A rapid artificial intelligence framework for computational assessment of peptide-HLA complex formation

Resumen Técnico: Un Marco de IA Rápido para la Evaluación Computacional de la Formación de Complejos Péptido-HLA

Planteamiento del Problema
El campo de la inmunoinformática ha avanzado rápidamente en la predicción de epítopos de unión a HLA, pero persiste una brecha crítica en la interpretación estructural y biológica de la formación de complejos péptido-HLA. Los enfoques computacionales actuales suelen priorizar las métricas de afinidad de unión mientras descuidan las restricciones estructurales fundamentales, tales como la orientación del péptido, el acomodo de los residuos ancla y la topología física de la hendidura de unión al péptido. En consecuencia, muchos estudios generan modelos con puntuaciones de acoplamiento (docking) favorables que son inconsistentes con los principios biológicos establecidos de la presentación de antígenos (por ejemplo, el acoplamiento de constructos multiepítopos enteros directamente al HLA o la colocación de péptidos fuera de la hendidura canónica). Esta desconexión dificulta la interpretabilidad biológica de las predicciones computacionales, lo que puede conducir a la priorización de conformaciones no fisiológicas y reducir la fiabilidad de los esfuerzos de diseño de vacunas y descubrimiento de antígenos.

Metodología
Este estudio propone un marco práctico utilizando AlphaFold 3 para realizar evaluaciones estructurales de alta fidelidad de complejos de péptido-HLA clase I (HLA-I). La metodología consistió en los siguientes pasos:

1. Selección de Datos: El estudio utilizó 18 péptidos derivados de SARS-CoV-2 para células T CD8⁺ provenientes de la vacuna BNT162b4, previamente validados mediante inmunopeptidómica basada en espectrometría de masas. Estos péptidos fueron seleccionados por su alta conservación entre variantes y su inmunogenicidad protectora.
2. Selección de Alelos: Se modelaron las interacciones con cinco alelos de HLA-I de prevalencia global: HLA-A01:01, HLA-A02:01, HLA-A03:01, HLA-A11:01 y HLA-B*44:03.
3. Validación del Modelo: Para verificar la fidelidad de AlphaFold 3, los autores modelaron primero complejos de péptido-HLA conocidos (utilizando péptidos endógenos y estructuras de HLA del Protein Data Bank, PDB). Estas predicciones se alinearon con sus correspondientes estructuras de cristalografía de rayos X mediante el algoritmo TM-align. Solo se retuvieron los modelos con métricas de alta confianza (pLDDT > 90 en la hendidura de unión al péptido y confianza global > 70).
4. Modelado de Complejos: El marco validado se aplicó para modelar los 18 péptidos de SARS-CoV-2 contra los alelos seleccionados. Además, el estudio modeló variantes mutadas del péptido inmunodominante TTDPSFLGRY (que representan las sublíneases Delta y Ómicron) para evaluar el impacto de las mutaciones virales en la unión estructural.
5. Análisis: Los resultados estructurales se analizaron para identificar características canónicas, incluyendo el posicionamiento de los residuos ancla, el acomodo del péptido dentro de la hendidura de unión y las redes de enlaces de hidrógeno. Las afinidades de unión (energía libre de Gibbs $\Delta G$ y constante de disociación $K_d$) se estimaron computacionalmente utilizando el servidor PRODIGY.

Resultos Clave

• Reconstrucción de Alta Fidelidad: AlphaFold 3 reconstruyó con éxito la arquitectura general de los complejos péptido-HLA, reproduciendo con precisión el plegamiento de la cadena pesada de HLA, la $\beta_2$-microglobulina y la hendidura de unión al péptido.
• Precisión Estructural: Los modelos predichos mostraron un solapamiento notable con los datos de cristalografía de rayos X, particularmente en lo que respecta al posicionamiento de los residuos ancla canónicos en los extremos N- y C-terminales y la formación de interacciones de enlace de hidrógeno conservadas.
• Manejo de la Longitud del Péptido: El marco capturó con precisión la diversidad conformacional de péptidos más largos, incluyendo la formación de protuberancias centrales características que sobresalen de la hendidura de unión, una característica que suele ser difícil de modelar con los métodos de acoplamiento tradicionales.
• Análisis de Variantes: El estudio demostró que, si bien las mutaciones en las variantes Delta (P1640L) y Ómicron (P1640S) del péptido TTDPSFLGRY ocurrieron en posiciones no ancla, estas indujeron cambios sutiles pero distintos en los patrones de interacción local. Específicamente, las variantes alteraron los sitios de contacto en las posiciones N-terminal y media, y exhibieron interacciones únicas de enlace de hidrógeno e interacciones $\pi$-$\pi$ en comparación con la cepa Wuhan-1.
• Afinidad de Unión: La evaluación computacional indicó que los complejos de péptido-HLA-A*01:01 predichos exhibieron una menor energía libre de Gibbs y constantes de disociación en comparación con los controles, lo que sugiere interacciones estables y favorables.

Contribuciones Clave

• Desarrollo de un Marco de Trabajo: El artículo establece un flujo de trabajo rápido, accesible y escalable para la evaluación estructural de complejos péptido-HLA utilizando AlphaFold 3, yendo más allá de la simple predicción de afinidad hacia la interrogación estructural 3D.
• Validación de la IA en Inmunología: Proporciona evidencia empírica de que AlphaFold 3 puede generar modelos estructuralmente plausibles de las interacciones péptido-HLA que se alinean con las estructuras resueltas experimentalmente, incluso para diversos alelos de HLA y longitudes de péptido variables.
• Evaluación de Variantes: El estudio demuestra la utilidad de este marco para evaluar rápidamente las consecuencias estructurales de las mutaciones virales emergentes en la presentación de antígenos, ofreciendo una herramienta para evaluar la estabilidad de los epítopos inducidos por vacunas frente a patógenos en evolución.

Significado y Reivindicaciones
Los autores afirman que este marco aborda una limitación crítica en la inmunoinformática al proporcionar un método para evaluar las interacciones péptido-HLA basándose en principios estructurales inmunológicos bien establecidos, en lugar de basarse únicamente en puntuaciones de acoplamiento sintéticas. Al reproducir con precisión las características canónicas de la presentación de antígenos, el enfoque ofrece perspectivas biológicamente significativas que pueden mejorar la interpretabilidad y la fiabilidad de la vacunología computacional.

El estudio posiciona este marco impulsado por IA como un recurso complementario a la biología estructural experimental, particularmente valioso en escenarios donde los datos de cristalografía o criomicroscopía electrónica no están disponibles o durante emergencias de salud pública que requieren una respuesta rápida. Los autores enfatizan que, si bien el marco genera modelos estáticos de alta confianza, no captura plenamente la naturaleza dinámica de las interacciones péptido-HLA o el compromiso del receptor de células T, y la validación experimental sigue siendo necesaria para confirmar la relevancia biológica de las diferencias estructurales observadas.