Candidato a vacuna de ARNm contra el HTLV-1 diseñado mediante vacunología inversa con IA: resultados y límites de la evaluación computacional
Contexto: diseño computacional para acotar candidatos a vacunas preventivas
Un estudio computacional que empleó inteligencia artificial (IA) e inmunoinformática propuso un candidato a vacuna de ARN mensajero (ARNm) multiepítopo contra el virus linfotrópico de células T humanas tipo 1 (HTLV-1). Los investigadores seleccionaron regiones antigénicas candidatas de proteínas virales y predijeron la estructura de una proteína que las reúne, así como sus interacciones con receptores inmunitarios. Estos resultados deben distinguirse de la demostración experimental de protección frente a la infección o de seguridad.
El HTLV-1 puede causar leucemia/linfoma de células T del adulto y mielopatía asociada al HTLV-1/paraparesia espástica tropical. La persistencia del virus por la proliferación de células infectadas y su transmisión por contacto entre células se consideran retos para desarrollar una vacuna preventiva. La vacunología inversa, el enfoque elegido por los investigadores, busca antígenos candidatos a partir de la información de secuencia del patógeno; el objetivo de este estudio fue diseñar un candidato a vacuna preventiva de ARNm.
Hallazgos principales: cuatro regiones antigénicas seleccionadas de ocho proteínas
Los investigadores evaluaron computacionalmente la antigenicidad y el potencial alergénico de ocho proteínas del HTLV-1, y seleccionaron gp62 y pol para los análisis posteriores. A continuación analizaron epítopos, es decir, regiones específicas del antígeno que, según las predicciones, reconocerían las células T y B. De cinco regiones candidatas coincidentes en varios resultados predictivos, quedaron cuatro tras evaluar antigenicidad, toxicidad y alergenicidad.
Las regiones seleccionadas se combinaron con péptidos enlazadores y elementos de apoyo a la respuesta inmunitaria para crear seis diseños de proteínas. Después se modeló y refinó la estructura tridimensional de los tres diseños seleccionados mediante evaluaciones predictivas. Este proceso no fue un experimento que midiera respuestas inmunitarias reales ni la seguridad en personas. La IA se utilizó para predecir epítopos de células T citotóxicas y algunas estructuras; para optimizar codones se empleó otra herramienta, GenSmart.
Tras un análisis de acoplamiento que predijo la disposición de unión entre las proteínas candidatas y el complejo del receptor tipo Toll 4 (TLR4) con el correceptor MD2, los investigadores realizaron una simulación de dinámica molecular de 100 nanosegundos. Según su interpretación, se observaron cambios estructurales hasta aproximadamente los 70 nanosegundos y, después, un estado relativamente estable. Sin embargo, se trata del comportamiento de un complejo en un modelo computacional, no de una confirmación de la activación real del receptor ni de respuestas de células inmunitarias.
Significado y perspectivas: la cobertura poblacional no equivale a eficacia preventiva
La cobertura poblacional prevista, que refleja la distribución de los tipos de antígeno leucocitario humano (HLA) asociados a los epítopos seleccionados, varió según la región: 77,44 % a escala mundial y 4,96 % en América Central. El HLA interviene en el reconocimiento de fragmentos antigénicos por el sistema inmunitario. Estos valores calculados representan el alcance de cobertura esperado según la distribución de los tipos de HLA pertinentes; no son tasas de prevención de la infección ni eficacia de la vacuna medida en ensayos clínicos.
Una simulación inmunitaria predijo respuestas de anticuerpos y células de memoria en condiciones de tres dosis de antígeno administradas a intervalos de 28 días. Esto no establece un calendario de vacunación real ni una dosis eficaz. Aún se deben evaluar experimentalmente la expresión del ARNm, la estabilidad del antígeno, la eficiencia de entrega y la inmunogenicidad. La estabilidad computacional prevista de la estructura proteica y de la estructura secundaria del ARN tampoco puede tomarse como garantía de que el producto final mantenga su función durante la fabricación y el almacenamiento.
El artículo también presenta estudios en animales de vacunas anteriores de ARNm contra el HTLV-1, por lo que no hay fundamento para llamar a este candidato el primero del mundo. El estudio aporta un candidato multiepítopo para evaluar en experimentos posteriores y datos de evaluación computacional. Para valorar su potencial como vacuna preventiva, es necesario comprobar si las predicciones se reproducen experimentalmente. El proceso de diseño y los análisis pueden consultarse en el texto completo del artículo.
Human T-lymphotropic virus type 1 (HTLV-1) is the first discovered human oncogenic retrovirus that can cause adult T-cell leukemia/lymphoma, HTLV-1-associated myelopathy/tropical spastic paraparesis, and several other diseases. Due to the poor prognosis of these diseases and the limited therapeutic modalities, the need for an HTLV-1 vaccine is crucial. The current study has used an artificial intelligence-driven reverse vaccinology approach to design an mRNA vaccine against HTLV-1. The two most antigenic proteins of the virus were selected and analyzed using multiple immunoinformatics tools to identify the antigenic immunodominant epitopes for T- and B-cells. Subsequently, the final selected epitopes and the adjuvant were connected using proper linkers. Subsequently, multiple 3D structures were modeled for the vaccine. After refining and evaluating the modeled structures, the best model was selected as the final candidate vaccine structure. The proposed mRNA structure is a potential vaccine with suitable immunological and physicochemical properties against HTLV-1. Docking and simulation analyses showed a proper interaction between the vaccine and the corresponding receptor of the employed adjuvant. However, additional experimental studies are required to further confirm the vaccine's efficacy.
Los equipos de investigación de vacunas pueden usar las regiones antigénicas seleccionadas y las interacciones previstas con receptores como punto de partida para experimentos posteriores. Por ejemplo, podrían introducir el ARNm candidato en células, medir la expresión y estabilidad de la proteína, y comparar los resultados experimentales de la respuesta inmunitaria con las predicciones computacionales. Las diferencias regionales en la cobertura poblacional prevista ofrecen un motivo para reconsiderar la composición antigénica teniendo en cuenta la distribución del HLA en las zonas donde circula el virus. Sin embargo, el material disponible no incluye resultados de validación experimental de este candidato. Por ello, es más adecuado considerarlo un diseño para evaluar expresión, entrega e inmunogenicidad que una opción para aplicación clínica inmediata.