БИОХИМИЯ, 2026, том 91, вып. 3, с. 496–510

УДК 577.322

Сравнительный биоинформатический анализ физико-химических свойств белковых эпитопов мыши

© 2026 М.Ю. Лобанов 1, Н.В. Довидченко 1,2, М.Е. Захаров 1,3, А.В. Панфилов 1, О.В. Галзитская 1,2,4*ogalzit@vega.protres.ru

1 Институт белка РАН, 142290 Пущино, Московская обл., Россия

2 ФГБУ «НИЦЭМ имени Н.Ф. Гамалеи» Минздрава России, 123098 Москва, Россия

3 Тюменский государственный университет, Школа естественных наук, Направление «Биоинженерия и биоинформатика», 625003 Тюмень, Россия

4 Институт теоретической и экспериментальной биофизики РАН, 142290 Пущино, Московская обл., Россия

Поступила в редакцию 28.10.2025
После доработки 25.12.2025
Принята к публикации 13.02.2026

DOI: 10.7868/S3034529426030039

КЛЮЧЕВЫЕ СЛОВА: антиген, эпитоп, гидрофобность, стабильность, алифатический индекс.

Аннотация

Для работы иммунитета большое значение имеет главный комплекс гистосовместимости класса I (MHC I). Этот комплекс, как правило, связывает короткие участки белковой цепи длиной 8, 9 аминокислотных остатков, называемые эпитопами. В этой работе мы изучали, чем отличаются пептиды, связывающиеся с этим комплексом (набор N1), от не связывающих с ним (набор N0). При сравнении наборов N1 и N0 была использована Z‑оценка с применением функции Zscore для выявления статистической значимости различий исследуемых физико-химических свойств: алифатический индекс (αi), заряд (Zi), гидрофобность (Hi), изоэлектрическая точка (pIi), молекулярная масса (Mi), индекс нестабильности (IIi). Все свойства, кроме последнего, зависят только от аминокислотного состава пептидов, но не от специфических свойств последовательности аминокислотных остатков. Для оценки исследуемых физико-химических свойств количественная величина Zscore указывала на незначимые различия между наборами N1 и N0. Максимальные значения Zscore были равны 0,30 для алифатического индекса и 0,29 – для гидрофобности. Лучший и надёжный результат сравнения наборов N1 и N0 был достигнут при использовании метода R‑величин, где точность разделения составила около 70%, а Zscore была равна 0,63. Этот результат близок к точности разделения, равной 75%, которая была получена при использовании программы MHCflurry. Анализ аминокислотного распределения наборов N1 и N0 показал, что аминокислотные остатки, такие как тирозин, фенилаланин, изолейцин, лейцин и валин, чаще, чем цистеин, триптофан, аргинин и лизин, встречаются в составе окта- и нонапептидных эпитопов, которые нековалентно связываются с MHC класса I. Используя биоинформатический анализ и искусственный интеллект, мы показали, в какой мере можно разделить связывающиеся пептиды от не связывающихся, зная только аминокислотный состав.

Сноски

* Адресат для корреспонденции.

Дополнительные материалы

Приложение

Вклад авторов

О.В. Галзитская – концепция и руководство работой; М.Ю. Лобанов, Н.В. Довидченко, М.Е. Захаров, А.В. Панфилов – проведение расчётов; М.Ю. Лобанов, Н.В. Довидченко, М.Е. Захаров, А.В. Панфилов, О.В. Галзитская – обсуждение результатов исследования; А.В. Панфилов, М.Ю. Лобанов, О.В. Галзитская – написание текста; О.В. Галзитская – редактирование текста статьи.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Соблюдение этических норм

Настоящая статья не содержит каких-либо исследований с участием людей или использованием животных в качестве объектов исследований.

Список литературы

1. Fremont, D., Matsumura, M., Stura, E., Peterson, P., and Wilson, I. (1992) Crystal structures of two viral peptides in complex with murine MHC class I H-2Kb, Science, 257, 919-927, https://doi.org/10.1126/science.1323877.

2. Fremont, D. H., Stura, E. A., Matsumura, M., Peterson, P. A., and Wilson, I. A. (1995) Crystal structure of an H-2Kb-ovalbumin peptide complex reveals the interplay of primary and secondary anchor positions in the major histocompatibility complex binding groove, Proc. Natl. Acad. Sci. USA, 92, 2479-2483, https://doi.org/10.1073/pnas.92.7.2479.

3. Apostolopoulos, V., Yu, M., Corper, A. L., Teyton, L., Pietersz, G. A., McKenzie, I. F. C., and Wilson, I. A. (2002) Crystal structure of a non-canonical low-affinity peptide complexed with MHC class I: a new approach for vaccine design, J. Mol. Biol., 318, 1293-1305, https://doi.org/10.1016/s0022-2836(02)00196-1.

4. Rudolph, M. G., Shen, L. Q., Lamontagne, S. A., Luz, J. G., Delaney, J. R., Ge, Q., Cho, B. K., Palliser, D., McKinley, C. A., Chen, J., Wilson, I. A., and Eisen, H. N. (2004) A peptide that antagonizes TCR-mediated reactions with both syngeneic and allogeneic agonists: functional and structural aspects, J. Immunol., 172, 2994-3002, https://doi.org/10.4049/jimmunol.172.5.2994.

5. Bui, H.-H., Schiewe, A. J., von Grafenstein, H., and Haworth, I. S. (2006) Structural prediction of peptides binding to MHC class I molecules, Proteins., 63, 43-52, https://doi.org/10.1002/prot.20870.

6. Gök, M., and Özcerit, A. T. (2012) Prediction of MHC class I binding peptides with a new feature encoding technique, Cell. Immunol., 275, 1-4, https://doi.org/10.1016/j.cellimm.2012.04.005.

7. Flower, D. R. (2008) Bioinformatics for Vaccinology, 1st Edn., Wiley, pp. 73-112, https://doi.org/10.1002/9780470699836.

8. Tong, J. C., Tan, T. W., and Ranganathan, S. (2006) Methods and protocols for prediction of immunogenic epitopes, Brief. Bioinformatics, 8, 96-108, https://doi.org/10.1093/bib/bbl038.

9. Parvizpour, S., Pourseif, M. M., Razmara, J., Rafi, M. A., and Omidi, Y. (2020) Epitope-based vaccine design: a comprehensive overview of bioinformatics approaches, Drug Discov. Today, 25, 1034-1042, https://doi.org/10.1016/j.drudis.2020.03.006.

10. Peters, B., Nielsen, M., and Sette, A. (2020) T cell epitope predictions, Annu. Rev. Immunol., 38, 123-145, https://doi.org/10.1146/annurev-immunol-082119-124838.

11. Шилов Е. С. (2019) Свой эпитоп среди чужих – Т-клетки и аутоантигены, Мол. Биол., 53, 849-859, https://doi.org/10.1134/S0026898419050148.

12. Janeway, C. A. (1989) Approaching the asymptote? Evolution and revolution in immunology, Cold Spring Harb. Symp. Quantit. Biol., 54, 1-13, https://doi.org/10.1101/sqb.1989.054.01.003.

13. Wener, M. H., and Mannik, M. (2004) Systemic Lupus Erythematosus. 14-Immune Complexes, p. 377-399, https://doi.org/10.1016/B9-78-012433-9/01950-017X.

14. Ferrington, D. A., and Gregerson, D. S. (2012) Immunoproteasomes, Prog. Mol. Biol. Transl. Sci., 109, 75-112, https://doi.org/10.1016/b978-0-12-397863-9.00003-1.

15. Sibille, C., Gould, K. G., Gallo, K. W., Thomson, S., Rivett, A. J., Powis, S., Butcher, G. W., and Baetselier, P. D. (1995) LMP2+ proteasomes are required for the presentation of specific antigens to cytotoxic T lymphocytes, Curr. Biol., 5, 923-930, https://doi.org/10.1016/s0960-9822(95)00182-5.

16. Lamers, M., Berlin, I., and Neefjes, J. (2018) Antigen presentation: visualizing the MHC class I peptide-loading bottleneck, Curr. Biol., 28, R83-R86, https://doi.org/10.1016/j.cub.2017.11.059.

17. Barlow, D. J., Edwards, M. S., and Thornton, J. M. (1986) Continuous and discontinuous protein antigenic determinants, Nature, 322, 747-748, https://doi.org/10.1038/322747a0.

18. Roccatano, D., Colombo, G., Fioroni, M., and Mark, A. E. (2002) Mechanism by which 2,2,2-trifluoroethanol/water mixtures stabilize secondary-structure formation in peptides: A molecular dynamics study, Proc. Natl. Acad. Sci. USA, 99, 12179-12184, https://doi.org/10.1073/pnas.182199699.

19. Yaneva, R., Schneeweiss, C., Zacharias, M., and Springer, S. (2010) Peptide binding to MHC class I and II proteins: new avenues from new methods, Mol. Immunol., 47, 649-657, https://doi.org/10.1016/j.molimm.2009.10.008.

20. Ayres, C. M., Abualrous, E. T., Bailey, A., Abraham, C., Hellman, L. M., Corcelli, S. A., Noé, F., Elliott, T., and Baker, B. M. (2019) Dynamically driven allostery in MHC proteins: peptide-dependent tuning of class I MHC global flexibility, Front. Immunol., 10, 966, https://doi.org/10.3389/fimmu.2019.00966.

21. Falk, K., Rötzschke, O., Stevanovié, S., Jung, G., and Rammensee, H.-G. (1991) Allele-specific motifs revealed by sequencing of self-peptides eluted from MHC molecules, Nature, 351, 290-296, https://doi.org/10.1038/351290a0.

22. Wieczorek, M., Abualrous, E. T., Sticht, J., Álvaro-Benito, M., Stolzenberg, S., Noé, F., and Freund, C. (2017) Histocompatibility complex (MHC) class I and MHC class II proteins: conformational plasticity in antigen presentation, Front. Immunol., 8, 292, https://doi.org/10.3389/fimmu.2017.00292.

23. Achour, A., Persson, K., Harris, R. A., Sundbäck, J., Sentman, C. L., Lindqvist, Y., Schneider, G., and Kärre, K. (1998) The crystal structure of H-2Dd MHC class I complexed with the HIV-1-derived peptide P18-I10 at 2.4 Å resolution: implications for T cell and NK cell recognition, Immunity., 9, 199-208, https://doi.org/10.1016/s1074-7613(00)80602-0.

24. Matsumura, M., Fremont, D., Peterson, P., and Wilson, I. (1992) Emerging principles for the recognition of peptide antigens by MHC class I molecules, Science, 257, 927-934, https://doi.org/10.1126/science.1323878.

25. Wang, X., Wu, T., Jiang, Y., Chen, T., Pan, D., Jin, Z., Xie, J., Quan, L., and Lyu, Q. (2024) RPEMHC: improved prediction of MHC-peptide binding affinity by a deep learning approach based on residue-residue pair encoding, Bioinformatics, 40, btad785, https://doi.org/10.1093/bioinformatics/btad785.

26. Kalemati, M., Darvishi, S., and Koohi, S. (2023) CapsNet-MHC predicts peptide-MHC class I binding based on capsule neural networks, Commun. Biol., 6, 492, https://doi.org/10.1038/s42003-023-04867-2.

27. Solanki, A., Riedel, M., Cornette, J., Udell J., Koratkar, I., and Vasmatzis, G. (2021) The Role of Hydrophobicity in Peptide-MHC Binding. In: Mathematical and Computational Oncology, ISMCO 2021, Springer, 13060, pp. 19-33, https://doi.org/10.1007/978-3-030-91241-3_3.

28. Sillero, A., and Ribeiro, J. M. (1989) Isoelectric points of proteins: theoretical determination, Anal. Biochem., 179, 319-325, https://doi.org/10.1016/0003-2697(89)90136-X.

29. Moore, D. S. (1985) Amino acid and peptide net charges: a simple calculational procedure, Biochem. Educ., 13, 10-11, https://doi.org/10.1016/0307-4412(85)90114-1.

30. Kyte, J., and Doolittle, R. F. (1982) A simple method for displaying the hydropathic character of a protein, J. Mol. Biol., 157, 105-132, https://doi.org/10.1016/0022-2836(82)90515-0.

31. Ikai, A. (1980) Thermostability and aliphatic index of globular proteins, J. Biochem., 88, 1895-1898.

32. Guruprasad, K., Reddy, B. V. B., and Pandit, M. W. (1990) Correlation between stability of a protein and its dipeptide composition: a novel approach for predicting in vivo stability of a protein from its primary sequence, Protein Eng., 4, 155-161, https://doi.org/10.1093/protein/4.2.155.

33. Lobanov, M. Y., Slizen, M. V., Dovidchenko, N. V., Panfilov, A. V., Surin, A. A., Likhachev, I. V., and Galzitskaya, O. V. (2024) Comparison of deep learning Models with simple method to assess the problem of antimicrobial peptides prediction, Mol. Inform., 43, e202200181, https://doi.org/10.1002/minf.202200181.

34. Sarvmeili, J., Baghban Kohnehrouz, B., Gholizadeh, A., Shanehbandi, D., and Ofoghi, H. (2024) Immunoinformatics design of a structural proteins driven multi-epitope candidate vaccine against different SARS-CoV-2 variants based on fynomer, Sci. Rep., 14, 10297, https://doi.org/10.1038/s41598-024-61025-2.

35. Petrone, P. M., and Garcia, A. E. (2024) MHC–peptide binding is assisted by bound water molecules, J. Mol. Biol., 338, 419-435, https://doi.org/10.1016/j.jmb.2004.02.039.

36. Aram, C., Alijanizadeh, P., Saleki, K., and Karami, L. (2024) Development of an ancestral DC and TLR4-inducing multi-epitope peptide vaccine against the spike protein of SARS-CoV and SARS-CoV-2 using the advanced immunoinformatics approaches, Biochem. Biophys. Rep., 39, 101745, https://doi.org/10.1016/j.bbrep.2024.101745.

37. O’Donnell, T. J., Rubinsteyn, A., and Laserson, U. (2020) MHCflurry 2.0: improved pan-allele prediction of MHC class I-presented peptides by incorporating antigen processing, Cell Syst., 11, 42-48.e7, https://doi.org/10.1016/j.cels.2020.06.010.