных деревьев», 8 октября 2018, г. Гаэта, Италия

9. BiotechClub 2020, доклад на тему «Таргетирование В-клеточного звена иммунитета для эффективной терапии рассеянного склероза», 30 октября 2020, г. Москва, Россия

По теме диссертации опубликованы статьи, перечисленные ниже.

1. Eliseev I.E., Yudenko A.N., Besedina N.A., Terterov I.N., Bogdanov A.A., Ulitin A.B., Ekimova V.M., Evdokimov S.R., Putintceva J.V., Yakovlev P.A., Lomovskaya M.I., Dubina M.V. Thermodynamic Analysis of the Conformational Stability of a Single- Domain Therapeutic Antibody. Technical Physics Letters. 2017. Т. 43. № 12. С. 1088-1091.

2. Eliseev I.E., Yudenko A.N., Vysochinskaya V.V., Svirina A.A., Bukatin A.S., Knyazev N.A., Moiseenko F.V., Chakchir O.B., Evstratyeva A.V., Drozhzhachih M.S., Krendeleva E.A., Vladimirova A.K., Nemankin T.A., Ekimova V.M., Ulitin A.B., Lomovskaya M.I., Yakovlev P.A. Crystal structures of a llama VHH antibody BCD090- M2 targeting human ErbB3 receptor. F1000Research. 2018. Т. 7. С. 57.

3. Яковлев П.А. Метод быстрого множественного попарного выравнивания на основе префиксных деревьев. Доклады Академии наук. 2019. Т.

484. № 4. С. 401-404.

4. Boyko O. V., Boyko A.N., Yakovlev P.A., Zinkina-Orikhan A. V., Kotov S. V., Linkova Yu.N., Prakhova L.N., Totolian N.A., Shchur S.G., Ivanov R.A. Results of a phase I clinical study of anti-CD20 monoclonal antibody (BCD-132): pharmacokinetics, pharmacodynamics and safety. S.S. Korsakov Journal of Neurology and Psychiatry 2019, vol. 119, no10, issue 2, pp. 87-95.

5. Аникин А.С., Большакова О.А., Гасников А.В., Горнов А.Ю., Ермак Т.В., Макаренко Д.В., Морозов В.П., Нетеребский Б.О., Яковлев П.А. Алгоритмы локальной минимизации силового поля для трехмерного представления макромолекул. Журнал вычислительной математики и математической физики. 2019. Т. 59. № 12. С. 2060-2076.

6. Britanova O.V., Lupyr K.R, Staroverov D.B., Shagina I.A., Aleksandrov A.A., Ustyugov Y.Y., Somov D.V., Klimenko A., Shostak N.A., Zvyagin I.V., Stepanov A.V., Merzlyak E.M., Davydov A.N., Izraelson M., Egorov E.S., Bogdanova E.A., Vladimirova A.K., Iakovlev P.A., Fedorenko D.A., Ivanov R.A., Skvortsova V.I., Lukyanov S.A., Chudakov D.M. Targeted depletion of TRBV9+ T cells as immunotherapy in a patient with ankylosing spondylitis. Nature Medicine. 2023. T. 29. № 11. С. 2731-2736.

По теме диссертации представлены постерные доклады, перечисленные

ниже.

1. EuroQSAR 2014, участие в постер-сессии с докладом «Computational analysis pipeline for antibody screening», сентябрь 2014, г. Санкт-Петербург, Россия

2. Antibody Engineering & Therapeutics 2014, участие в постер-сессии с докладом «The evolution of antibody screening methods - high-fidelity screening», декабрь 2014, г. Хантингтон Бич, США

3. PEGS Summit 2017, участие в постер-сессии с докладом «BONMAB Technology: "Hot wheel" of mAb discovery and optimization. Anti-CD20 and anti-HER2 antibodies», май 2017, г. Бостон, США

4. PEGS Summit 2017, участие в постер-сессии с докладом «Discovery of bispecific anti-HER2/HER3 and biparatopic anti-HER2/HER2 antibodies», май 2017, г.

Бостон, США

5. PEGS Summit 2017, участие в постер-сессии с докладом «Discovery and characterization of a high potency anti-FcRN antibody», май 2017, г. Бостон, США

6. PEGS Summit 2017, участие в постер-сессии с докладом «A Novel Antagonistic Antibody to PDL1 (BCD-135)», май 2017, г. Бостон, США

7. BiATA 2017, участие в постер-сессии с докладом «Finding structures for antibody variable domain (Fv) database», август 2017, г. Санкт-Петербург, Россия

8. PEGS Summit 2018, участие в постер-сессии с докладом «BENDER: First Semantic-Based Antibody Folding with Structural Annotations», май 2018, г. Бостон, США

9. PEGS Summit 2019, участие в постер-сессии с докладом «Rapid Automated Scaffolding for Antibody Characteristics Improvement», апрель 2019, г. Бостон, США

10. PEGS Summit 2019, участие в постер-сессии с докладом «Raising the Capacity of Adeno-Associated Virus Capsid by the Capsomere Point Mutations», апрель 2019, г. Бостон, США

Кроме того, различные промежуточные результаты докладывались в составе выступлений на научных школах:

1. Летняя школа по биоинформатике 2014, г. Санкт-Петербург, Россия

2. Летняя школа по биоинформатике 2015, г. Москва, Россия

3. Science Slam 2015, г. Москва, Россия

4. Сириус 2016, г. Сочи, Россия

5. Летняя школа по биоинформатике 2016, г. Санкт-Петербург, Россия

6. Pharma'school 2017, г. Москва, Россия

7. Сириус 2017, г. Сочи, Россия

8. Летняя школа по биоинформатике 2017, г. Москва, Россия

9. Future biotech winter school 2018, г. Сочи, Россия

10. Летняя школа по биоинформатике 2018, г. Санкт-Петербург, Россия

11. Летняя школа по биоинформатике 2019, г. Москва, Россия

Автор диссертации также является соавтором ряда патентных заявок на лекарственные препараты, разработка которых включала в себя рациональную оптимизацию белковых структур с применением методов, описанных в данной работе. Ниже приведены российские патенты автора, связанные с разработкой препаратов на основе моноклональных антител. Отдельно хочется выделить патент на создание антитела к CD20, в разработке которого автор играл ключевую роль, применяя методы скаффолдинга антител, являющегося развитием представленных в диссертации методов. Также развитие методов аннотации антител позволило провести гуманизацию антитела против TRBV-9.

1. Моноклональное антитело к PD-L1

Патент на изобретение Яи 2665790 С1, 04.09.2018. Заявка № 2017113141 от 17.04.2017.

2. Триспецифические антитела против 17А, IL-17F и другой провоспалительной молекулы

Патент на изобретение Яи 2680011 С2, 14.02.2019. Заявка № 2016117140 от 29.04.2016.

3. Моноклональное антитело к

Патент на изобретение Яи 2698048 С2, 21.08.2019. Заявка № 2017134413 от 03.10.2017.

4. Моноклональное антитело, которое специфически связывается с

CD20

Патент на изобретение 2724469 С2, 23.06.2020. Заявка № 2018138510 от 31.10.2018.

5. Гуманизированные антитела против участка бета цепи 9-го семейства TRBV9 ТКР человека, и способы их применения

Патент на изобретение Яи 2712251 С1, 27.01.2020. Заявка № 2018146031 от 25.12.2018.

6. Моноклональные антитела, которые специфически связываются с участком бета цепи семейства TRBV-9 Т-клеточного рецептора человека, и

способы их применения

Патент на изобретение RU 2711871 С1, 23.01.2020. Заявка № 2018146029 от 25.12.2018.

7. Моноклональное антитело или его антигенсвязывающий фрагмент, которое специфически связывается с GD2 (ганглиозид GD2), и его применение

Патент на изобретение RU 2796937 С2, 29.05.2023. Заявка № 2021107773 от 24.03.2021.

Структура и объем работы

Работа состоит из введения, четырех глав, заключения и библиографического списка.

Во введении описывается актуальность темы диссертации, формулируется цель и задачи исследования, описываются методы исследования, излагаются основные научные результаты, раскрывается теоретическая и практическая значимость работы. Приводятся результаты диссертации, ее апробации и список публикаций автора по теме исследования. Описывается структура диссертации.

Учитывая кроссдисциплинарность настоящей работы, большое внимание в первой главе уделяется описанию основного объекта исследования — моноклональных антител, а также истории их исследования. Здесь вводятся основные понятия, определяются открытые задачи, а также делаются полезные замечания для дальнейшей реализации.

Во второй главе приводятся полезные наблюдения, а также выводится алгоритм для множественного попарного выравнивания строк, оказывающегося особенно эффективным при работе с последовательностями вариабельных доменов антител. Приводится пример использования данного алгоритма для аннотирования вариабельных доменов антител на структурные регионы, а также определение исходных семейств генов.

Третья глава содержит описание разработанного метода предсказания пространственной структуры вариабельного фрагмента антитела. Описывается подход к поиску структурных шаблонов на основе представленного в предыдущей главе метода, методы "графтирования" петель в каркасы,

осуществления точечных мутаций, а также предсказания петель de novo.

Четвертая глава описывает задачу минимизации потенциальной энергии пространственной структуры макромолекул с помощью силовых полей. Для рассматриваемого силового поля семейства OPLS производится поиск и выбор оптимального метода локальной выпуклой оптимизации для улучшения качества структур, полученных в предшествующей главе.

Полный объём диссертации составляет 128 страниц, включая 46 иллюстраций и 9 таблиц. Список использованных источников содержит 93 наименования.

Благодарности

Автор диссертации благодарит своего научного руководителя член-корреспондента РАН Дмитрия Михайловича Чудакова за продуктивную совместную научную деятельность, а также ценные наблюдения и замечания. В ходе обучения в аспирантуре автор получил множество ценных советов от д.ф.-м.н. Александра Владимировича Омельченко, которому также хочется выразить благодарность за мотивацию при подготовке данной работы и искреннюю поддержку во всех начинаниях.

Кроме того, автор выражает благодарность своим коллегам по ЗАО "Биокад", текущим и бывшим, обсуждения с которыми часто приводили к появлению новых теоретических идей и их эффективных имплементаций. За время обучения в аспирантуре автору посчастливилось руководить написанием бакалаврских и магистерских диссертаций нескольких выдающихся студентов, работы которых помогали проверять различные гипотезы. Отдельно хочется поблагодарить Александра Садовникова и Владимира Морозова, в рамках научно-исследовательских работ которых мы проверили некоторые гипотезы для этого исследования. Финальную логику построения как работы, так и иллюстрирующих её презентационных материалов, автор выработал благодаря длительным и очень конструктивным обсуждениям с Анной Владимировой. А без её моральной поддержки, кажется, никогда бы не прошел через процессы, предваряющие защиту.

1. Биология и биоинформатика антител

1.1 Антитела и их применение 1.1.1 Открытие и начало изучения антител

Еще в начале XX века Нобелевский лауреат по физиологии и медицине Пауль Эрлих представил концепцию "magic bullet" (магическая пуля) [1]. Эрлих считал, что если будет найден компонент, способный селективно связывать мишень в организме, то с этим компонентом к патогенам можно было бы доставлять токсин и селективно уничтожать причину болезни, не затрагивая окружающие ткани. Такая терапия была бы гораздо эффективнее и безопаснее, чем разработанная им же химиотерапия, уничтожающая не только патоген, но и многие другие клетки организма пациента.

Белки, обладающие такой селектирующей функцией, были известны еще с 1890 года благодаря работам Беринга и Китасато по изучению сыворотки крови животных, в ходе которых они установили, что сыворотки кроликов, которым вводили дифтерийный токсин, приобретали способность нейтрализовать этот токсин и оказывать лечебное действие при дифтерийной инфекции. Усовершенствованная Эрлихом сыворотка Беринга была применена для лечения сотен больных дифтеритом детей, а Эмиль Беринг получил Нобелевскую премию по физиологии и медицине с формулировкой "за работу по сывороточной терапии, главным образом за её применение при лечении дифтерии, что открыло новые пути в медицинской науке и дало в руки врачей победоносное оружие против болезни и смерти". Основываясь на предположении, что белки в крови являются антагонистами патогенам, они были названы антителами, однако их природа, механизмы появления и образования специфичности были неизвестны.

Сам Эрлих выдвинул теорию боковых цепей. Он полагал, что поверхность клеток состоит из устойчивого ядра и определенных "боковых цепей", названных Эрлихом рецепторами, расположенных на поверхности и способных вступать в различные химические реакции с другими такими же "боковыми цепями" или

антигенами. По мнению Эрлиха, клетки обладают рецепторами на все возможные антигены, существующие в природе. При попадании последнего в организм, он немедленно связывается с родственным ему рецептором, в результате чего блокирует и выключает его из обмена веществ клетки. В ответ на это клетка начинает экспрессировать заблокированный рецептор, репродуцируя его с избытком. Вновь синтезированные рецепторы не помещаются на поверхность клетки, отрываются от нее и начинают циркулировать в крови в виде антител, специфичных к тому антигену, под влиянием которого произошло перепроизводство. Теория боковых цепей была первой попыткой объяснить специфическое связывание антител с антигенами, ввела важное понятие "рецептора", однако не имела экспериментального подтверждения и не получила его в дальнейшем.

Рисунок 1.1 — Классы антител: ^А, ^Э, ^Е, IgG, ^М: тяжелые цепи отмечены

Только в 1937 году Тиселиус и Кабат начали изучение молекулярной природы антител методом белкового электрофореза, выявив их во фракциях р- и у-глобулинов. Тогда же антитела получили второе название -иммуноглобулины, в соответствии с классификацией их белковой природы. Иммуноглобулины - это семейство гликопротеинов, представленных в плазме крови и тканевых жидкостях позвоночных, способных распознавать и связывать чужеродные для организма вещества (антигены). Участок антигена, с которым

красным, легкие - желтым.

взаимодействует антитело, называется эпитопом, а участок антитела, за счет которого оно взаимодействует с антигеном - паратопом [8].

Очистка выявленых Тиселиусом белков методами хроматографии и дальнейшее изучение их структуры с помощью протеолиза Родни Портером и восстановления дисульфидных связей Джеральдом Эдельманом позволили сделать первые выводы о структуре иммуноглобулинов и имеющихся классов, на которые они разделяются. Благодаря этим работам в 1972 году закономерно пополнилась копилка Нобелевских премий по физиологии и медицине за изучение антител.

Антитела состоят из двух типов полипептидных цепей: лёгких (ЬС) и тяжелых (НС). Подобные названия были приняты в связи со значительным отличием в длине аминокислотных цепочек, и, как следствие, их молекулярной массе. У млекопитающих выделяют пять классов антител - IgG, ^А, ^М, IgD, ^Е (см. рисунок 1.1), различающихся между собой по строению и аминокислотному составу тяжёлых цепей, а также по выполняемым эффекторным функциям. Класс IgG классифицируют на четыре подкласса (IgG1, IgG2, IgG3, IgG4), класс ^А - на два подкласса (^А1, ^А2). Все классы и подклассы составляют девять изотипов, которые присутствуют в норме у всех индивидов.

Согласно теории Эдельмана и Хелли, выдвинутой в 1967 году, каждое антитело, независимо от его класса, кодируется одной парой генов, задающих тяжелую и легкую цепи. Однако известно, что количество пространственных структур антигенов, распознаваемых иммуноглобулинами, имеет порядок не ниже 106. Таким образом, количество различных генов антител, соответственно, также должно быть не менее 1000000, тогда как общее число генов человека не превышает 30000 [9]. На самом деле количество генов ^ значительно меньше, а механизм генерации разнообразия связан с их рекомбинацией в ходе созревания клеток, синтезирующих антитела, в результате чего возникает невероятное разнообразие вариантов белка. Данная теория была подтверждена в течение 70-ых годов, после того, как была установлена связь между выработкой иммуноглобулинов и В-лимфоцитами. В 1976 году в ходе экспериментов

японский молекулярный биолог (и Нобелевский лауреат 1987 года) Судзуми Тонегава увидел, что гены в В-лимфоцитах взрослого животного перемещаются, рекомбинируют и вырезаются, что приводит к огромному разнообразию вариабельных участков антител [10]. Это наблюдение стало генетическим подтверждением рекомбинантного механизма образования антител, то есть составления из фрагментов генов.

В то же время, в 1975 году, были получены гибридомы - бессмертные В-клетки, вырабатывающие только один тип антител, получивших название моноклональных. Жорж Келлер и Сезар Мильштейн разработали метод, позволивший вырабатывать любое антитело как моноклональное. Линия миеломных клеток, которые потеряли способность синтезировать свои собственные антитела, сливались с нормальным В-лимфоцитом, чтобы после слияния отобрать образовавшиеся гибридные клетки - гибридомы, синтезирующие нужное антитело [11]. Это исследование, разумеется, принесло им Нобелевскую премию, а в совокупности с результатами Тонегавы фактически начало эпоху терапевтических антител.

Исследование антител стало одним из ведущих трендов в медицине двадцатого века. За них охотно выдавали Нобелевские премии, но первые настоящие практические результаты - выделение мышиных антител, осуществляющих терапевтическую функцию, - были получены только к началу 1980-ых. В отличии от сывороток Беринга, в данных лекарственных средствах отсутствовали лишние нецелевые компоненты, что значительно повышало безопасность лечения. Тем не менее, безопасность антительной терапии все еще вызывала множество вопросов. Стало очевидно, что невозможно полагаться лишь на удачу, выделяя у животных антитела и надеясь на их эффективность в человеке - требуется уметь направленно изменять свойства полученных антител. Для этого потребовалось глубоко изучить структуру антител и механизмы их рекомбинации.

Список литературы диссертационного исследования кандидат наук Яковлев Павел Андреевич, 2025 год

Список литературы

1. Strebhardt K., Ullrich A. Paul Ehrlich's magic bullet concept: 100 years of progress // Nature reviews. Cancer. — 2008. — June. — Vol. 8, no. 6. — P. 473-480.

2. AlQuraishi M. AlphaFold at CASP13 // Bioinformatics. — 2019. — Vol. 35, no. 22. — P. 4862-4865.

3. Yakovlev P. A. Fast Trie-Based Method for Multiple Pairwise Sequence Alignment // Doklady Mathematics. — 2019. — Vol. 99, no. 1. — P. 64-67.

4. BENDER: First Semantic-Based Antibody Folding with Structural Annotations / P. Yakovlev [et al.] // PEGS 2018. — Boston, USA, 05/2018. — P. 1-1.

5. Local Algorithms for Minimizing the Force Field for 3D Representation of Macro- molecules / P. A. Yakovlev [et al.] // Computational Mathematics and MaStrebhardt 2008. — 2019. — Vol. 59.

6. Yakovlev P. Antibody INN rules: humanization vs germalization // The 64th Consultation on International Nonproprietary Names (INN) for Pharmaceutical Sub- stances. — Geneva, Switzerland, 04/2017. — P. 1-1.

7. Revised monoclonal antibody (mAb) nomenclature scheme / World Health Organization. — 05/17/2017. — URL: https://www.who.int/medicines/ services/inn/Revised_mAb_nomenclature_scheme.pdf.

8. Альтшулер Е. П., Серебряная Д. В., Катруха А. Г. Получение рекомбинантных антител и способы получения их аффинности // Успехи биологической химии. — 2010. — Oct. — Vol. 50. — P. 203-258.

9. Multiple evidence strands suggest that there may be as few as 19 000 human protein- coding genes / I. Ezkurdia [et al.] // Human Molecular Genetics. — 2014. — Nov. — Vol. 23, no. 22. — P. 5866-5878.

10. Ярилин А. А. Иммунология. — Москва : ГЭОТАР-Медия, 04/2010.

11. Georges K., Cesar M. Continuous cultures of fused cells secreting antibody of predefined specificity // Nature. — 1975. — Aug. — Vol. 256, no. 7. — P. 495-497.

12. Pauling L., Corey R. B. Configurations of Polypeptide Chains with Favored Orientations around Single Bonds: Two New Pleated Sheets // Proc. Natl. Acad. Sci. U.S.A. — 1951. — Nov. — Vol. 37, no. 11. — P. 729-740.

13. Sundberg E. Structural Basis of Antibody-Antigen Interactions // Epitope Mapping Protocols. Vol. 524. — Humana Press, 2009. — P. 23-36.

14. Chothia C., Lesk A. M. Canonical structures for the hypervariable regions of immunoglobulins // Journal of molecular biology. — 1987. — Aug. — Vol. 196, no. 4. — P. 901-917.

15. Conformations of immunoglobulin hypervariable regions / C. Chothia [et al.] // Nature. — 1989. — Dec. — Vol. 342, no. 6252. — P. 877-883.

16. Sequences of Proteins of Immunological Interest / E. Kabat [et al.]. — Diane Publishing Company, 1992.

17. Al-Lazikani B., Lesk A. M., Chothia C. Standard conformations for the canonical structures of immunoglobulins // Journal of Molecular Biology. — 1997. — Vol. 273, no. 4. — P. 927-948.

18. IMGT unique numbering for immunoglobulin and T cell receptor variable domains and Ig superfamily V-like domains / M.-P. Lefranc [et al.] // Developmental & Comparative Immunology. — 2003. — Vol. 27, no. 1. — P. 55-77.

19. Sircar A. Computational antibody structure prediction and antibody-antigen docking. — Baltimore, 07/2010.

20. Schroeder H. W., Cavacini L. Structure and function of immunoglobulins // The Journal of allergy and clinical immunology. — 2010. — Feb. — Vol. 125, 2 Suppl 2. — S41-52.

21. Ohta Y., Flajnik M. IgD, like IgM, is a primordial immunoglobulin class perpetuated in most jawed vertebrates // PNAS. — 2006. — July. — Vol. 103, no. 28. — P. 10723-10728.

22. The biology of IgE and the basis of allergic disease / H. J. Gould [et al.] // Annual review of immunology. — 2003. — Vol. 21. — P. 579-628.

23. Market E., Papavasiliou F. N. V(D)J Recombination and the Evolution of the Adaptive Immune System // PLoS Biol. — 2003. — Oct. — Vol. 1, no. 1. — e16.

24. Schatz D. G., Swanson P. C. V(D)J Recombination: Mechanisms of Initiation // Annual Review of Genetics. — 2011. — Dec. — Vol. 45, no. 1. — P. 167202.

25. Leavy O. Therapeutic antibodies: past, present and future. // Nature reviews. Immunology. — 2010. — May. — Vol. 10, no. 5. — P. 297-297.

26. Reshaping human antibodies for therapy / L. Riechmann [et al.] // Nature.

— 1988. — Mar. — Vol. 332, no. 6162. — P. 323-327.

27. Rituximab chimeric anti-CD20 monoclonal antibody therapy for relapsed indolent lymphoma: half of patients respond to a four-dose treatment program. / P. McLaughlin [et al.] // Journal of clinical oncology : official journal of the American Society of Clinical Oncology. — 1998. — Aug. — Vol. 16, no. 8. — P. 2825-2833.

28. Kaplon H., Reichert J. M. Antibodies to watch in 2021 // mAbs. — 2021.

— Vol. 13, no. 1. — P. 1860476.

29. Szymkowski D. E. Engineering Fc Affinity for FcyRIIb to Generate mAbs with Novel MoA // Antibody Engineering and Threapeutics. — Los Angeles, USA, 12/2014. — P. 1-25.

30. Anti-factor IXa/X bispecific antibody ACE910 prevents joint bleeds in a long-term primate model of acquired hemophilia A / A. Muto [et al.] // Blood. — 2014.

31. Yakovlev P., Smirnov V., Karabelsky A. Computational analysis pipeline for anti- body screening // EuroQSAR. — Saint-Petersburg, Russia, 09/2014. — P. 11.

32. The evolution of antibody screening methods - high-fidelity screening / P. Yakovlev [et al.] // Antibody Engineering and Threapeutics. — Los Angeles, USA, 12/2014. — P. 1-1.

33. Yakovlev P. Discovery and Characterization of a High Potency Anti-Inflammatory Trispecific TNFa/IL- 17A/IL-17F Inhibitor // PEGS 2016. — Boston, USA, 04/2016. — P. 1-1.

34. Yakovlev P. Modern mathematical methods for anticancer drug development // Phys- Tech Bio 2016. — Moscow, Russia, 05/2016. — P. 1-1.

35. Yakovlev P. Oligo-Designer: rational design for easy gene construction and high protein expression // BiATA 2017. — Saint-Petersburg, Russia, 08/2017. — P. 1-1.

36. Yakovlev P. Bayesian optimization for small-molecule hits generation // Schrodinger eUGM. — Amsterdam, Netherlands, 09/2014. — P. 1-1.

37. Hogeweg P. The Roots of Bioinformatics in Theoretical Biology // PLoS computational biology. — 2011. — Mar. — Vol. 7, no. 3. — e1002021-5.

38. Initial sequencing and analysis of the human genome / E. S. Lander [et al.] // Nature. — 2001. — Vol. 409, no. 6822. — P. 860-921.

39. Prediction of site-specific interactions in antibody-antigen complexes: the proABC method and server / P. P. Olimpieri [et al.] // Bioinformatics. — 2013. — Vol. 29, no. 18. — P. 2285-2291.

40. Sircar A., Kim E. T., Gray J. J. RosettaAntibody: antibody variable region homology modeling server // Nucleic Acids Research. — 2009. — Vol. 37, suppl 2. — W474- W479.

41. Serverification of Molecular Modeling Applications: The Rosetta Online Server That Includes Everyone (ROSIE) / S. Lyskov [et al.] // PLoS ONE. — 2013. — May. — Vol. 8, no. 5. — e63906.

42. Smith T., Waterman M. Identification of common molecular subsequences // Journal of Molecular Biology. — 1981. — Vol. 147, no. 1. — P. 195-197.

43. IgBLAST: an immunoglobulin variable domain sequence analysis tool / J. Ye [et al.] // Nucleic Acids Research. — 2013. — Vol. 41, W1. — W34-W40.

44. VBASE2, an integrative V gene database / I. Retter [et al.] // Nucleic Acids Re- search. — 2005. — Vol. 33, suppl 1. — P. D671-D674.

45. Brochet X., Lefranc M.-P., Giudicelli V. IMGT/V-QUEST: the highly customized and integrated system for IG and TR standardized V-J and V-D-J sequence analysis // Nucleic Acids Research. — 2008. — Vol. 36, suppl 2. — W503-W508.

46. Beard H. [et al.]. Applying Physics-Based Scoring to Calculate Free Energies of Binding for Single Amino Acid Mutations in Protein-Protein Complexes // PLoS ONE. — 2013. — Dec. — Vol. 8, no. 12. — e82849.

47. Inc. C. C. G. Molecular Operating Environment (MOE), 2011.10. —

2011.

48. Basic local alignment search tool / S. F. Altschul [et al.] // J. Mol. Biol. —

1990. — Oct. — Vol. 215, no. 3. — P. 403-410.

49. Scalable Molecular Dynamics with NAMD / J. C. Phillips [et al.] // Journal of computational chemistry. — 2005. — Dec. — Vol. 26, no. 16. — P. 1781-1802.

50. Scalable Algorithms for Molecular Dynamics Simulations on Commodity Clusters /K. J. Bowers [et al.] // ACM/IEEE Conference on Super-computing (SC06). — New York, USA, 2016.

51. GROMACS: High performance molecular simulations through multi-level parallelism from laptops to supercomputers / M. J. Abraham [et al.] // SoftwareX. — 2015. — Vol. 1/2. — P. 19-25.

52. The Protein Data Bank / H. M. Berman [et al.] // Nucleic Acids Research. — 2000. — Vol. 28, no. 1. — P. 235-242.

53. Protein structure prediction using Rosetta / C. A. Rohl [et al.] // Methods in enzymology. — 2004. — Vol. 383. — P. 66-93.

54. T.M. Tomlinson S.C. Williams S. C., Winger G. VBASE Sequence Directory // MRC Centre for Protein Engineering. — 1996. — Vol. 1, no. 1.

55. Wagner R. A., Fischer M. J. The String-to-String Correction Problem // J. ACM. — New York, NY, USA, 1974. — Vol. 21, no. 1. — P. 168-173.

56. Needleman S. B., Wunsch C. D. A general method applicable to the search for similarities in the amino acid sequence of two proteins // Journal of Molecular Biology. — 1970. — Vol. 48, no. 3. — P. 443-453.

57. Fredkin E. Trie Memory // Commun. ACM. — New York, NY, USA, 1960. — Sept. — Vol. 3, no. 9. — P. 490-499.

58. Glocal alignment: finding rearrangements during alignment / M. Brudno [et al.] // Bioinformatics. — 2003. — Vol. 19, suppl 1. — P. i54-i62.

59. Cohen J. D. Recursive Hashing Functions for n-Grams // ACM Trans. Inf. Syst. — 1997. — Vol. 15, no. 3. — P. 291-320.

60. Structural classification of CDR-H3 revisited: a lesson in antibody modeling / D. Kuroda [et al.] // Proteins. — 2008. — Nov. — Vol. 73, no. 3. — P. 608620.

61. Systematic classification of CDR-L3 in antibodies: implications of the light

chain subtypes and the VL-VH interface / D. Kuroda [et al.] // Proteins. — 2009. — Apr.

— Vol. 75, no. 1. — P. 139-146.

62. Abhinandan K., Martin A. C. Analysis and improvements to Kabat and structurally correct numbering of antibody variable domains // Molecular Immunology.

— 2008. — Vol. 45, no. 14. — P. 3832-3839.

63. Poleksic A. Algorithms for optimal protein structure alignment // Bioinformatics. — 2009. — Vol. 25, no. 21. — P. 2751-2756.

64. Atomic Coordinate Entry Format Version 3.3. — 2012. — http://bit.ly/wwPDBv33.

65. Yakovlev P. HasBOLT: Haskell driver for BOLT protocol. — 2016. — https: //github.com/zmactep/hasbolt.

66. Jabs A., Weiss M. S., Hilgenfeld R. Non-proline cis peptide bonds in proteins. // Journal of molecular biology. — 1999. — Feb. — Vol. 286, no. 1. — P. 291-304.

67. Canutescu A. A., Dunbrack R. L. Cyclic coordinate descent: A robotics algorithm for protein loop closure // Protein Science : A Publication of the Protein Society. — 2003. — May. — Vol. 12, no. 5. — P. 963-972.

68. Ermak T., Shehovtsov A., Yakovlev P. HEDGE: GPU-powered proteinprotein docking pipeline with accurate energy metrics as a primary scoring function // BMC BIOINFORMATICS. Vol. 20. — BMC CAMPUS, 4 CRINAN ST, LONDON N1 9XW, ENGLAND. 2019.

69. Shimrat M. Algorithm 112: Position of Point Relative to Polygon // Commun. ACM. — New York, NY, USA, 1962. — Vol. 5, no. 8. — P. 434.

70. D.C. R. The art molecular dynamics simulation. — Cambridge : Cambridge Univ. press, 2004.

71. Ponder J. W., Case D. A. Force fields for protein simulations. // Advances in protein chemistry. — 2003. — Vol. 66. — P. 27-85.

72. A Second Generation Force Field for the Simulation of Proteins, Nucleic Acids, and Organic Molecules / W. D. Cornell [et al.] // Journal of the American Chemical Society. — 1995. — Vol. 117, no. 19. — P. 5179-5197.

73. CHARMM36m: an improved force field for folded and intrinsically disordered proteins / J. Huang [et al.] // Nature Methods. — 2017. — Vol. 14.

74. Jorgensen W. L., Maxwell D. S., Tirado-Rives J. Development and Testing of the OPLS All-Atom Force Field on Conformational Energetics and Properties of Organic Liquids // Journal of the American Chemical Society. — 1996. — Vol. 118, no. 45. — P. 11225-11236.

75. Sweere A. J. M., Fraaije J. G. E. M. Accuracy Test of the OPLS-AA Force Field for Calculating Free Energies of Mixing and Comparison with PAC-MAC // Journal of Chemical Theory and Computation. — 2017. — May. — Vol. 13, no. 5. — P. 1911- 1923.

76. A rapid approximation to the solvent accessible surface areas of atoms / W. Hasel [et al.] // Elsevier. — 1988. — Vol. 1, no. 2. — P. 103-116.

77. Semianalytical treatment of solvation for molecular mechanics and dynamics / W. C. Still [et al.] // Journal of the American Chemical Society. — 1990. — Vol. 112, no. 16. — P. 6127-6129.

78. Немировский А. С., Юдин Д. Б. Сложность задач и эффективность методов оптимизации. — Наука, 1979.

79. Поляк Б. Т. Введение в оптимизацию. — Наука, 1983.

80. Поляк Б. Т. О некоторых способах ускорения сходимости итерационных методов // Журнал вычислительной математики и математической физики. — 1964. — Vol. 4, no. 5. — P. 791-803.

81. Su W., Boyd S., Candes E. A differential equation for modeling Nesterov's accelerated gradient method: Theory and insights // Advances in Neural Information Processing Systems. — 2014. — P. 2510-2518.

82. SAbDab: the structural antibody database / J. Dunbar [et al.] // Nucleic Acids Research. — 2013. — Nov. — Vol. 42, no. D1. — P. D1140-D1146.

83. CAPRI: a Critical Assessment of Predicted Interactions / J. Janin [et al.] // Proteins. — United States, 2003. — July. — Vol. 52, no. 1. — P. 2-9.

84. Updates to the Integrated Protein-Protein Interaction Benchmarks: Docking Benchmark Version 5 and Affinity Benchmark Version 2 / T. Vreven [et al.] // J Mol Biol.

— Netherlands, 2015. — July. — Vol. 427, no. 19. — P. 3031-3041.

85. Highly accurate protein structure prediction with AlphaFold / Jumper, J., Evans, R., Pritzel, A. et al. // Nature — 2021. — Vol. 596 — P. 583-589.

86. Accurate structure prediction of biomolecular interactions with AlphaFold 3 / Abramson, J., Adler, J., Dunger, J. et al. // Nature — 2024. — Vol. 630 — P. 493500.

87. Accurate prediction of protein structures and interactions using a three-track neural network / Minkyung Baek et al. // Science — 2021. — Vol. 373 — P. 871876.

88. Evolutionary-scale prediction of atomic-level protein structure with a language model / Zeming Lin et al. // Science — 2023. — Vol. 379 — P. 1123-1130.

89. Strengths and limitations of AlphaFold2. EMBL-EBI Training — 2024. — https://www.ebi.ac.uk/training/online/courses/alphafold/an-introductory-guide-to-its-strengths-and-limitations/strengths-and-limitations-of-alphafold/.

90. pmx: Automated protein structure and topology generation for alchemical perturbations / Vytautas Gapsys et al. // J. Comp. Chemistry — 2015. — Vol. 36 — P. 348-354.

91. Britanova O.V., et al. Targeted depletion of TRBV9+ T cells as immunotherapy in a patient with ankylosing spondylitis. Nature Medicine. 2023. T. 29. № 11. С. 2731-2736.

92. Effectiveness and safety of BCD180, anti-TRBV9+ T-lymphocytes monoclonal antibody in patients with active radiographic axial spondyloarthritis: 36-week results of double-blind randomized placebo-controlled phase II clinical study ELEFTA / Насонов Е.Л. et al. // Rheumatology Science and Practice — 2024. — Vol. 62 — P. 65-80.

93. Fast, accurate antibody structure prediction from deep learning on massive set of natural antibodies / Ruffolo, J.A., et al. // Nat Commun — 2024. — Vol. 14