Три уровня прогнозирования штаммов вируса гриппа
https://doi.org/10.31631/2073-3046-2019-18-2-4-17
Аннотация
Актуальность. Снижения заболеваемости и смертности от гриппа и вызываемых им осложнений можно успешно добиться, если вакцинные штаммы будут соответствовать циркулирующим. Существует по крайней мере 3 уровня прогнозирования: прогнозирование вакцинных штаммов на предстоящий эпидсезон; прогнозирование тенденции изменения вирусов гриппа на 2–3 года вперед; прогнозирование появления препандемических штаммов вируса. Цель работы состояла в анализе возможностей биоинформатики реализовать прогнозирование на этих 3 уровнях для подтипов H1N1 и H3N2. Материалы и методы. Для компьютерного анализа были использованы доступные в Интернете базы данных первичных структур гемагглютинина (НА) штаммов H1N1 и H3N2, выделенных в эпидсезон гриппа 2016–2017 – 2018–2019 гг. На первом уровне прогнозирования использована адаптированная скрытая марковская модель, на втором – выполнялся поиск инвариантов в НА H1N1 и его антигенных сайтах, а на третьем уровне прогнозирование строилось на основе выявления инвариантов во внутренних белках пандемических штаммов. Результаты. Предсказана циркуляция нескольких доминирующих штаммов в эпидсезоне 2018–2019 гг., показано существование инвариантов в НА Н1 и в его антигенных сайтах НА H1N1 и сделан вывод о маловероятности угрозы возникновении пандемии гриппа, вызванной птичьими штаммами вируса гриппа. Заключение. Биоинформационный подход можно рассматривать как ценный инструмент в прогнозировании на разных уровнях циркуляции определенных штаммов вируса гриппа в эпидсезон.
Об авторе
Е. П. Харченко
ФГБУН «Институт эволюционной физиологии и биохимии им. И.М. Сеченова» РАН.
Россия
Россия
Харченко Евгений Петрович - к. б. н., ведущий научный сотрудник
194223, Санкт-Петербург, пр. Тореза.
Список литературы
1. Klingen T.R., Reimering S., Guzmán C.A., et al. In silico vaccine strain prediction for human influenza viruses // Trends in Microbiology. 2018. Vol. 26, N 2. P. 119–131.
2. Morris D.H., Gostic K.M., Pompei S., et al. Predictive modeling of influenza shows the promise of applied evolutionary biology // Trends in Microbiology. 2018. Vol. 26, N 2. P. 102–118.
3. Харченко Е.П. Оптимизация прогнозирования вакцинных штаммов гриппа // Эпидемиология и вакцинопрофилактика. 2019. T. 18, № 1. C. 4–17.
4. Rabiner L.R. A tutorial on Hidden Markov Models and selected applications in speech recognition // Proceedings of the IEEE. 1989. Vol. 77. P. 257–286.
5. Урбах В.Ю. Биометрические методы. Москва; 1964. 415 с.
6. Харченко Е.П. Инвариантные паттерны внутренних белков пандемических вирусов гриппа // Инфекция и иммунитет. 2015. Т. 5, № 4. С. 323–330.
7. Estrada L.D., Schultz-Cherry S. Development of a universal influenza vaccine // J. Immunol. 2019. Vol. 202. P. 392–398.
8. Morens D.M., Taubenberger J.K. Pandemic influenza: certain uncertainties // Rev. Med. Virol. 2011. Vol. 21. P. 262–284.
9. Hickman H.D., Mays J.W., Gibbs J., et al. Influenza A virus negative strand RNA is translated for CD8+ T cell immunosurveillance // J Immunol. 2018. Vol. 201, N 4. P. 1222–1228.
10. Zhirnov O.P., Poyarkov S.V., Vorob’eva I.V., et al. Segment NS of influenza A virus contains an addition gene NSP in positive-sense orientation // Dokl. Biochem. Biophys. 2007. Vol. 414. P. 127–133.
11. Herfst S., Schrauwen E.J.A., Linster M., et al. Airborne transmission of influenza A/H5N1 virus between ferrets // Science. 2012. Vol. 336. P. 1534–1541.
12. Imai M., Watanabe T., Hatta M., et al. Experimental adaptation of an influenza H5 haemagglutinin (HA) confers respiratory droplet transmission to a reassortant H5 HA/ H1N1 virus in ferrets // Nature. 2012. Vol. 486, N. 7403. P. 420–428.
13. Morens D.M., Taubenberger J.K., Fauci A.S. Pandemic influenza viruses — hoping for the road not taken // N. Engl. J. Med. 2013. Vol. 368, N. 25. P. 2345–2348.
14. Cohen J. Universal flu vaccine is ‘an alchemist’s dream’ // Science. 2018. Vol. 362, N. 6419. P. 1094.
15. Chai N., Swem L.R., Reichelt M., et al. Two escape mechanisms of influenza a virus to a broadly neutralizing stalk-binding antibody // PLoS Pathog. 2016. Vol. 12, N. 6. P. e1005702.
16. Prachanronarong K.L., Canale A.S., Liu P., et al. Mutations in influenza A virus neuraminidase and hemagglutinin confer resistance against a broadly neutralizing hemagglutinin stem antibody // J Virol. 2019. Vol. 93, N. 2. P. e01639–18.
17. Laursen N.S., Friesen R.H.E., Zhu X., et al. Universal protection against influenza infection by a multidomain antibody to influenza hemagglutinin // Science. 2018. Vol. 362, N. 6414. P. 598–602.
18. Kanekiyo M., Joyce M.G., Gillespie R.A., et al. Mosaic nanoparticle display of diverse influenza virus hemagglutinins elicits broad B cell responses // Nat Immunol. 2019. Vol. 20, N. 3. P. 362–372.
Рецензия
Для цитирования:
Харченко Е.П. Три уровня прогнозирования штаммов вируса гриппа. Эпидемиология и Вакцинопрофилактика. 2019;18(2):4-17. https://doi.org/10.31631/2073-3046-2019-18-2-4-17
For citation:
Kharchenko E.P. Three Levels of the Predicting of the Influenza Vaccine Strains. Epidemiology and Vaccinal Prevention. 2019;18(2):4-17. (In Russ.) https://doi.org/10.31631/2073-3046-2019-18-2-4-17
Просмотров: 1491
Послать статью по эл. почте 