Deep-learning for structure-based discovery of adaptive immune receptors

Descripción del proyecto

El aprendizaje profundo facilita el diseño de receptores del sistema inmunitario adaptativo específicos de epítopo

A diferencia del sistema inmunitario innato, el sistema inmunitario adaptativo está muy especializado. Su función es reconocer y atacar al microorganismo patógeno específico que causa una infección y recordarlo para ofrecer una protección duradera. Esta respuesta específica depende de los receptores inmunitarios adaptativos (AIR, por sus siglas en inglés) y su capacidad para reconocer epítopos, que son regiones específicas de los antígenos. Los métodos actuales para identificar epítopos son caros y de bajo rendimiento. En el proyecto AIRstructure, financiado por el Consejo Europeo de Investigación, se abordarán estas limitaciones aprovechando los conocimientos especializados de sus investigadores en la modelización de interacciones proteína-proteína, incluidas las interacciones AIR-antígeno, y en el aprendizaje profundo geométrico. Estos modelos, precisos y de alto rendimiento, facilitarán la modelización estructural de la interacción AIR-antígeno, diseñar AIR específicos de epítopo y predecir su especificidad estructural para analizar grandes repertorios de AIR.

Objetivo

B- and T- cell adaptive immune receptor (AIR) repertoires are highly diverse, enabling response to a wide range of pathogens. While sequencing of an individual's immune repertoires is becoming common, our ability to convert these datasets into comprehensive antigen exposure information to inform clinical decisions is limited. The major challenges are to identify the antigens recognized by B-cell and T-cell immune receptors (BCRs/antibodies and TCRs), model their structures and determine their epitopes. Experimental approaches for epitope mapping are costly and low-throughput. While deep learning-based models have revolutionized structural biology by predicting highly accurate structures of proteins and protein complexes, they rely on multiple sequence alignments (MSAs) that are not available for the AIR-antigen interactions. Recently, my group has designed geometric deep learning models for AIR structure modeling and for epitope prediction without MSA.
In this project, I will build on my expertise in modeling protein-protein interactions, including AIR-antigen, and in geometric deep learning to develop accurate and high-throughput models that address the specific challenges of AIR-antigen systems.
My main goals are to develop deep learning-based models for: (i) accurate and high-throughput end-to-end structure modeling of AIR-antigen interactions; (ii) design of epitope-specific AIRs for targeting broadly neutralizing epitopes and optimized antigenicity profiles; and (iii) structure-based specificity prediction for mining large AIR repertoires.
These approaches will advance the analysis of immune repertoires, improve our understanding of immune response, and enable designing vaccines and therapeutics with broad specificity and resistance to antigenic mutations. Moreover, the methods will empower the cancer epitope discovery and the detection of autoimmune receptors.