Applications of machine learning to reverse vaccinology: prediction of vaccine candidates based on parasite genomic data

Abstract

Na era da ciȇncia de dados, com a abundȃncia de genomas atualmente disponíveis, um tipo de análise pós-genômica é a detecção de antígenos protetivos (AgPs). Porém, iniciativas para organizar AgPs à medida que emergem da literatura são escassas. Detectar AgPs é o principal objetivo de um campo de pesquisa chamado Vacinologia Reversa (VR). Existem várias ferramentas computacionais para VR. Entretanto, estes programas apresentam algumas limitações. Assim, aqui apresentamos PADA-ONE, um novo banco de dados para hospedar AgPs e demais proteínas imunologicamente relevantes (PIRs), bem como metadados associados. Adicionalmente, apresentamos MARVL, uma pipeline para treinar um ensemble de modelos para predizer AgPs em espécies bacterianas e outros patógenos. PADA-ONE é composto por 1) um componente preditivo, apto a atribuir probabilidades a títulos de artigos quanto a seu potencial para descrever AgPs; 2) um banco de dados MySQL back-end; 3) e uma interface front-end. Nosso componente preditivo foi treinado usando títulos de artigos apresentando AgPs, que foram manualmente curados por várias iniciativas independentes. Como exemplos negativos, usamos títulos de artigos do Immune Epitope Database (IEDB). Então, aplicamos o modelo em um conjunto de, aproximadamente, 32 milhões de entradas do PubMed. Para cada entrada, recuperamos também metadados associados, quando disponíveis. PADA-ONE contém mais de 500.000 entradas e já encontramos um crescente grupo de PIRs, compreendendo 30 AgPs, 18 atenuadores, 10 não-AgPs e 2 boosters. Portanto, PADA-ONE fornece uma maneira fácil de acessar uma crescente fonte de PIRs, incluindo dados existentes de outros bancos de dados. Uma vez que as buscas com PADA-ONE resultaram em novos AgPs e não-AgPs, usamos então estas proteínas para 1) analisar dissimilaridade como indicador para distinguir vacinas de não-vacinas; 2) e validar o MARVL. Primeiramente, treinamos os modelos MARVL utilizando sequências proteicas bacterianas do Protegen como exemplos positivos. Como classe negativa, utilizamos proteínas dissimilares, adicionando novos aspectos ao processo, como splitting de sequências baseado em similaridade durante o treinamento, engenharia de atributos e classificação de uma classe. Observamos que usar exclusivamente dissimilaridade como indicador para distinguir vacinas de não-vacinas para criar uma classe negativa de treinamento não apresenta suporte por evidência. Entretanto, isto não é evidência decisiva, somente uma indicação de ser uma estratégia ineficiente. Uma vez treinados, aplicamos nossos modelos em nosso conjunto de teste e mesmo quando testados isoladamente, alguns deles apresentaram performance robusta. Quando unidos em um ensemble, MARVL foi comparado com programas estado-da-arte e se mostrou capaz de superá-los na maioria das métricas de performance, quando validado utilizando sequências resultantes das buscas com PADA-ONE. Portanto, PADA-ONE e MARVL são novidades que contribuem com a comunidade científica em termos de organizar e sistematizar as buscas por novas PIRs e metadados associados, bem como predizer AgPs e não-AgPs melhor do que ferramentas existentes, respectivamente.