蛋白质抗原结构与免疫原性关系的研究推动了分子免疫学与结构免疫学的发展，而后者又迫切要求从分子水平更深入地认识复杂的免疫现象。人们已认识到蛋白质抗原并非通过其完整分子发挥功能，而是通过其表位(epitope)体现其特异性。因此，如何进行表位的筛选就成了加快疫苗开发周期的一个重要研究课题，也是其瓶颈问题。而就某一蛋白质抗原而言，有B细胞表位、辅助性T细胞(helper T lymphocyte，Th)表位、CTL(Cytotoxic T lymphocyte，细胞毒性T细胞)表位等与免疫识别密切相关的结构，其中也存在毒性或抑制性表位、优势非中和性表位、病理与自身抗原交叉反应性表位等于保护性免疫不利的因素；另一方面，由于许多天然抗原引发的免疫反应不能满足预防感染或预防发病的需要，为了提高蛋白质抗原的保护性，就必须在表位水平上做出选择、改造以得到更理想的疫苗分子，而这一切必需建立在表位筛选、鉴定的基础上。但对于一个已知序列的蛋白抗原，若单纯用实验的方法来鉴定其表位，常需要合成大量交叠肽或将其全基因裂解为众多小片断加以转染和表达，进而通过多肽结合或免疫功能实验进行筛选和鉴定，这一技术路线费时费力；反之，如先通过表位的预测使待选多肽片断的范围大大缩小，再用相应的实验来鉴定，往往可取得事半功倍的效果。本研究中，我们尝试将定量构效关系(Quantitative Structure Activity Relationship，QSAR)研究的理论和方法用于Th细胞表位以及CTL表位的定量预测中，并借助相应的实验技术进行鉴定，力求建立新的T细胞表位快速筛选的技术平台。Th细胞表位在激发Th细胞免疫反应过程中起着十分重要的作用。当外源性抗原被抗原呈递细胞(antigen-presenting cell, APC)捕获后，蛋白质抗原在内吞系统被裂解成多肽片段，其中的Th细胞表位与MHC II类分子结合，被转运至APC表面供T细胞受体(T cell receptor, TCR)识别，从而激发Th细胞免疫应答，发挥免疫调节作用。由于MHC II类分子的结合槽两端为开口结构，允许与之结合的多肽在氨基和羧基两端均可有一定的延长，故Th细胞表位通常是由9~25个氨基酸残基组成，对其氨基酸序列特征的了解将有助于亚单位疫苗分子的设计与研制以及增加对免疫系统的更进一步<WP=11>的理解。因此，Th细胞表位的预测以及在此基础上进行结构改造将具有重要的理论价值和实际意义。我们结合氨基酸的理化性质与拓扑学方法，构建了能表征Th表位序列结构及电性特征的电子-拓扑参数。在参数构建过程中，将各氨基酸侧链分别看成一个整体即以拟原子(pseudo atom)的方式来处理氨基酸侧链，从而使得参数构建大大简化。在进行Th表位序列的定量构效关系(QSAR)研究时，将属于不同MHC II限制性亚类的Th细胞表位分为两大类，即待预测MHC II限制性亚类的Th细胞表位为一类，称为有活性，记为“+”，其值赋为1；其余各MHC II限制性亚类的Th细胞表位一并作为另一类，称为无活性，记为“-”，其值赋为0。借助多元线性回归技术建立Th表位的电子-拓扑参数与其活性(这里指所属的MHC II限制性亚类)的定量关系模型，运用所建模型对Th表位序列的活性进行估算，如计算出某一Th表位序列的活性值接近1(大于0.5)，则认为其属于待预测MHC II限制性亚类的Th细胞表位；反之，其活性值接近于0(小于0.5)，则认为其不属于该MHC II限制性亚类的Th细胞表位。据此，对从文献中收集的28个属于不同MHC II限制性亚类的Th细胞表位进行了预测，仅有2个被错误分类，随机抽样检验(Random Sampling Validation)与交互检验(Cross Validation)结果进一步表明了该方法的有效性。另一方面，CTL 表位(Cytotoxic T lymphocyte epitopes)在CTL 活化过程中扮演着十分关键的角色，决定了CTL的特异性杀伤效应，从而在机体抗感染和抗肿瘤免疫中发挥着极为重要的作用。近年来，实验方法的发展使得越来越多的CTL表位得以鉴定，并建立了相应的数据库(http://www.unituebingen.de/uni/kxi/downld.htm和http://wehih.wehi.edu.au/mhcpep)；加之，对抗原呈递机制认识的加深，尤其抗原肽与MHC I类分子结合规律得以深层次阐明；肽库技术、计算机科学的发展和介入等，使CTL表位预测方法获得了较大的进展，其预测的效率不断提高。理想的CTL表位预测方法可大大提高表位鉴定的准确率，进而可以阐明更多的病原体、肿瘤和自体抗原的CTL表位，这不仅可以捉进我们对CD8+ T细胞免疫识别机制的深入认识，也为基于CTL表位的多肽或基因疫苗研制开辟了广阔的空间。目前，关于CTL表位预测的方法较多。从简单基序、延展基序到量化基序，这些方法都是在对大量已知CTL表位进行统计所得的定性或半定量结果，它们在排除假阴性方面较好，即有较高的阴性预测值，但假阳性率较高。随着计算机技术的发展，各种智能算法被引入到CTL表位的预测之中，以提高其预测的准确率，如神经网络算法、遗传算法以及隐藏马尔可夫算法等。这些智能算法的引入在提高CTL表位预测的准确率方面也确实收到了一些成效，如提高了阳性预测率。但由于上述预测方法没有从MHC I类分子与CTL表位相互识别的结构基础出发，在表位预测及结构改造方面很难<WP=12>有较大的突破。特别是