В настоящем исследовании авторы проанализировали T-клеточные репертуары бета-цепи инфицированных SARS-CoV-2 (лёгкая и тяжёлая формы) из базы данных ImmuneCODE, а также использовали программное обеспечение DeepTCR – глубокое машинное обучение.

Ученые выяснили, что во время пика инфекции у людей с истощенным Т-клеточным ответом наблюдается более тяжелое течение болезни, что согласуется с ранее описанными явлениями лимфопении при тяжелой инфекции SARS-CoV-2. При анализе DeepTCR было выявлено, что наиболее вариабельные остатки расположены в центральной части последовательностей CDR3. Авторы исследования предположили, что сигнатура была связана с антигенспецифическим воздействием, поэтому для дальнейшего изучения антигенной специфичности этих последовательностей TCR был проведен поиск эпитопов с использованием базы данных TCR, специфичных к SARS-CoV-2, собранной согласно протоколу MIRA. Между когортами NIH/NAID и ISB были выявлены отличия по распределению эпитопов, к которым специфичны TCR, а также разница в CD8 и CD4-ответах. Далее была построена модель, основанная на репертуарах эпитопов SARS-CoV-2, и задана её предсказательная сила для уточнения характера заболевания. Оказалось, что данная модель способна определить тяжесть заболевания, хотя её предсказательная сила уступала предсказательной силе модели, построенной на основе последовательностей TCR.

В ходе данной работы было показано, что набор антиген-специфических TCR, а также эпитопов могут указывать на степень тяжести заболевания COVID-19.

Первоисточник: Sidhom J-W. Alexander S. Baras A.S. , Deep learning identifies antigenic determinants of severe SARS‑CoV‑2 infection within T‑cell repertoires , Scientific Reports , DOI: 10.1038/s41598-021-93608-8