Computational design of experimentally validated multi-epitopes vaccine against hepatitis E virus: An immunological approach
Notice bibliographique
Résumé
Hepatitis E virus (HEV) is one of the leading acute liver infections triggered by viral hepatitis. Patients infected with HEV usually recover and the annual death rate is negligible. Currently, there is no HEV licensed vaccine available globally. This study was carried out to design a multi-epitope HEV peptide-based vaccine by retrieving already experimentally validated epitopes from ViPR database leading to epitope prioritization. Epitopes selected as potential vaccine candidates were non-allergen, immunogenic, soluble, non-toxic and IFN gamma positive. The epitopes were linked together by AAY linkers and the linker EAAAK was used to join adjuvant with epitopes. Toll-like receptor (TLR)-4 agonist was used as an adjuvant to boost efficacy of the vaccine. Furthermore, codon optimization followed by disulfide engineering was performed to analyse the designed vaccine's structural stability. Computational modeling of the immune simulation was done to examine the immune response against the vaccine. The designed vaccine construct was docked with TLR-3 receptor for their interactions and then subjected to molecular dynamic simulations. The vaccine model was examined computationally towards the capability of inducing immune responses which showed the induction of both humoral and cell mediated immunity. Taken together, our study suggests an In-silico designed HEV based multi-epitope peptide-based vaccine (MEPV) that needs to be examined in the wet lab-based data that can help to develop a potential vaccine against HEV.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».