Infecções prévias com vírus heterólogos alteram a resposta individual à vacinação

Autor: Dinler Antunes, pós-doutorando no Departamento de Ciências da Computação da Rice University, no Texas/EUA.

Figura 1.: Rede de reatividade cruzada envolvendo o alvo vacinal HCV-NS31073. Similaridade estrutural no contexto do MHC foi indicada como possível mecanismo para o desencadeamento de imunidade heteróloga, enquanto variabilidade individual e direcionalidade nas respostas observadas foram atribuídas ao histórico de infecções e o repertório privado de linfócitos T (Zhang e cols., 2015).

  A influência de infecções prévias sobre a resposta a novos desafios imunológicos não é nenhuma novidade para os imunologistas. O processo de imunização altera a composição do conjunto de linfócitos de memória de modo que algumas populações são expandidas, em detrimento de outras (Welsh & Selin, 2002). A imunidade heteróloga entre vírus parece ter um papel central neste contexto, sendo por sua vez moldada pelo repertório privado (individual) de linfócitos T CD8+ e por eventos de reatividade cruzada no reconhecimento de complexos peptideo:MHC (Welsh e cols., 2010). 

 Apesar de estes mecanismos serem reconhecidos, ainda nos surpreende quando respostas específicas para determinado alvo viral são encontradas em indivíduos que não tiveram exposição prévia a este patógeno. Pode uma simples gripe ou uma virose transmitida pelo beijo gerar algum nível de imunidade contra o Vírus da Hepatite C (HCV), por exemplo? Por mais incrível que pareça, eventos desta natureza já foram relatados em trabalhos prévios (Wedemeyer e cols., 2001), sendo provavelmente mais frequentes do que imaginávamos (Selin e cols., 2011). Em um trabalho recentemente publicado no Journal of Virology, Zhang e colaboradores (2015) descrevem a presença de linfócitos específicos para um alvo imunogênico de HCV (NS31073) em um terço dos indivíduos soronegativos para para este vírus, independente de fatores de risco para exposição a HCV. Análises ex vivo indicaram a presença tanto de células virgens quanto de células de memória, sugerindo que pelo menos uma parcela da resposta deve ser mediada por linfócitos originalmente expandidos na presença de vírus heterólogos (Figura 1).

  Uma análise de bioinformática estrutural (utilizando metodologia previamente descrita no SBlogI) sugeriu diferentes epitopos virais (derivados de EBV, CMV e Influenza) como possíveis alvos de reatividade cruzada, predições estas confirmadas em pelo menos uma parcela dos indivíduos. Cabe salientar que um destes alvos, EBV-LMP2329 (LLWTLVVLL), não apresenta qualquer similaridade de sequência com o epitopo HCV-NS31073 (CINGVCWTV), mas apresenta grande similaridade estrutural no contexto do MHC (Figura 2).

Figura 2.: Recorte da superfície dos complexos peptídeo:MHC, apresentando diferentes peptídeos virais no contexto da mesma molécula de MHC (HLA-A*02:01). Os domínios alfa-1 e alfa-2 da molécula de MHC, que flanqueiam o epitopo, são indicados. As cores indicam a distribuição do potencial eletrostático na superfície (vermelho = negativo, azul = positivo, branco = neutro). Neste conjunto, os alvos EBV-K1217 e EBV-BARF0356 apresentaram maior diferença em termos de potencial eletrostático (comparação utilizando agrupamento hierárquico). Alvos apresentando maior similaridade estrutural com o peptídeo vacinal de HCV (NS31073), considerando a superfície de interação com o TCR, foram selecionados para testes in vitro e respostas cruzada foram observadas em uma parcela dos indivíduos testados.

  O epitopo HCV-NS31073  foi previamente incluído na composição de uma vacina experimental anti-HCV, a qual foi utilizada por Zhang e colaboradores (2015) para imunizar indivíduos saudáveis. Acompanhando este grupo vacinado, os autores observaram resposta mais intensa e mais rápida nos indivíduos que apresentavam linfócitos específicos para HCV-NS31073 previamente a vacinação. Em conjunto, estes dados reforçam a hipótese de que a existência de células T "cross-reativas" previamente a imunização seja uma das variáveis responsáveis pela variabilidade individual à vacinação. A reatividade cruzada de células T parece ser mais comum do que previamente estimado, sendo possível até mesmo entre epitopos com baixa similaridade de sequência e podendo envolver diferentes alvos virais. Em conjunto com a variabilidade individual para a produção de linfócitos T (repertório privado), o histórico de infecções aumenta a variabilidade individual da resposta a vacinas e aponta para a necessidade de estratégias personalizadas. Outra questão importante se refere a "qualidade" desta resposta cruzada e a capacidade de estabelecer uma imunidade protetora, visto que respostas cruzadas fracas podem mediar infecção crônica e imunopatologia (Selin e cols., 2011, Wlodarczyk e cols., 2013).

  Embora vacinas personalizadas e avaliações em larga-escala do histórico pessoal de infecções virais ainda não sejam uma realidade, novas tecnologias estão sendo desenvolvidas neste sentido. Uma publicação recente da revista Science descreve uma nova abordagem - rápida e barata - para detectar o histórico de infecções virais de um indivíduo (veja artigo do The Guardian). Metodologias como esta podem ter grande impacto no diagnóstico de doenças, na descoberta de novas associações entre infecções virais e a progressão de diferentes patologias humanas, bem como no desenvolvimento de vacinas mais seguras e mais eficientes. 

Big Data, Data Science, Statistical Learning & Data Visualization

     Vivemos na era do Big Data! Com a popularização da internet e vários outros avanços tecnológicos, estamos coletando uma quantidade de dados sem precedentes. Diariamente ao acessarmos nossas redes sociais ou nossos sites de compra, estamos fornecendo uma série de informações para os provedores destes serviços, referentes a nossa localização, rede de contatos, preferências de consumo, volume de gastos, etc. Uma pergunta que vem ocupando a mente de várias pessoas, sobretudo na computação e no marketing, é como usar estes dados para fazer predições e oferecer serviços personalizados. Na área da saúde, a dramática redução no custo do sequenciamento e de outras técnicas de alto rendimento (high throughput), bem como a exigência por estudos cada vez maiores e mais abrangentes, também elevou radicalmente o volume de dados produzido. E isto e só começo, com a chamada "internet das coisas" nossas roupas e acessórios passarão a coletar, processar e transmitir uma série de dados biométricos, os quais poderão ser utilizados para monitorar nossa saúde e realizar predições. Neste contexto, outro termo que vem ganhando espaço e o Data Science, definido por Hilary Manson como uma intersecção entre ciência da computação, estatística, engenharia e "hacking". Conhecimento especifico da área de interesse, como genética ou imunologia, completa o perfil do "data scientist". Certamente existe um pouco de moda e alguns exageros, mas conforme defende o Dr. Michael Franklin da Universidade da Califórnia (Berkeley), a Data Science esta se consolidando como uma área independente, atraindo investimentos, gerando oportunidades e direcionando as Universidades para a criação de currículos orientados a esta temática.

Hans Rosling: Dados sociais e demográficos de 200 países ao longo de 200 anos, 

apresentados em 4 minutos.

   Embora usualmente definido como um "problema", Michael Franklin argumenta que o principal aspecto de se trabalhar com Big Data são justamente as oportunidades únicas que "emergem" dos dados. Padrões que não poderiam ser observados utilizando-se amostras menores. Na área da epidemiologia, por exemplo, trabalhos recentes abordaram o uso de mecanismos de busca e redes sociais para fazer predições biomédicas. Em um exemplo, buscas na Wikipedia (Figura 1) foram utilizadas para predizer surtos de gripe com quase um mês de antecedência (Generous et. al, 2014). Em outro trabalho, postagens do Twitter foram utilizadas para medir os "sentimentos" das pessoas em relação a vacina da gripe (Influenza A, H1N1), sendo então capazes de predizer quais regiões seriam mais afetadas por casos de gripe (Salathé et. al, 2014).

Figura 1. Gráficos apresentando dados epidemiológicos oficiais e o modelo (nowcast) baseado no tráfego de artigos da Wikipedia, em um período de 3 anos (Generous et. al, 2014).

Mas os dados usualmente não falam sozinhos, é preciso saber extrair as informações desejadas. Dentre as ferramentas empregadas neste processo, os métodos de aprendizado estatístico (ou machine learning) tem se demonstrado particularmente interessantes. No campo da imunologia, por exemplo, estas ferramentas já estão sendo aplicadas para identificar alvos vacinais, descrever o mapa transcricional de linfócitos T CD8+ ao longo das etapas da resposta celular e inclusive para desvendar bases imunológicas no Alzheimer.  

    Um estudo de 2012 tentou caracterizar o perfil do "analista de dados", realizando entrevistas com 35 profissionais que realizavam esta função em diferentes áreas, incluindo finanças, pesquisa/saúde, redes sociais, marketing e varejo. Desconsiderando-se as limitações do estudo (tamanho amostral e distribuição geográfica), é interessante observar que estes profissionais foram ultimamente classificados em apenas três categorias: hacker, scripter e application user. Apesar da pressuposta similaridade quanto a área de atuação, os profissionais de cada grupo se diferenciavam bastante quanto ao perfil computacional e o tipo de tarefa desempenhada.  Enquanto os hackers apresentavam maior familiaridade com diferentes linguagens de programação e manipulação dos bancos de dados, os scripters conseguiam realizar análises estatísticas mais complexas (se restringindo ao uso de pacotes como R e Matlab). Os application users, por outro lado, se limitavam à análise de planilhas e ao uso de pacotes como SAS/JMP e SPSS, contando com o apoio de uma equipe de TI para fornecer os dados já no formato adequado. Além de refletir esta diversidade de profissionais e de perfis, em um mercado que claramente vive um período de expansão, o estudo também salientou a necessidade de novas ferramentas para visualização. A visualização é essencial não apenas na apresentação dos resultados, mas também no momento de "conhecer" os dados brutos. Ela facilita a interpretação do material de estudo e valoriza aspectos em que os humanos ainda superam as máquinas, como a capacidade de estabelecer relações e formular hipóteses. Existem testes estatísticos e modelos matemáticos para todos os gostos, mas em muitos casos eles se tornam inúteis caso não haja uma pergunta objetiva a ser respondida ou uma intuição sobre o comportamento dos dados. Neste contexto, o pesquisador sueco Hans Rosling (vídeo acima) tem sido um grande advogado do poder da estatística e da importância da visualização.

    Pra quem pretende ingressar na área, uma ótima pedida é o livro An introduction to Statistical Learning with applications in R. O livro apresenta uma linguagem acessível, mesmo para quem não tem base matemática ou computacional, além de uma série de exemplos e exercícios utilizando o pacote R. Uma das vantagens deste pacote é justamente a implementação de uma série de recursos para fácil manipulação e visualização dos dados.

Debate com Hilary Manson e outros especialistas sobre as perspectivas e as oportunidades do Big Data.

Post de Dinler Amaral Antunes

Complimentary Postdoctoral Research Associate at the Kavraki Lab.

Department of Computer Science - Rice University (Houston, TX). 

Genética e Bioinformática se encontram nas fronteiras da Imunologia

A elucidação dos mecanismos envolvidos na geração da variabilidade de anticorpos e TCRs representa uma das maiores conquistas da imunologia. Enquanto a variabilidade dos MHCs é dada pelo elevado polimorfismo na região cromossômica que codifica estas moléculas (6p21.3, em humanos), a variabilidade de TCRs e imunoglobulinas (IGs) é dada por um complexo mecanismo genético envolvendo a recombinação de segmentos variáveis identificados pelas letras V (variable), D (diversity) e J (joining). Estes mecanismos foram esclarecidos ao logo das décadas de 80 e 90 [1,2,3,4], um período de ouro para a imunogenética e que coincide com o primeiro momento de crescimento no número de publicações em bioinformática (Figura 1).

                                                                                                               

Figura 1. Número de publicações no PubMed com os termos "immunogenetics" e "bioinformatics" entre os anos de 1965 e 1998. O pico observado para as publicações em imunogenética com ápice em 1971 se refere a elucidação do papel do antígeno H no sistema ABO [5,6,7], enquanto a aparente queda nas publicações a partir de 1975 pode refletir o maior enfoque dado as avaliações funcionais (após a descrição dos anticorpos monoclonais). O terceiro pico, em 1981, se refere as publicações sobre o sistema V-D-J [1,2]. As publicações em bioinformática continuaram crescendo até estabilizar entre 2012 e 2013 (anos nos quais foram registradas 16.302 e 16.009 publicações com este termo, respectivamente).

Neste período efervescente para a imunogenética e a bioinformática, foi criado na França o IMGT (the international ImMunoGeneTics information system)[8,9]. Segundo uma recente publicação da revista Frontiers in Immunology [9], a criação deste banco - especializado em genes e proteínas de interesse da imunologia - marcaria o nascimento da "Imunoinformática". A proposta do IMGT se diferencia de outros repositórios de dados biológicos justamente por sua preocupação em fornecer o tratamento adequado da informação envolvida na variabilidade de IGs, TCRs e MHCs. Ele foi desenvolvido sobre um conjunto de axiomas e conceitos (IMGT-ONTOLOGY), para permitir a correlação entre sequências gênicas, sequências proteicas e as estruturas destas moléculas complexas (Figura 2).

              .

Figura 2. Acima, estrutura de uma imunoglobulina (IG), molécula central na resposta imunológica humoral. A direita, representação de um complexo TCR/peptídeo:MHC, elemento chave na montagem das respostas imunológicas celulares. Figuras publicadas por Marie-Paule Lefranc (2014) [9], na revista Frontiers in Immunology.

Atualmente o IMGT compreende um total de sete bancos, com mais de 15.000 páginas de recursos online e 17 ferramentas, fornecendo ainda um sistema para a análise de dados genômicos e de expressão para IGs e TCRs. O IMGT fornece ferramentas como IMGT/Collier-de-Perles tool, o qual permite criar representações didáticas das moléculas de interesse do usuário, seguindo o padrão de numeração e nomenclatura desenvolvido pelo IMGT. Esta é uma alternativa muito interessante para o estudo dos diferentes polimorfismos nas moléculas de MHC. Outra ferramenta de destaque é o IMGT/V-QUEST, que permite a análise de sequências nucleotídicas dos domínios variáveis de IGs e TCRs, sendo capaz de identificar os genes V, D e J nas sequências rearranjadas das moléculas estudadas pelo usuário. Além disso, no caso de IGs, a ferramenta consegue identificar as mutações nucleotídicas e as consequentes trocas de aminoácidos oriundas do processo de hipermutação somática, através da comparação com dados de referência do próprio IMGT/V-QUEST. 

Figura 3. Número de publicações no PubMed com os termos "immunoinformatics","reverse vaccinology" e "computational vaccinology", entre os anos de 1998 e 2013.

Sendo um tema central para a imunologia, a vacinologia sempre esteve presente nas discussões em imunoinformática. O termo "vacinologia reversa" foi cunhado em 2000 pelo italiano Rino Rappuoli [10], para se referir a um processo de desenvolvimento de vacinas que se iniciava pela análise de sequências genômicas in silico, seguido pela identificação de alvos e posterior expressão de proteínas recombinantes para testes in vivo. Esta estratégia continua sendo discutida e aplicada, acumulando uma série de resultados interessantes na imunização contra vírus e bactérias [11,12,13]. Mais recentemente começou a se popularizar o termo "vacinologia computacional", que também tem sido discutida como uma alternativa na pesquisa em câncer [14,15]. Independentemente do termo mais utilizado (ou mais adequado), o fato é que o uso de ferramentas computacionais para o desenvolvimento de vacinas é uma realidade que vem ganhando força (Figura 3), sobretudo graças ao crescimento da comunidade de bioinformatas interessados em imunologia e a rápida evolução dos recursos computacionais.

Post de Dinler Amaral Antunes

NBLI - Núcleo de Bioinformática do Laboratório de Imunogenética.

Aluno de Doutorado do Programa de Pós-Graduação em Genética e Biologia Molecular da Universidade Federal do Rio Grande do Sul (PPGBM/UFRGS).

Nota: 
Agradeço ao professor José Artur Bogo Chies (Laboratório de Imunogenética/UFRGS) pelo suporte na pesquisa sobre Imunogenética.

Referências:

1. Kurosawa Y, von Boehmer H, Haas W, Sakano H, Trauneker A, et al. (1981) Identification of D segments of immunoglobulin heavy-chain genes and their rearrangement in T lymphocytes. Nature 290: 565-570.

2. Maki R, Roeder W, Traunecker A, Sidman C, Wabl M, et al. (1981) The role of DNA rearrangement and alternative RNA processing in the expression of immunoglobulin delta genes. Cell 24: 353-365.

3. Schatz DG, Oettinger MA, Schlissel MS (1992) V(D)J recombination: molecular biology and regulation. Annu Rev Immunol 10: 359-383.

4. Fanning L, Bertrand FE, Steinberg C, Wu GE (1998) Molecular mechanisms involved in receptor editing at the Ig heavy chain locus. Int Immunol 10: 241-246.

5. Sanger R, Race RR (1971) Immunogenetics of certain antigens of the red cell membrane. Nouv Rev Fr Hematol 11: 878-884.
6. Salmon C (1971) [Immunogenetics of ABH antigens]. Nouv Rev Fr Hematol 11: 850-862.
7. Petrov RV (1971) [Current problems of immunogenetics]. Zh Mikrobiol Epidemiol Immunobiol 48: 7-12.
8. Giudicelli V, Chaume D, Bodmer J, Muller W, Busin C, et al. (1997) IMGT, the international ImMunoGeneTics database. Nucleic Acids Res 25: 206-211.
9. Lefranc MP (2014) Immunoglobulin and T Cell Receptor Genes: IMGT((R)) and the Birth and Rise of Immunoinformatics. Front Immunol 5: 22.
10. Rappuoli R (2000) Reverse vaccinology. Curr Opin Microbiol 3: 445-450.
11. Vivona S, Gardy JL, Ramachandran S, Brinkman FS, Raghava GP, et al. (2008) Computer-aided biotechnology: from immuno-informatics to reverse vaccinology. Trends Biotechnol 26: 190-200.
12. Donati C, Rappuoli R (2013) Reverse vaccinology in the 21st century: improvements over the original design. Ann N Y Acad Sci 1285: 115-132.
13. Delany I, Rappuoli R, Seib KL (2013) Vaccines, reverse vaccinology, and bacterial pathogenesis. Cold Spring Harb Perspect Med 3: a012476.
14. Pappalardo F, Chiacchio F, Motta S (2013) Cancer vaccines: state of the art of the computational modeling approaches. Biomed Res Int 2013: 106407.
15. Petrizzo A, Tagliamonte M, Tornesello M, Buonaguro FM, Buonaguro L (2014) Systems vaccinology for cancer vaccine development. Expert Rev Vaccines 13: 711-719.