AI/ML-Assisted Computational Design and Immunoinformatics Evaluation of a Multi-Epitope Vaccine Targeting Podoplanin in Glioblastoma Multiforme

Motivation

• Known: 종양관련항원(TAA) 기반 multi-epitope 백신의 in silico 설계 및 면역정보학적 평가는 기존 문헌에서 보고된 접근법이며, 특히 computational immunology와 AI/ML 기반 bioinformatics를 활용한 에피토프 식별 및 백신 후보 스크리닝이 활발히 연구되고 있다.
• Gap: PDPN은 GBM에서 과발현되지만 정상 조직(림프절 내피세포, fibroblastic reticular cells 등)에도 발현되어 CAR-T 등 고도로 특이적인 세포치료의 적용이 제한되는 한계가 있었다. 본 논문은 이러한 제약을 극복하기 위해 subunit vaccine 기반의 정밀 면역 전략을 통해 종양 선택성을 유지하면서도 배경 세포독성을 최소화하는 치료 후보를 제시하고자 했다.
• Why: GBM은 매우 악성의 중추신경계 종양으로 혈뇌장벽(BBB), 면역억제적 미세환경, 치료 저항성 등으로 인해 종래 치료의 효과가 제한적이고 생존 기간이 12-15개월에 불과하다. 따라서 체계적인 in silico 설계 파이프라인을 통해 안전하면서도 면역원성 높은 백신 후보를 신속하게 발굴하는 것이 임상적으로 중요하다.
• Approach: GEPIA 데이터베이스를 이용하여 GBM에서 과발현되고 정상 조직에서는 제한적으로 발현되는 PDPN을 표적으로 선정했다. NetMHCpan EL 4.1, MHC II prediction server, CLBtope를 이용해 B세포·CTL·HTL 에피토프를 예측하고, VaxiJen v2.0으로 항원성을 평가하며, ToxinPred와 AlgPred 2.0으로 비독성·비알러지성을 검증했다. 선정된 에피토프들을 adjuvant와 linker 서열로 연결하여 vaccine construct를 구성하고, ProteinLab.ai (OCSR™.ai 플랫폼)로 3D 구조를 예측한 후 GalaxyRefine으로 정제, PROCHECK·ProsaWeb으로 검증했다. HDOCK webserver를 이용해 TLR3 등 면역 수용체와의 molecular docking을 수행하고, GROMACS 2024.3·2025.3를 통해 MD 시뮬레이션을 진행했으며, C-ImmSim으로 면역 시뮬레이션을 실시했다.

Achievement

Figure 2. Schematic representation of the final multi-epitope vaccine candidate, RasIC-01v

최종 vaccine 후보 설계 완성: RasIC-01v라는 다중에피토프 백신 후보가 설계되었다. Codon optimization 및 in silico cloning: VectorBuilder와 SerialCloner를 이용해 포유동물 발현 벡터에서의 발현 가능성을 평가했다. 구조적 안정성 확인: 3D 구조 예측, 정제, 다각적 검증을 통해 RasIC-01v의 구조적 타당성이 입증되었다. 면역 수용체 결합성 평가: Molecular docking과 MD 시뮬레이션을 통해 TLR3 등과의 결합 친화도 및 복합체의 안정성이 평가되었다. 면역 시뮬레이션 결과: C-ImmSim을 통한 in silico 면역 시뮬레이션이 수행되어 RasIC-01v의 면역 반응 유도 가능성이 제시되었다.

How

Figure 2. Schematic representation of the final multi-epitope vaccine candidate, RasIC-01v

• Target identification: GEPIA를 이용한 transcriptomics 기반 PDPN 과발현 확인
• Epitope prediction: NetMHCpan EL 4.1, MHC II prediction server, CLBtope 등 웹 기반 도구를 활용한 다중 에피토프 예측
• Screening: VaxiJen v2.0, ToxinPred, AlgPred 2.0을 이용한 항원성·비독성·비알러지성 다각적 평가
• Vaccine construction: 선정 에피토프와 adjuvant, linker를 조합하여 vaccine construct 설계
• Structural analysis: ProteinLab.ai (OCSR™.ai), GalaxyRefine, PROCHECK, ProsaWeb을 통한 3D 구조 예측·정제·검증
• Molecular docking: HDOCK webserver를 이용한 immune receptor (TLR3 등)와의 binding pose 탐색
• Molecular dynamics: GROMACS 2024.3·2025.3로 RasIC-01v 및 docked complex의 동역학 시뮬레이션 수행
• Binding free energy: gmx_MMPBSA v1.6.4를 이용한 결합 자유에너지 계산
• Immune simulation: C-ImmSim을 통한 in silico 면역 반응 시뮬레이션

Originality

• PDPN을 GBM에 대한 multi-epitope vaccine의 표적으로 선정한 것은 임상적으로 합리적이나, PDPN 기반 암 백신 설계 자체는 기존 연구의 범주에 가까움
• 사용된 bioinformatics 도구(NetMHCpan, VaxiJen, ToxinPred 등)는 모두 기존의 널리 알려진 웹 기반 플랫폼이고, 이들을 순차적으로 적용하는 파이프라인도 표준적인 multi-epitope 백신 설계 워크플로우를 따름
• 3D 구조 예측, molecular docking, MD 시뮬레이션은 computational protein engineering 분야의 일반적 접근법이며, 새로운 알고리즘이나 방법론적 혁신이 제시되지 않음
• OCSR™.ai 및 Rasayan 플랫폼의 활용은 독점적 소프트웨어이나, 논문에서 그 기술적 혁신이나 차별성이 상세히 설명되지 않음

Limitation & Further Study

구조적 한계: (1) 본 연구는 전적으로 in silico 설계에 기초하며, 예측된 RasIC-01v의 항원성과 면역원성이 실험적으로 검증되지 않았다. (2) MD 시뮬레이션은 단기 시뮬레이션에 그칠 가능성이 있으며, 세포 내 환경이나 생체 시스템에서의 단백질 안정성을 완전히 반영하지 못할 수 있다. (3) C-ImmSim 면역 시뮬레이션은 단순화된 모델에 기반하여 실제 면역 반응의 복잡성을 전부 포괄하지 못할 수 있다. 생물학적 고려사항: (4) PDPN이 정상 림프절 내피세포와 fibroblastic reticular cells에도 발현된다는 점이 명시되어 있으나, 이로 인한 off-target 효과 및 자가면역 반응 위험이 충분히 논의되지 않았다. (5) 혈뇌장벽(BBB) 통과 가능성 및 중추신경계 내 침투 메커니즘에 대한 구체적 분석이 부족하다. 임상 적용성: (6) 후속 연구로서 세포주 및 동물 모델 기반의 in vitro/in vivo 검증이 필수적이며, 현 단계에서는 commercialization까지의 거리가 멀다.

Evaluation

총평: 본 논문은 GBM 치료를 위한 PDPN 표적 multi-epitope vaccine 설계에 관한 체계적인 in silico 연구로서, immunoinformatics 파이프라인의 표준적 적용을 보여준다. 하지만 새로운 방법론적 혁신이 없고 모든 예측이 computational tools에만 의존하며 실험적 검증이 전혀 이루어지지 않아 학술적 기여도가 제한적이다. 향후 세포주 및 동물 모델에서의 검증을 통해서만 임상적 의미를 갖게 될 것으로 판단된다.