De la genómica funcional a Immunomics funcionales: nuevos retos, viejos problemas, grandes recompensas
El desarrollo de la tecnología de microarrays de ADN hace una década llevó a la creación de genómica funcional como uno de los más activos y con éxito las disciplinas científicas de hoy. Con el actual desarrollo de la tecnología de microarrays immunomic a un espacio direccionable, a gran escala la tecnología para medición de la respuesta inmunológica específica-el nuevo reto de immunomics funcional está surgiendo, que tiene similitudes pero también es significativamente diferente de la genómica funcional. Immunonic datos ha sido utilizado con éxito para identificar marcadores biológicos implicados en enfermedades autoinmunes, alergias, infecciones virales como el virus de inmunodeficiencia humana (VIH), la gripe, la diabetes y las respuestas a las vacunas contra el cáncer. Esta revisión pretende dar una visión coherente de este naciente campo científico, y especular sobre las futuras direcciones de investigación. Se discuten con cierto detenimiento cuestiones como la predicción epítopo, immunomic la tecnología de microarrays y sus aplicaciones, cálculo y estadística y desafíos relacionados con immunomics funcional. Basado en el reciente descubrimiento de los mecanismos de regulación en las respuestas de células T, que prevén la utilización de microarrays immunomic como una herramienta para los avances en la biología de sistemas de la respuesta inmune celular, por medio de immunomic red modelos de reglamentación.
Durante la última década, el gran éxito sobre el terreno de la genómica funcional experimentado un fuerte crecimiento como consecuencia del desarrollo de la tecnología de microarrays de ADN [1 - 4], lo que permitió por primera vez para medir la expresión de ARN de miles de genes en paralelo , En un solo ensayo. La respuesta inmune son fenómenos complejos que supervene en la genómica, es decir, las respuestas inmunes en última instancia dependerá de la expresión de los genes dentro de una variedad de células, sino explicar la función del sistema inmunológico sólo en términos de la expresión génica en las células que constituyen un enfoque reduccionista . Al estudiar el sistema inmune en términos de la genómica es un objetivo importante [5, 6], la función del sistema inmunológico, de procesamiento de antígenos para epítopo una respuesta inmunitaria específica, puede ser mejor entendido a través de un enfoque integrado que tenga en cuenta las propiedades de el sistema inmunitario en su conjunto.
Citamos a partir de [7], "La immunome es el mapa detallado de las reacciones inmunes de un host determinado que interactúan con un antígeno extranjero, y immunomics es el estudio de immunomes." Considerando que la genómica funcional se esfuerza por identificar la función de los genes en los procesos celulares a través de el paradigma de la hibridación de mRNA de ADN complementario, funcional immunomics tiene por objeto identificar las funciones químicas / biológicas objetivos que participan en los procesos inmunológicos a través del paradigma de concreto celular y humoral suscitó la respuesta inmune de los antígenos presentados al sistema inmune [8 - 11]. Este es un esfuerzo que promete grandes recompensas, tanto en términos de nuestra comprensión básica del sistema inmunológico y en términos de diagnóstico de la enfermedad y el pronóstico [12] y el diseño de vacunas [13 - 15] para luchar contra una variedad de enfermedades humanas que van desde las infecciones de patógenos a las alergias y el cáncer.
El funcionamiento básico principio detrás de todo la tecnología de microarrays es la unión, y la posterior medición, la meta de muestras biológicas de interés para las sondas complementarios organizados en un espacio direccionable moda. Típicamente, una superficie plana, como un vaso de diapositivas, se utiliza para apoyar una serie de puntos que contienen las sondas. Como consecuencia de la utilización de sondas direccionables espacialmente, un gran número de diferentes objetivos se pueden medir en un solo experimento. Por ejemplo, en el caso de la tecnología de microarrays de ADN, que proporciona la base para permitir que la tecnología genómica funcional, los objetivos son fluorescentes moléculas de ARNm (indicadores de expresión genómica) que se hibridó a genes específicos de las sondas de ADN inmovilizados en una superficie plana. De manera similar, que permite la tecnología para el immunomics funcional es el immunomic microarrays. Las tecnologías básicas para immunomic microarrays que examinar en detalle en este documento son de anticuerpos, péptidos, y el péptido-MHC microarrays (véase el cuadro 1 para un resumen de estas tecnologías). Otros enfoques funcionales immunomic incluir disociable microarrays de anticuerpos [48], micromatrices de células [49, 50], el suero microarrays [51], péptido bibliotecas [52, 53], y el análisis serológico de las bibliotecas de cDNA de expresión (Serex) [54 - 58]. Existen importantes desafíos tecnológicos inherentes a la fabricación de microarrays immunomic, incluida la identificación de una superficie viable para el revestimiento de vidrio, apropiadas sonda concentración y objetivo los tiempos de incubación, y lugar adecuado tamaño y interdistance [59 - 64].
La más reciente tecnología que se propone es el péptido-MHC microarrays o artificial-que presentan antígenos chip [9, 11, 99]; en este caso, recombinante péptido-MHC complejos y co-estimuladoras moléculas se inmovilizan sobre una superficie, y las poblaciones de T células se incuban con los microarrays, cuyos puntos de manera efectiva artificial actuar como antígeno células presentadoras-[100], que contiene una determinada MHC-péptido Restringido. Diferentes métodos se han propuesto para la detección de células T que expresan afinidad con los receptores específicos para péptido-MHC complejos en el microarray, que puede incluir la simple inspección de las células T grupos vinculados a un lugar [9] o la identificación de las células activan secretando citoquinas específicas con citoquinas - captura de anticuerpos específicos [11, 99]. Péptido-MHC se corresponden con microarrays de alto rendimiento parallelized ELISPOT ensayos [19], sobre todo cuando baja densidad suficiente de células se utilizan, en cuyo caso el recuento directo de células activadas es posible [11]. Cuantificación puede implicar por sí solo de células, citocinas intensidades detectadas por sí sola, o una combinación de ambos, como en [99], que utiliza una celda de contar Resultado ajustado por una puntuación de intensidad. El beneficio de utilizar péptido-MHC microarrays es que puede mapa MHC-Restringido epítopos de células T, que están involucrados en varios ayudante y las funciones reguladoras del sistema inmunológico, y se puede utilizar en conjunción con péptidos basados en células B epítopo microarrays para estudiar la adaptación del sistema en su conjunto.
Figura 2 ilustra el funcionamiento del péptido-MHC microarrays. En la Figura 2 a, un péptido-MHC microarrays se representa, con un cuadro que muestra la sonda moléculas que se depositan en un terreno de microarrays. Figura 2 b representa las células T que se unen a, y se activan por específicas péptido-MHC complejos, con la ayuda de co-estimuladoras anticuerpos; estas células T secretoras de citoquinas que son capturados por la detección de anticuerpos específicos. Por último, como se ilustra en la Figura 2 c, las células T y el exceso de citoquinas son arrastradas, y el obligado de citoquinas es revelada por anticuerpos fluorescentes (otros métodos pueden ser empleados para revelar la citocina [11]]. Por lo tanto, un péptido-MHC terreno está diseñado teniendo en cuenta dos elementos: un péptido-MHC complejo, y la detección de anticuerpos específicos a las citocinas se quiere medir. Un tercer elemento puede ser el tipo de población de células T (por ejemplo, T helper o CTL) que se utiliza como una meta (es decir, incubadas con los microarrays). La elección entre estos tres elementos diferentes dará lugar a un gran número de immunomic respuestas que se pueden medir.
Una emocionante característica que distingue a immunomic de datos de microarrays de ADN es la posibilidad de medir dos o más señales al mismo tiempo, determinado por una única función, el epítopo. En el caso de microarrays de DNA, un valor de respuesta se obtiene para cada gen por muestra, es decir, la concentración de ARNm producido por el gen (ten en cuenta que dos experimentos de tinte uso mRNA a partir de dos muestras diferentes). En el caso de péptido-MHC chips, un solo epítopo puede generar diferentes valores de respuesta correspondientes a diferentes citoquinas o los distintos tipos de destinatarios las poblaciones de células T, o incluso diferentes isotipos de anticuerpos, en el caso del péptido microarrays. En otras palabras, en el caso de microarrays genómicos, un parámetro se mide, es decir, el nivel de transcripción de cada gen, mientras que en el caso de microarrays immunomic, es posible medir varios parámetros con respecto a la respuesta inmune contra un solo epítopo. Por ejemplo, un solo epítopo de células B pueden ser reconocidos por diferentes isotipos de inmunoglobulinas, como la IgE o IgG1. Por lo tanto, en este caso no se trata sólo de la intensidad de la respuesta de anticuerpos que pueden ser medidos, sino también la calidad de la respuesta de anticuerpos. Este aspecto puede ser muy relevante ya que un alto título de IgE en relación con IgG1 puede estar asociada con la alergia, mientras que por el contrario, un alto IgG1 título en relación con la IgE al mismo epítopo, no lo es. Esta situación es aún más significativo en el caso de la péptido-MHC gama, donde el mismo péptido-MHC epítopo pueden inducir diferentes respuestas de citocinas. Estos "multicolor" péptido-MHC microarrays tienen un homólogo en el multicolor ELISPOT ensayos actualmente en uso [101]. Se sabe que el efecto combinado de múltiples citocinas es esencial para el control de la respuesta inmune, lo que es descrita por la sugestiva expresión "de citoquinas acorde" en el [102]. Por lo tanto, habida cuenta de una familia de epítopos, uno puede querer medir simultáneamente ambos inflamatoria (efector) y anti-inflamatorios (regulador) las respuestas de células T, lo que se sabe que están asociadas con las concentraciones de IFN-γ e IL-10, respectivamente [ 103]. En este caso, se tendría más de un punto del microarray que contengan el mismo epítopo (péptido-MHC complejo), sino utilizar distintas citocinas para la detección de anticuerpos (ver Figura 3]. El resultado de este análisis no es un valor real perfil, como se obtiene a partir de microarrays de la genómica funcional, sino un vector-valorada perfil. Esos perfiles son a veces llamadas "multiespectrales" perfiles (ver la sección sobre el análisis de los datos más abajo). No obstante, adoptar el término "multicolor" al referirse a immunomic datos, debido al hecho de que este término ya se utiliza en la configuración similar de ELISPOT ensayos.
Los retos tecnológicos mencionados anteriormente en relación con el anticuerpo y péptidos microarrays son mucho más complejos en el caso de péptido-MHC microarrays, que de hecho la participación de elementos de las dos tecnologías anteriores, a saber, la presentación de péptidos y la detección de anticuerpos secretados de citoquinas. La tecnología de péptido-MHC microarrays, aunque todavía en su infancia, se considera como un simple método económico y para la detección de células T de un repertorio de acogida [99], y, por tanto, tiene un gran potencial. La primera aplicación clínica de investigación de péptido-MHC la tecnología de microarrays es el estudio de los correlatos de protección en relación con los efectos de una terapéutica experimental vacuna contra el cáncer [104]. Diez pacientes con melanoma fueron inmunizados con una vacuna peptídica, y sus respuestas inmunes fueron examinados con un péptido-MHC microarrays, que contiene siete tipos de péptidos MHC-epítopos y probaron para el 26 de factores secretados. Este péptido-MHC serie fue demostrado tener la sensibilidad para la detección de un péptido-MHC específico de células T en 10000, y 10 6 células CD8 + se incubaron con la matriz (para que, en teoría, este péptido-MHC matriz podría detectar hasta 100 distintas características reactivas que han alcanzado frecuencia mínima de 1:10000). Análisis de la péptido-MHC microarray patrones de respuesta demuestra que los pacientes que presentan ambos IFN-γ y TNF-α secretora respuestas específicas contra un epítopo se mantuvieron libres de melanoma.
La complejidad del análisis estadístico en lo que respecta a immunomic datos de microarrays es en su conjunto diferente nivel que el de datos de microarrays genómicos. El número total de genes en los seres humanos se estima en 30000 ~; en comparación, el número total de los distintos receptores de células T en los seres humanos, generado por la recombinación somática, que reconocen péptidos en el contexto de una gran molécula de histocompatibilidad, se estima en sobre el orden de 10 7 a 10 15, y el número de células B clonotypes, generado por la recombinación somática de V (D) J genes, se calcula que es del orden de 10 12. ADN se basa en un período de cuatro letra "alfabeto", que consta de las cuatro bases de nucleótidos A, G, C, T, mientras que el péptido epítopos se basan en una carta de 20 alfabeto, compuesto por los aminoácidos que se sabe están involucrados en los procesos de la vida . Es evidente que la complejidad combinatoria en el caso de immunomics funcional es varios órdenes de magnitud más alto que el de la genómica funcional.
Además, genómica funcional, el número de interrogativa características que deben ser construidas en microarrays es del orden de 10 4 a 10 5. En immunomics funcional, el número total de interrogativa características incluidas en el análisis de microarray puede ser mucho mayor y puede estimarse de la siguiente manera, en el caso de péptido-MHC microarrays: análisis de MHC-péptido vinculante motivos [26] sugiere que un núcleo de nueve aminoácidos en un péptido es suficiente para la caracterización de una célula T epítopo. El número total de interrogativa características, por lo tanto corresponden al número de posible carta de nueve palabras sobre la base de una carta de 20 alfabeto, que es 20 9 ≈ 10 11; afortunadamente, sólo menos de un 1% de ellos son capaces de unirse a las moléculas MHC , Lo que hace que el número de interrogativa características más manejables. Además, las células B, células T y pasar por un proceso de selección clonal, en caso de que cualquiera de los leucocitos no reaccionan o reaccionan muy fuertemente son eliminados, y peligrosos clones que reaccionan con antígenos libre se suprimen o anergized como parte del proceso de tolerancia inmune . El número de características es todavía muy grande, sin embargo, y métodos para reducir aún más este número son esenciales; estos métodos incluyen los métodos de predicción y immunomic bases de datos mencionadas anteriormente en relación con el epítopo de cartografía, así como la selección de péptidos específicos de los genomas de patógenos , Alergenos, y auto-antígenos implicados en enfermedades humanas, tales como los antígenos tumorales, la diabetes y las enfermedades autoinmunes. Un procedimiento adicional que nosotros y otros grupos han utilizado el cribado después de los genomas de patógenos para putativo péptidos es vinculante para comparar los epítopos candidato conocido con secuencias de proteínas de acogida y, en algunos casos hemos encontrado péptidos que son idénticos a péptidos de acogida. Esto es muy importante porque varios críticos enfermedades son causadas por patógenos mimetismo molecular, es decir, algunas enfermedades, como la diabetes, dengue hemorrágico y el síndrome de Guillian Barret, son hipótesis a ser el resultado de infecciones que inducen la reacción espontánea patógenos respuesta inmune .
Es importante señalar que el objetivo de la immunomic serie no es para poner a prueba todas las posibles células T ingenuas o clones de células B que pueden ser generados por las somáticas, VJ, o V (D) J recombinations contra todas las posibles combinaciones de péptidos existe - simplemente no sería suficiente sangre del paciente para hacerlo, incluso si se considera que es un importante logro. El objetivo de la serie immunomic es identificar a las células cebadas que han llegado a un nivel razonable de los precursores de frecuencias y, por tanto, esperar que tenga relevancia biológica. Si la frecuencia de una célula T que circulan en la sangre periférica es inferior a 1:100000 podemos esperar que la importancia biológica de los pequeños es en contraste con una célula T que tiene una frecuencia de 1:1000. Además, las células T tiene una afinidad por el péptido-MHC que las células T es específico para, y no debería obligar a los que con el que no tiene afinidad. El actual límite informó de la detección de la péptido-MHC immunomic gama es 1:10000 células cuando se utilizan 10 6 células CD8 +. Así que, en teoría, un péptido-MHC gama incubadas con 10 6 purificada de células CD8 + (~ 10 ml de sangre) podría detectar hasta 100 distintas características reactivas que han alcanzado frecuencia mínima de 1:10000. Sin embargo, si esperamos a ser capaz de detectar raras clones, con frecuencias muy bajas, las células más se necesita. Este requisito se puede superar con grandes cantidades de sangre, y no es irrazonable para recoger 100 ml de sangre, o mediante la adición de una expansión de células T paso a crecer la población de células ex vivo antes de que se incuban con la matriz. Esta técnica de las células T clonal de amplificación se utiliza comúnmente para detectar raras poblaciones de células por citometría de flujo o por ELISPOT y puede también ser aplicado en immunomic estudios.
Normalmente, 250000 humano PBMCs se utilizan en un ensayo ELISPOT con un péptido, y el límite de detección se estima en 4 veces a 5 veces más sensible que la citometría de flujo. Sin embargo, ELISPOT es muy distinta experimentalmente immunomic de microarrays. En ELISPOT, las células T y vehículos blindados están presentes en la misma mezcla, y para una célula T para ser activados, tiene que estar en estrecho contacto con su APC. En el péptido-MHC array el terreno la superficie es equivalente a un gran definido APC, completamente cargado con un péptido epítopo específico, para los que una reacción de células T tiene una afinidad, por lo que se adhiere a su específica péptido-MHC in situ y no a los demás puntos. En [104], los autores utilizaron 10 6 células y se comparó el límite de detección de la matriz con citometría de flujo. Resulta que ambos habían similar límites de la sensibilidad, aproximadamente 1:10000 células o 0,01%. Es posible que en el futuro el péptido-MHC superficie de terreno se puede mejorar y la sensibilidad del péptido-MHC gama pueden llegar a ser incluso mayor que el actual ensayo ELISPOT.
Otro gran desafío es el polimorfismo de los genes HLA, en particular HLA de clase II, y las varias combinaciones diferentes de alfa y beta cadenas. Algunos enfoques pueden ser útiles para limitar el número de funciones, como la selección de alelos específicos más frecuentemente encontrado en una población que debe utilizarse en una amplia selección arrays. Un segundo enfoque podría ser el uso de supertype prototipo de moléculas HLA compatible con un conjunto de varios alelos HLA. Un tercer enfoque sería a través de la personalización de los arrays, por tener diferentes conjuntos de alelos único y la combinación de ellos en función del tipo de HLA de las personas objeto de la prueba.
Una cuestión que establece immunomic microarray datos aparte es la disponibilidad de vector-valorada perfiles de respuesta (en el caso de péptido-MHC microarrays). La estadística reto aquí es una reminiscencia del problema de análisis de datos en el campo de la ingeniería de la teleobservación [105], donde diferentes materias hayan sido característica respuestas vector, llamado firmas espectrales. En el caso de immunomic datos, la noción análoga a la firma espectral es el perfil de citoquinas asociada a un determinado epítopo y la población de células T; vea la Figura 4 para un ejemplo. Una técnica sencilla para hacer frente al problema de análisis de datos para multicolor immunomic datos consiste en combinar las respuestas en función de un vector de largo, por yuxtaponiendo la respuesta individual de citoquinas perfiles para cada epítopo, con la salvedad de que puede haber correlación sistemática entre las funciones de la resultante Vector característica.
El gran número de características que se pueden medir simultáneamente con la tecnología de microarrays también presenta un reto. Por un lado, es probable que un gran número de características irrelevantes estarán presentes, por el otro lado, el científico le gustaría trabajar con un pequeño número de fuertes, las características que pueden ser utilizados para el diagnóstico y pronóstico paneles, o como la base para seguir estudios de validación bioquímicas de los mecanismos implicados. Este problema de la función de selección también se plantea debido a una limitación fundamental en las estadísticas, a veces llamado la "maldición de dimensionalidad", según la cual la existencia de un gran número de características requiere una proporción aún mayor (exponencialmente mayor) número de muestras de alcanzar la coherencia y resultados exactos. A medida que el número de pacientes en microarray estudios basados está seriamente limitada por factores como el costo de la tecnología y las dificultades para la inscripción de pacientes, casi siempre es el caso de que sólo un pequeño número de muestras están disponibles. Por lo tanto, sólo un pequeño número de características en un momento puede ser considerado. El enfoque recomendado para la selección función es examinar las combinaciones de m elementos a la vez, hacer clasificador diseño basado en el conjunto de características que se examina, y utilizar una estimación de su probabilidad de error en la puntuación de rendimiento. La aplicación de este tipo de análisis de microarrays para immunomic datos permitiría la identificación de conjuntos de epítopo una respuesta inmunitaria específica, por ejemplo, asociados con diferentes enfermedades. Sin embargo, la característica de selección se presenta un problema explosivo combinatoria. Por ejemplo, en una exhaustiva selección de conjuntos de tres características entre 1000 características iniciales, el número total de conjuntos de características que deben evaluarse es igual al 166167000. Si un conjunto inicial de 10000 características se utiliza en lugar de ello, el número de característica fija del tamaño de tres a ser buscado es mayor que 10 11. La complejidad de la función de selección es especialmente crucial en immunomics aplicaciones funcionales, ya que en este caso el número inicial de características a tener en cuenta es enorme. El uso de computación de alto rendimiento de arquitecturas, como los grandes grupos de computadoras, es casi obligatorio.
Dado que un conjunto de características ha sido seleccionado, uno debe ser capaz de diseñar un clasificador que toma como entrada de datos de microarrays de una muestra problema y genera una salida como predice la clase etiqueta (por ejemplo, el resultado clínico, tipo de infección, u otras condiciones) . Figura 5 ilustra este enfoque en una hipotética aplicación funcional immunomics. En este caso, hay dos clases de etiquetas, lo que corresponde a control y protección de los pacientes, en una situación en la que la protección se logra mediante la inmunización con virus atenuados de la vacuna para una determinada enfermedad infecciosa. El objetivo es identificar los epítopos que muestran una respuesta discriminatoria entre los dos grupos y por lo tanto son objetivos principales para epítopo racional basado en diseño de vacunas. Un conjunto de dos características, que corresponden a epítopos X e Y, se han identificado a través de función de selección entre los miles de sondas de microarrays. Por ejemplo, podemos imaginar una situación en la que la protección de las personas presentan una alta TNF-α respuesta a epítopo X, así como una mayor IFN-γ respuesta a epítopo Y. Sobre la base de los valores de respuesta observada para cada paciente (nota de que un paciente corresponde a un punto en el plano), un clasificador lineal se ha diseñado. Esta clasificación corresponde únicamente a dos regiones de decisión separadas por una línea. En caso de que un futuro desconocido paciente tiene valores de respuesta que caen en la región superior de decisión, él o ella es probable que sea un protegido del paciente, siempre que el clasificador tiene una pequeña probabilidad de error. En este caso, las respuestas a epítopos X e Y (en términos de la TNF-α y IFN-γ citoquinas) caracterizan a la memoria inmunológica inducida por el virus atenuados de la vacuna: grandes valores de respuesta a las dos epítopos X e Y indican protegidas pacientes (nota que la respuesta de epítopo ni X ni epítopo Y de por sí es un buen discriminador en este ejemplo, lo que indica la necesidad de considerar el multivariado, efecto combinado de ambas respuestas). Tenga en cuenta, en la Figura 5, que la aparente tasa de error (es decir, el número de muestra incorrectamente clasificada dividido por el número total de muestras) es de 2 ÷ 20 = 10%, la probabilidad real de la clasificación error en el futuro los datos normalmente supera la tasa de error aparente [106].
Biología de sistemas hace uso de la modelación matemática con el fin de proporcionar un punto de vista teórico básico para la biología, análogo a la forma en que las teorías matemáticas básicas, siempre que para la física en el siglo 20. El éxito de la ingeniería y la metodología de cálculo en el reino físico se debe a la capacidad predictiva de modelado matemático. Nos cita de [107]: "Control predictivo de los modelos matemáticos son necesarios para mover la biología en el sentido de una ciencia predictiva. También son necesarias para la aplicación de métodos de ingeniería biológica para traducir los conocimientos en terapias con un matemático y computacional. "La gran complejidad de los sistemas biológicos, en comparación con la mayoría de los sistemas físicos, hace aún más urgente la aplicación de matemáticas y técnicas de modelado computacional para ellos. Sistemas dinámicos proporcionar "el lenguaje natural es necesario para describir el« comportamiento integrado »de los sistemas de coordinación de las acciones de muchos elementos" [108], y también son capaces de mostrar las nuevas auto-orden de complejidad masivamente desorganizado, que se cree que es fundamental característica de la vida. En lo que sigue, vamos a describir el concepto de redes reguladoras immunomic, un sistema dinámico modelo de regulación inmune.
Un importante acontecimiento reciente en inmunología ha sido el descubrimiento de las células reguladoras T [103, 109 - 111]. Estas células T suprimir la respuesta inmune, ayudando a frenar los procesos inflamatorios galopante y de evitar la enfermedad autoinmune. Se piensa que esta actividad beneficiosa represión puede convertir deletéreos cuando es aprovechado por los agentes patógenos, lo que crónica y anormal procesos infecciosos. Se ha observado que algunas células T reguladoras no son antígeno-específicos, que se llaman naturales de regulación de células T [103]. Además, existen células T reguladoras, tanto CD4 + y CD8 +, que son antígeno-específica y, por tanto, epítopo impulsada [103]. Dada la acción de supresión de epítopo impulsado por células T reguladoras, en relación con la promoción de la actividad de epítopo impulsada por las células T helper, se deduce que la respuesta inmunológica a un determinado epítopo pueden ser suprimidas o promovidas por la respuesta inmunológica a otros epítopos. De este modo, el concepto de redes reguladoras surge como un concepto fundamental para entender el funcionamiento del sistema inmunológico. De hecho, la mayoría de las enfermedades humanas son el resultado de un desequilibrio en la homeostasis del sistema inmune.
En la genómica funcional, datos de microarrays de ADN se utiliza para inferir genómica redes reguladoras [112]. Por biológicas y razones de eficiencia, la expresión de genes suele ser cuantificadas a dos niveles: dentro y fuera de [113]. Los métodos multivariantes de clasificación y selección característica discutido en la sección anterior han demostrado ser esenciales en la inferencia de este tipo Boolean (binario) redes reguladoras. By the same token, immunomic microarray data can be used to infer immunomic regulatory networks. As is true for gene expression, one may quantize each epitope response measured with an immunomic microarray at one of two levels—on (immunogenic/responder) and off (nonimmunogenic/nonresponder)—leading to the inference of Boolean immunomic regulatory networks.
In the general case, each node of an immunomic regulatory network represents a combination of the epitope, the cytokine response measured, and the T cell population used as the target; in most cases, each node is in a one-to-one relationship with a single physical spot on an immunomic microarray experiment with a given T cell population. The edges between nodes represent putative regulatory relationships between the cells that respond to the respective epitopes. Figure 6 depicts a simple example with quantized Boolean responses, where peptide–MHC microarrays are used in conjunction with three kinds of T cell targets: CD4 + helper T cells, CD4 + regulatory T cells, and CD8 + cytotoxic T cells. Epitope A is specific to the CD4 + helper T cells that promote the response to epitope C, which is specific to the CD8 + effector T cells that produce the actual protective mechanism. In addition, there is an epitope B that activates the CD4 + regulatory T cells that suppress the effector response to epitope C, thereby producing an anti-inflammatory response. In practice, such a model would be derived from microarray data by automatic epitope (feature) selection and determination of predictive relationships (classifier design). In this example, the effector response is activated only in the presence of both help from epitope A and an absence of regulatory response to epitope B. The suppressing response to epitope B is itself promoted by the presence of a response to epitope C, providing a negative feedback mechanism. These relationships can be represented by a wiring diagram and transition rules, depicted in Figure 6 a.
Since the responses have been quantized to two values, on and off, and there are three epitopes, the total number of possible states of the system is 2 3 = 8. Figure 6 b depicts the state transition table obtained from the transition rules in Figure 6 a. Using this table, one can determine the attractors of the system, which are the states or sets of states in which the system stays in the long run in the absence of external disruptions. For each attractor, there is associated a basin of attraction, containing attractors and transient states, which are the sets of states that lead to the attractor [ 108 ]. In the context of biological systems, attractors are a mathematical model for homeostasis. In our minimalist example, we see that there are two different behaviors, corresponding to the two distinct basins of attraction in Figure 6 c; the respective attractors are indicated by dashed rectangles. As can be seen, which of the two behaviors the system is in depends only upon the state of the response to epitope A. If it is off (there is no help), then the system may pass through some irrelevant transient states but it will always tend toward the resting single-state 000 attractor and thus an absence of activity; see the diagram on the left in Figure 6 c. If the response to epitope A is on (there is help), then the activity of the system corresponds to that of a cyclic attractor, with the effector response being turned on and off cyclically; see the diagram on the right in Figure 6 c. This situation corresponds to modulation of the effector response and regulation of the inflammatory response by means of a negative feedback mechanism. Note that when there ceases to be a response to epitope A, the system jumps to the other basin of attraction, and tends to the resting 000 state. The immune response to epitope A in this example determines the behavior of the system, and thus it functions as the master of the overall immunological response, with the individual immune responses to epitopes B and C being slave to it. The concept of master–slave regulatory units is quite important for the understanding of complex regulatory systems and has in fact been considered as a mechanism for genomic regulation (Michael Bittner, unpublished data).
Inference of immunomic regulatory networks from immunomic microarray data constitutes, after proper validation, computational knowledge discovery. There are subtle epistemological issues involved in using data-driven, computer-based methodology to obtain scientific knowledge. As Karl Popper explained in his classic book The Logic of Scientific Discovery [ 114 ], every scientific theory consists of an initial irrational act of creativity (induction) followed by rigorous logical consequences (deduction) and testing of the initial hypothesis. Where is the initial act of creativity, in other words the scientific hypothesis, in computational knowledge discovery? Computers are clearly not capable of irrational creativity. Can this be considered science? We maintain that the answer is yes [ 115 ]. In fact, the initial irrational act of creativity is there; it is involved in all the steps of experiment design, selection of patients/samples, and choice of statistical methodology. Once these are settled, the actual data analysis is purely logic deduction via the machinery of mathematical operations, as prescribed by Popper. In this deductive stage the computer plays a critical role, as it facilitates the application of very complex computational methods. Therefore, scientist (and statistician) bias here is in fact unavoidable, as it is in all scientific disciplines. In particular, the term data-driven is really a misnomer in describing computational knowledge discovery.
Functional immunomics promises great rewards, both in terms of our basic understanding of the immune system and in disease diagnosis/prognosis and rational epitope-driven vaccine design. Research into the basic biology and statistical methods associated with functional immunomic experiments will lead to the advancement of medical science and public health. Functional immunomics is however still at an early stage of development. In this review we have attempted to provide a coherent vision of this nascent field, and have speculated on future research directions for this technology.
In our discussion we have often compared and contrasted immunomics with genomics. Immunomics supervenes on genomics, in the epistemological sense, since immunology ultimately depends on the functioning of genes inside cells, but immunomics has its own independent character and properties. In the same manner that each cell has its own pattern of gene expression that defines its unique cellular properties, each reaction of the cognate immune system to an antigen has its own pattern of epitope-specific responses that define its final outcome.
There exists a large collection of mathematical models to describe the immune system [ 116 ]. Here, we have proposed Boolean immunomic regulatory networks as a new mathematical model for immune system regulation. This is a dynamical system model, with parameters that can be estimated from immunomic microarray data. A somewhat similar concept was suggested in [ 102 , 117 ], where a network model for cytokine action was proposed, albeit without explicit reference to large-scale immunomic technology or regulatory T cell response. In addition, immune system regulatory networks have been previously discussed in the context of genomics [ 118 ]. The immunomic regulatory network model may be useful for computational knowledge discovery and simulation of regulatory mechanisms of the immune system in health and disease, which may lead to advances in practical applications (eg, vaccine design) as well as in the basic scientific understanding of the immune system.