AlphaFold2とスライディングウィンドウで抗体の線状エピトープを探すPAbFold

論文タイトル

Linear antibody epitope prediction using AlphaFold2

出典

Handle Redirect

要旨

抗体のscFv配列と、抗原配列を短く区切ったペプチドの複合体をAlphaFold2で予測し、結合しそうなペプチドを探すパイプラインPAbFoldを開発しています。

解説など

背景

既存のエピトープ予測ツールの多くは「どの抗体にも認識されうる部位」を予測するもので、特定の抗体に対する予測ではありません。AlphaFold2-multimerの開発者自身も、抗体-抗原複合体の予測は難しいとしています。

そこで著者らは、「線状エピトープは短いペプチドで、単独では決まった構造を取りにくいため、抗体への結合を邪魔する構造がなく、AlphaFold2に有利かもしれない」と考えました。

本論文の特徴

PAbFoldは、抗体のVH・VL配列と抗原の全長配列を入力とし、結合しそうな抗原ペプチドのランク付きリストを出力します。

  1. 抗体配列を、リンカーでつないだscFvに変換します(野生型、または2E2・15F11というフレームワークへのCDRグラフト)。
  2. 抗原配列を、10残基・1残基ずつずらしながら、重なる短いペプチドに区切ります。
  3. scFvと各ペプチドの複合体を、LocalColabFold上のAlphaFold2で予測します。
  4. ペプチド部分のpLDDTでスコア化します。5つのモデルの平均を使う「Consensus法」と、残基ごとの最大値を合計する「Simple Max法」の2通りです。

MSAは1回のスキャンにつき1つをキャッシュして使い回します。計算は、MSAの取得を除くと、scFvと10残基ペプチド1つあたりNVIDIA A5000 GPUで約1.5分です。

なぜCDRグラフトも試すのか

2E2と15F11は、著者らの過去の研究で、in vivoでの性能がよいフレームワークとして使われたものです。著者らは、同様のグラフトによって、折りたたみと溶解性が改善することを以前に観察していました。

この論文では、このグラフトを予測にも応用しています。グラフトによって、結合するペプチドが他のペプチドから際立ち、予測のS/N比(ノイズに対する信号の強さ)が上がる可能性があるとしています。

結果

既知のエピトープ(Myc・HA)

  • Mycの野生型scFvでは、期待されるエピトープ(EQKLISEEDL)とほぼ一致するペプチド(QKLISEEDLL)がConsensus法の2位でした。完全一致のペプチドは平均pLDDTが51.0で、目立ちませんでした。
  • CDRを2E2・15F11にグラフトしたキメラscFvでは予測が改善し、QKLISEEDLLがConsensus法で1位になりました。
  • HAエピトープ(YDVPDYASLR)は、3種のscFvのすべてで上位に入りました。
  • 全長の抗原とscFvの複合体では、予測力がありませんでした。

新規抗体mBG17(SARS-CoV-2ヌクレオカプシド)

MycやHAは、AlphaFold2の学習データに含まれる可能性が否定できません。そこで、構造情報のないmBG17で検証しました。エピトープは、ウェスタンブロットで381〜419番に絞られていました。

  • AlphaFold2は、野生型、2種のキメラ、重鎖と軽鎖を連結しない「3-body」の全4条件で、400〜415番付近を上位にランクしました。3種のscFvでの最上位は402〜411番(DFSKQLQQSM)です。
  • 実験では、重なる7つのペプチドの競合ELISAで、401〜410番(DDFSKQLQQS)だけが、ほぼ完全に競合しました。予測とほぼ同じ位置です。

性能のぜい弱性

  • ペプチド長は10残基が最適で、他の長さでは予測力がほとんどありませんでした。
  • ColabFold 1.5.2の既定条件(AlphaFold2-multimer v3と更新後のMSAサーバー)では、MycとHAで性能が低下しました。以前にキャッシュしたMSAとmultimer v2の組合せで最も良い性能でした。MSAなしでは、予測は悪くなりました。