gif_site_mucosal
15 agosto, 2016 • 4:32 Enviado por Dinler Antunes

Desafios e oportunidades da bioinformática aplicada a imunoterapia

A imunoterapia vem ganhando espaço como uma das mais promissoras estratégias de combate ao câncer, conforme salientado em diversas publicações recentes [1,2,3]. Este foi o tema escolhido para o “Dia da Imunologia” [4], tendo sido recentemente abordado em outros posts aqui do blog [5,6]. Como não poderia deixar de ser, em uma era marcada pelo grande volume de dados [7], a bioinformática desempenha um papel central em muitas estratégias de imunoterapia. A bioinformática aplicada a imunologia (imunoinformática) ganhou importância sobretudo no ramo de predição de epitopos. Hoje existem ferramentas para predição de epitopos de linfócitos B, tanto lineares quanto conformacionais, bem como uma infinidade de ferramentas dedicadas a predição de epitopos de linfócitos T [8,9]. Dada a sequencia de aminoácidos de uma proteína alvo, e os alelos de HLA de interesse, é possível se obter um ranking dos peptídeos com maior probabilidade de serem gerados e reconhecidos por linfócitos T. Obviamente estes métodos in silico tem suas limitações, mas uma das grandes vantagens é a possibilidade de se realizar análises em larga escala, algo fundamental na era da medicina genômica [8,9].

me640071.f2

Conforme salientado em um artigo de 2015 [9], existe uma clara mudança de foco nas aplicações de ferramentas de bioinformática, de um contexto mais voltado a pesquisa básica para um contexto mais voltado a pesquisa translacional. Segundo os autores, esta mudança reflete o amadurecimento dos métodos e da imunoinformatica como  área de pesquisa. Neste contexto, conforme as estratégias de imunoterapia evoluem e se diversificam, crescem também as oportunidades e os desafios para a aplicação de ferramentas de imunoinformática. Por exemplo, estratégias baseadas na ação de linfócitos T citotóxicos ganharam bastante atenção pelo potencial de eliminar tumores em diferentes tecidos do organismo e gerar uma memória imunológica contra o tumor [1,2,3]. Houve um rápido desenvolvimento de métodos para se identificar epitopos específicos do tumor e para selecionar (e aprimorar) linfócitos com alta afinidade por estes alvos tumorais. Apesar dos resultados promissores, a contra-partida em alguns casos foi um aumento no risco de citotoxidade em tecidos saudáveis [10]. Em alguns casos, foi descrita reatividade cruzada envolvendo alvos completamente inesperados, como sistema nervoso [11] ou proteínas do músculo cardíaco [12]. Este problema exemplifica a dimensão dos desafios que precisam ser superados para o estabelecimento de métodos seguros de imunoterapia personalizada:

(i) São mais de 10 mil alelos de HLA de classe I na população humana [13], muitos dos quais ainda não foram caracterizados em termos de requerimentos para a ligação de peptídeos.

(ii) Cada paciente, de acordo com sua genética e a evolução do seu tumor, tem potencial para gerar um conjunto único de peptídeos para apresentação via HLA de classe I.

(iii) Cada paciente, de acordo com o seu histórico imunológico, apresenta um repertório privado de linfócitos T, podendo responder de forma distinta a vacinação [14].

Neste momento, não existem métodos e nem recursos capazes de considerar toda esta complexidade durante o processo de desenvolvimento de uma estratégia de imunoterapia personalizada. No entanto, alguns passos importantes estão sendo dados tanto do lado experimental quanto do lado computacional,  aumentando as expectativas para sucesso no casamento entre imunoinformática e imunoterapia. Por exemplo, um artigo publicado na revista Cell em 2015 utilizou dados genômicos de biópsias de diferentes tumores sólidos para quantificar a atividade citotóxica do infiltrado imune no local do tumor [15]. Eles demonstraram que a perda dos mecanismos de apresentação de antígenos (mutações em HLA e B2M) e o bloqueio de rotas de apoptose (mutações em CASP8) foram os principais mecanismos de resistência a atividade citotóxica, enquanto certas amplificações genéticas (ex., PDL1/2 e ALOX12B/15B) foram associadas a elevada atividade citotóxica (Figura 2).

PowerPoint Presentation

Mais recentemente, um artigo publicado na revista BMC Bioinformatics apresenta uma tentativa inovadora de realizar a predição de epitopos tumorais, considerando-se o risco para reatividade cruzada [16]. A estratégia dos autores combina a análise de dados de sequencia e estrutura, tendo sido aplicada para realizar uma varredura do proteoma humano em busca de peptídeos apresentados especificamente por diferentes tipos tumorais. Apenas peptídeos altamente expressos em amostras de tumor e com baixa expressão em tecidos normais foram considerados como alvos potenciais. Os alvos selecionados foram então ordenados de acordo com sua similaridade estrutural com outros peptídeos do proteoma humano (para descartar alvos com maior potencial para induzir respostas cruzadas). O potencial da ferramenta foi demonstrado pela predição de um alvo de reatividade cruzada que havia sido previamente descrito em um estudo clínico utilizando células T contra o antígeno tumoral MAGEA3 [11]. Infelizmente, a estratégia dos autores está restrita ao contexto do HLA-A*0201 (o segundo alelo mais prevalente), visto que dados estruturais para outros HLAs ainda são bastante limitados. Deixando de lado os dados estruturais, o servidor Expitope [17,18] oferece predição de reatividade cruzada baseada em dados de sequência e níveis de expressão, considerando algumas dezenas de HLAs. Os autores demonstram que o servidor consegue predizer a reatividade cruzada com a proteína do músculo cardíaco, mencionada anteriormente, salientando o potencial da ferramenta no contexto da seleção de alvos para imunoterapia [18].

Apesar do progresso, ainda estamos longe de atingir a sensibilidade necessária no que diz respeito a predição de reatividade cruzada de linfócitos T. Ambos os trabalhos citados acima utilizam um limite arbitrário no grau de similaridade considerado para predizer reatividade cruzada. Por exemplo, considerando que este tipo de reação não deverá ocorrer entre alvos compartilhando menos de 50% de identidade de sequencia. Este ponto de corte se faz necessário para diminuir consideravelmente o volume de dados avaliados durante a predição, e talvez seja de fato suficiente para permitir a detecção da maior parte dos alvos perigosos. No entanto, cabe salientar que estudos com peptídeos virais já demonstraram casos de reatividade cruzada envolvendo peptídeos com sequencias de aminoácidos completamente diferentes [19]. Este é um dos motivos pelo qual o uso de dados estruturais será essencial para o desenvolvimento destes métodos.

Por fim, é importante salientar que as aplicações de bioinformática na pesquisa em câncer não se limitam a predição e seleção de epitopos. Existem inúmeros trabalhos abordando aspectos como modelagem do crescimento tumoral, prognóstico, classificação de tumores, desenvolvimento de inibidores de proteínas oncogênicas, entre outros [20]. Os desafios são grandes mas as possibilidades são inúmeras e o impacto na área clínica deverá ser percebido ao longo da próxima década.

 

 

Referências:

  1. Harnessing the power of the immune system to target cancer (2013) [http://www.ncbi.nlm.nih.gov/pubmed/23092383]
  2. Advances in personalized cancer immunotherapy (2016). [http://www.ncbi.nlm.nih.gov/pubmed/27000871]
  3. Cancer Neoantigens and Applications for Immunotherapy (2016). [http://www.ncbi.nlm.nih.gov/pubmed/26515495]
  4. http://sbi.org.br/dia-da-imunologia-nota-oficial-da/
  5. http://sbi.org.br/imunoterapia-personalizada-instruindo-o-sistema-imune-a-combater-o-cancer/
  6. http://sbi.org.br/glicobiologia-avancos-na-imunoterapia-contra-o-cancer/
  7. http://sbi.org.br/big-data-data-science-statistica/
  8. Immunoinformatics: a brief review (2014).

[http://www.ncbi.nlm.nih.gov/pubmed/25048118]

  1. Immunoinformatics and epitope prediction in the age of genomic medicine (2015).

[http://www.ncbi.nlm.nih.gov/pubmed/26589500]

  1. TCR affinity for p/MHC formed by tumor antigens that are self-proteins: impact on efficacy and toxicity (2015). [http://www.ncbi.nlm.nih.gov/pubmed/25618219]
  2. Cancer regression and neurologic toxicity following anti-mage-a3 tcr gene therapy (2013). [http://www.ncbi.nlm.nih.gov/pubmed/23377668]
  3. Identification of a Titin-derived HLA-A1-presented peptide as a cross-reactive target for engineered MAGE A3-directed T cells (2013). [http://www.ncbi.nlm.nih.gov/pubmed/23926201]
  4. http://hla.alleles.org/nomenclature/stats.html
  5. http://sbi.org.br/infeccoes-previas-com-virus-heterologos/
  6. Molecular and Genetic Properties of Tumors Associated with Local Immune Cytolytic Activity (2015). [ http://www.ncbi.nlm.nih.gov/pubmed/25594174]
  7. In-silico discovery of cancer-specific peptide-HLA complexes for targeted therapy (2016). [http://www.ncbi.nlm.nih.gov/pubmed/27439771]
  8. http://webclu.bio.wzw.tum.de/expitope/
  9. Expitope: a web server for epitope expression (2015). [http://www.ncbi.nlm.nih.gov/pubmed/25644270]
  10. Frequency, Private Specificity, and Cross-Reactivity of Preexisting Hepatitis C Virus (HCV)-Specific CD8+ T Cells in HCV-Seronegative Individuals: Implications for Vaccine Responses (2015). [www.ncbi.nlm.nih.gov/pubmed/26041301]
  11. http://www.ncbi.nlm.nih.gov/pubmed/?term=bioinformactics+and+cancer