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

Resumo Técnico: Um Framework de IA Rápido para a Avaliação Computacional da Formação do Complexo Peptídeo-HLA

Definição do Problema
O campo da imunoinformática avançou rapidamente na predição de epítopos de ligação ao HLA, mas uma lacuna crítica permanece na interpretação estrutural e biológica da formação do complexo peptídeo-HLA. As abordagens computacionais atuais frequentemente priorizam métricas de afinidade de ligação, negligenciando restrições estruturais fundamentais, como a orientação do peptídeo, o acomodamento de resíduos âncoras e a topologia física da fenda de ligação do peptídeo. Consequentemente, muitos estudos geram modelos com pontuações de docking favoráveis que são inconsistentes com princípios biológicos estabelecidos de apresentação de antígenos (por exemplo, realizar o docking de construtos multiepítopos inteiros diretamente ao HLA ou posicionar peptídeos fora da fenda canônica). Esse descompasso prejudica a interpretabilidade biológica das predições computacionais, podendo levar à priorização de conformações não fisiológicas e reduzir a confiabilidade dos esforços de design de vacinas e descoberta de antígenos.

Metodologia
Este estudo propõe um framework prático utilizando o AlphaFold 3 para realizar avaliações estruturais de alta fidelidade de complexos de peptídeo-HLA classe I (HLA-I). A metodologia envolveu as seguintes etapas:

1. Seleção de Dados: O estudo utilizou 18 peptídeos derivados de SARS-CoV-2 para células T CD8⁺ da vacina BNT162b4, previamente validados via imunopeptidômica baseada em espectrometria de massa. Esses peptídeos foram selecionados por sua alta conservação entre variantes e imunogenicidade protetora.
2. Seleção de Alelos: As interações foram modeladas com cinco alelos de HLA-I globalmente prevalentes: HLA-A01:01, HLA-A02:01, HLA-A03:01, HLA-A11:01 e HLA-B*44:03.
3. Validação do Modelo: Para verificar a fidelidade do AlphaFold 3, os autores primeiro modelaram complexos peptídeo-HLA conhecidos (usando peptídeos endógenos e estruturas de HLA do Protein Data Bank, PDB). Essas predições foram alinhadas com suas respectivas estruturas de cristalografia de raios X usando o algoritmo TM-align. Apenas modelos com métricas de alta confiança (pLDDT > 90 na fenda de ligação do peptídeo e confiança global > 70) foram retidos.
4. Modelagem de Complexos: O framework validado foi aplicado para modelar os 18 peptídeos de SARS-CoV-2 contra os alelos selecionados. Adicionalmente, o estudo modelou variantes mutadas do peptídeo imunodominante TTDPSFLGRY (representando as linhagens subjacentes Delta e Omicron) para avaliar o impacto das mutações virais na ligação estrutural.
5. Análise: Os outputs estruturais foram analisados quanto a características canônicas, incluindo o posicionamento de resíduos âncoras, o acomodamento do peptídeo dentro da fenda de ligação e redes de ligações de hidrogênio. As afinidades de ligação (energia livre de Gibbs $\Delta G$ e constante de dissociação $K_d$) foram estimadas computacionalmente usando o servidor PRODIGY.

Principais Resultados

• Reconstrução de Alta Fidelidade: O AlphaFold 3 reconstruiu com sucesso a arquitetura geral dos complexos peptídeo-HLA, reproduzindo com precisão o dobramento da cadeia pesada do HLA, da $\beta_2$-microglobulina e da fenda de ligação do peptídeo.
• Precisão Estrutural: Os modelos preditos mostraram uma sobreposição notável com os dados de cristalografia de raios X, particularmente quanto ao posicionamento de resíduos âncoras canônicos nas extremidades N- e C-terminais e à formação de interações de ligações de hidrogênio conservadas.
• Tratamento do Comprimento do Peptídeo: O framework capturou com precisão a diversidade conformacional de peptídeos mais longos, incluindo a formação de protuberâncias centrais características que se projetam para fora da fenda de ligação, uma característica frequentemente difícil de modelar com métodos tradicionais de docking.
• Análise de Variantes: O estudo demonstrou que, embora as mutações nas variantes Delta (P1640L) e Omicron (P1640S) do peptídeo TTDPSFLGRY tenham ocorrido em posições não-âncoras, elas induziram mudanças sutis, porém distintas, nos padrões de interação local. Especificamente, as variantes alteraram os sítios de contato nas posições N-terminal e média, e exibiram interações únicas de ligações de hidrogênio e empilhamento $\pi$-$\pi$ em comparação com a cepa Wuhan-1.
• Afinidade de Ligação: A avaliação computacional indicou que os complexos peptídeo-HLA-A*01:01 preditos exibiram menor energia livre de Gibbs e constantes de dissociação em comparação aos controles, sugerindo interações estáveis e favoráveis.

Principais Contribuições

• Desenvolvimento de Framework: O artigo estabelece um workflow rápido, acessível e escalável para a avaliação estrutural de complexos peptídeo-HLA usando o AlphaFold 3, indo além da simples predição de afinidade para a interrogação estrutural 3D.
• Validação de IA na Imunologia: Fornece evidência empírica de que o AlphaFold 3 pode gerar modelos estruturalmente plausíveis de interações peptídeo-HLA que se alinham com estruturas resolvidas experimentalmente, mesmo para diversos alelos de HLA e variados comprimentos de peptídeo.
• Avaliação de Variantes: Demonstra a utilidade deste framework para avaliar rapidamente as consequências estruturais de mutações virais emergentes na apresentação de antígenos, ofereando uma ferramenta para avaliar a estabilidade de epítopos induzidos por vacinas contra patógenos em evolução.

Significância e Alegações
Os autores alegam que este framework aborda uma limitação crítica na imunoinformática ao fornecer um método para avaliar interações peptídeo-HLA baseadas em princípios estruturais imunológicos bem estabelecidos, em vez de apenas pontuações de docking sintéticas. Ao reproduzir com precisão as características canônicas da apresentação de antígenos, a abordagem oferece insights biologicamente significativos que podem melhorar a interpretabilidade e a confiabilidade da vacinologia computacional.

O estudo posiciona este framework impulsionado por IA como um recurso complementar à biologia estrutural experimental, particularmente valioso em cenários onde dados de cristalografia ou criomicroscopia eletrônica não estão disponíveis ou durante emergências de saúde pública que exigem resposta rápida. Os autores enfatizam que, embora o framework gere modelos estáticos de alta confiança, ele não captura totalmente a natureza dinâmica das interações peptídeo-HLA ou o engajamento do receptor de célula T, sendo necessária a validação experimental para confirmar a relevância biológica das diferenças estruturais observadas.