RU2019128435A

RU2019128435A - Основанные на hla способы и композиции и их применение

Info

Publication number: RU2019128435A
Application number: RU2019128435A
Authority: RU
Inventors: Дженнифер Грейс ЭБЕЛИН; Роб Карл ОСЛУНД; Нир Хакохен; Доминик БАРТЕЛЬМИ; Майкл РУНИ
Original assignee: БАЙОНТЕК ЮЭс ИНК.
Priority date: 2017-02-12
Filing date: 2018-02-12
Publication date: 2021-03-12
Also published as: ES2965475T3; KR102800807B1; CN110809716B; CN110809716A; WO2018148671A1; RU2019128435A3; JP7370861B2; US20200096521A1; JP2025184923A; US11965892B2; CA3053133A1; JP2020511121A; KR20200015454A; BR112019016657A2; HUE065174T2; EP4287191A2; EP3580561B1; SI3580561T1; KR20230119735A; EP4287191A3

Claims

1. Способ отбора пептидных последовательностей для приготовления вакцинной композиции, включающий:

(а) обработку информации о аминокислотных последовательностях множества пептидных последовательностей-кандидатов, экспрессируемых раковыми клетками одного субъекта-человека, с использованием модели прогнозирования презентации HLA-пептида с помощью машинного обучения для генерации множества прогнозов презентации,

где каждый из прогнозов презентации из указанного множества прогнозов презентации указывает на вероятность того, что пептидная последовательность множества пептидных последовательностей-кандидатов связывается с белком MHC указанного одного субъекта-человека;

где модель прогнозирования презентации HLA-пептида с помощью машинного обучения обучают с использованием обучающих данных, содержащих информацию о последовательностях последовательностей обучающих пептидов, идентифицированных с помощью масс-спектрометрии, для представления рекомбинантным белком MHC, экспрессированным в обучающих клетках,

где рекомбинантный белок MHC включается в клеточную мембрану обучающих клеток при экспрессии, и где:

(i) обучающие клетки не экспрессируют эндогенный МНС, или

(ii) рекомбинантные белки МНС содержат последовательность аффинного пептида-акцептора;

и

(b) отбор, на основании по меньшей мере множества прогнозов презентации, пептидной последовательности из множества пептидных последовательностей, которая, как предсказывают, будет презентирована белком МНС указанного одного человека, где одна или более отобранных пептидных последовательностей предназначены для приготовления вакцинной композиции, содержащей полипептид с одной или более отобранными пептидными последовательностями или полинуклеотид, кодирующий указанный полипептид.

2. Способ по п. 1, где последовательность аффинного пептида–акцептора функционально связана с внеклеточной частью рекомбинантного белка MHC.

3. Способ по п. 1, где аффинный пептид–акцептор представляет собой Белок–Акцептор Биотина (BAP).

4. Способ по п. 1, где белок MHC одного субъекта-человека представляет собой белок MHC класса II класса.

5. Способ по п. 1, где обучающие клетки экспрессируют один рекомбинантный белок MHC.

6. Способ по п. 1, где обучающие клетки экспрессируют:

(a) первый рекомбинантный белок МНС, содержащий первую молекулу МНС и первый аффинный пептид-акцептор;

(b) второй рекомбинантный белок МНС, содержащий вторую молекулу МНС и второй аффинный пептид-акцептор,

где первая молекула МНС и вторая молекула МНС не идентичны; и

где первый аффинный пептид-акцептор и второй аффинный пептид-акцептор не идентичны.

7. Способ по п. 1, где обучающая клетка представляет собой антиген-презентирующую клеточную линию.

8. Способ по п. 1, где модель прогнозирования презентации HLA-пептида с помощью машинного обучения обучают способом, включающим стадию иммунопреципитации обучающих клеток, экспрессирующих рекомбинантные МНС, и определения последовательностей обучающих пептидов, связанных с рекомбинантными белками МНС, с помощью масс-спектрометрии.

9. Способ по п.8, где идентификация дополнительно включает выполнение анализа последовательности, биохимического анализа или их комбинации.

10. Способ по п.1, в котором модель прогнозирования презентации HLA-пептида с помощью машинного обучения обучают способом, включающим стадию введения в качестве переменной информации о множестве обучающих пептидов, идентифицированных с помощью масс-спектрометрии, и информацию о белке МНС из указанных рекомбинантных белков МНС в алгоритм прогнозирования презентации.

11. Способ по п. 10, где переменная включает одну или более переменных, выбранных из группы, состоящей из последовательности пептида, физических свойств аминокислот, физических свойств пептидов, уровня экспрессии исходного белка пептида в клетке, стабильности белка, скорости трансляции белка, сайтов убиквитинирования, скорости деградации белка, эффективности трансляции из рибосомального профайлинга, расщепляемости белка, локализации белка, мотивов белка–хозяина, которые облегчают транспортировку TAP, белок–хозяин подвергают аутофагии, мотивов, которые способствуют остановке рибосомы, и особенностей белков, которые способствуют несмысловой опосредованной деградации (NMD).

12. Способ по п.1, дополнительно включающий приготовление вакцинной композиции, содержащей полипептид с одной или более выбранными пептидными последовательностями или полинуклеотид, кодирующий указанный полипептид.

13. Способ по п.1, где обучающие пептиды содержат эндогенные пептиды обучающих клеток.

14. Способ по п.8, где способ дополнительно включает стадию генерирования пептидной библиотеки, содержащей пептиды, ассоциированные с заболеванием, до стадии иммунопреципитации.

15. Способ по п.8, где рекомбинантный белок МНС содержит по меньшей мере 10 различных рекомбинантных белков МНС.

16. Способ по п.10, где способ дополнительно включает стадию генерирования базы данных HLA-аллель-специфичных пептидных последовательностей для множества HLA-аллелей.

17. Способ по п.1, дополнительно включающий введение субъекту вакцинной композиции, содержащей полипептид с одной или более выбранными пептидными последовательностями или полинуклеотид, кодирующий указанный полипептид.

18. Способ по п.1, дополнительно включающий введение субъекту композиции, содержащей:

(a) один или более APC, содержащих одну или более выбранных пептидных последовательностей,

(b) клетку, содержащую T-клеточный рецептор (TCR), специфичный в отношении одной или более выбранных пептидных последовательностей в комплексе с MHC одного субъекта-человека, или

(c) клетку, содержащую TCR или химерный T-клеточный рецептор (CAR), специфичный в отношении одной или более выбранных пептидных последовательностей в комплексе с MHC одного субъекта-человека.

19. Способ обучения алгоритма прогнозирования презентации MHC-пептида, реализованный в компьютерном процессоре, включающий:

(а) приведение множества обучающих пептидов в контакт с множеством обучающих клеток in vitro,

где каждая обучающая клетка из указанного множества обучающих клеток экспрессирует рекомбинантный белок МНС, и

(i) где обучающая клетка не экспрессирует эндогенный белок МНС, или

(ii) где указанный рекомбинантный белок МНС связан с последовательностью аффинного пептида-акцептора;

где указанный рекомбинантный белок МНС при экспрессии включается в клеточную мембрану одной или более обучающих клеток;

(b) иммунопреципитацию множества обучающих клеток аффинной молекулой, которая связывается с последовательностью аффинного пептида-акцептора;

(c) идентификацию обучающих пептидов, связанных с рекомбинантным белком МНС иммунопреципитированных обучающих клеток, с помощью масс-спектрометрии;

(d) ввод в качестве переменной информации об обучающих пептидах, идентифицированных масс-спектрометрией, и информации о рекомбинантном белке МНС в алгоритм прогнозирования презентации, посредством чего осуществляется обучение алгоритма прогнозирования презентации МНС-пептида.

20. Библиотека клеток, где каждая клетка библиотеки экспрессирует отличающийся рекомбинантный белок МНС, кодируемый экспрессионным вектором, где каждый рекомбинантный белок МНС включается в клеточную мембрану клеток; и где: (i) каждая клетка указанной библиотеки не экспрессирует эндогенный белок MHC, или (ii) внеклеточная часть каждого рекомбинантного белка MHC связана с последовательностью аффинного пептида-акцептора.