Decoding epitope immunodominance in HIV Env using cryoEM and machine learning

Dit onderzoek combineert cryo-elektronenmicroscopie en machine learning om de structurele determinanten van immunodominantie bij HIV-Env te ontcijferen, waardoor een voorspellend model is ontwikkeld dat succesvol werd gebruikt om antilichaamresponsen te heroriënteren naar subdominante epitopen voor de ontwikkeling van effectievere vaccins.

De kern

De HIV-schildklimaat: Hoe we een slimme computer hebben gebouwd om het virus te verslaan

Stel je voor dat het HIV-virus een enorme, draaiende kogel is die bedekt is met duizenden kleine, schuivende deeltjes. Dit zijn de Env-eiwitten (de "sleutels" die het virus gebruikt om cellen binnen te dringen). Op het oppervlak van deze kogel zitten honderden plekken waar het menselijke afweersysteem (de antilichamen) aan kan vastgrijpen.

Het probleem? Het afweersysteem is als een groepje soldaten die een fort moeten bestormen. Ze hebben de keuze uit duizenden deuren, maar ze vallen altijd maar dezelfde paar deuren aan. Ze negeren de andere, misschien wel zwakkere deuren. In de wetenschap noemen we dit immunodominantie: het afweersysteem is "dominant" op de verkeerde plekken en slaat de echte zwakke plekken over.

De onderzoekers in dit artikel wilden weten: Waarom kiezen ze die ene deur en niet de andere? En kunnen we de soldaten ompraten om op de goede plekken te vallen?

Stap 1: De "Super-Scanners" (Cryo-EM)

Om dit te begrijpen, hebben de wetenschappers een heleboel ratten en apen gevaccineerd met verschillende versies van het HIV-virus. Vervolgens hebben ze het bloed van deze dieren afgenomen en gekeken welke antilichamen er precies aan het virus plakten.

Ze gebruikten een superkrachtige microscoop, de cryo-EM (koud elektronenmicroscoop). Denk hierbij niet aan een gewone foto, maar aan het maken van 3D-filmpjes van het virus terwijl het wordt aangevallen door duizenden verschillende antilichamen tegelijk.

• De metafoor: Stel je voor dat je een dansfeest filmt waar duizenden gasten (antilichamen) proberen de dansvloer (het virus) te betreden. De microscoop maakt een film van wie waar staat. Ze hebben zo meer dan 100 nieuwe 3D-kaarten gemaakt van precies waar deze gasten vastpakken.

Stap 2: De "Detective" (Machine Learning)

Met al die kaarten in de hand zagen ze een patroon. De plekken waar de antilichamen het vaakst vastpakten, hadden bepaalde eigenschappen:

1. Ze staken vaak een beetje uit (zoals een uitkijktoren).
2. Ze waren niet volledig bedekt met suikermantels (glycanen) die het virus gebruikt als camouflage.
3. Ze hadden een specifieke chemische "geur" (bepaalde aminozuren).

Maar het is te veel werk om dit handmatig te berekenen voor elk nieuw virus. Dus bouwden ze een AI-model (een slimme computer).

• De metafoor: Stel je voor dat je een detective bent die duizenden moordzaken heeft opgelost. Je leert van elke zaak: "Als de moordplek uitkijkt over de stad en geen gordijnen heeft, is het een makkelijk doelwit."
  Deze computer (het ASI-model) leerde van al die 100 kaarten. Hij werd getraind om te voorspellen: "Als ik naar een nieuw virus kijk, welke plekken zullen de soldaten waarschijnlijk aanvallen?"

Stap 3: Het Experiment – Het virus "hersenstomen"

Nu kwam het echte bewijs. De computer zei: "Als jullie op deze specifieke plekken een paar letters in het DNA van het virus veranderen, zullen de soldaten daar gaan vallen."

De wetenschappers maakten een kunstmatig HIV-virus (een vaccin-kandidaat) en veranderden een paar kleine stukjes:

• Ze verwijderden een suikermantel die een belangrijke deur bedekte.
• Ze voegden een paar specifieke "vaste punten" toe (zoals een handvat) op een plek die normaal gesproken genegeerd werd.

Toen ze dit nieuwe virus aan ratten gaven, gebeurde er iets magisch: De soldaten vielen precies aan op de plekken waar de computer had voorspeld! Ze negeerden de oude, makkelijke plekken en richtten zich op de nieuwe, zwakkere plekken.

Waarom is dit belangrijk?

Vroeger was het ontwerpen van een HIV-vaccin als gokken. Je hoopte dat het afweersysteem de goede plek zou vinden.
Met deze nieuwe methode is het meer als architectuur:

1. Je scant het gebouw (het virus) met je camera's.
2. Je computer berekent precies waar de zwakke plekken zijn.
3. Je bouwt een nieuw deurtje (vaccin) op die plek, zodat de soldaten daar direct naar toe rennen.

Conclusie:
Dit onderzoek laat zien dat we niet langer hoeven te wachten tot het virus "per ongeluk" een zwakke plek toont. We kunnen de immuniteit sturen. Door de vorm en de chemie van het virus slim aan te passen, kunnen we het afweersysteem dwingen om de echte zwakke plekken van HIV aan te vallen, wat de kans op een effectief vaccin enorm vergroot.

Het is alsof we van een blinddoekje af zijn gekomen en nu een GPS hebben die ons de kortste weg naar de overwinning wijst.

Technische samenvatting

Probleemstelling

Het immuunsysteem reageert op virale oppervlakteglycoproteïnen, zoals het HIV-omhulsel (Env), door antilichamen (Ab) te produceren die specifieke epitopen herkennen. Echter, de immuunrespons is vaak beperkt tot een klein subset van deze epitopen, een fenomeen dat immunodominantie wordt genoemd. Hoewel structurele studies inzicht hebben gegeven in de antigeniciteit van Env, blijft het begrijpen van de moleculaire kenmerken die bepalen waarom bepaalde epitopen efficiënt worden aangevallen en andere niet, onvolledig. Dit beperkt de rationele ontwikkeling van vaccins. Bestaande structurele databases bevatten voornamelijk structuren van monoklonale antilichamen (vooral breed neutraliserende antilichamen of bnAbs), wat geen volledig beeld geeft van de polyclonale respons. Bovendien zijn methoden zoals peptide-microarrays beperkt tot lineaire epitopen, terwijl de meeste relevante epitopen conformationeel zijn.

Methodologie

De auteurs hebben een geïntegreerde aanpak ontwikkeld die hoge-resolutie structurele biologie combineert met machine learning:

1. CryoEM-gebaseerde polyclonale epitopemapping (cryoEMPEM):

   • Er werden serummonsters gebruikt van konijnen en apen (makaken) die waren geïmmuniseerd met zes verschillende HIV-1 Env-antigenen (uit clades A, B, C en een consensus-stam ConM).
   • Polyclonale antilichamen werden geïsoleerd, omgezet in Fab-fragmenten en complexen gevormd met de immuniserende antigenen.
   • Met cryo-electronmicroscopie (cryoEM) werden meer dan 70 nieuwe structuren opgelost, resulterend in een bibliotheek van >100 Env-antilichoomcomplexen. Dit omvatte het reconstrueren van meerdere elektronenmicroscopie-kaarten per monster om de meest voorkomende klassen van antilichamen te vangen.

2. Structurele en fysisch-chemische analyse:

   • De auteurs ontwikkelden een oppervlakte-gecentreerde benadering waarbij de dichtheidskaarten werden omgezet in gediskretiseerde oppervlakken (meshes).
   • Ze analyseerden diverse parameters:
     • Geometrie: Uitstekingsindex (PI) en Vormindex (SI).
     • Chemie: Aminozuursamenstelling, hydrofobiciteit, elektrostatica.
     • Dynamiek: Root-mean-square fluctuatie (RMSF) uit moleculaire dynamica (MD) simulaties.
     • Glycan shielding: Glycan Encounter Factor (GEF) om de mate van bescherming door suikergroepen te kwantificeren.

3. Machine Learning (ML) Model (ASI):

   • Op basis van de structurele data werd een XGBoost-classificator getraind om te voorspellen of een oppervlakte-vertex immunodominant of subdominant is.
   • Het model levert een Antigen Surface Immunodominance (ASI) score op (0-1), die de waarschijnlijkheid aangeeft dat een site een immunodominant epitool is.
   • SHAP (SHapley Additive exPlanations) werd gebruikt om de bijdrage van individuele kenmerken te interpreteren.

4. Validatie en Engineering:

   • Het model werd getest op een evolutionair distant antigen (16055 SOSIP.v8.3).
   • Het model werd gebruikt om twee strategieën te valideren:
     • Glycan engineering: Voorspelling van blootgestelde epitopen na het verwijderen van glycanen (BG505 SOSIP GT1.1).
     • Aminozuursubstitutie: Het introduceren van specifieke aminozuren (zoals tryptofaan) in subdominale gebieden om de immunogeniciteit te verhogen (BG505 SOSIP IF).

Belangrijkste Bijdragen

• Uitgebreide Structurele Bibliotheek: De studie heeft een ongeëvenaarde dataset van >100 hoge-resolutie cryoEM-kaarten van polyclonale antilichoomcomplexen gegenereerd, wat een veel realistischer beeld geeft van de natuurlijke immuunrespons dan eerdere monoclonale datasets.
• Het ASI-model: De ontwikkeling van het eerste machine learning-model dat specifiek is ontworpen om immunodominantie op basis van oppervlaktekenmerken van het antigeen te voorspellen.
• Rationeel Vaccinontwerp: Het bewijs leveren dat immunodominantie niet alleen door glycanen wordt bepaald, maar ook door aminozuursamenstelling en geometrie, en dat dit rationeel kan worden gemanipuleerd.

Resultaten

• Kenmerken van Immunodominantie:

  • Immunodominante epitopen worden gekenmerkt door een hoge uitstekingsindex (PI) (ze steken ver uit van het centrum van het trimeer) en een convexe vorm (SI).
  • Ze bevatten een oververtegenwoordiging van specifieke hydrofobe en aromatische aminozuren (zoals Tryptofaan/W, Leucine/L, Methionine/M), die sterke interacties met antilichamen mogelijk maken.
  • Ze hebben een lagere dichtheid aan glycanen (lage GEF) en zijn vaak minder flexibel (lage RMSF) dan subdominale gebieden.
  • Subdominale gebieden (zoals de CD4-bindingsplaats in de native vorm) zijn vaak recessief, minder uitstekend of sterk bedekt met glycans, ondanks dat ze soms weinig glycanen hebben.

• Modelprestaties:

  • Het ASI-model behaalde een ROC AUC van 0,927 bij het voorspellen van immunodominantie op het testantigeen.
  • Het model slaagde erin om de Base-epitool en N611/N625 "glycan holes" correct te identificeren als immunodominant.
  • Er was een sterke correlatie tussen hoge ASI-scores en gebieden met lage sequentie-conservatie in natuurlijke HIV-stammen, wat aangeeft dat het model de drukpunten van de immuunselectie correct identificeert.

• Validatie door Engineering:

  • Glycan Remodeling: Het model voorspelde correct dat het verwijderen van glycans rond de CD4-bindingsplaats (in BG505 GT1.1) de immunodominantie van dit gebied verhoogt. CryoEM bevestigde dat geïmmuniseerde apen inderdaad antilichamen produceerden die specifiek dit nu blootgestelde gebied herkenden.
  • Aminozuur-Engineering: Door tryptofaan-residuen in te bouwen in de CD4-bindingsplaats (BG505 SOSIP IF), voorspelde het model een toename in immunogeniciteit. Experimenten met konijnen bevestigden dit: er werd een meetbare antilichaamrespons gegenereerd tegen de CD4-bindingsplaats, terwijl de respons tegen het Fusion Peptide (FP) afwezig bleef (waarschijnlijk door structurele context en flexibiliteit).

Betekenis en Impact

Deze studie biedt een fundamenteel nieuw inzicht in de moleculaire determinanten van immunodominantie bij HIV. Het toont aan dat immunodominantie het resultaat is van een complex samenspel van geometrie, chemie en glycosylering, en niet slechts één factor.

De belangrijkste implicaties zijn:

1. Voorspellend Vermogen: Het ASI-model kan worden gebruikt om in silico te voorspellen welke epitopen op een vaccin-antigeen de meeste kans hebben om een immuunrespons op te wekken, voordat er dure dierexperimenten worden uitgevoerd.
2. Rationeel Design: Het biedt een blauwdruk voor het ontwerpen van "immunofocusing" immunogenen. Door specifieke aminozuren toe te voegen of glycans te verwijderen, kunnen onderzoekers de immuunrespons sturen naar gewenste, vaak subdominale, maar cruciale epitopen (zoals de CD4-bindingsplaats) die essentieel zijn voor breed neutraliserende antilichamen.
3. Brede Toepasbaarheid: Hoewel getest op HIV, is de methode (oppervlakte-gecentreerde ML op cryoEM-data) in principe toepasbaar op andere virale glycoproteïnen (zoals influenza of coronavirussen) om universele vaccins te ontwikkelen.

Samenvattend koppelt dit werk geavanceerde structurele biologie direct aan machine learning om de "zwarte doos" van immunodominantie te doorbreken en een nieuwe route te openen voor de ontwikkeling van effectievere HIV-vaccins.