Выявление иммуногенных мутантных неоантигенов в геноме меланомы мышей

Введение. Одним из перспективных подходов к иммунотерапии рака является создание персонализированных противоопухолевых вакцин, направленных на усиление распознавания иммунной системой мутантных опухолевых неоантигенов.

Цель исследования — разработка биоинформатического подхода для анализа данных NGS-секвенирования образцов меланомы и нормальной ткани и предсказания пептидов, способных вызывать иммунный ответ на модели мышиной меланомы B16F10. Материалы и методы. Секвенировали экзом и транскриптом опухолевой ткани меланомы B16F10 и нормальной ткани мышей линии С57Bl/6. Процедура секвенирования библиотек была произведена на платформе IlluminaHiSeq 2500, анализ качества всех полученных библиотек был выполнен с помощью программ FastQC и MultiQC. Полученные файлы были использованы для дальнейшего биоинформатического анализа. Для поиска мутаций в образцах опухоли использовали программы GATKMuTect2 и Strelka.

Результаты. В образцах материала, полученного от нескольких мышей, проведен поиск соматических мутаций, присутствующих только в опухолях и отсутствующих в нормальной ткани, показано, что мутации в разных образцах опухоли значительно перекрываются, но не идентичны. Предсказание коротких пептидов, аффинных к главному комплексу гистосовместимости (МНС) мыши H-2, было проведено с использованием модели netMHCpan (версия 3.0), использующей глубокие искусственные нейронные сети. Для предсказания коротких пептидов, способных вызвать иммунный ответ, использовались мутации типа миссенс и фреймшифт. Для подтверждения, что мутированные аллели экспрессируются в опухоли, использовали транскриптомные данные. С помощью пайплайна Vaxrank были предсказаны иммуногенные пептиды длиной 25—27аа, представлены параметры их синтезируемости и растворимости.

Выводы. Разработан биоинформатический подход для предсказания пептидов, способных вызывать иммунный ответ на мо¬дели мышиной меланомы B16F10.

1. Барышникова М.А., Кособокова Е.Н., Косоруков В.С. Неоантигены в иммунотерапии опухолей. Российский биотерапевтический журнал 2018;17(2):6—14. DOI: 10.17650/1726-9784-2018-7-2-6-14.

2. Robbins P.F., El-Gamil M., Li Y.F. et al. A mutated beta-catenin gene encodes a melanoma-specific antigen recognized by tumor infiltrating lymphocytes. J Exp Med 1996;183:1185-92. DOI: 10.1084/jem.183.3.1185.

3. Castle J.C., Kreiter S., Diekmann J. et al. Exploiting the mutanome for tumor vaccination. Cancer Res 2012;75(5):1081-90. DOI: 10.1158/0008-5472.CAN-11-3722.

4. Robbins P.F., Lu Y.C., El-Gamil M. et al. Mining exomic sequencing data to identify mutated antigens recognized by adoptively transferred tumor-reactive T cells. Nat Med 2013; 19(6) /747-52. DOI: 10.1038/nm.3161.

5. Ott P.A., Hu Z., Keskin D.B. et al. An immunogenic personal neoantigen vaccine for patients with melanoma. Nature 2017;547:217-21. DOI: 10.1038/nature22991.

6. Singh H., Raghava G.P. ProPred1: prediction of promiscuous MHC Class-I binding sites. Bioinformatics 2003;19(8): 1009-14. DOI: 10.1093/bioinformatics/btg108.

7. Reche P.A., Glutting J.P. Enhancement to the RANKPEP resource for the pre-diction of peptide binding to MHC mol-ecules using profiles. Immunogenetics 2004;56(6):405-19. DOI: 10.1007/s00251-004-0709-7.

8. McGranahan N., Furness A.J., Rosen-thal R. Clonal neoantigens elicit T cell immunoreactivity and sensitivity to im-mune checkpoint blockade. Science 2016;351(6280):1463-9. DOI: 10.1126/science.aaf1490..

9. Jurtz V., Paul S., Andreatta M. еt al. NetMHCpan-4.0: Improved peptide-MHC class I interaction predictions integrating eluted ligand and peptide binding affinity data. J Immunol 2017;199(9): 3360-8. DOI: 10.4049/jimmunol.1700893.

10. Lundegaard C., Lamberth K., Harndahl M. et al. NetMHC-3.0: accurate web accessible predictions of human, mouse and monkey MHC class I affinities for peptides of length 8-11. Nucleic Acids Res 2008;36(Web Server issue):509-12. DOI: 10.1093/nar/gkn202.

11. Rubinsteyn A., Hodes I., Kodysh J., Hammerbacher J. Vaxrank: A computational tool for designing per-sonalized cancer vaccines. available at: https://www.biorxiv.org/content/early/2018/10/18/142919

12. Rubinsteyn A., Kodysh J., Hodes I. et al. Computational pipeline for the PGV-001 neoantigen vaccine trial. Front Immunol 2018;8: 1807. DOI: 10.3389/fimmu.2017.01807.

13. Kyte J., Doolittle R.F. A simple method for displaying the hydropathic character of a protein. J Mol Biol 1982;157(1):105-32. DOI: 10.1016/0022-2836(82)90515-0.

14. Hebditch M., Carballo-Amador M.A., Charonis S. et al. Protein-Sol: a web tool for predicting protein solubility from sequence. Bioinformatics 2017;33(19):3098-100. DOI: 10.1093/bioinformatics/btx345.

15. Saunders C.T., Wong W.S., Swamy S. et al. Strelka: accurate somatic small-variant calling from sequenced tumor-normal sample pairs. Bioinfor-matics 2012;28(14):1811-7. DOI: 10.1093/bioinformatics/bts271.

16. Cibulskis K., Lawrence M.S., Carter S.L. et al. Sensitive detection of somatic point mutations in impure and heterogeneous cancer samples. Nat Biotechnol 2013;31(3):213-9. DOI: 10.1038/nbt.2514.

17. Lower M., Renard B.Y., de Graaf J. et al. Confidence-based somatic mutation evaluation and prioritization. PLoS Comput Biol 2012;8(9):1002714. DOI: 10.1371/journal.pcbi.1002714.

18. Castle J.C., Lower M., Boegel S. et al. Mutated tumor alleles are expressed according to their DNA frequency. Sci Rep 2014;4:4743. DOI: 10.1038/srep04743.

19. Kreiter S., "Vbrmehr M., van de Roemer N. et al. Mutant MHC class II epitopes drive therapeutic immune responses to cancer. Nature 2015;520(7549):692-6. DOI: 10.1038/nature14426.