Multi-Epitope Vaccine Design Using an Immunoinformatic Approach for SARS-CoV-2
Notice bibliographique
Résumé
Through 4 June 2021, COVID-19 has caused over 172.84 million cases of infection and 3.71 million deaths worldwide. Due to its rapid dissemination and high mutation rate, it is essential to develop a vaccine harboring multiple epitopes and efficacious against multiple variants to prevent the immune escape of SARS-CoV-2. An in silico approach based on the viral genome was applied to identify 19 high-immunogenic B-cell epitopes and 499 human leukocyte antigen (HLA)-restricted T-cell epitopes. Thirty multi-epitope peptide vaccines were designed by iNeo-Suite and manufactured by solid-phase synthesis. Docking analysis confirmed stable hydrogen bonds of epitopes with their corresponding HLA alleles. When four peptide candidates derived from the spike protein of SARS-CoV-2 were selected to immunize mice, a significantly larger amount of total IgG in serum, as well as an increase of CD19+ cells in the inguinal lymph nodes, were observed in the peptide-immunized mice compared to the control. The ratios of IFN-γ-secreting lymphocytes in CD4+ or CD8+ T-cells in the peptide-immunized mice were higher than those in the control mice. There were also a larger number of IFN-γ-secreting T-cells in the spleens of peptide-immunized mice. The peptide vaccines in this study successfully elicited antigen-specific humoral and cellular immune responses in mice. To further validate the safety and efficacy of this vaccine, animal studies using a primate model, as well as clinical trials in humans, are required.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».