مجله دانشکده پزشکی اصفهان

مجله دانشکده پزشکی اصفهان

طراحی یک واکسن پپتیدی چنداپی‌توپی علیه گلیوبلاستومای چندشکلی با هدف‌گیری گیرنده زیرواحد آلفا۲ اینترلوکین-۱۳ و گیرنده افرین نوع A2: رویکرد ایمنی-‌ ‌محاسباتی

نوع مقاله : Original Article(s)

نویسندگان
شهرزاد آهنگرزاده 1
ایلناز رحیم منش 2
1 مرکز تحقیقات پزشکی بازساختی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
2 مرکز تحقیقات فیزیولوژی کاربردی، پژوهشکده قلب و عروق، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
10.48305/jims.v44.i868.1124
چکیده
مقدمه: گلیوبلاستومای چندشکلی، (Glioblastoma multiforme) GBM تهاجمی‌ترین تومور اولیه مغزی است و به درمان‌های متداول مقاوم می‌باشد. طراحی واکسن‌های پپتیدی چنداپی‌توپی می‌تواند رویکردی نوین برای تحریک پاسخ ایمنی اختصاصی علیه آنتی‌ژن‌های توموری باشد.
روش‌ها: با استفاده از ابزارهای ایمنی‌ـ ‌محاسباتی، اپی‌توپ‌های مرتبط با سلول‌های لنفوسیت‌کشنده (CTLs) و B از آنتی ژن‌های IL13Rα2 و EPHA2 شناسایی و بر اساس آنتی‌ژن‌زایی، غیرآلرژن ‌بودن و غیرسمی‌بودن غربال شدند. توالی نهایی با ۱۶ اپی‌توپ لنفوسیت‌های کشنده و ۶ اپی‌توپ از سلول‌های لنفوسیت B طراحی شد. ویژگی‌های فیزیکوشیمیایی، ساختاری و برهم‌کنش واکسن با گیرنده‌های شبه Toll (TLR) مورد بررسی قرار گرفت.
یافته‌ها: واکسن نهایی با طول ۲۸۱ اسیدآمینه، وزن مولکولی 31,579.57 دالتون، 98/8 = pI و شاخص ناپایداری 26/10، پایدار ارزیابی شد. مقدار 0/463 - = GRAVY و 0/539 = QuerySolنشان‌دهنده‌ی آب‌دوستی و حلالیت مطلوب بودند. ساختار سه‌بعدی پالایش‌شده 6/93 درصد باقی‌مانده‌ها را در نواحی مطلوب رامچاندران نشان داد و 1/63- = Z-score کیفیت ساختاری را تأیید کرد. آنالیزهای داکینگ نشان داد واکسن بالاترین میل پیوندی را به TLR3 دارد (kcal/mol 11/1- = ΔG، M 8- 10×1/6 Kd ≈). شبیه‌سازی ایمنی، القای قوی پاسخ‌های ایمنی هومورال و سلولی رابا تولید سریع IgM پس از اولین ایمن‌سازی و به دنبال آن تغییر ایزوتایپ به IgG1/IgG2 در دوزهای بعدی نشان داد. شبیه‌سازی ایمنی محاسباتی با C-ImmSim پتانسیل القای پاسخ‌های ایمنی هومورال و سلولی را نشان داد.
نتیجه‌گیری: واکسن چنداپی‌توپی طراحی‌شده دارای ویژگی‌های ایمنی‌زایی، پایداری و تعامل مطلوب با TLR3 است و می‌تواند به‌عنوان نامزد بالقوه برای توسعه واکسن‌های ضد گلیوبلاستوما در مطالعات پیش‌بالینی آینده مطرح شود.

تازه های تحقیق

شهرزاد آهنگرزاده: Google Scholar , PubMed

ایلناز رحیم منش:  Google Scholar , PubMed

کلیدواژه‌ها
گلیوبلاستوما چندشکلی
واکسن چنداپی‌توپی
ایمنی‌ـ ‌محاسباتی
گیرنده زیرواحد آلفا۲ اینترلوکین-۱۳
گیرنده EPHA2 افرین نوع A2
شبیه‌سازی داکینگ مولکولی
موضوعات

عنوان مقاله English

Design of a Multi-Epitope Peptide Vaccine Against Glioblastoma Multiforme Targeting IL13Rα2 and EPHA2: An Immuno-Informatics Approach

نویسندگان English

Shahrzad Ahangarzadeh 1
Ilnaz Rahim Manesh 2
1 Regenerative Medicine Research Center, Isfahan University of Medical Sciences, Isfahan, Iran
2 Applied Physiology Research Center, Cardiovascular Research Institute, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده English


Introduction:Glioblastoma multiforme (GBM) is the most aggressive primary brain tumor and is highly resistant to conventional therapies. Designing multi-epitope peptide vaccines represents a promising strategy to elicit tumor antigen-specific immune responses.
Methods:Using immunoinformatics tools, cytotoxic T lymphocyte (CTL) and B-cell epitopes were identified from the IL13Rα2 and EPHA2 tumor-associated antigens and filtered based on antigenicity, non-allergenicity, and non-toxicity. The final vaccine construct comprised 16 CTL epitopes and 6 B-cell epitopes. Physicochemical properties, structural features, and interactions of the vaccine with Toll-like receptors (TLRs) were evaluated.

Results: The final vaccine consisted of 281 amino acids, with a molecular weight of 31,579.57 Da, pI = 8.98, and an instability index of 26.10, indicating high stability. A GRAVY value of −0.463 and a QuerySol score of 0.539 suggested favorable hydrophilicity and solubility. The refined 3D structure showed 93.6% of residues in favored regions of the Ramachandran plot, and a Z-score of −1.63 confirmed good structural quality. Molecular docking analyses revealed the strongest binding affinity toward TLR3 (ΔG = −11.1 kcal/mol; Kd ≈ 1.6×10⁻⁸ M). Immune simulation demonstrated robust induction of both humoral and cellular immune responses: rapid IgM production after the first immunization followed by isotype switching to IgG1/IgG2 in subsequent doses. In silico immune simulation with C-ImmSim suggested a potential for robust induction of both humoral and cellular immune responses.
Conclusion: The designed multi-epitope vaccine exhibits favorable immunogenicity, stability, and strong interaction with TLR3, positioning it as a promising candidate for further preclinical development as a therapeutic vaccine against glioblastoma.

کلیدواژه‌ها English

Glioblastoma Multiforme, Multi-Epitope Vaccine, Immunoinformatics, Interleukin-13 Receptor Subunit Alpha 2 (IL13R&‌alpha
2), Ephrin Type-A Receptor 2 (EPHA2), Molecular Docking Simulation
1.     Sarfraz Z, Maharaj A, Venur VA, Lathia JD, Odia Y, Ahluwalia MS. Immunotherapy in Glioblastoma: An Overview of Current Status. Clin Pharmacol 2025; 17: 185-209.
2.     Latzer P, Zelba H, Battke F, Reinhardt A, Shao B, Bartsch O, et al. A real-world observation of patients with glioblastoma treated with a personalized peptide vaccine. Nat Commun 2024; 15(1): 6870.
3.     Xiong Z, Raphael I, Olin M, Okada H, Li X, Kohanbash G. Glioblastoma vaccines: past, present, and opportunities. EBioMedicine 2024; 100: 104963.
4.     Knudson KM, Hwang S, McCann MS, Joshi BH, Husain SR, Puri RK. Recent advances in IL-13Rα2-directed cancer immunotherapy. Front Immunol 2022; 13: 878365.
5.     Muhammad N, Wang R, Li W, Zhang Z, Chang Y, Hu Y, et al. A novel TanCAR targeting IL13Rα2 and EphA2 for enhanced glioblastoma therapy. Mol Ther Oncolytics 2022; 24: 729-41.
6.     Mirzaie S, Yuan KD, Ni H, Wu XY. Design of a novel multiepitope vaccine against glioblastoma by in silico approaches. Sci Rep 2025; 15(1): 24046.
7.     Wei Y, Qiu T, Ai Y, Zhang Y, Xie J, Zhang D, et al. Advances of computational methods enhance the development of multi-epitope vaccines. Brief Bioinform 2025; 26(1): bbaf055.
8.     Reynisson B, Barra C, Kaabinejadian S, Hildebrand WH, Peters B, Nielsen M. Improved Prediction of MHC II Antigen Presentation through Integration and Motif Deconvolution of Mass Spectrometry MHC Eluted Ligand Data. J Proteome Res 2020; 19(6): 2304-15.
9.     Saha S, Raghava GP. Prediction of continuous B-cell epitopes in an antigen using recurrent neural network. Proteins 2006; 65(1): 40-8.
10.  Saha S, Raghava GPS. BcePred: prediction of continuous B-cell epitopes in antigenic sequences using physico-chemical properties. ICARIS; Springer; 2004.
11.  Doytchinova IA, Flower DR. VaxiJen: a server for prediction of protective antigens, tumour antigens and subunit vaccines. BMC Bioinformatics 2007; 8(1): 4.
12.  Dimitrov I, Bangov I, Flower DR, Doytchinova I. AllerTOP v.2--a server for in silico prediction of allergens. J Mol Model 2014; 20(6): 2278.
13.  Dimitrov I, Naneva L, Doytchinova I, Bangov I. AllergenFP: allergenicity prediction by descriptor fingerprints. Bioinformatics 2014; 30(6): 846-51.
14.  Gupta S, Kapoor P, Chaudhary K, Gautam A, Kumar R, Open Source Drug Discovery C, et al. In silico approach for predicting toxicity of peptides and proteins. PLoS One 2013; 8(9): e73957.
15.  Buchan DWA, Jones DT. The PSIPRED Protein Analysis Workbench: 20 years on. Nucleic Acids Res 2019; 47(W1): W402-W7.
16.  Heo L, Park H, Seok C. GalaxyRefine: Protein structure refinement driven by side-chain repacking. Nucleic Acids Res 2013; 41(Web Server issue): W384-8.
17.  Colovos C, Yeates TO. Verification of protein structures: patterns of nonbonded atomic interactions. Protein Sci 1993; 2(9): 1511-9.
18.  Bowie JU, Luthy R, Eisenberg D. A method to identify protein sequences that fold into a known three-dimensional structure. Science 1991; 253(5016): 164-70.
19.  Luthy R, Bowie JU, Eisenberg D.   Assessment of protein models with three-dimensional profiles. Nature. 1992; 356(6364): 83-5.
20.  Pontius J, Richelle J, Wodak SJ. Deviations from standard atomic volumes as a quality measure for protein crystal structures. J Mol Biol 1996; 264(1): 121-36.
21.  Laskowski R, MacArthur M, Thornton J. PROCHECK: validation of protein-structure coordinates 2006.
22.  Xue LC, Rodrigues JP, Kastritis PL, Bonvin AM, Vangone A. PRODIGY: a web server for predicting the binding affinity of protein-protein complexes. Bioinformatics 2016; 32(23): 3676-8.
23.  Desta IT, Porter KA, Xia B, Kozakov D, Vajda S. Performance and Its Limits in Rigid Body Protein-Protein Docking. Structure 2020; 28(9): 1071-81 e3.
24.  Vajda S, Yueh C, Beglov D, Bohnuud T, Mottarella SE, Xia B, et al. New additions to the ClusPro server motivated by CAPRI. Proteins 2017; 85(3): 435-44.
25.  Kozakov D, Hall DR, Xia B, Porter KA, Padhorny D, Yueh C, et al. The ClusPro web server for protein-protein docking. Nat Protoc 2017; 12(2): 255-78.
26.  Kozakov D, Beglov D, Bohnuud T, Mottarella SE, Xia B, Hall DR, et al. How good is automated protein docking? Proteins 2013; 81(12): 2159-66.
27.  Vangone A, Bonvin AM. Contacts-based prediction of binding affinity in protein-protein complexes. Elife 2015; 4: e07454.
28.  Rapin N, Lund O, Bernaschi M, Castiglione F. Computational immunology meets bioinformatics: the use of prediction tools for molecular binding in the simulation of the immune system. PLoS One 2010; 5(4): e9862.
29.  Castiglione F, Mantile F, De Berardinis P, Prisco A. How the interval between prime and boost injection affects the immune response in a computational model of the immune system. Comput Math Methods Med 2012; 2012(1): 842329.
30.  Hosseinalizadeh H, Rahmati M, Ebrahimi A, O'Connor RS. Current Status and Challenges of Vaccination Therapy for Glioblastoma. Mol Cancer Ther 2023; 22(4): 435-46.
31.  Jaén M, Martín-Regalado Á, Bartolomé RA, Robles J, Casal JI. Interleukin 13 receptor alpha 2 (IL13Rα2): Expression, signaling pathways and therapeutic applications in cancer. Biochim Biophys Acta Rev Cancer 2022; 1877(5): 188802.
32.  Muhammad N, Wang R, Li W, Zhang Z, Chang Y, Hu Y, et al. A novel TanCAR targeting IL13Rα2 and EphA2 for enhanced glioblastoma therapy. Mol Ther Oncolytics 2022: 24: 729-741
33.  Li W-H, Su J-Y, Li Y-M. Rational design of T-cell-and B-cell-based therapeutic cancer vaccines. Acc Chem Res 2022; 55(18): 2660-71.
34.  Salahlou R, Farajnia S, Alizadeh E, Dastmalchi S, Bargahi N, Rahbarnia L, et al. Design and in silico analysis of a novel peptide-based multiepitope vaccine against glioblastoma multiforme by targeting tumor-associated macrophage. Heliyon 2024; 10(24): e40774.
35.  Gharbavi M, Danafar H, Amani J, Sharafi A. Immuno-informatics analysis and expression of a novel multi-domain antigen as a vaccine candidate against glioblastoma. Int Immunopharmacol 2021; 91: 107265.
 
مجله دانشکده پزشکی اصفهان
دوره 44، شماره 868
هفته 4، مرداد
مرداد و شهریور 1405
صفحه 1124-1135

  • تاریخ دریافت 16 مهر 1404
  • تاریخ پذیرش 03 مرداد 1405