TY - JOUR

T1 - Компьютерное моделирование в разработке вакцин против covid-19 на основе антигенов hla-системы

AU - Вологжанин, Дмитрий Александрович

AU - Голота, Александр Сергеевич

AU - Камилова, Татьяна Аскаровна

AU - Шнейдер, Ольга Вадимовна

AU - Щербак, Сергей Григорьевич

PY - 2021

Y1 - 2021

N2 - Генетическая вариабельность популяции может объяснить различные индивидуальные иммунные реакции на вирус SARS-CoV-2. Использование технологий на основе анализа генома и протеома дает возможность разрабатывать вакцины путем оптимизации выбора антигенов-мишеней. Методология компьютерного моделирования предоставляет научному сообществу более полный список иммуногенных пептидов, включающий в себя ряд новых и перекрестно-реактивных кандидатов. Исследования, проводимые независимо друг от друга с различными подходами, дают высокую степень уверенности в воспроизводимости результатов. Бόльшая часть усилий по разработке вакцин и лекарств против SARS-CoV-2 направлена на гликопротеин шипа (белок S) - главный индуктор нейтрализующих антител. Несколько вакцин продемонстрировали эффективность в доклинических исследованиях и прошли клинические испытания по противодействию инфекции COVID-19. В обзоре представлен профиль предсказанных in silico[1] иммуногенных пептидов вируса SARS-CoV-2 для последующей функциональной валидации и разработки вакцин; освещаются текущие достижения в разработке субъединичных вакцин для борьбы с COVID-19 с учетом опыта, который был достигнут ранее с SARS-CoV и MERS-CoV. Методы иммуноинформатики сокращают время и затраты при разработке вакцин, которые вместе могут остановить эту новую вирусную инфекцию. [1] Термин, обозначающий компьютерное моделирование (симуляцию) эксперимента, чаще биологического.

AB - Генетическая вариабельность популяции может объяснить различные индивидуальные иммунные реакции на вирус SARS-CoV-2. Использование технологий на основе анализа генома и протеома дает возможность разрабатывать вакцины путем оптимизации выбора антигенов-мишеней. Методология компьютерного моделирования предоставляет научному сообществу более полный список иммуногенных пептидов, включающий в себя ряд новых и перекрестно-реактивных кандидатов. Исследования, проводимые независимо друг от друга с различными подходами, дают высокую степень уверенности в воспроизводимости результатов. Бόльшая часть усилий по разработке вакцин и лекарств против SARS-CoV-2 направлена на гликопротеин шипа (белок S) - главный индуктор нейтрализующих антител. Несколько вакцин продемонстрировали эффективность в доклинических исследованиях и прошли клинические испытания по противодействию инфекции COVID-19. В обзоре представлен профиль предсказанных in silico[1] иммуногенных пептидов вируса SARS-CoV-2 для последующей функциональной валидации и разработки вакцин; освещаются текущие достижения в разработке субъединичных вакцин для борьбы с COVID-19 с учетом опыта, который был достигнут ранее с SARS-CoV и MERS-CoV. Методы иммуноинформатики сокращают время и затраты при разработке вакцин, которые вместе могут остановить эту новую вирусную инфекцию. [1] Термин, обозначающий компьютерное моделирование (симуляцию) эксперимента, чаще биологического.

KW - коронавирус

KW - SARS-CoV-2

KW - COVID-19

KW - иммуногенный пептид

KW - антиген

KW - HLA

KW - вакцина

KW - эпитоп

KW - компьютерное прогнозирование

KW - компьютерное моделирование in silico

KW - иммуноинформатика

KW - CORONAVIRUS

KW - IMMUNOGENIC PEPTIDES

KW - ANTIGEN

KW - vaccine

KW - Epitope

KW - Computational prediction

KW - Computer simulation in silico

KW - IMMUNOINFORMATICS

UR - https://www.clinpractice.ru/archive/article.php?ID=765

UR - https://elibrary.ru/item.asp?id=46819610

U2 - 10.17816/clinpract76291

DO - 10.17816/clinpract76291

M3 - статья

VL - 12

SP - 51

EP - 70

JO - Journal of Clinical Practice

JF - Journal of Clinical Practice

SN - 2220-3095

IS - 3

ER -