Прогнозирование появления высокотрансмиссивных штаммов вируса Sars-Cov-2 на территории Санкт-Петербурга с использованием рекуррентной нейронной сети

Прогнозирование появления высокотрансмиссивных штаммов вируса Sars-Cov-2 на территории Санкт-Петербурга с использованием рекуррентной нейронной сети

Автор: Кустова Д.В., Кириенко А.Н., Мартынкевич И.С.

Журнал: Вестник гематологии @bulletin-of-hematology

Рубрика: Оригинальные статьи

Статья в выпуске: 1 т.18, 2022 года.

Бесплатный доступ

В 2020 году Всемирная организация здравоохранения (ВОЗ) объявила тяжелый острый респираторный синдром, вызванный вирусом SARS-CoV-2, пандемией. Трансмиссивность SARS-CoV-2 связывают с аффинностью связывания спайкового S-белка вируса с рецептором ангиотензинпревращающего фермента 2 (АПФ2), что является ключевым событием при проникновении вируса в клетку. Не случайно большинство вакцин нацелено на блокирование S-белка для невозможности связывания с АПФ2. Предсказание возникновения штаммов с мутациями, приводящих к повышению аффинности комплекса S-белок/ АПФ2, является важной задачей для предотвращения новых вспышек эпидемии и быстрого реагирования на появление высококонтагиозных штаммов. Предсказание появления высоко-трансмиссивных штаммов является важной медико-биологической задачей, в том числе и онкогематологии, поскольку именно пациенты с иммунодефицитом и находящиеся на иммуносупрессивной терапии подвержены наибольшему риску заражения и тяжелого течения COVID-19. В нашей статье был проведен анализ вариабельности аминокислотных последовательностей S-белка SARS-CoV-2, полученных из клинических образцов на территории Санкт-Петербурга с 15 марта 2020 года по 16 июня 2021 года. На основе проанализированных последовательностей с помощью рекуррентной нейронной сети было предсказано появление новых мутаций в рецептор-связывающем мотиве и проведена оценка их влияния на связывание с АПФ2 рецептором. Было предсказано появление мутаций в позициях L455, R457, N481, T500 и G504 и показано, что данные мутации усиливают аффинность связывания с АПФ2 увеличивая трансмиссивность.

Еще

Sars-cov-2, s-белок, ангиотензинпревращающий фермент 2, мутации, молекулярный докинг, нейронные сети

Короткий адрес: https://sciup.org/170194034

IDR: 170194034

Список литературы Прогнозирование появления высокотрансмиссивных штаммов вируса Sars-Cov-2 на территории Санкт-Петербурга с использованием рекуррентной нейронной сети

  • Zhou P., Yang X. Lou, Wang X.G., et al. A pneumonia outbreak associated with a new Coronavirus of probable bat origin // Nature.-2020.- Vol. 579, P.270-273.
  • Huang Y., Yang C., Xu X., et al. Structural and functional properties of SARS-CoV-2 spike protein: potential antivirus drug development for COVID-19 // Acta Pharmacologica Sinica.-2020.- Vol. 41, No. 9.- P.1141-1149.
  • Fehr A.R., Perlman S. Coronaviruses: An Overview of Their Replication and Pathogenesis // Coronaviruses: Methods and Protocols-2015.- Vol. 1282, No. 1.- P. 1-23.
  • Ghosh S., Dellibovi-Ragheb T.A., Pak E., et al. ß-Coronaviruses use lysosomal organelles for cellular egress // Cell.-2020.- Vol. 183, No. 6.- P. 1520-1535.
  • Leticia de Oliveira Toledo S., Sousa Nogueira L., das Graças Carvalho M., et al. COVID-19: Review and hematologic impact // Clinica Chimica Acta.-2020.- Vol. 510.- P. 170-176.
  • Bernardes J.P., Mishra N., Tran F., et al. Longitudinal Multi-omics Analyses Identify Responses of Megakaryocytes, Erythroid Cells, and Plasmablasts as Hallmarks of Severe COVID-19 // Immunity.-2020.- Vol. 53, No. 6.- P.1296-1314.
  • Shahbaz S., Xu L., Osman M., et al. Erythroid precursors and progenitors suppress adaptive immunity and get invaded by SARS-CoV-2 // Stem Cell Reports.-2021.- Vol. 16, No. 5.- P.1165-1181.
  • Ropa J., Cooper S., Capitano M.L., et al. Human Hematopoietic Stem, Progenitor, and Immune Cells Respond Ex Vivo to SARS-CoV-2 Spike Protein // Stem Cell Reviews and Reports.-2021.- Vol. 17, No. 1.- P.253-265.
  • Huerga Encabo H., Grey W., Garcia-Albornoz M., et al. Human Erythroid Progenitors Are Directly Infected by SARS-CoV-2: Implications for Emerging Erythropoiesis in Severe COVID-19 Patients // Stem Cell Reports.-2021.- Vol. 16, No. 3.- P.428-436.
  • Lan J., Ge J., Yu J., et al. Structure of the SARS-CoV-2 spike receptor-binding domain bound to the ACE2 receptor // Nature.-2020.- Vol. 581.- P.215-220.
  • Hoffmann M., Kleine-Weber H., Schroeder S., et al. SARS-CoV-2 Cell Entry Depends on ACE2 and TMPRSS2 and Is Blocked by a Clinically Proven Protease Inhibitor // Cell.-2020.- Vol. 181, No. 2.- P.271-280.
  • Chi X., Yan R., Zhang J., et al. A neutralizing human antibody binds to the N-terminal domain of the Spike protein of SARS-CoV-2 // Science.-2020.- Vol. 369.- P. 650-655.
  • Liu L., Wang P., Nair M.S., et al. Potent neutralizing antibodies against multiple epitopes on SARS-CoV-2 spike // Nature.-2020.- Vol. 584.- P.450-456.
  • Wu F., Zhao S., Yu B., et al. A new coronavirus associated with human respiratory disease in China // Nature.-2020.- Vol. 579.- P.265-269.
  • Wan Y., Shang J., Graham R., et al. Receptor Recognition by the Novel Coronavirus from Wuhan: an Analysis Based on Decade-Long Structural Studies of SARS Coronavirus // Journal of Virology.-2020.- Vol. 94, No. 7.
  • Zhan X.Y., Zhang Y., Zhou X., et al. Molecular evolution of SARS-CoV-2 structural genes: Evidence of positive selection in spike glycoprotein // bioRxiv.-2020.- No. 628.- P.0-3.
  • Komissarov A.B., Safina K.R., Garushyants S.K., et al. Genomic epidemiology of the early stages of the SARS-CoV-2 outbreak in Russia // Nature Communications.-2021.- Vol. 12, No. 1.- P.1-13.
  • Li Q., Wu J., Nie J., et al. The Impact of Mutations in SARS-CoV-2 Spike on Viral Infectivity and Antigenicity // Cell.-2020.- Vol. 182, No. 5.- P.1284-1294.
  • Min L., Sun Q. Antibodies and Vaccines Target RBD of SARS-CoV-2 // Frontiers in Molecular Biosciences.-2021.- Vol. 8.- P.1-9.
  • Xiantian X., Ping C., Jingfang W., et al. Evolution of the novel coronavirus from the ongoing Wuhan outbreak and modeling of its spike protein for risk of human transmission // SCIENCE CHINA Life Sciences.-2020.- Vol. 63, No. 3.- P. 457-460.
  • Wrapp D., Wang N., Corbett K.S., et al. Cryo-EM structure of the 2019-nCoV spike in the prefusion conformation // Science.-2020.- Vol. 367.- P.1260-1263.
  • Renhong Y., Yuanyuan Z., Yaning L., et al. Structural basis for the recognition of SARS-CoV-2 by full-length human ACE2 // Science.-2020.- Vol. 367.- P.1444-1448.
  • Zhou T., Tsybovsky Y., Gorman J., et al. Cryo-EM Structures of SARS-CoV-2 Spike without and with ACE2 Reveal a pH-Dependent Switch to Mediate Endosomal Positioning of Receptor-Binding Domains // Cell Host and Microbe.-2020.- Vol. 28, No. 6.- P.867-879.
  • Arul Murugan N., Javali y P.S., Jeyaraj Pandian C., et al. Computational Investigation of Increased Virulence and Pathogenesis of SARS-CoV-2 Lineage B.1.1.7 // bioRxiv.-2021.-Vol. 449.
  • Khateeb J., Li Y., Zhang H. Emerging SARS-CoV-2 variants of concern and potential intervention approaches // Critical Care.-2021.- Vol. 25, No. 1.- P.1-8.
  • Harvey W.T., Carabelli A.M., Jackson B., et al. SARS-CoV-2 variants, spike mutations and immune escape // Nature Reviews Microbiology.-2021.- Vol. 19, No. 7.- P.409-424.
  • Walls A.C., Park Y.J., Tortorici M.A., et al. Structure, Function, and Antigenicity of the SARS-CoV-2 Spike Glycoprotein // Cell.-2020.- Vol. 181, No. 2.- P.281-292.
  • Wang R., Chen J., Gao K., et al. Analysis of SARS-CoV-2 mutations in the United States suggests presence of four substrains and novel variants // Communications Biology.-2021.- Vol. 4, No. 1.- P.1-14.
  • Yan S., Wu G. Application of neural network to predict mutations in proteins from influenza A viruses - A review of our approaches with implication for predicting mutations in coronaviruses // Journal of Physics: Conference Series.-2020.- Vol. 1682, No. 1.
  • Salama M.A., Hassanien A.E., Mostafa A. The prediction of virus mutation using neural networks and rough set techniques // Eurasip Journal on Bioinformatics and Systems Biology.-2016.- Vol. 2016, No. 1.- P.1-11.
  • Sawmya S., Haisam A., Rafid M. Analyzing hCov Genome Sequences : Predicting Virulence and Mutation // bioRxiv. -2021.- P.1-14.
  • Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation.-1997.- Vol. 9, No. 8.- P.1735-1780.
  • Yin R., Luusua E., Dabrowski J., et al. Tempel: Time-series mutation prediction of influenza A viruses via attention-based recurrent neural networks // Bioinformatics.-2020.-Vol. 36, No. 9.- P.2697-2704.
  • Hossain M.S., Pathan A.Q.M.S.U., Islam M.N., et al. Genome-wide identification and prediction of SARS-CoV-2 mutations show an abundance of variants: Integrated study of bioinformatics and deep neural learning. // bioRxiv.-2021.
  • Hie B., Zhong E.D., Berger B., et al. Learning the language of viral evolution and escape // Science.-2021.- Vol. 371.- P.284-288.
  • Asgari E., Mofrad M.R.K. Continuous distributed representation of biological sequences for deep proteomics and genomics // PLoS 0NE.-2015.- Vol. 10, No. 11.- P.1-15.
  • Elbe S., Buckland-Merrett G. Data, disease and diplomacy: GISAID's innovative contribution to global health // Global Challenges.-2017.- Vol. 1, No. 1.- P.33-46.
  • Okada P., Buathong R., Phuygun S., et al. Early transmission patterns of coronavirus disease 2019 (COVID-19) in travellers from Wuhan to Thailand, January 2020 // Eurosurveillance.-2020.- Vol. 25, No. 8.
  • Cock P.J.A., Antao T., Chang J.T., et al. Biopython: Freely available Python tools for computational molecular biology and bioinformatics // Bioinformatics.-2009.- Vol. 25, No. 11.- P.1422-1423.
  • Okonechnikov K., Golosova O., Fursov M., et al. Unipro UGENE: A unified bioinformatics toolkit // Bioinformatics.-2012.- Vol. 28, No. 8.- P.1166-1167.
  • Edgar R.C. MUSCLE: Multiple sequence alignment with high accuracy and high throughput // Nucleic Acids Research.-2004.- Vol. 32, No. 5.- P.1792-1797.
  • Yan S., Wu G. Prediction of Mutation Positions in H5N1 Neuraminidases From Influenza A Virus by Means of Neural Network // Annals of Biomedical Engineering.-2010.- Vol. 38, No. 3.- P.984-992.
  • Waterhouse A., Bertoni M., Bienert S., et al. SWISS-MODEL: Homology modelling of protein structures and complexes // Nucleic Acids Research.-2018.- Vol. 46, No. 1.-P.296-303.
  • Bienert S., Waterhouse A., De Beer T.A.P., et al. The SWISS-MODEL Repository-new features and functionality // Nucleic Acids Research.-2017.- Vol. 45, No. 1.- P.313-319.
  • Guex N., Peitsch M.C., Schwede T. Automated comparative protein structure modeling with SWISS-MODEL and Swiss-PdbViewer: A historical perspective // Electrophoresis.-2009.- Vol. 30, No.1.- P.162-173.
  • Studer G., Rempfer C., Waterhouse A.M., et al. QMEANDisCo—distance constraints applied on model quality estimation // Bioinformatics.-2020.- Vol. 36, No. 6.- P.1765-1771.
  • Bertoni M., Kiefer F., Biasini M., et al. Modeling protein quaternary structure of homo- and hetero-oligomers beyond binary interactions by homology // Scientific Reports.-2017.- Vol. 7, No. 1.- P.1-15.
  • Berman H.M. The Protein Data Bank // Nucleic Acids Research.-2000.- Vol. 28, No. 1.- P.235-242.
  • Desta I.T., Porter K.A., Xia B., et al. Performance and Its Limits in Rigid Body Protein-Protein Docking // Structure.-2020.- Vol. 28, No. 9.- P.1071-1081.
  • Vajda S., Yueh C., Beglov D., et al. New additions to the ClusPro server motivated by CAPRI // Proteins: Structure, Function and Bioinformatics.-2017.- Vol. 85, No. 3.-P.435-444.
  • Kozakov D., Hall D.R., Xia B., et al. The ClusPro web server for protein-protein docking // Nature Protocols.-2017.- Vol. 12, No. 2.- P.255-278.
  • Kozakov D., Beglov D., Bohnuud T., et al. How good is automated protein docking? // Proteins: Structure, Function, and Bioinformatics.-2013.- Vol. 81, No. 12.- P.2159-2166.
  • Vangone A., Bonvin A.M.J.J. Contacts-based prediction of binding affinity in protein-protein complexes // eLife.-2015.- Vol. 4.- P.1-15.
  • Xue L.C., Rodrigues J.P., Kastritis P.L., et al. PRODIGY: A web server for predicting the binding affinity of protein-protein complexes // Bioinformatics.-2016.- Vol. 32, No. 23.-P.3676-3678.
  • Schrödinger, LLC The {PyMol} Molecular Graphics System, Version~1.8 // -2015.-.
  • Klink G. V, Safina K.R., Garushyants S.K., et al. Spread of endemic SARS-CoV-2 lineages in Russia // medRxiv.-2021.
  • Jangra S., Ye C., Rathnasinghe R., et al. SARS-CoV-2 spike E484K mutation reduces antibody neutralisation // The Lancet Microbe.-2021.- Vol. 2, No. 7.- P.283-284.
  • Akkiz H. Implications of the Novel Mutations in the SARS-CoV-2 Genome for Transmission, Disease Severity, and the Vaccine Development. // Frontiers in medicine.-2021.-Vol. 8.
  • Nelson T.L., Fosdick B.K., Biela L.M., et al. Association Between COVID-19 Exposure and Self-reported Compliance With Public Health Guidelines Among Essential Employees at an Institution of Higher Education in the US // JAMA Network Open.-2021.- Vol. 4, No. 7.
  • O'Toole Â., Scher E., Underwood A., et al. Assignment of epidemiological lineages in an emerging pandemic using the pangolin tool // Virus Evolution.-2021.-Vol. 7, No. 2.
  • Gladkikh A., Dolgova A., Dedkov V., et al. Characterization of a Novel SARS-CoV-2 Genetic Variant with Distinct Spike Protein Mutations // Viruses -2021.- Vol. 13, No. 6.
  • Planas D., Veyer D., Baidaliuk A., et al. Reduced sensitivity of SARS-CoV-2 variant Delta to antibody neutralization // Nature.-2021.- Vol. 596, No.- P.276-280.
  • Wall E.C., Wu M., Harvey R., et al. Neutralising antibody activity against SARS-CoV-2 VOCs B.1.617.2 and B.1.351 by BNT162b2 vaccination // The Lancet.-2021.- Vol. 397.-P.2331-2333.
  • Winger A., Caspari T. The Spike of Concern—The Novel Variants of SARS-CoV-2 // Viruses.-2021.- Vol. 13, No. 6.
  • Osina N.A., Krasnov Y.M., Guseva N.P., et al. Molecular-genetic monitoring of sARs-CoV-2 genovariants in the territory of the volga federal district of the Russian Federation. Communication // Problemy Osobo Opasnykh Infektsii.-2021.- Vol. 2, No. 1.- P.122-127.
  • Yi Y., Lagniton P.N.P., Ye S., et al. COVID-19: what has been learned and to be learned about the novel coronavirus disease // International journal of biological sciences.-2020.-Vol. 16, No. 10.- P. 1753-1766.
  • Korber B., Fischer W.M., Gnanakaran S., et al. Tracking Changes in SARS-CoV-2 Spike: Evidence that D614G Increases Infectivity of the COVID-19 Virus // Cell.-2020.- Vol. 182, No. 4.- P.812-827.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp