Da Genômica Funcional À Imunologia Funcional - Novos Desafios, Velhos Problemas, Grandes Recompensas

03/02/2020 Da genômica funcional à imunologia funcional: novos desafios, velhos problemas, grandes recompensas
Página 1
Da Genômica Funcional à Imunômica Funcional: Novo

Desafios, velhos problemas, grandes recompensas
Ulisses M Braga-Neto Ernesto T. A Marques Jr
Publicado: 28 de julho de 2006 https://doi.org/10.1371/journal.pcbi.0020081
Abstrato
O desenvolvimento da tecnologia de microarrays de DNA, há uma década, levou ao estabelecimento da genômica funcional como uma das
disciplinas científicas ativas e bem-sucedidas atualmente. Com o desenvolvimento contínuo da tecnologia imunomic microarray - uma
tecnologia endereçável e de larga escala para medição de resposta imunológica específica - o novo desafio da
está surgindo a imunômica, que tem semelhanças, mas também é significativamente diferente da genômica funcional. Dados imunônicos têm
foi usado com sucesso para identificar marcadores biológicos envolvidos em doenças auto-imunes, alergias, infecções virais como
vírus da imunodeficiência (HIV), gripe, diabetes e respostas a vacinas contra o câncer. Esta revisão pretende fornecer uma abordagem coerente
visão deste campo científico nascente e especular sobre as direções futuras da pesquisa. Discutimos algumas questões como epítopo
previsão, tecnologia de microarranjos imunômicos e suas aplicações e desafios estatísticos e de computação relacionados a
imunômica. Com base na recente descoberta de mecanismos de regulação nas respostas das células T, prevemos o uso de imunomotores
microarrays como ferramenta para avanços na biologia de sistemas de respostas imunes celulares, por meio de rede reguladora imunômica
modelos.
Citação: Braga-Neto UM, Marques ETA Jr (2006), da Genômica Funcional à Imunômica Funcional: Novos Desafios,
Problemas antigos, grandes recompensas. PLoS Comput Biol 2 (7): e81. https://doi.org/10.1371/journal.pcbi.0020081
Editor: Rolf Kötter, Universidade Heinrich Heine, Alemanha
Publicado: 28 de julho de 2006
Direitos de autor: © 2006 Braga-Neto e Marques. Este é um artigo de acesso aberto distribuído sob os termos do Creative
A Licença de Atribuição do Commons, que permite o uso, distribuição e reprodução sem restrições em qualquer meio, desde que
autor e fonte originais são creditados.
Financiamento: Braga-Neto gostaria de agradecer o apoio do Conselho Nacional de Pesquisa (CNPq), sob concessão
DCR 35.0382 / 2004.2. Ambos os autores agradecem o apoio do Instituto Nacional de Alergia e Doenças Infecciosas
(NIAID / NIH), sob as subvenções U19 AI56541 e N01 AI 40085.
Interesses concorrentes: Os autores declararam que não existem interesses concorrentes.
Abreviações: AR, artrite reumatóide
Introdução
Durante a década passada, o campo altamente bem-sucedido da genômica funcional experimentou um enorme crescimento como resultado do desenvolvimento
da tecnologia de microarrays de DNA [1 - 4], que possibilitou pela primeira vez medir a expressão de RNA de milhares de genes
em paralelo, em um único ensaio. Respostas imunes são fenômenos complexos que supervenham a genômica, ou seja, respostas imunes
em última análise, dependem da expressão de genes dentro de uma variedade de células, mas explicando a função do sistema imunológico apenas em
termos de expressão gênica nessas células constituiriam uma abordagem reducionista. Enquanto estudava o sistema imunológico em termos de
A genômica é um objetivo importante [ 5 , 6], a função do sistema imunológico, do processamento de antígenos ao sistema imunológico específico do epítopo.
respostas, pode ser melhor compreendida através de uma abordagem integrada que leva em consideração as propriedades do sistema imunológico
todo.
Citamos [7 ] : “O imunoma é o mapa detalhado das reações imunes de um determinado hospedeiro interagindo com um antígeno estranho e
imunômica é o estudo dos imunossomos. ”Considerando que a genômica funcional busca identificar o papel dos genes nos processos celulares através de
o paradigma da hibridação do mRNA com o DNA complementar, a imunômica funcional visa identificar os papéis dos
alvos químicos / biológicos envolvidos em processos imunológicos através do paradigma de células imunes celulares e humorais específicas
respostas induzidas por antigios apresentados ao sistema imune [8- 11 ]. Este é um esforço que promete grandes recompensas, tanto em termos
do nosso entendimento básico do sistema imunológico e em termos de diagnóstico / prognóstico da doença [ 12] e o design de vacinas [13–
15] para combater uma variedade de enfermidades humanas que variam de infecções patogênicas a alergias e câncer.
Habilitando tecnologias.
A genômica funcional foi possibilitada pelos avanços significativos que haviam sido feitos anteriormente na genômica sequencial,
incluindo não apenas os esforços maciços necessários para identificar sequências de DNA em todo o genoma [ 16 ], mas também os métodos computacionais
usado para analisar e alinhar essas seqüências [ 17] . Os dados genômicos seqüenciais são depositados em grandes bancos de dados de acesso público, como
https://translate.googleusercontent.com/translate_f 1/15
GenBank [18 ] , e pesquisadores ou empresas que fazem microarrays de DNA usam as seqüências nesses bancos de dados como sondas. Em um
De maneira semelhante, o campo da imunômica funcional já atingiu a maioridade como resultado dos avanços na imunômica seqüencial, que
consiste em métodos para catalogar os alvos químicos / biológicos capazes de provocar uma resposta imune, também conhecidos como epítopos .
Os métodos computacionais e estatísticos estão agora disponíveis para a previsão automatizada de epítopos em larga escala (consulte a próxima
subseção), além de imunoensaios clássicos como ELISPOT [19 ] e coloração por tetrâmero por citometria de fluxo [20] que juntos
permite a identificação de epítopos com alto rendimento. Recentemente, um esforço coordenado foi iniciado pelo Instituto Nacional de Alergia
e doenças infecciosas nos Institutos Nacionais de Saúde dos EUA, sob os auspícios do Anticorpo em Grande Escala e do Epítopo das Células T
Programa Discovery (do qual participam os autores deste artigo), para criar um banco de dados e recursos integrados de imunoma
como uma caixa de ferramentas de métodos de previsão de epítopos. Esta iniciativa foi projetada para identificar epítopos imunológicos de pacientes infectados selecionados.
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.0020081 1/14
Página 2
agentes; as informações serão disponibilizadas gratuitamente para cientistas em todo o mundo através do banco de dados e análise do Epitope imune
Recurso (IEDB) [7,21,22] ( http://www.immuneepitope.org) . As informações de seqüenciamento produzidas por este e outro epítopo
os esforços de mapeamento que estão sendo realizados serão essenciais para a construção de microarranjos imunômicos (discutidos em detalhes abaixo),
levando a um paradigma experimental semelhante ao empregado na genômica funcional.
Métodos de previsão de epítopos computacionais.
O sistema imunológico reconhece o antígeno através da ligação de anticorpos (resposta humoral) ou receptores de células T (resposta celular) a
proteínas estranhas. Os epítopos das células B correspondem, em geral, às características 3-D na superfície do antígeno, onde o reconhecimento pelo
sistema imunológico ocorre; um epítopo contínuo ou linear é um fragmento seqüencial da sequência proteica, enquanto um componente descontínuo ou
epítopo conformacional é composto por vários fragmentos espalhados ao longo da sequência de proteínas e reunidos em
proximidade quando a proteína é dobrada [23 ]. A resposta humoral é direcionada principalmente a epítopos conformacionais, que podem representar
a 90% do total de respostas de células B. Isso torna a previsão de epítopos de células B um problema difícil [24 ], ainda mais porque as células B
as respostas são praticamente restritas apenas pelo acesso da imunoglobulina ao epítopo, ativação do receptor de células B e auto versus não-eu
regras de discriminação do sistema imunológico. Idealmente, os sistemas de previsão de células B usariam modelos de superfície 3D dos antígenos protéicos
e medir as interações da energia superficial de regiões variáveis das imunoglobulinas que se correlacionam com a ativação das células B. Contudo,
até agora, os sistemas de previsão de células B fazem estimativas da probabilidade de uma sequência peptídica primária estar presente na superfície de um
proteína baseada em hidrofilicidade e estruturas secundárias [ 25] . As respostas celulares, por outro lado, são restritas através do
ligação de receptores de células T a peptídeos lineares curtos, que são ligados por um sulco específico em duas classes principais
+ +
moléculas do complexo de histocompatibilidade (MHC), e apresentadas na superfície das células aos receptores das células T das células CD4 e CD8
[ 26 ] A afinidade de ligação entre o peptídeo e a molécula de MHC é, portanto, um requisito necessário para a imunidade celular eficaz.
resposta. Um fator complicador é a natureza altamente polimórfica da molécula de MHC, que exibe grande variabilidade no
populações. Usando dados experimentais de afinidade depositados em bancos de dados públicos como dados de treinamento, os pesquisadores desenvolveram estatísticas
métodos para prever a afinidade do CPH de um determinado péptido desconhecido [ 27 -42]. Normalmente, esses métodos de previsão de epítopos computacionais
escaneie o comprimento total de seqüências de patógenos ou de proteínas auto-imunogênicas tomando peptídeos sobrepostos consecutivos. Além do que, além do mais,
esses métodos podem prever epítopos "promíscuos", ou seja, aqueles que se ligam a uma grande classe de diferentes alelos do MHC, conhecidos como
supertipos [ 43 ]. Os métodos computacionais de previsão de ligação ao MHC tornaram-se essenciais para a busca sistemática de epítopos,
situações em que técnicas como ELISPOT e citometria de fluxo são efetivamente impraticáveis devido ao grande número de peptídeos a
ser testado.
Os primeiros estudos de ligação ao MHC identificaram padrões químicos anfipáticos característicos nos peptídeos de ligação [44 ] e melhoraram
versões desses sistemas continuam em uso em associação com outros métodos [41 , 44,45]. Hoje, a ligação mais básica ao MHC
Os métodos de previsão baseiam-se na identificação de aminoácidos específicos comumente encontrados em posições particulares, chamados de ligação
motivos, dentro de peptídeos que se ligam a uma molécula específica do MHC. No entanto, todos os aminoácidos de um peptídeo se ligam a um sulco do MHC
(normalmente 8 a 10 aminoácidos para o MHC I e 8 a 14 aminoácidos para o MHC II) podem potencialmente desempenhar um papel positivo ou negativo na ligação,
métodos mais complexos atribuem valores positivos ou negativos para cada aminoácido em cada posição de um peptídeo e combinam esses
valores para definir pontuações que predizem ligação; essas abordagens de “matriz quantitativa” têm sido muito bem-sucedidas. Um dos
As limitações da abordagem da “matriz quantitativa” é que ela não leva em consideração as influências das interações entre
aminoácidos em diferentes posições peptídicas do epítopo. O valor dessas interações é difícil de medir e tem sido
explorado apenas de maneira limitada, combinando interações entre pares entre duas posições de peptídeos [46 ]. A combinação de
A ligação independente calculada por matrizes quantitativas com coeficientes derivados da interação pareada proporcionou melhor
previsões. Além disso, escores de matriz quantitativa foram gerados para vários alelos HLA e estudos usando a sequência HLA
a homologia permitiu o desenvolvimento de matrizes quantitativas virtuais para ser aplicável a muitos mais alelos HLA [ 28 , 39]. Geral
métodos para sistemas de previsão de ligação ao MHC, como redes neurais artificiais, e modelos estatísticos como Hidden Markov, podem
incorporar interações não-lineares complexas entre a molécula de MHC e o epítopo peptídico e evoluir à medida que mais dados forem
incluído no conjunto de treinamento. Esses métodos gerais mostraram-se potencialmente superiores aos anteriores [ 27 , 37]. o
O maior desafio, no entanto, dos métodos gerais é que, para serem confiáveis, eles exigem uma quantidade maior de dados de ligação a peptídeos.
Estratégias usando abordagens de consulta por comitê para comparar previsões de diferentes conjuntos de treinamento foram usadas para identificar os
dados informativos de ligação a peptídeos a serem determinados nos ensaios de ligação bioquímica, a fim de construir com mais eficiência um
conjunto de dados de treinamento representativo [ 40 ]. Recentemente, uma coleção de mais de 48.000 afinidades de ligação a peptídeos de moléculas de classe I foi
tornado público [ 47 ]. O desenvolvimento de modelos de previsão será bastante acelerado por esse benchmark de recursos da comunidade. Nós
observamos que o reconhecimento de epítopos pelo sistema imunológico envolve mais do que um problema receptor-ligante entre a molécula do MHC
e um peptídeo, pois outros processos biológicos estão envolvidos na preparação do peptídeo para carregamento na molécula de MHC. Epítopo
sistemas de previsão continuam a evoluir, e muitas etapas no processamento e apresentação de antígenos são necessárias para o desenvolvimento de cognatos.
respostas imunes estão sendo modeladas e combinadas em sistemas de previsão racionais. O maior desafio atual é o
desenvolvimento de modelos incorporando as regras do envolvimento das células B e dos receptores de células T e seus possíveis resultados.
O "boom" de crescimento da imunômica.
Embora o boom do crescimento da genômica tenha ocorrido na década de 1990 e esse campo agora comece a entrar em um estágio maduro de desenvolvimento,
é provável que um boom de crescimento semelhante na imunômica ocorra nos anos restantes da década atual. Pesquisamos recentemente
banco de dados PubMed (com Sente 2.3), usando a seguinte consulta: “immunomics OR immunomic OR immunome OR OU (antígeno AND
microarray AND funcional) OR (epítopo AND microarray). ”Após remover nove artigos irrelevantes da lista de saída e adicionar
cinco artigos para a nova revista Immunome Research, obtivemos uma lista de 71 artigos cobrindo os anos de 1999 até o presente
(veja a figura 1). É claro que o interesse neste campo se acelerou, apoiando a expectativa de um boom contínuo
crescimento. Espera-se que o número de publicações aumente a um ritmo exponencial à medida que os microarranjos imunômicos se tornarem
disponível comercialmente para uso em pesquisa. À medida que a tecnologia da matriz imunômica evolui, esperamos que matrizes imunômicas com um pequeno
um número de recursos será projetado para fins de diagnóstico clínico específico e usado regularmente na prática médica.
No entanto, essas aplicações clínicas ainda podem estar em um futuro distante.
Page03/02/2020
3 Da genômica funcional à imunologia funcional: novos desafios, velhos problemas, grandes recompensas
Figura 1. Estimativa da curva de crescimento para imunologia com base em uma pesquisa no PubMed Consulte o texto para obter os critérios de pesquisa utilizados. (Ilustração: Russell
Howson)
https://doi.org/10.1371/journal.pcbi.0020081.g001
Tecnologias de Microarray Imunômicas
O princípio básico de funcionamento por trás de toda a tecnologia de microarrays é a ligação e a subsequente medição do alvo biológico
amostras de interesse para sondas complementares dispostas de maneira espacialmente endereçável. Normalmente, uma superfície plana, como uma
corrediça de vidro, é usado para suportar uma série de pontos contendo as sondas. Como conseqüência do uso de sondas espacialmente endereçáveis, um
um grande número de alvos diferentes pode ser medido em um único experimento. Por exemplo, no caso da tecnologia de DNA microarray,
que fornece a tecnologia básica de habilitação para genômica funcional, os alvos são moléculas de mRNA fluorescente (indicadores de
expressão genômica) que são hibridados com sondas de DNA específicas de genes imobilizadas em uma superfície plana. De maneira semelhante, o
habilitar a tecnologia para a imunômica funcional é o microarray imunômico. As tecnologias básicas para microarranjos imunômicos
que consideramos em detalhes neste artigo são microarrays de anticorpo, peptídeo e peptídeo-MHC (consulte a Tabela 1 para obter um resumo desses
tecnologias). Outras abordagens imunômicas funcionais incluem microarranjos de anticorpos dissociáveis [48 ], microarranjos celulares [49,50],
microarranjos séricos [51 ] , bibliotecas de peptídeos [52,53] e análise sorológica de bibliotecas de expressão de cDNA (SEREX) [54–58]. tem
desafios tecnológicos significativos inerentes à fabricação de microarranjos imunômicos, incluindo a identificação de uma superfície viável
revestimento para o vidro, concentração apropriada da sonda e tempos de incubação pretendidos, tamanho e ponto de interdistância adequados [ 59-64].
Tabela 1.
Resumo das Tecnologias Básicas de Microarranjos Imunômicos

https://doi.org/10.1371/journal.pcbi.0020081.t001
Os microarranjos de anticorpos consistem em sondas de anticorpos e alvos de antígenos; portanto, eles podem ser usados para medir concentrações de antígenos
para os quais as sondas de anticorpos são específicas [ 65 , 66]. Como tal, os microarranjos de anticorpos são bastante úteis em aplicações proteômicas , como
no perfil proteômico de antígenos de câncer [ 67-69]. Microarrays de anticorpos também foram propostos para pós-tradução
genômica funcional [70 ] . A justificativa para medir diretamente a concentração de proteínas, em vez de usar um microarray de DNA tradicional
é a existência de evidências de fraca correlação entre as concentrações de mRNA e sua proteína correspondente, que
reflete a modificação pós-traducional da proteína [71 ]. Dada a possibilidade de medir antígenos ou proteínas associados a
"Agentes estranhos", microarranjos de anticorpos podem ser empregados em aplicações funcionais de imunômica [72 , 73 ] (A aplicação em [73]
células realmente usadas, que exibem os marcadores de proteína alvo em suas superfícies.) Como regra geral, no entanto, o uso de anticorpos
microarrays em aplicações imunômicas funcionais baseadas em dados podem ser problemáticos. Uma das principais razões é que essa abordagem
requer a produção de conjuntos de anticorpos específicos para uso na definição de cada um dos alvos de antígenos e o desenvolvimento de grandes
número de características interrogativas (conjuntos de anticorpos) é um desafio tremendo, uma vez que as respostas humorais são muito mais amplas do que
As respostas das células T restritas ao MHC são altamente dependentes da conformação e podem ser desenvolvidas contra uma grande variedade de
elementos químicos / biológicos presentes em fluidos biológicos, incluindo pequenas moléculas.
Os microarrays de peptídeos usam a abordagem técnica oposta; isto é, eles usam peptídeos antigênicos como sondas fixas e anticorpos séricos
como alvos [74 ]. Este formato é promissor para aplicações imunômicas funcionais. Estudos publicados usando microarrays de peptídeos incluem
aplicações para doenças autoimunes [10 , 75-79], alergia [80-85], mapeamento de epítopos de células B [13,86-88], estudos de vacinas [89,90],
ensaios de detecção [ 91, 92], diagnóstico sérico [12], caracterização de interações fracas de proteínas [93] e análise de anticorpos
especificidade [94 ]. Os microarranjos de peptídeos correspondem essencialmente a ensaios ELISA paralelizados de alto rendimento [12,95-98] e, portanto, podem
+
revelam o status do repertório de respostas de anticorpos de células B específicas ao antígeno. No entanto, as respostas das células B são altamente dependentes do CD4
As respostas imunes das células T e, portanto, os microarrays de peptídeos devem ser idealmente usados em paralelo com uma extensa análise das células T
respostas (por exemplo, usando microarrays peptídeo-MHC; veja abaixo). Um dos estudos pioneiros que melhor descreve a utilidade de
A tecnologia imunômica peptídica foi realizada utilizando uma matriz de 87 antígenos proteicos para procurar reatividade específica de anticorpos
padrões no soro de 20 voluntários normais de saúde; estes foram comparados com os padrões de 20 pacientes com diabetes mellitus tipo 1,
e classificadores simples foram projetados para discriminar entre pacientes saudáveis e diabéticos, com uma sensibilidade geral de 95% e
especificidade de 90% [78 ]. Em um estudo subsequente, o conjunto de 87 recursos conseguiu identificar assinaturas prognósticas que poderiam prever a
suscetibilidade de animais saudáveis ao desenvolvimento de diabetes [10 ]. Outro relatório importante descreve o uso de um painel de 225 selecionados
peptídeos de vários antígenos protéicos conhecidos por serem reconhecidos por pacientes com doenças autoimunes [79 ]. A matriz peptídica autoimune
foi utilizado para estudar o perfil do padrão de reatividade de autoanticorpos de pacientes com artrite reumatoide (AR). O estudo da AR utilizou soro
de 18 pacientes com AR, 38 controles saudáveis e 58 pacientes com AR recentemente diagnosticados e encontraram marcadores prognósticos clínicos
prever quais pacientes têm maior probabilidade de desenvolver AR grave e também marcadores para identificar o grupo de pacientes com a doença mais leve
forma da doença [77 ]. Além disso, uma matriz desenvolvida a partir de um painel de 213 peptídeos derivados de proteínas alergênicas de amendoim
estabeleceram que pacientes que respondem a uma maior diversidade de epítopos peptídicos de amendoim tiveram as piores reações alérgicas [ 80 ]. o
importância da amplitude da resposta de anticorpos contra o vírus da imunodeficiência símia-humana (SHIV), um experimento
Page03/02/2020
modelo de primata não humano para o vírus da imunodeficiência humana (HIV), foi demonstrado através de estudos realizados com uma série de
430 peptídeos derivados do vírus da imunodeficiência símia (SIV) e seqüências de aminoácidos do HIV [90 ]. Este estudo indicou que o
a redução do repertório da resposta de anticorpos foi associada ao desenvolvimento da síndrome da imunodeficiência adquirida
(AUXILIA). Esses exemplos enfatizam o grande potencial dos microarranjos peptídicos para identificar vários marcadores clínicos valiosos.
A tecnologia mais recente a ser proposta é o microarray peptídeo-MHC ou chip de apresentação de antígeno artificial [ 9, 11,99]; nisso
Nesse caso, complexos peptídeo-MHC recombinantes e moléculas co-estimuladoras são imobilizados em uma superfície e populações de células T
são incubados com os microarranjos, cujas manchas atuam efetivamente como células apresentadoras de antígenos artificiais [100 ]
Peptídeo restrito ao MHC. Diferentes métodos foram propostos para detectar células T que expressam receptores com afinidade por
complexos peptídeo-MHC no microarray; estes podem incluir uma inspeção simples de aglomerados de células T ligados a um ponto [ 9] ou
identificação de células ativadas secretando citocinas específicas com anticorpos de captura específicos para citocinas [11,99]. Peptídeo-MHC
microarranjos correspondem a ensaios ELISPOT paralelizados de alto rendimento [19 ], particularmente quando densidades de células suficientemente baixas são
usado, caso em que é possível uma contagem direta de células ativadas [11 ]. A quantificação pode envolver apenas a contagem de células, citocina detectada
intensidades isoladamente ou uma combinação de ambas, como em [99 ], que utilizou um escore de contagem de células ajustado por um escore de intensidade. O benefício de
usando microarranjos de peptídeo-MHC é que ele pode mapear epítopos de células T restritos ao MHC, envolvidos em vários
funções reguladoras do sistema imunológico e pode ser usado em conjunto com microarranjos de epítopos de células B baseados em peptídeos para estudar
o sistema adaptativo como um todo.
A Figura 2 ilustra o funcionamento dos microarranjos peptídeo-MHC. Na Figura 2a, um microarray peptídeo-MHC é representado, com uma inserção
mostrando as moléculas da sonda que são depositadas em um ponto de microarray. A Figura 2b mostra células T que se ligam a, e são ativadas por,
complexos peptídeo-MHC específicos, com a ajuda de anticorpos co-estimuladores; essas células T secretam citocinas que são capturadas por
anticorpos de detecção específicos. Por fim, como mostrado na Figura 2c, as células T e o excesso de citocina são lavados e os
a citocina é revelada pelo anticorpo fluorescente (outros métodos podem ser empregados para revelar a citocina [11 ] ). Portanto, um peptídeo
O ponto de MHC é projetado levando em consideração dois elementos: um complexo peptídeo-MHC e o anticorpo de detecção específico para o
citocina particular que se deseja medir. Um terceiro elemento pode ser o tipo de população de células T (por exemplo, auxiliar T ou CTL) usado como
um alvo (isto é, incubado com o microarray). A escolha entre esses três elementos diferentes levará a um grande número de
respostas imunômicas que podem ser medidas.
Figura 2. Tecnologia de microarray imunológico peptídeo-MHC
(a) Diagrama de um microarray peptídeo-MHC, com uma inserção exibindo uma mancha peptídeo-MHC, que inclui co-estimulação
anticorpo necessário para melhorar a ativação das células T, bem como capturar anticorpos para ligar a citocina secretada.
(b) Ligação e ativação de células T em um ponto específico do peptídeo-MHC, que atua como uma célula apresentadora de antígeno artificial.
(c) Após a lavagem, a citocina capturada é revelada pelo uso de anticorpos fluorescentes, levando a uma medição de
resposta imunológica ao complexo peptídeo-MHC. (Ilustração: Russell Howson)
Uma característica interessante que distingue dados imunômicos de dados de microarranjos de DNA é a possibilidade de medir dois ou mais sinais
simultaneamente, determinado por um único recurso, o epítopo. No caso de microarranjos de DNA, um valor de resposta é obtido para
cada gene por amostra, ou seja, a concentração de mRNA produzido pelo gene (observe que experimentos com dois corantes usam mRNA de
duas amostras diferentes). No caso de chips peptídeo-MHC, um único epítopo pode gerar diferentes valores de resposta correspondentes a
citocinas diferentes ou populações de células T alvo diferentes, ou mesmo isotipos de anticorpos diferentes, no caso de microarranjos peptídicos. Dentro
Em outras palavras, no caso de microarranjos genômicos, um parâmetro é medido, a saber, o nível de transcrição de cada indivíduo.
gene, enquanto que no caso de microarranjos imunômicos, é possível medir vários parâmetros em relação às respostas imunes
contra um único epítopo. Por exemplo, um único epítopo de célula B pode ser reconhecido por diferentes isotipos de imunoglobulinas, como
IgE ou IgG1. Portanto, neste caso, não é apenas a intensidade da resposta do anticorpo que pode ser medida, mas também a qualidade da
a resposta do anticorpo. Esse aspecto pode ser muito relevante, pois um alto título de IgE em relação à IgG1 pode estar associado à alergia,
ao contrário, um alto título de IgG1 em relação à IgE para o mesmo epítopo não é. Esta situação é ainda mais significativa no
caso da matriz peptídeo-MHC, em que o mesmo epítopo peptídeo-MHC pode induzir várias respostas diferentes de citocinas. Estes
Os microarranjos “multicoloridos” de peptídeo-MHC têm uma contrapartida nos ensaios multicoloridos ELISPOT atualmente em uso [101 ]. Sabe-se que
Page03/02/2020
o efeito combinado de múltiplas citocinas é essencial para o controle das respostas imunes; isso é descrito pelo termo sugestivo
"Corda de citocina" em [102 ]. Assim, dada uma família de epítopos, pode-se querer medir simultaneamente os fatores inflamatórios (efetores)
e respostas de células T anti-inflamatórias (regulatórias), conhecidas por estarem associadas às concentrações de IFN- γ e IL-10,
respectivamente [103 ]. Nesse caso, haveria mais de um ponto no microarray contendo o mesmo epítopo (peptídeo-MHC
complexo), mas use anticorpos citocinas distintos para detecção (veja a Figura 3). O resultado dessa análise não é um perfil com valor real, pois
é obtido a partir de microarranjos genômicos funcionais, mas um perfil com valor vetorial. Tais perfis são chamados às vezes
Perfis “multiespectrais” (consulte a seção sobre análise de dados abaixo). No entanto, adotaremos o termo “multicolorido” quando nos referirmos a
dados imunômicos, devido ao fato de esse termo já ser usado no cenário semelhante dos ensaios ELISPOT.
Figura 3. Perfil genômico com microarrays de DNA consiste em um sinal (mRNA) por amostra, enquanto perfil imunológico com peptídeo-MHC
Microarrays podem envolver vários sinais por amostra
Para uma dada população de células T, era possível medir para cada epítopo no microarray a secreção de IFN- γ e IL-10 associada ,
que corresponde, respectivamente, à atividade inflamatória e anti-inflamatória, produzindo perfis multiespectrais. (Ilustração:
Russell Howson)
Os desafios tecnológicos mencionados anteriormente em relação aos microarrays de anticorpos e peptídeos são muito mais complexos em
o caso de microarrays peptídeo-MHC, que de fato envolvem elementos das duas tecnologias anteriores, a apresentação de
detecção de peptídeo e anticorpo de citocina secretada. A tecnologia dos microarranjos peptídeo-MHC, embora ainda em sua infância, é
visto como um método simples e econômico para rastrear o repertório de células T de um hospedeiro [99 ] e , portanto, possui um grande potencial. O primeiro
A aplicação de pesquisa clínica da tecnologia de microarrays peptídeo-MHC foi o estudo dos correlatos de proteção em relação à
efeitos de uma vacina experimental contra o câncer terapêutico [104 ]. Dez pacientes com melanoma foram imunizados com uma vacina peptídica,
e suas respostas imunes foram examinadas com um microarray peptídeo-MHC, que continha sete tipos de peptídeo-MHC
epítopos e sondados por 26 fatores secretados. Essa matriz de peptídeo-MHC demonstrou ter sensibilidade para detectar um peptídeo-
6 +
Células T específicas do MHC em 10.000 e 10 células CD8 foram incubadas com a matriz (portanto, em teoria, essa matriz peptídeo-MHC poderia detectar
até 100 recursos reativos distintos que atingiram a frequência mínima de 1: 10.000). Análise do microarray peptídeo-MHC
padrões de resposta demonstraram que os pacientes que apresentaram respostas secretórias de IFN- γ e TNF- α contra um epítopo específico
permaneceu livre de melanoma.
Desafios computacionais e estatísticos

A complexidade da análise estatística em relação aos dados de microarranjos imunômicos é em um nível totalmente diferente do de
dados genômicos de microarranjos. O número total de genes em humanos é estimado em ~ 30.000; em comparação, o número total de
diferentes receptores de células T em humanos, gerados por recombinação somática, que reconhecem peptídeos no contexto de uma grande
7
molécula de histocompatibilidade, é estimada em 10 a 10, e o número de clonótipos de células15
B, gerado por
A recombinação somática dos genes V (D) J é estimada em 10. O DNA é baseado em um alfabeto de12quatro letras, consistindo
das quatro bases nucleotídicas A, G, C, T, enquanto os epítopos peptídicos são baseados em um alfabeto de 20 letras, consistindo nos aminoácidos
conhecido por estar envolvido nos processos da vida. Claramente, a complexidade combinatória no caso da imunômica funcional é de várias ordens
de magnitude superior à da genômica funcional.
4
Além disso, para a genômica funcional, o número de características interrogativas que precisam ser construídas em microarranjos é da ordem de 10
5
para 10. Na imunômica funcional, o número total de características interrogativas incluídas na análise de microarrays pode ser muito maior e
pode ser estimado da seguinte maneira, no caso de microarranjos de peptídeo-MHC: a análise dos motivos de ligação ao peptídeo MHC [ 26] sugere que um
o núcleo de nove aminoácidos dentro de um peptídeo é suficiente para a caracterização de um epítopo de célula T. O número total de interrogativas
9 11
assim, os recursos corresponderiam ao número possível de palavras de nove letras com base em um alfabeto de 20 letras, que é 20 × 10;
felizmente, apenas <1% destes são capazes de se ligar a moléculas de MHC, o que torna o número de características interrogativas mais
gerenciável. Além disso, as células B e T passam por um processo de seleção clonal, em que os leucócitos que não reagem ou
a reação com muita força é eliminada e clones perigosos que reagem com auto-antígenos são excluídos ou anergizados como parte do processo
de tolerância imunológica. O número de recursos ainda é muito grande, no entanto, e métodos para reduzir ainda mais esse número são essenciais;
tais métodos incluem os métodos de previsão e bancos de dados imunômicos mencionados anteriormente em conexão com o epítopo
mapeamento, bem como a seleção de peptídeos de genomas específicos de patógenos, alérgenos e auto-antígenos envolvidos em
enfermidades, como antígenos tumorais, diabetes e doenças autoimunes. Um procedimento adicional que nós e outros grupos temos
utilizado após a triagem dos genomas de patógenos em busca de peptídeos de ligação putativos é comparar os epítopos candidatos com os conhecidos
seqüências de proteínas hospedeiras e, em alguns casos, encontramos peptídeos idênticos aos peptídeos hospedeiros. Isto é muito importante
porque várias doenças críticas são causadas por mimetismo molecular de patógenos, ou seja, algumas doenças, como diabetes, dengue
a hipótese de febre hemorrágica e síndrome de Guillian Barret é o resultado de infecções que induzem reações auto-reativas.
respostas imunes patogênicas.
É importante afirmar que o objetivo da matriz imunômica não é testar todos os possíveis clones ingênuos de células T ou células B que possam ser
gerado pelas recombinações somáticas, VJ ou V (D) J contra todas as combinações possíveis de peptídeos - simplesmente não haveria
sangue suficiente do paciente para fazer isso, mesmo que fosse considerado uma atividade relevante. O objetivo da matriz imunômica é identificar
células preparadas que atingiram um nível razoável de frequência precursora e, portanto, espera-se que tenham relevância biológica. Se o
freqüência de uma célula T circulante no sangue periférico for menor que 1: 100.000, podemos esperar que a relevância biológica dela seja
pequeno em contraste com uma célula T que tem uma frequência de 1: 1.000. Além disso, uma célula T possui uma afinidade de ligação ao peptídeo-MHC que o T
a célula é específica e não deve se ligar àquelas com as quais não possui afinidade. O limite atual de detecção relatado do
6 +
A matriz imunômica peptídeo-MHC é de 1: 10.000 células ao usar 10 células CD8. Então, em teoria, um arranjo peptídeo-MHC incubado com
6 +
10 células CD8 purificadas (~ 10 ml de sangue) podem detectar até 100 características reativas distintas que atingiram a frequência mínima de
Page03/02/2020
1: 10.000. No entanto, se esperamos ser capazes de detectar clones raros, com frequências muito baixas, serão necessárias mais células. este
esse requisito pode ser superado com grandes quantidades de sangue e não é razoável coletar 100 ml de sangue ou adicionando uma célula T
etapa de expansão para aumentar a população de células ex vivo antes de ser incubada com a matriz. Esta técnica de amplificação clonal de células T
é comumente usado para detectar populações raras de células por citometria de fluxo ou por ELISPOT e também pode ser aplicado em sistemas imunômicos.
estudos.
Normalmente, 250.000 PBMCs humanos são usados em um ensaio ELISPOT com um peptídeo, e o limite de detecção é estimado em 4-
dobre até 5 vezes mais sensível que a citometria de fluxo. No entanto, ELISPOT é bastante distinto experimentalmente de microarranjos imunômicos.
No ELISPOT, as células T e APCs estão presentes na mesma mistura e, para que uma célula T seja ativada, ela deve estar em contato próximo com sua
APC. Na matriz peptídeo-MHC, a superfície do ponto é equivalente a um APC definido muito grande, completamente carregado com um
epítopo peptídico, para o qual uma célula T reativa tem uma afinidade de ligação, de modo que adere ao seu local específico de peptídeo-MHC e não ao
6
outros pontos. Em [104 ], os autores usaram 10 células e compararam o limite de detecção da matriz com citometria de fluxo. Acabou
que ambos tinham limites de sensibilidade semelhantes, aproximadamente 1: 10.000 células ou 0,01%. É possível que no futuro o peptídeo-MHC
a superfície do ponto pode ser melhorada e a sensibilidade do arranjo peptídeo-MHC pode se tornar ainda maior do que o ELISPOT atual
ensaio.
Outro grande desafio é o polimorfismo dos genes HLA, em particular o HLA classe II, e as várias combinações de diferentes
cadeias alfa e beta. Algumas abordagens podem ser úteis para limitar o número de recursos, como a seleção de alelos específicos
encontrado com mais frequência em uma população para ser usado em amplas matrizes de triagem. Uma segunda abordagem poderia ser o uso do supertipo
protótipo de moléculas HLA compatíveis com um conjunto de vários alelos HLA. Uma terceira abordagem seria através da personalização do
matrizes, tendo muitas matrizes diferentes de alelos únicos e combinando-as de acordo com os tipos HLA dos indivíduos
testado.
Uma questão que diferencia os dados imunômicos de microarranjos é a disponibilidade de perfis de resposta com valor vetorial (no caso de peptídeos -
Microarrays MHC). O desafio estatístico aqui é remanescente do problema de análise de dados no campo da engenharia de
sensoriamento [ 105] , onde diferentes materiais têm respostas vetoriais características, chamadas assinaturas espectrais. No caso de imunômica
dados, a noção análoga à assinatura espectral é o perfil de citocinas associado a um dado epítopo e população de células T; Vejo
Figura 4 para uma ilustração. Uma técnica simples para resolver o problema de análise de dados para dados imunômicos multicoloridos é combinar
as respostas em um longo vetor de característica, justapondo os perfis de resposta de citocinas individuais para cada epítopo, com o
ressalva que pode haver correlação sistemática entre os recursos no vetor de recursos resultante.
Figura 4. Assinaturas espectrais para diferentes epítopos associados a uma determinada amostra de população de células T
Estas são simplesmente a secreção medida de diferentes citocinas em pontos de microarray associados aos mesmos
epítopo. (Ilustração: Russell Howson)
O grande número de recursos que podem ser medidos simultaneamente com a tecnologia de microarrays também apresenta um desafio. Num
Por outro lado, é provável que um grande número de características irrelevantes esteja presente; por outro lado, o cientista gostaria de trabalhar com um
pequeno número de características fortes e relevantes que podem ser usadas para painéis de diagnóstico / prognóstico ou como base para bioquímica adicional
estudos de validação dos mecanismos envolvidos. Esse problema de seleção de recursos também surge devido a uma limitação fundamental
estatística, às vezes chamada de “maldição da dimensionalidade”, segundo a qual a existência de um grande número de características
requer um número ainda maior (exponencialmente maior) de amostras para obter resultados consistentes e precisos. Como o número de
pacientes em estudos baseados em microarrays é severamente restringido por fatores como o custo da tecnologia e dificuldades no paciente
quase sempre ocorre apenas um pequeno número de amostras. Assim, apenas um pequeno número de recursos no
um tempo pode ser considerado. A abordagem recomendada para a seleção de recursos é considerar combinações de m recursos por vez, faça
design do classificador com base no recurso definido em consideração e use uma estimativa de sua probabilidade de erro como o desempenho
Ponto. A aplicação desse tipo de análise a dados de microarranjos imunômicos permitiria a identificação de conjuntos de epítopos específicos
respostas imunes, associadas, por exemplo, a estados distintos de doença. No entanto, a seleção de recursos apresenta um explosivo
problema combinatório. Por exemplo, em uma seleção exaustiva de conjuntos de três recursos entre 1.000 recursos iniciais, o total
o número de conjuntos de recursos a serem avaliados é igual a 166.167.000.11
Se um conjunto inicial de 10.000 recursos for usado, o número de
conjuntos de recursos de tamanho três a serem pesquisados são maiores que 10. A complexidade da seleção de recursos é especialmente crucial na funcionalidade
aplicações imunômicas, pois nesse caso o número de recursos iniciais a serem considerados é enorme. O uso de alto desempenho
arquiteturas de computação, como grandes grupos de computadores, é quase obrigatório.
Dado que um conjunto de recursos foi selecionado, deve-se conseguir projetar um classificador que tome como dados de entrada de microarrays para um
amostra desconhecida e gera como resultado um rótulo de classe previsto (por exemplo, resultado clínico, tipo de infecção ou outras condições).
A Figura 5 ilustra essa abordagem em uma aplicação imunômica funcional hipotética. Nesse caso, existem dois rótulos de classe,
correspondendo a pacientes controlados e protegidos, em uma situação em que a proteção é alcançada por imunização com uma atenuação
vacina contra vírus para uma determinada doença infecciosa. O objetivo é identificar os epítopos que mostram uma resposta discriminatória entre
os dois grupos e, portanto, são alvos principais para o planejamento racional de vacinas baseadas em epítopos. Um conjunto de dois recursos, correspondentes a
epítopos X e Y, foram identificados através da seleção de características entre os milhares de sondas de microarrays. Por exemplo, podemos
imagine uma situação em que os indivíduos protegidos apresentassem uma resposta mais alta de TNF- α ao epítopo X, bem como um maior IFN- γ
resposta ao epítopo Y. Com base nos valores de resposta observados para cada paciente (observe que um paciente corresponde a um ponto no
plano), um classificador linear é projetado. Esse classificador corresponde simplesmente a duas regiões de decisão separadas por uma linha. Se um futuro
Se um paciente desconhecido tiver valores de resposta que caem na região de decisão superior, é provável que seja um paciente protegido, desde que
o classificador tem uma pequena probabilidade de erro. Nesse caso, as respostas aos epítopos X e Y (em termos de TNF- α e IFN- γ
Page03/02/2020
citocinas) caracterizam a memória imunológica induzida pela vacina contra vírus atenuados: grandes valores de resposta para ambos os epítopos X
e Y indicam pacientes protegidos (observe que a resposta do epítopo X nem do epítopo Y por si só é um bom discriminador nesse
exemplo, indicando a necessidade de considerar o efeito combinado e multivariado de ambas as respostas). Observe, na Figura 5 , que o aparente
a taxa de erro (isto é, o número de amostras classificadas incorretamente dividido pelo número total de amostras) é de 2 × 20 = 10%; a probabilidade real de
o erro de classificação em dados futuros geralmente excede a taxa de erro aparente [ 106] .
Figura 5. Exemplo de um classificador linear
A resposta aos epítopos X e Y discrimina os pacientes protegidos por imunização dos pacientes controle. (Ilustração:
Russell Howson)
Biologia de Sistemas e Descoberta Computacional: Redes Reguladoras Imunômicas

A biologia de sistemas utiliza modelagem matemática para fornecer um núcleo teórico para a biologia, análogo ao modo como
teorias matemáticas forneceram esse núcleo para a física no século XX. O sucesso da engenharia e computação
A metodologia no domínio físico se deve à capacidade preditiva da modelagem matemática. Citamos de [ 107] : “Preditivo
modelos matemáticos são necessários para mover a biologia na direção de uma ciência preditiva. Eles também são necessários para o
aplicação de métodos de engenharia para traduzir o conhecimento biológico em terapias com base matemática e computacional. ”
A grande complexidade dos sistemas biológicos, em comparação com a maioria dos sistemas físicos, torna ainda mais urgente a aplicação de
técnicas de modelagem matemática e computacional para eles. Os sistemas dinâmicos fornecem “a linguagem natural necessária para
descrevem o 'comportamento integrado' dos sistemas coordenando as ações de muitos elementos ”[ 108] , e também são capazes de exibir
auto-ordem emergente da complexidade massivamente desorganizada, que se acredita ser uma característica fundamental da vida. A seguir,
descreveremos a noção de redes reguladoras imunômicas, um modelo de sistema dinâmico para regulação imunológica.
Um importante desenvolvimento recente em imunologia tem sido a descoberta de células T reguladoras [ 103 , 109-111]. Essas células T
suprimir respostas imunes, ajudando a conter processos inflamatórios descontrolados e a evitar doenças autoimunes. Pensa-se que
essa atividade de supressão benéfica pode se tornar prejudicial quando é aproveitada pelos patógenos, levando a doenças crônicas e
processos infecciosos anormais. Foi observado que algumas células T reguladoras não são específicas de antígeno; estes são chamados naturais
+ +
células T reguladoras [103 ]. Além disso, existem células T reguladoras, tanto CD4 quanto CD8, que são específicas ao antígeno e, portanto, epitopo-
dirigido [ 103 ]. Dada a ação supressora das células T reguladoras dirigidas por epítopos, em conjunto com a atividade promotora de
células T auxiliares conduzidas, segue-se que a resposta imunológica a um dado epítopo pode ser suprimida ou promovida pelo
resposta imunológica a outros epítopos. Assim, a noção de redes reguladoras surge como um conceito fundamental na
compreender o funcionamento do sistema imunológico. De fato, a maioria das doenças humanas é resultado de um desequilíbrio no sistema imunológico.
homeostase do sistema.
Na genômica funcional, dados de microarranjo de DNA são usados para inferir redes reguladoras genômicas [ 112]. Para eficiência biológica e eficiência
razões, a expressão gênica é frequentemente quantizada em dois níveis: ligado e desligado [ 113] . Os métodos multivariados de classificação e característica
A seleção discutida na seção anterior provou ser essencial na inferência de tais regulamentações booleanas (binárias)
redes. Da mesma forma, dados de microarranjos imunômicos podem ser usados para inferir redes reguladoras imunômicas. Como é verdade para o gene
expressão, pode-se quantificar cada resposta epitópica medida com um microarray imunômico em um de dois níveis -
(imunogênico / respondedor) e desativado (não imunogênico / não respondedor) - levando à inferência da regulamentação imunômica booleana
redes.
No caso geral, cada nó de uma rede reguladora imunômica representa uma combinação do epítopo, a citocina
resposta medida e a população de células T usada como alvo; na maioria dos casos, cada nó está em um relacionamento individual com um
ponto físico único em um experimento de microarranjo imunômico com uma dada população de células T. As arestas entre os nós representam
relações regulatórias putativas entre as células que respondem aos respectivos epítopos. A Figura 6 mostra um exemplo simples com
+
respostas booleanas quantizadas, em que microarrays peptídeo-MHC são usados em conjunto com três tipos de alvos de células T: CD4
+ + +
células T auxiliares, células T reguladoras de CD4 e células T citotóxicas CD8. O epítopo A é específico das células T auxiliares CD4 que promovem a
+
resposta ao epítopo C, que é específico das células T efetoras CD8 que produzem o mecanismo de proteção real. Além do que, além do mais,
+
existe um epítopo B que ativa as células T reguladoras de CD4 que suprimem a resposta efetiva ao epítopo C, produzindo assim
uma resposta anti-inflamatória. Na prática, esse modelo seria derivado de dados de microarranjos por epítopo automático (recurso)
seleção e determinação de relações preditivas (design do classificador). Neste exemplo, a resposta efetora é ativada apenas em
presença de ajuda do epítopo A e ausência de resposta regulatória ao epítopo B. Resposta supressora do epítopo
O próprio B é promovido pela presença de uma resposta ao epítopo C, fornecendo um mecanismo de feedback negativo. Essas relações
pode ser representado por um diagrama de fiação e regras de transição, representadas na Figura 6a .
Page03/02/2020
Figura 6. Exemplo de uma rede imunológica simples, consistindo em três epítopos

+
O epítopo A é um promotor (A é específico para células T auxiliares CD4), o epítopo B é um supressor (B é específico para T regulador de CD4+
+
células), enquanto o epítopo C produz a resposta efetora (C é específico das células T citotóxicas CD8), além de promover a
suprimindo a resposta do epítopo B (feedback negativo).
(a) Diagrama de fiação de rede e regras de transição.
(b) Tabela de transição do estado.
(c) Bacias de atração no espaço de estados, com atratores indicados por retângulos tracejados. (Ilustração: Russell Howson)
Como as respostas foram quantizadas para dois valores, ligado e desligado, e existem três epítopos, o número total de possíveis
3
os estados do sistema são 2 = 8. A Figura 6b mostra a tabela de transição de estados obtida das regras de transição na Figura 6a. Usando isto
tabela, pode-se determinar os atratores do sistema, que são os estados ou conjuntos de estados nos quais o sistema permanece no longo
executado na ausência de interrupções externas. Para cada atrator, está associada uma bacia de atração, contendo atratores e
estados transitórios, que são os conjuntos de estados que levam ao atrator [108 ]. No contexto de sistemas biológicos, atratores são um
modelo matemático para homeostase. Em nosso exemplo minimalista, vemos que existem dois comportamentos diferentes, correspondentes ao
duas bacias de atração distintas na Figura 6c; os respectivos atratores são indicados por retângulos tracejados. Como pode ser visto, qual dos
os dois comportamentos em que o sistema está dependem apenas do estado da resposta ao epítopo A. Se estiver desativado (não há ajuda), então o
O sistema pode passar por alguns estados transitórios irrelevantes, mas sempre tenderá para o atrator 000 de estado único em repouso e
portanto, ausência de atividade; veja o diagrama à esquerda na Figura 6c . Se a resposta ao epítopo A estiver ativada (houver ajuda), então o
a atividade do sistema corresponde à de um atrator cíclico, com a resposta efetora sendo ativada e desativada ciclicamente; Veja o
diagrama à direita na Figura 6c . Esta situação corresponde à modulação da resposta efetiva e à regulação da
resposta inflamatória por meio de um mecanismo de feedback negativo. Observe que, quando deixa de haver uma resposta ao epítopo A,
o sistema salta para a outra bacia de atração e tende para o estado de repouso 000. A resposta imune ao epítopo A neste
Este exemplo determina o comportamento do sistema e, portanto, ele funciona como o mestre da resposta imunológica geral, com o
respostas imunes individuais aos epitopos B e C sendo escravos dele. O conceito de unidades reguladoras mestre-escravo é bastante importante
para a compreensão de sistemas reguladores complexos e de fato tem sido considerado um mecanismo de regulação genômica
(Michael Bittner, dados não publicados).
A inferência de redes reguladoras imunômicas a partir de dados de microarranjos imunômicos constitui, após validação adequada,
descoberta de conhecimento. Existem sutis questões epistemológicas envolvidas no uso de metodologia baseada em computador e baseada em dados para obter
conhecimento científico. Como Karl Popper explicou em seu livro clássico The Logic of Scientific Discovery [ 114] , toda teoria científica
consiste em um ato irracional inicial de criatividade (indução) seguido de rigorosas conseqüências lógicas (dedução) e teste do
hipótese inicial. Onde está o ato inicial da criatividade, ou seja, a hipótese científica, no conhecimento computacional
descoberta? Os computadores claramente não são capazes de criatividade irracional. Isso pode ser considerado ciência? Mantemos que a resposta
é sim [ 115] . De fato, o ato inicial irracional de criatividade está aí; está envolvido em todas as etapas do projeto do experimento, seleção de
pacientes / amostras e escolha da metodologia estatística. Uma vez estabelecidas, a análise real dos dados é dedução puramente lógica
através do mecanismo de operações matemáticas, conforme prescrito por Popper. Nesta fase dedutiva, o computador desempenha um papel crítico,
pois facilita a aplicação de métodos computacionais muito complexos. Portanto, o viés do cientista (e estatístico) aqui é de fato
inevitável, como em todas as disciplinas científicas. Em particular, o termo orientado a dados é realmente um termo impróprio na descrição computacional
descoberta de conhecimento.
Conclusão
A imunômica funcional promete grandes recompensas, tanto em termos de nossa compreensão básica do sistema imunológico quanto na doença
diagnóstico / prognóstico e desenho racional da vacina dirigida por epítopos. Pesquisa sobre a biologia básica e métodos estatísticos associados
com experimentos imunômicos funcionais levará ao avanço da ciência médica e da saúde pública. Imunômica funcional
ainda está em um estágio inicial de desenvolvimento. Nesta revisão, tentamos fornecer uma visão coerente desse campo nascente,
e especulamos sobre futuras direções de pesquisa para esta tecnologia.
Em nossa discussão, frequentemente comparamos e contrastamos a imunômica com a genômica. Immunomics superveniência em genômica, em
sentido epistemológico, uma vez que a imunologia depende, em última análise, do funcionamento dos genes dentro das células, mas a imunômica tem suas
próprio caráter e propriedades independentes. Da mesma maneira que cada célula tem seu próprio padrão de expressão gênica que define
suas propriedades celulares únicas, cada reação do sistema imunológico cognato a um antígeno tem seu próprio padrão de epítopo específico
respostas que definem seu resultado final.
Existe uma grande coleção de modelos matemáticos para descrever o sistema imunológico [116 ]. Aqui, propusemos Boolean
redes reguladoras imunômicas como um novo modelo matemático para a regulação do sistema imunológico. Este é um modelo de sistema dinâmico,
com parâmetros que podem ser estimados a partir de dados de microarranjos imunômicos. Um conceito um pouco semelhante foi sugerido em [ 102, 117],
onde foi proposto um modelo de rede para ação de citocinas, embora sem referência explícita à tecnologia imunômica em larga escala ou
resposta reguladora das células T. Além disso, as redes reguladoras do sistema imunológico foram discutidas anteriormente no contexto de
genômica [ 118] . O modelo de rede reguladora imunômica pode ser útil para a descoberta de conhecimento computacional e simulação de
mecanismos reguladores do sistema imunológico em saúde e doença, que podem levar a avanços em aplicações práticas (por exemplo,
design da vacina), bem como no entendimento científico básico do sistema imunológico.
Agradecimentos
Page03/02/2020
Os autores gostariam de agradecer a J. Thomas August da Escola de Medicina Johns Hopkins, Baltimore, Maryland, Estados Unidos,
e Vladimir Brusic, da Universidade de Queensland, Brisbane, Austrália, por discussões valiosas que melhoraram este artigo.
Contribuições do autor
UMBN e ETAM escreveram o artigo.
Referências
1 Schena M, Shalon D, Davis RW, Brown PO (1995) Monitoramento quantitativo de padrões de expressão gênica através de um microarranjo de DNA complementar. Ciência
270: 467-470.
Ver artigo Google Scholar
2) Lockhart DJ, Dong H, Byrne MC, Follettie MT, Gallo MV, et al. (1996) Monitoramento de expressão por hibridação com matrizes de oligonucleotídeos de alta densidade.
Nature Biotechnol 14: 1675-1680.
3) Chen Y, Dougherty E, Bittner M (1997) Decisões baseadas em razões e análise quantitativa de imagens de microarranjos de cDNA. J Biomed Opt 2: 364-374.
4) Kohane IS, Kho A, Butt AJ (2002) Microarrays para uma genômica integrativa. Cambridge (Massachusetts): The MIT Press. 326 p.
5) Bryant PA, Venter D, Robins-Browne R, Curtis N (2004) Chips with everything: microarrays de DNA em doenças infecciosas. Lancet Infect Dis 4: 100–111.
6 Fahrer A, Bazan J, Papathanasiou P, Nelms K, Goodnow C (2001) Uma visão genômica da imunologia. Nature 409: 836–838.
7) Sette A, Fleri W, Peters B, Sathiamurthy M, Bui HH, et al. (2005) Um roteiro para a imunômica dos patógenos da categoria A – C. Imunidade 22: 155-161.
8) Brusic V (2003) Da imunoinformática à imunômica. J Bioinform Comput Biol 1: 179–181.

9 Soen Y, Chen DS, Kraft DL, Davis MM, Brown PO (2003) Detecção e caracterização de respostas imunes celulares usando microarranjos de peptídeo-MHC.
PLoS Biol 1: 429–438. DOI: https://doi.org/10.1371/journal.pbio.0000065.
10) Quintana FJ, Hagedorn PH, Elizur G, Merbl Y, Domany E, et al. (2004) Imunômica funcional: análise por microarray de repertórios de autoanticorpos IgG
prediz a resposta futura dos ratos ao diabetes induzido. Proc Natl Acad Sci USA 101: 14615-14621.
11) Stone JD, Demkowicz WE Jr, Stern LJ (2005) Identificação de epítopos restritos a HLA e detecção de respostas funcionais de células T usando o peptídeo MHC e
microarrays co-estimulatórios. Proc Natl Acad Sci USA 102: 3744–3749.
12) Mezzasoma L, Bacarese-Hamilton T, Di Cristina M, Rossi R, Bistoni F, et al. (2002) Microarrays de antígenos para sorodiagnóstico de doenças infecciosas. Clin
Chem 48: 121-130.
13) Neuman de Vegvar HE, Robinson WH (2004) Perfil de microarray de anticorpos antivirais para o desenvolvimento de diagnósticos, vacinas e terapêuticas. J
Clin Immunol 111: 196–201.
14) De Groot AS (2004) Vacinas derivadas de imunoma. Opinião de especialista Biol Ther 4: 767–772.
15 Brusic V, agosto JT (2004) O campo em mudança do desenvolvimento de vacinas na era da genômica. Pharmacogenomics 5: 597–600.
16 The Genome International Sequencing Consortium (2001) Sequenciamento inicial e análise do genoma humano. Nature 409: 860–921.
17 Durbin R, Eddy SR, Krogh A, Mitchison G (1999) Análise de sequência biológica. Cambridge (Reino Unido): Cambridge University Press. 368 p.
18 Benson DA, Karsch-Mizrachi I, Lipman DJ, Wheeler DL (2003) GenBank. Nucleic Acids Res 31: 23–27.
19 Kalyuzhny AE, editor. (2005) Manual do ELISPOT: Métodos e protocolos. Totowa (Nova Jersey): Humana Press. 321 p.
20 Givan AL (2001) Citometria de fluxo: Primeiros princípios. 2ª edição. Nova York: Wiley-Liss. 273 p.
Page03/02/2020
Peters B, Sidney J, Bourne P, Bui HH, Buus S, et al. (2005) O banco de dados do epítopo imune e o recurso de análise: Da visão ao projeto. PLoS Biol 3:
21
e91 .. DOI: https://doi.org/10.1371/journal.pbio.0030091 .
22) Peters B, Sidney J, Bourne P, Bui HH, Buus S, et al. (2005) O projeto e implementação do banco de dados de epítopos imunes e recurso de análise.
Immunogenetics 57: 326–336.
23 Van Regenmortel MH (2001) Antigenicidade e imunogenicidade de peptídeos sintéticos. Biologicals 29: 209-213.
24) Moreau V, Granier C, Villard S, Laune D, Molina F (2006) Previsão de epítopos descontínuos com base na análise mimotópica. Bioinformatics 22: 1088-1095.
25) Nyarady Z, Czompoly T, Bosze S, Nagy G, Petrohai A, et al. (2006) Validação da previsão in silico por resultados imunosserológicos in vitro de epítopo fino
mapeamento de autoanticorpos específicos de citrato sintase. Mol Immunol 43: 830-838.
26) Rammennsee HG, Friede T, Stevanovic S (1995) ligantes do MHC e motivos peptídicos: Primeira listagem. Immunogenetics 41: 178–228.
27 Brusic V, Rudy G, Honeyman M, Hammer J, Harrison L (1998) Predição de peptídeos de ligação ao MHC classe II usando um algoritmo evolutivo e artificial
rede neural. Bioinformtics 14: 121–130.
28) Bian H, Reidhaar-Olson JF, Hammer J (2003) O uso de bioinformática para identificar epítopos de células T restritas à classe II. Métodos 29: 299–309.
29 Sung MH, Simon R (2004) Identificação de epítopos candidatos usando modelos de propriedade de peptídeos: Aplicação à imunoterapia do câncer. Métodos 34: 460–467.
30) Guan P, Doytchinova IA, Zygouri C, Flower DR (2003) MHCPred: Trazendo uma dimensão quantitativa à previsão on-line da ligação ao MHC. J Appl
Bioinformtics 2: 63–66.
31 Petrovsky N, Silva D, Brusic V (2003) O futuro para modelagem computacional e sistemas de previsão em imunologia clínica. A Novartis encontrou o Symp 254:
23-32.
32 Zhang GL, Khan AM, Srinivasan KN, agosto JT, Brusic V (2005) MULTIPRED: Um sistema computacional para previsão de ligação promíscua ao HLA
peptídeos. Nucleic Acids Res 33: W172 – W179.
33 Srinivasan KN, Zhang GL, Khan AM, agosto JT, Brusic V (2004) Predição de epítopos de células T de classe I: Evidência da presença de pontos de acesso imunológicos
antígenos internos. Bioinformtics 20: I297 – I302.
34) Brusic V, Petrovsky N, Zhang G, Bajic VB (2002) Previsão de peptídeos promíscuos que se ligam a moléculas de HLA classe I. Immunol Cell Biol 80: 280–285.
35) Zhang GL, Srinivasan KN, Veeramani A, agosto JT, Brusic V (2005) PREDBALB / c: Um sistema para a previsão da ligação de peptídeos a moléculas de H2d, um
haplótipo do mouse BALB / c. Ácidos Nucleicos Res 33: W180 – W183.
36 Larsen MV, Lundegaard C, Lamberth K, Buus S, Brunak S, et al. (2005) Uma abordagem integrativa à previsão de epítopos de CTL: um algoritmo combinado
integração de ligação MHC classe I, eficiência de transporte TAP e previsões de clivagem proteasomal. Eur J Immunol 35: 2295-2303.
37) Nielsen M, Lundegaard C, Worning P, Lauemoller SL, Lamberth K, et al. (2003) Predição confiável de epítopos de células T usando redes neurais com novos
representações de sequência. Protein Sci 12: 1007-1017.
38 Nielsen M, Lundegaard C, Worning P, Hvid CS, Lamberth K, et al. (2004) Previsão melhorada de epítopos de classe I e II do MHC usando um novo Gibbs
abordagem de amostragem. Bioinformatics 20: 1388–1397.
39 Bian H, Hammer J (2004) Descoberta de epítopos promissores de células T restritas a HLA-II com TEPITOPE. Métodos 34: 468–475.
Page03/02/2020
40 Christensen JK, Lamberth K, Nielsen M, Lundegaard C, Worning P, et al. (2003) Selecionando dados informativos para o desenvolvimento de ligação peptídeo-MHC
preditores usando uma abordagem de consulta por comitê. Neural Comput 15: 2931–2942.
41 Meister GE, Roberts CG, Berzofsky JA, De Groot AS (1995) Dois novos algoritmos de previsão de epítopos de células T baseados em motivos de ligação ao MHC; comparação de
epítopos previstos e publicados de Mycobacterium tuberculosis e sequências de proteínas de HIV. Vacina 13: 581–591.
42 Tenzer S, Peters B, Bulik S, Schoor O, Lemmel C, et al. (2005) Modelando a via do MHC classe I combinando previsões de clivagem proteasomal,
Transporte TAP e ligação MHC classe I. Cell Mol Life Sci 62: 1025-1037.
43 Lund O, Nielsen M, Kesmir C, Petersen AG, Lundegaard C, et al. (2004) Definição de supertipos para moléculas HLA usando agrupamento de especificidade
matrizes. Immunogenetics 55: 797–810.
44 Margalit H, Spouge JL, Cornette JL, Cease KB, Delisi C, et al. (1987) Predição de sítios antigênicos de células T auxiliares imunodominantes a partir do
seqüência. J Immunol 138: 2213-2229.
45 De Groot AS, Rappuoli R (2004) Vacinas derivadas do genoma. Rev especialista Vaccines 3: 59–76.
46 Peters B, Tong W, Sidney J, Sette A, Weng Z (2003) Examinando a suposição de ligação independente para ligação de epítopos peptídicos a moléculas de MHC-I.
Bioinformatics 19: 1765-1772.
47 Peters B, Bui HH, Frankild S, Nielsen M, Lundegaard C, et al. (2006) Uma previsão comparativa de recursos da comunidade de ligação de peptídeos ao MHC-I
moléculas. PLoS Comput Biol 2: e65 .. DOI: https://doi.org/10.1371/journal.pcbi.0020065 .
48) Wang Y (2004) Imunocoloração com microarranjos de anticorpos dissociáveis. Proteomics 4: 20–26.
49 Delehanty JB, Shaffer KM, Lin B (2004) Microarranjos de células transfectadas para a expressão de anticorpos de cadeia única exibidos por membrana. Anal Chem 76:
7323-7328.
50 Schwenk JM, Stoll D, Templin MF, Joos TO (2002) Microarrays celulares: Uma tecnologia emergente para a caracterização de anticorpos. BioTechniques 33:
S54-S61.
51 Janzi M, Ödling J, Pan-Hammarström Q, Sundberg M, Lundeberg J, et al. (2005) Microarranjos séricos para triagem em larga escala dos níveis de proteínas. Mol Cell
Proteomics 4: 1942–1947.
52 Borràs E, Martin R, Judkowski V, Shukaliak J, Zhao Y, et al. (2002) J Métodos Immunol. 267.: 79-97.
53 Nino-Vasquez JJ, Allicotti G, Borràs E, Wilson DB, Valmori D, et al. (2004) Uma combinação poderosa: O uso de bibliotecas de varredura posicional e
análise biométrica para identificar epítopos de células T reativas cruzadas. Mol Immunol 40: 1063-1074.
54 Sahin U, Tureci O, Pfreundschuh M (1997) Identificação sorológica de antígenos de tumores humanos. Curr Opin Immunol 9: 709-716.
Lee SY, Williamson B, Caballero OL, Chen YT, Scanlan MJ, et al. (2004) Identificação do transportador de ânions específico da gônada SLCO6A1 como um câncer / testículo
55
(CT) expresso em câncer de pulmão humano. Imunidade do Câncer 4: 13.
56 Vaughn HA, St Clair F, Scanlan MJ, Chen E, Maraskovsky A, et al. (2004) A resposta imune humoral aos antígenos de câncer de cabeça e pescoço, conforme definido
pela análise sorológica de antígenos tumorais por clonagem de expressão de cDNA recombinante. Imunidade ao Câncer 4: 5.
57 Lee SY, Obata Y, Yoshida M, Stockert E, Williamson B, et al. (2003) Anise imunomica do sarcoma humano. Proc Natl Acad Sci USA 100: 2651–2656.
58 Old LJ, Chen YT (1998) Novos caminhos na sorologia do câncer humano. J Exp Med 187: 1163-1167.
59 Angenendt P, Glokler J, Murphy D, Lehrach H, Cahill DJ (2002) Em direção a microarranjos de anticorpos otimizados: Uma comparação do suporte atual a microarranjos
materiais. Anal Biochem 309: 253-260.
Page03/02/2020
60 Kusnezow W, Hoheisel JD (2003) Suporte sólido para imunoensaios de microarrays. J Mol Recognit 16: 165–176.
61 Delehanty JB (2004) Impressão de microarranjos funcionais de proteínas usando capilares piezoelétricos. Métodos Mol Biol 264: 135-143.
62 Olle EW, Sreekumar A, Warner RL, McClintock SD, Chinnaiyan AM, et al. (2005) Desenvolvimento de um microarray de anticorpos controlado internamente. Mol Cell
Proteomics 4: 1664-1672.
63 Oh SW, Moon JD, Lim HJ, Park SY, Kim T, et al. (2005) Derivado do calixareno como ferramenta para detecção altamente sensível e imobilização orientada de
proteínas em formato de microarranjo por meio de interação molecular não-covalente. FASEB J 19: 1335–1337.
64 Weng S, Gu K, Hammond PW, Lohse P, Rise C, et al. (2002) Gerando microarranjos de proteínas endereçáveis com fusão covalente de proteína-proteína PROfusion
tecnologia. Proteomics 2: 48–57.
65) Kusnezow W, Hoheisel JD (2002) Microarrays de anticorpos: Promessas e problemas. BioTechniques 33: S14 – S23.
66 Pavlickova P, Knappik A, Kambhampati D, Ortigao F, Hug H (2003) Microarray de anticorpos recombinantes usando um sensor de estreptavidina auto-
montado em uma camada de ouro. BioTechniques 34: 124–130.

67 Knezevic V, Leethanakul C, Bichsel VE, Worth JM, Prabhu VV, et al. (2001) Perfil proteômico do microambiente do câncer por arranjos de anticorpos.
Proteomics 1: 1271–1278.
68 Gao WM, Kuick R, Orchekowski RP, Misek DE, Qiu J, et al. (2005) Perfis distintos de proteínas séricas envolvendo proteínas abundantes em pacientes com câncer de pulmão
com base na análise de microarray de anticorpos. BMC Cancer 5: 110.
69 Bartling B, Hofmann HS, Boettger T, Hansen G, Burdach S, et al. (2005) Aplicação comparativa de anticorpos e matriz de genes para o perfil de expressão em
carcinoma de células escamosas humanas. Câncer de pulmão 49: 145-154.
70 Klysik J (2001) Conceito de imunômica: Uma nova fronteira na batalha pela função genética? Acta Biotheor 49: 191–202.
71 Anderson L, Seilhamer J (1997) Uma comparação de mRNA e abundância de proteínas selecionadas no fígado humano. Eletroforese 18: 533-537.
72 Os dados foram analisados por meio de um questionário, com o objetivo de avaliar o desempenho dos pacientes em relação ao sexo, idade e sexo.
Espécimes de referência do projeto: Variação sistemática entre tipos de amostra e calibração de dados de espectrometria de massa. Proteomics 5: 3278–3291.
73 Os autores concluíram que a presença de anticorpos anti-monoclonais na detecção de anticorpos monoclonais é um fator de risco para o desenvolvimento de anticorpos anti-monoclonais.
células de leucemia mielóide. J Immunol Methods 305: 10–19.
74 Haab BB, Maitreya J, Dunham J, Brown PO (2001) Microarrays de proteínas para detecção e quantificação altamente paralelas de proteínas e anticorpos específicos em
soluções complexas. Genoma Biol 2: 0004.1–0004.13.
75 Robinson WH, DiGennaro C, Hueber W, Haab BB, Kamachi M, et al. (2002) Microarrays de autoantígenos para caracterização multiplex de autoanticorpos
respostas. Nat Med 8: 295–301.

76 Feng Y, Ke X, Ma R, Chen Y, Hu G, et al. (2004) Detecção paralela de autoanticorpos com microarranjos em doenças reumatóides. Clin Chem 50: 416–422.
77 Hueber W, Kidd BA, Tomooka BH, Lee BJ, Bruce B, et al. (2005) Perfil de microarray de antígenos de autoanticorpos na artrite reumatóide. Artrite Rheum 52:
2645-2655.
78 Quintana FJ, Getz G, Hed G, Domany E, Cohen IR (2003) Análise de cluster das reatividades de autoanticorpos humanos na saúde e no diabetes mellitus tipo 1: A
abordagem bioinformática à complexidade imunológica. J Autoimmun 21: 65–75.
Page03/02/2020
79 Balboni I, Chan SM, Kattah M, Tenenbaum JD, Butte AJ, et al. (2006) Plataformas de matriz protéica multiplexada para análise de doenças autoimunes. Annu Rev
Immunol 24: 391–418.
80 Shreffler WG, Beyer K, Chu TH, Burks AW, Sampson HA (2004) Imunoensaio de microarrays: Associação de história clínica, função de IgE in vitro e
heterogeneidade de epítopos alergênicos de amendoim. J Allergy Clin Immunol 113: 776–782.
81 Schroeder CM, Ott H, Merk HF, Baron JM (2004) Aachen array atopia: Uma nova técnica de chip de alérgeno para a análise de anticorpos IgE séricos para
alérgenos recombinantes do látex. J Allergy Clin Immunol 113: S329.
82 Sampson HA (2005) Alergia alimentar - Identificação precisa da reatividade clínica. Alergia 60 (Suppl 79): 19–24.
83 Shreffler WG, Lencer DA, Bardina L, Sampson HA (2005) IgE e IgG (4) mapeamento de epítopos por imunoensaio de microarrays revela a diversidade de
resposta ao alérgeno de amendoim, Ara h 2. J Allergy Clin Immunol 116: 893–899.

84 Alcocer MJC, Murtagh GJ, Wilson PB, Progias P, Lin J, et al. (2004) O principal epítopo da IgE estrutural humana do alérgeno da castanha do Brasil Ber e 1: uma quimérica
e abordagem de microarray de proteínas. J Mol Biol 343: 759-769.
85 Deinhofer K, Sevcik H, Balic N, Harwanegg C, Hiller R, et al. (2004) Alérgenos microarrayed para perfil de IgE. Métodos 32: 249–254.
86 Reineke U, Ivascu C, Schlief M, Landgraf C, Gericke S, et al. (2002) Identificação de epítopos e mimotopos de anticorpos distintos de uma matriz peptídica de
5520 sequências geradas aleatoriamente. J Immunol Methods 267: 37–51.

(87) Chiari M, Cretich M, Corti A, Damin F, Pirri G, et al. (2005) Microarrays de peptídeos para a caracterização de regiões antigênicas da cromogranina A. humana
Proteomics 5: 3600-3603.
88 Chen Z, Pei D, Jiang L, Song Y, Wang J, et al. (2004) Análise de antigenicidade de diferentes regiões do coronavírus da síndrome respiratória aguda grave
proteína nucleocapsídica. J Clin Chem 50: 988–995.
89 Davies DH, McCausland MM, Valdez C, Huynh D, Hernandez JE, et al. (2005) A proteína do envelope do vírus Vaccinia H3L é o principal objetivo da neutralização
anticorpos em humanos e provoca proteção contra desafio letal em camundongos. J Virol 79: 11724-11733.
90 Neuman de Vegvar HE, Amara RR, Steinman L, Utz PJ, Robinson HL, et al. (2003) Perfil de microarray das respostas de anticorpos contra símios-humanos
vírus da imunodeficiência: convergência pós-desafio de reatividades independente do tipo de histocompatibilidade do hospedeiro e regime de vacina. J Virol 77: 11125–
11138
91 Du H, Lu Y, Yang W, Wu M, Wang J, et al. (2004) Preparação de anticorpos esteróides e detecção paralela de abuso de esteróides multianabólicos com conjugado
hapten microarray. Anal Chem 76: 6166-6171.
92 Knecht BG, Strasser A, Dietrich R, Märtlbauer E, Niessner R, et al. (2004) Sistema automatizado de microarranjos para a detecção simultânea de antibióticos em
leite. Anal Chem 76: 646-654.
93 O objetivo deste estudo foi avaliar a interação entre proteínas de membrana de leucócitos usando proteínas.
microarrays. BMC Biochemistry 6: 2.
94 Michaud GA, Salcius M, Zhou F, Bangham R, Bonin J, et al. (2003) Analisando a especificidade do anticorpo com proteomaicroarrays completos. Nat Biotechnol 21:
1509-1512.
95 Kemeny DM (1997) Imunoensaios ligados a enzimas. Immunochemistry 1: 147-175.

96 Copeland S, Siddiqui J, Remick D (2004) Comparação direta de ELISAs tradicionais e matrizes de proteínas de membrana para detecção e quantificação de humanos
citocinas. J Immunol Methods 284: 99-106.

Page03/02/2020
97 Varnum SM, Woodbury RL, Zangar RC (2004) Um ELISA de microarray de proteínas para o rastreamento de fluidos biológicos. J Methods Mol Biol 264: 161-172.
98 Pang S, Smith J, Onley D, Reeve J, Walker M, et al. (2005) Um estudo de comparabilidade das plataformas emergentes de matriz de proteínas com ELISA estabelecido
procedimentos. J Immunol Methods 302: 1–12.

99 Slansky JE (2003) Células T específicas do antígeno: Análises das agulhas no palheiro. PLoS Biol 1: 329–331. DOI:
https://doi.org/10.1371/journal.pbio.0000078 .
100 Oelke M, Maus MV, Didiano D, June CH, Andreas M, et al. (2003) Indução e expansão ex vivo de células T citotóxicas específicas para antígenos por revestimento com HLA-Ig
células apresentadoras de antígenos artificiais. Nat Med 9: 619–625.
101) Czerkinsky C, Moldoveanu Z, Meztecky J, Nilson LA, Ouchterlony O (1988) Um novo ensaio ELISPOT de duas cores. I. Detecção simultânea de tipos distintos
de células secretoras de anticorpos. J Immunol Methods 115: 31–37.
102 Segel L (2001) Controlando o sistema imunológico: Feedback difuso através de uma rede informacional difusa. A Novartis encontrou o Symp 239: 31–39.
103 Mills KHG (2004) Células T reguladoras: Amigo ou inimigo em imunidade à infecção? Nat Rev Immunol 4: 841–855.
104 Chen DS, Soen Y, Stuge TB, Lee PP, Weber JS, et al. (2005) Diferenças marcantes na resposta de células T específicas ao antígeno do melanoma humano após
vacinação usando um microarray funcional. PLoS Med 2: e265 .. DOI: https://doi.org/10.1371/journal.pmed.0020265 .
105 Landgrebe DA (2002) Análise de dados de imagem hiperespectral como um problema de processamento de sinal de alta dimensão. Processo de Sinal IEEE 19: 17–28.
106 Devroye L, Györfi L, Lugosi G (1996) Uma teoria probabilística do reconhecimento de padrões. Nova York: Springer. 636 p.
107 Chen J, Dougherty ER, Demir S, Friedman C, Sheng Li C, et al. (2005) Grandes desafios para sistemas biomédicos multimodais. Circuitos IEEE Syst Spring:
46-52.
108 Kauffman S (1993) As origens da ordem: auto-organização e seleção na evolução. Nova York: Oxford University Press. 709 p.
109 Células T-reguladoras de Athanassikis I, Vassiliadis S (2002): Estamos redescobrindo os supressores de T? Immunol Lett 84: 179-183.
+ +
110 Walker LSK (2004) CD4 CD25 Treg: Dividir, regra? Immunology 111: 129–137.
111 Wraith DC, Nicolson KS, Whitley NT (2004) Células T reguladoras CD4 e controle de doenças autoimunes. Curr Opin Immunol 16: 695–701.
112 de Jong H (2002) Modelagem e simulação de sistemas de regulação genética: Uma revisão de literatura. J Comput Biol 9: 67-103.
113 Huang S (1999) Perfil de expressão gênica, redes genéticas e estados celulares: Uma abordagem integradora para a tumorigênese e descoberta de drogas. J Mol
Med 77: 469-480.
114 Popper K (1959) A lógica da descoberta científica. Londres: Hutchinson. 513 p.
115 Dougherty ER, Braga-Neto U (2006) Epistemologia da biologia computacional: modelos matemáticos e predição experimental como base de suas
validade. J Biol Syst 14: 1–26.
116 Chao DL, Davenport MP, Forrest S, Perelson AS (2004) Um modelo estocástico de respostas de células T citotóxicas. J Theoret Biol 228: 227-240.
117 Segel L (2000) Feedback difuso de informações difusas em sistemas complexos. Complexidade 5: 39–46.
118 Schonbach C (2003) Da imunogenética à imunômica: Prospecção funcional de genes e transcritos. Novartis Found Symp 254: 177–188.

Da Genômica Funcional À Imunologia Funcional - Novos Desafios, Velhos Problemas, Grandes Recompensas

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Da Genômica Funcional À Imunologia Funcional - Novos Desafios, Velhos Problemas, Grandes Recompensas

Enviado por

Direitos autorais:

Formatos disponíveis

03/02/2020 Da genômica funcional à imunologia funcional: novos desafios, velhos problemas, grandes recompensas

Da Genômica Funcional à Imunômica Funcional: Novo

Publicado: 28 de julho de 2006 https://doi.org/10.1371/journal.pcbi.0020081

Editor: Rolf Kötter, Universidade Heinrich Heine, Alemanha

Publicado: 28 de julho de 2006

Interesses concorrentes: Os autores declararam que não existem interesses concorrentes.

Abreviações: AR, artrite reumatóide

Métodos de previsão de epítopos computacionais.

O "boom" de crescimento da imunômica.

Tecnologias de Microarray Imunômicas

Resumo das Tecnologias Básicas de Microarranjos Imunômicos

Figura 2. Tecnologia de microarray imunológico peptídeo-MHC

Desafios computacionais e estatísticos

Figura 5. Exemplo de um classificador linear

Biologia de Sistemas e Descoberta Computacional: Redes Reguladoras Imunômicas

Figura 6. Exemplo de uma rede imunológica simples, consistindo em três epítopos

8) Brusic V (2003) Da imunoinformática à imunômica. J Bioinform Comput Biol 1: 179–181.

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

montado em uma camada de ouro. BioTechniques 34: 124–130.

Ver artigo Google Scholar

Ver artigo Google Scholar

respostas. Nat Med 8: 295–301.

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

resposta ao alérgeno de amendoim, Ara h 2. J Allergy Clin Immunol 116: 893–899.

Ver artigo Google Scholar

5520 sequências geradas aleatoriamente. J Immunol Methods 267: 37–51.

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

95 Kemeny DM (1997) Imunoensaios ligados a enzimas. Immunochemistry 1: 147-175.

citocinas. J Immunol Methods 284: 99-106.

procedimentos. J Immunol Methods 302: 1–12.

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

Ver artigo Google Scholar

114 Popper K (1959) A lógica da descoberta científica. Londres: Hutchinson. 513 p.

Você também pode gostar