黃 璐 文 李 許 宙 陳茂龍 程云輝

(長沙理工大學化學與生物工程學院，湖南 長沙 410114)

近年來生物活性肽因其強大的功能以及來源的可靠性等優(yōu)點成為保健品、藥品等高新科技產(chǎn)業(yè)的研究和開發(fā)熱點。基于酶法降解食物蛋白質并結合分離純化技術，從酶解混合物中獲得活性肽抑制被當作篩選食源性活性肽的經(jīng)典方法，但因活性功能評價方法不一致及分離純化過程繁瑣而無法實現(xiàn)食源性活性肽的高效篩選。免疫活性肽(Immuno-peptides)能提高機體免疫力和抵擋外界病原體的感染能力、刺激淋巴細胞增殖、增強巨噬細胞吞噬能力，并具抗腫瘤等功能[1]。免疫活性肽進入抗原提呈細胞(antigen presenting cells，APC)與主要組織相容性復合體(major histocompatibility complex，MHC)結合形成結合物，被抗原的T細胞受體(T cell receptor，TCR)識別后遞呈給CD4+ T細胞，啟動CD4+ T細胞參與免疫應答反應，如刺激淋巴細胞增殖、分化、成熟和增強巨噬細胞吞噬功能等[2]。免疫信息學是一門新興交叉學科，它建立在現(xiàn)代免疫學和信息學基礎上，運用信息學的理論和方法解決免疫學及疫苗問題，同時也研究免疫系統(tǒng)調控和免疫應答過程中信息傳遞規(guī)律[3]。免疫信息學主要研究免疫相關分子的結構與功能，尤其致力于抗原受體、MHC分子以及細胞因子等方面[4]。為了找到更快捷篩選免疫活性多肽的方法，可結合免疫信息學工具分析免疫調節(jié)機制，由此省略傳統(tǒng)食源性活性肽分離純化的諸多步驟，減少活性肽篩選的盲目性，有效提高篩選效率，進而推廣至其他食源性活性肽的高效篩選。

T細胞介導的免疫反應由效應T細胞激活。激活過程需要T受體細胞識別抗原多肽-MHC復合物。表位肽與MHC分子結合是細胞免疫的主要事件，精確預測多肽與MHC分子間的結合是免疫信息學的一項重要任務。因此鑒定MHC分子結合的肽序列在理解免疫及發(fā)展基于表位的疫苗研究中具有關鍵作用。

由于試驗測定多肽與MHC分子的結合親和力耗時長且費用昂貴，在基因組水平鑒定宿主及病原體蛋白中的潛在結合多肽是一項比較艱巨的任務。因此，國內外已在利用免疫信息學工具識別MHC結合多肽的理論計算方法上做了大量的工作[5-6]。本文綜述了活性肽與MHC結合能力預測的免疫信息學方法的最新進展，介紹了常用的預測多肽與MHC分子結合的相關工具及方法，分析了各類方法的特點、研究重點和難點，以期為尋找免疫活性肽提供更快捷的方法。

1 常用免疫信息學數(shù)據(jù)庫

1.1 國際免疫遺傳學信息系統(tǒng)(IMGT)

IMGT即國際免疫遺傳學信息系統(tǒng)(http://imgt.cines.fr)，于1989年由Laboratoire在法國蒙彼利埃創(chuàng)立，目的在于管理復雜的免疫信息學數(shù)據(jù)并使其標準化。它是一種高質量的整合信息資源，分別致力于以下三個方面數(shù)據(jù)的獲?。孩?免疫球蛋白(IG)，T細胞受體(TR)，人類和其他脊椎動物的主要組織相容性復合體(MHC)；② 屬于免疫球蛋白超家族和主要組織相容性復合體超家族(MhcSF)的蛋白質；③ 任何物種的與免疫系統(tǒng)相關的蛋白質(RPI)。IMGT為獲取IG、TR、MHC、IgSF、MhcSF及RPI等基因組、蛋白質組、遺傳學和三維結構標準化數(shù)據(jù)提供了一個通用路徑[7-8]。IMGT信息系統(tǒng)由數(shù)據(jù)庫、工具和網(wǎng)上資源組成[5]，它為基因組、序列和三維結構分析提供了互動式在線工具。因此也發(fā)展了3種主要的IMGT物理學方法：基因組學、遺傳學和結構研究方法。基因組學方法是以基因為中心，對基因定位及染色體定位的研究。遺傳學方法是對基因及其相關的序列多態(tài)性、突變、基因表達、特異性和進化的研究。結構方法指對IG、TR、MHC和RPI的二維及三維結構以及與蛋白質功能、多態(tài)性和進化有關的抗原和配體結合特征的研究。IMGT為每一種方法提供了數(shù)據(jù)庫，包括1個基因組數(shù)據(jù)庫IMGT/GENE-DB[9]，3個序列數(shù)據(jù)庫IMGT/LIGM-DB、IMGT/MHC-DB和IMGT/PRIMER-DB[10-11]和1個三維結構數(shù)據(jù)庫IMGT/3Dstructure-DB[12]。

IMGT/HLA數(shù)據(jù)庫是針對人類白細胞抗原系統(tǒng)(或人類主要組織相容性復合體MHC)等位基因序列的專業(yè)數(shù)據(jù)庫。超過4 Mb的復合體MHC位于人類染色體6的短臂6p21.3處，同時含有220多個基因[13]。HLA系統(tǒng)的核心包括21個高度多肽的HLA基因，這些基因影響到細胞和器官移植排斥反應以及宿主針對傳染性疾病的免疫反應，同時與許多慢性非傳染性疾病的易感性密切相關[14-15]。IMGT/HLA數(shù)據(jù)庫中的所有序列也可以在更加綜合的核苷酸序列數(shù)據(jù)庫如EMBL[16]、GenBank[17]和DDBJ[18]中得到運用。大型綜合序列數(shù)據(jù)庫的優(yōu)勢是可利用大量的序列，包括很大范圍的HLA相關數(shù)據(jù)。與其他HLA數(shù)據(jù)庫相比，IMGT/HLA數(shù)據(jù)庫可直接從萬維網(wǎng)進入，同時該數(shù)據(jù)庫給使用者提供許多工具，如等位基因報告、序列排列工具和來源細胞的詳細數(shù)據(jù)庫，使數(shù)據(jù)分析更方便[19]。以任何形式命名的HLA等位基因序列均可從等位基因查詢工具中獲得，如來源個體、種族起源、參考文獻、核苷酸和蛋白質序列信息。序列排列工具格式與文本排列格式相同，該格式可進入ANRI網(wǎng)(http://www.anthonynolan.org.uk/hig/)查詢。在使用排列工具時，單個序列的排列無法進行，但已排列過的序列可進行，序列用完整的核苷酸序列、單個外顯子的部分序列或編碼蛋白的氨基酸序列表示。使用細胞查詢工具來查詢伴隨的細胞數(shù)據(jù)庫，每個等位基因的來源和特征確定的原始淋巴細胞和細胞株的描述都能在該工具中被檢索。

1.2 T細胞表位查詢和預測數(shù)據(jù)庫SYFPEITHI

SYFPEITHI是MHC配體及人、小鼠、大鼠、牛和雞等物種MHC分子肽基序的數(shù)據(jù)庫。該數(shù)據(jù)庫包含MHC-多肽基序、MHC配體和T細胞表位。T細胞表位的預測以序列庫中已出版的序列和對個體天然配體的分析為基礎，尤其將錨著位點的氨基酸及其他常見氨基酸[20]考慮在內。在二維空間的數(shù)據(jù)系列中，氨基酸的字母代表行數(shù)，位點數(shù)字代表列數(shù)。任何進入的序列均被劃分為8肽、9肽或10肽；緊接著對每一個氨基酸的低聚體進行評分計算；該過程會一直持續(xù)到序列終點為止。根據(jù)T細胞表位在天然配體中的出現(xiàn)頻率，不同的氨基酸被評價為不同的分值。10分為頻繁出現(xiàn)在錨著位點的氨基酸，8分為出現(xiàn)在大量配體中的氨基酸，6分則為出現(xiàn)在輔助錨著位點的氨基酸。在輔助錨著位點低頻率出現(xiàn)的氨基酸則為4分；首位氨基酸擁有1～4分，這依賴于序列庫信號的長度或個體序列的頻率。-1～3分為通常不出現(xiàn)在自然配體的各自序列位點的氨基酸。SYFPEITHI表位預測的結果來源于一系列被MHC分子高概率提呈的肽，預測結果可產(chǎn)生一張由可能的MHC分子組成的抗原清單。但由于肽降解及結合槽的可變性，MHCⅡ類分子限制性T細胞表位的預測更為復雜。

1.3 MHCBN數(shù)據(jù)庫

MHCBN數(shù)據(jù)庫(http：//www.imtech.res.in/raghava/mhcbn)包括超過23 000個肽段與MHC或TAP(transporter associated with antigen processing)分子的親和力數(shù)據(jù)，且這些親和力數(shù)據(jù)都已經(jīng)過實驗驗證。該數(shù)據(jù)庫對所有的肽段都提供了完整的信息，如序列、與MHC或TAP的結合、肽與MHC/TAP分子親和力的IC50值、T細胞活力和蛋白質來源；并且還能提供關于錨著位點的信息(肽段的每個位置對其與TAP或MHC分子的反應都非常關鍵)。關于肽的其他信息在注解區(qū)也可以找到，注解區(qū)主要包括已發(fā)布論文中提到的IC50及其參考值，用來區(qū)分高、中、低和非結合。與條目有關的數(shù)據(jù)的文獻出處保留在條目的發(fā)布參考區(qū)[21]，且公開發(fā)表的文獻已經(jīng)鏈接到NCBI中的PubMed數(shù)據(jù)庫。

MHCBN數(shù)據(jù)庫也包括所有具有相同抗原肽的蛋白質序列和結構信息，不僅數(shù)據(jù)庫中所有的肽都可以在SWISS-PROT上搜索，而且含有匹配肽段的蛋白質都可以被搜索到。這些序列號以FASTA格式儲存在數(shù)據(jù)庫中，并被鏈接到GenBank和SWISS-PROT[17-22]。含有匹配肽段的蛋白質的簡略三維結構可以通過OCA browser[23]在所鏈接的蛋白質數(shù)據(jù)庫中找到，這些信息有助于認識抗原區(qū)和非抗原區(qū)的結構特點。

2 常用免疫信息學分析工具及方法

2.1 特征參數(shù)法預測MHC結合肽

位點特異性的分矩陣(position-specific scoring matrix，PSSM)也稱為特征參數(shù)，它來自于特定MHC分子已知結合肽的比對，可以作為MHC-多肽以及T細胞表位的預測工具。其中肽序列與MHC分子的結合親和力由其與已知MHC結合肽的相似性決定，可通過查詢肽序列與PSSM相比較而得到。利用PSSM預測多肽與MHC結合需要有與特定MHC結合的多肽序列，這些序列可以從任意MHC配體數(shù)據(jù)庫中獲得(表1)，所用到的計算機程序見表2。

表1 所選MHC配體公共數(shù)據(jù)庫網(wǎng)址

表2 所用計算機程序下載地址

從已知MHC分子配體得到比對和簡表來預測多肽與MHC分子結合的方法包括3個基礎步驟(圖1)：① 多肽序列的收集并按MHC結合特異性與長度劃分子集；② 無空位比對的生成；③ 由比對產(chǎn)生PSSM。

圖1 PSSM的基本步驟

(1) 多肽收集及子集劃分：對于MHC Ⅱ類分子配體，僅需要根據(jù)MHC Ⅱ類分子結合肽的限制性將序列劃分為不同的子集文件，長度小于9個殘基的肽需剔除。滿足上述標準的MHC配體可以通過EPIMHC數(shù)據(jù)庫提供的網(wǎng)頁界面得到，肽序列以純文本或FASTA格式保存。

(2) 無空位基序比對的生成：利用MEME程序的命令

進行比對。MEME的輸出文件(mhcii_lig.meme)包括1個對數(shù)值以及1個MHCⅡ類分子配體結合核心的PSSM概率矩陣，該概率矩陣可用來預測多肽與MHCⅡ類分子的結合。

(3) 利用MHC配體比對生成PSSM：BLIMPS PSSM通過依次使用以下3個程序得到，包括mablock將FASTA格式的比對轉換為BLOCK格式、blweight將比對中的序列進行加權、Blk2pssm產(chǎn)生真正的PSSM矩陣。

PSSM是強大的工具，不僅可以用來確定與起始比對序列(MHC分子結合肽)功能相關的新的多樣性序列，也可用于鑒定那些與MHC分子結合的多肽。

2.2 3D-QSAR模型預測MHC-多肽親和力

模擬肽抑制劑和呈遞多肽的MHCⅡ類分子和HLA-DR4受體間的相互作用，可以用Cerius2軟件和比較分子力場分析(CoMFA)等三維定量構效關系(3D-QSAR)方法進行建模。多肽配體的結構應基于PDB數(shù)據(jù)庫中MHC-多肽復合物X射線結構進行構建。MHC活性位點中的配體構建可由SYBYL完成，用其他殘基替換模板側鏈來構建配體結構[29](Build/Edit>>Sketch Molecule>>Draw)。對每個結構加氫，在將配體對接到MHC分子之前，這些結構必須置于X射線配體結構的坐標框架中；然后在SYBYL中使用Tripos60力場對每個受體-配體復合物結構進行簡單的能量最小化(Compute>>Minimize)。在SYBYL中將配體結構從復合物中提取出來(Build/Edit>>Extract>>Substructures)，其生物活性由pIC50表示。

(1) 使用SYBYL軟件計算CoMFA參數(shù)：清除顯示區(qū)域中的所有分子Build/Edit>>Zap(Delete)Molecule；為構建的多肽配體結構建立一個數(shù)據(jù)庫File>>Database>>New>>Put Molecule；使用公共結構模板對數(shù)據(jù)庫進行結構疊合File>>Align Database>>>Database to Align：>>>Template Molecule：>>>Location of Substructures：>>>Put Molecules Into：>>>Align；為疊合數(shù)據(jù)庫中的所有配體結構建立一個分子表格File>>Molecular Spreadsheet>>New>>>Database>>>Open，數(shù)據(jù)庫中的所有配體結構作為行讀入此表格；對所有疊合分子添加CoMFA力場來建立環(huán)繞區(qū)域并計算超過33 000的能量值，在MSS面板上選擇empty column2并點擊Autofile，選擇COMFA作為新的列類型；通過點擊MSS執(zhí)行對生成的CoMFA列進行PLS分析QSAR>>>Partial Least Standard CoMFA Field，出現(xiàn)PLS分析對話框；輸入COMFA2列作為自變量，然后輸入ACTIVITY列作為因變量，其值可以用PLS分析結構進行預測；當數(shù)據(jù)集的個數(shù)與所選數(shù)據(jù)行數(shù)相同時，利用留一法交互檢驗進行PLS分析，關掉SAMPLS選項；使用圖形方法顯示最好的交互檢驗結果，并在預測中使用最優(yōu)預測模型。文本窗口將顯示擬合的r2、靜電和空間場的百分比貢獻；在MSS控制板中點擊QSAR>>>View CoMFA查看CoMFA的結果，在Display選項菜單中選擇最終建立模型。

(2) 使用Cerius2軟件進行QSAR預測：在Unix提示中輸入Cerius2打開一個新的Cerius2對話框；進入Build/3D-Sketcher面板，選擇所需結構模板按鈕繪制結構；進入OFF SETUP選項卡對繪制結構進行優(yōu)化，然后選擇Load Force Field并選擇cvff950_1_0_1作為所用力場；點擊Energy Minimization選項卡上的單選按鈕開始計算；進入QSAR/Show Study表格，將分子導入此表格，在Molecules下拉菜單中點擊Add all，輸入活性數(shù)據(jù)并以Activity標記列；在Study表格中點擊列頭選擇標記為Activity的列，選擇菜單欄的Variables/Set Y選項將此列設為因變量Y；選擇Study表格菜單欄中的Variables/Set X選項，將所有描述子列設為自變量X；將Methods彈出窗口設為GFA，利用遺傳函數(shù)近似(GFA)方法產(chǎn)生QSAR方程，點擊RUN進行GFA計算；利用交互檢驗法選擇最好的方程進行驗證，結果將顯示在文本窗口中；Plot Equation按鈕可以查看預測活性對實測活性的2D散點圖。

2.3 基于MHC分子模型預測表位肽

因為MHC識別病原性和致癌性多肽的作用使得基因在高強度的環(huán)境壓力下具有高度多態(tài)性[11]。根據(jù)每個等位基因可用的準確結合肽試驗數(shù)據(jù)的數(shù)目可預測與特定MHC分子結合的多肽。模塊是特定MHC等位基因中構成結合位點的氨基酸序列。對于9肽，一個給定的等位基因含有9個模塊(P1,P2，…,P9)。由于MHC等位基因間的相似性，當不同的MHC在定義的位點擁有相同的氨基酸時，表明它們共享一個模塊(見表3)。

表3 A*0101和A*7401的P1模塊

表3中所列出的位點是HLA蛋白中可能影響多肽P1位置氨基端結合的位點，氨基酸分別是A*0101和A*7401中給定位點的氨基酸。這些非連續(xù)氨基酸的類別就是P1位點的模塊，標記有“Other alleles with this module”等位基因是在這些位點擁有相同氨基酸的等位基因，因此擁有相同的P1模塊，建立模塊的概念是為了擴展可預測MHC結合肽等位基因的數(shù)量。

基于模塊結合肽預測方法需要收集已由試驗證明可與MHC結合的多肽，數(shù)據(jù)庫如SYFPRITHI[20]、MHCBN[25]和Antigen[26]均可查詢已由試驗證明可與MHC結合的多肽。HLA蛋白序列可以從IMGA/HLA數(shù)據(jù)庫中獲得[11]，序列可從ftp://ebi.ac.uk/pub/database/imgt/mhc/hla/下載。核酸序列和蛋白質序列有多種格式如FASTA和PEPTIDE格式。結合肽模塊預測最簡單的方法是使用打分矩陣，當預測9肽的結合時，9×20矩陣包含多肽中每個氨基酸在各個位點的數(shù)值，該方法可在PeptideCheck網(wǎng)點(http://www.peptidecheck.org)使用。輸入一條多肽序列并選擇一個等位基因，結果代表此肽與給定等位基因結合可能性的得分；也可直接輸入一個蛋白質的序列，所有生成的多肽均被打分；也可以同時選擇多個基因，結果為此肽與多個不同基因的打分。為了判斷該得分是表示結合還是非結合，需要將此得分與閾值相比較。閾值的選擇要依靠試驗情況，如果要找最有可能結合的多肽，則選擇較高閾值。PeptideCheck建議的閾值是靈敏度曲線和特異性曲線的交叉點。

3 免疫信息學的應用

當前免疫信息學致力于指導修改PCR條件[30]、抗體制備[31]、疫苗設計[32]、預測癌癥抗原及基因[33-34]、細胞洗脫肽的比對[35]以及各數(shù)據(jù)庫的方法更新[36-37]等研究。在食源性活性肽的研究上，劉盟夢等[38]運用BP神經(jīng)網(wǎng)絡數(shù)學模型擬合蛋白水解過程與產(chǎn)物活性之間的關系，構建以加酶量、料水比、酶解體系游離谷氨酸濃度為神經(jīng)網(wǎng)絡輸入和酶解產(chǎn)物·OH清除率為輸出的模型，該模型可用于杜蠣抗氧化活性肽的在線監(jiān)控與可控制備。陳艷艷等[39]采用生物傳感器-人工神經(jīng)網(wǎng)絡建立了基于游離氨基酸含量對膠原蛋白胰酶酶解進程的預測模型，可實現(xiàn)對酶解過程的在線監(jiān)控，以獲得最大量的目標活性肽。孫國威等[40]以“活性肽搜尋與蛋白模擬水解系統(tǒng)”為工具，選擇堿性蛋白酶和中性蛋白酶對大豆蛋白進行模擬水解得到不同水平的肽段，并結合水解試驗，以還原力和DPPH自由基清除率為指標評價兩者的相關性。陳征松等[41]利用Microsoft Office XP中的Access XP數(shù)據(jù)庫軟件建立了3個數(shù)據(jù)庫系統(tǒng)，并與編制的“生物活性肽搜尋與酶解模擬系統(tǒng)”程序配合，實現(xiàn)單條、多條活性肽序列在食物蛋白質中的批量搜尋，并能找出活性肽含量的鏈長百分比、活性肽在蛋白質中的位置和前后氨基酸的種類，實現(xiàn)利用活性肽的不完全歸納預測其活性、利用單酶或復酶的模擬水解并標出水解產(chǎn)物中的活性肽及其功能。龐廣昌等[42]通過軟件The Swiss-PdbViewer(v.3.7)根據(jù)免疫活性肽序列的組成、氨基酸之間的鍵合力、非鍵合力、靜電引力、扭矩等參數(shù)對其空間結構進行了模擬。當前免疫信息學主要在解決免疫學問題及疫苗設計方面發(fā)揮其強大的作用，目前食品領域也已開展結合信息學手段的各項相關研究，邁出了創(chuàng)新的第一步。將信息學手段與工程制備相結合，探尋出了活性肽批量搜尋與可控制備的新方法，為篩選功能性肽并應用到食品領域提供了一個新思路，開辟了一條新渠道。但從目前看來，食品領域所利用的信息學工具和范圍仍比較局限，因此將信息學應用到食品領域的空間相當廣闊。將免疫信息學分析工具應用到免疫活性肽的預測和鑒定上，可拓寬功能性蛋白質和多肽的研究渠道，減少活性肽篩選的盲目性，有效提高篩選效率，進而推廣至其他食源性活性肽的高效篩選，為開發(fā)新型功能性食品提供可靠依據(jù)。

4 展望

免疫信息學正以前所未有的速度發(fā)展，越來越多的研究小組參與到免疫信息學相關數(shù)據(jù)庫和算法的改進中。3種免疫信息學常用數(shù)據(jù)庫中，IMGT數(shù)據(jù)庫因其資源的高度整合化，被認為是免疫信息學的國際參照，因此其查詢和使用率極高，被廣泛應用于基礎醫(yī)學研究、獸醫(yī)研究、基因進化研究、診斷學和治療學方法等多個領域，在免疫遺傳學網(wǎng)絡服務器的發(fā)展中發(fā)揮著重要作用。SYFPEITHI數(shù)據(jù)庫涵蓋了許多MHC結合肽的信息，包括及時更新的T細胞表位信息，但由于MHC II類分子的結合槽結構相對MHC I類分子更為復雜，且SYFPEITHI數(shù)據(jù)庫的預測結果以已出版的序列為基礎，使得SYFPEITHI數(shù)據(jù)庫更適用于MHC I類分子T細胞表位的預測，可靠性約50%，在MHC II類分子的T細胞表位預測方面存在局限性。MHCBN數(shù)據(jù)庫可以鏈接一系列的網(wǎng)絡工具進行交互式復雜查詢從而獲得更精確的信息，但數(shù)據(jù)庫中的部分功能需要注冊才能被使用。同其他數(shù)據(jù)庫相比，MHCBN數(shù)據(jù)庫可直接進行BLAST比對以檢驗所查詢序列的正確性，同時MHCBN數(shù)據(jù)庫提供的錨著位點信息也更為詳細，對T細胞表位預測更具針對性。

3種活性肽與MHC分子結合能力的預測方法中，特征參數(shù)法針對性強，準確性高，且所有用戶可免費使用。利用此方法首先需要從其他相關數(shù)據(jù)庫中獲得與特定MHC結合的多肽序列再產(chǎn)生相應的算法矩陣，該方法對數(shù)據(jù)的敏感程度相對機器算法較低，因此可節(jié)約大量時間成本，且結果與機器算法類似甚至更優(yōu)。3D-QSAR建模方法中，所有的結構均由理論生成并利用不同力場分析進行建模，模型通過最優(yōu)擬合結果的疊合結構構建，并可剔除由計算產(chǎn)生的差異值；但前期參數(shù)的計算主成分分析過程較復雜，需較堅實的計算機基礎?；贛HC分子模型的預測方法中，只需構建多肽結合能力的打分矩陣。但該方法的弊端是，打分矩陣的分值是假定多肽特定位點的特定氨基酸的出現(xiàn)頻率與這些氨基酸在結合中的作用相關，如果肽庫中的序列是合成的，合成肽對上述假定無效，需尋求另外的辦法；且在選擇閾值時需根據(jù)試驗情況決定，建立特異性曲線與靈敏度曲線進行交叉分析。目前針對MHC分子的結合預測主要集中在MHC I類分子，MHC II類分子由于其結構的復雜性及多肽結合槽的可變性使得預測工作變得更為困難。

盡管越來越多的算法被開發(fā)，但這些算法還需進行確實有效的實驗驗證，將體外試驗和計算機分子方法結合起來，以提高預測方法的適用范圍和能力。并且目前的文獻報道主要集中在疫苗設計、抗體制備等醫(yī)學診斷和治療學方面，在食源性功能活性肽篩選和預測中的應用報道還不多見。利用免疫信息學工具，不僅可以在分子或基因水平獲得更直觀的結果，歸納出結果的規(guī)律形式，更清晰地認識免疫活性的調控機制，也可在借鑒前人研究經(jīng)驗的基礎上將這種信息預測和模擬方法與試驗結合并應用到各個工程領域，增強免疫信息學工具的可信度，簡化工程工藝步驟，并開發(fā)出針對食品領域的新方法或新工具，有望將食品領域推向新的發(fā)展巔峰。

[1] MEISEL Hans. Overview on milk protein-derived peptides[J]. International Dairy Journal, 1998, 8(5/6): 363-373.

[2] 程媛, 曹慧, 徐斐, 等. 食源性蛋白中免疫活性肽的研究進展[J]. 食品科學, 2015, 36(17): 296-299.

[3] 陳兆國, 馮新港, 米榮升, 等. 免疫信息學在抗原蟲病疫苗研發(fā)中的應用進展[J]. 中國人獸共患病學報, 2010, 26(5): 495-498.

[4] ORTUTAY Csaba, SIERMALA Markku, VIHINEN Mauno. Molecular characterization of the immune system: emergence of proteins, processes, and domains[J]. Immunogenetics, 2007, 59(5): 333-348.

[5] FLOWER Darren R. Vaccines in silico: the growth and power of immunoinformatics[J]. Biochemist, 2004, 26(4): 17-20.

[6] GROOT Anne S De, BERZOFSKY Jay A. From genome to vaccine—new immunoinformatics tools for vaccine design[J]. Methods, 2004, 34(4): 425-428.

[7] LEFRANC Marie-Paule. IMGT?, the International ImMunoGeneTics Information System?[J]. Nucleic Acids Research, 2009, 37(Database issue): D1 006.

[8] LEFRANC Marie-Paule, CLEMENT O, KAAS Quentin, et al. IMGT-Choreography for Immunogenetics and Immunoinforma-tics[J]. Immunogenetics, 2004, 27: 55-77.

[9] OKUBO K, SUGAWARA H, GOJOBORI T, et al. DDBJ in preparation for overview of research activities behind data submissions[J]. Nucleic Acids Research, 2006, 34(Database issue): D6.

[10] FOLCH G, BERTRAND J. IMGT/PRIMER-DB[J/OL]. Information System, 2004. [2018-02-17]. http://www.imgt.org.

[11] ROBINSON James, WALLER Matthew, PARHAM Peter, et al. IMGT/HLA and IMGT/MHC: sequence databases for the study of the major histocompatibility complex[J]. Nucleic Acid Research Medical Journal, 2003, 31(1): 311-314.

[12] KAAS Quentin, RUIZ Manuel, LEFRANC Marie-Paule. IMGT/3Dstructure-DB and IMGT/Structural Query, a databa-se and a tool for immunoglobulin, T cell receptor and MHC structural data[J]. Nucleic Acids Research, 2004, 32(1): 208-210.

[13] HORTON Roger, WILMING Laurens, RAND Vikki, et al. Gene map of the extended human MHC[J]. Nature Reviews Genetics, 2004, 5(12): 889.

[14] MCGINNIS M B C, CHADWICK R, CONRAD M, et al. Genetic diversity of HLA: functional and medical implication[J]. Human Immunology, 1997, 59(9): 580-587.

[15] MARSH Steven, PETER Parham, LIN Barber. HLA facts book[M]. [S.l.]: Academic Press, 2000: 208-236.

[16] WU Xin, MICHAEL G Walker, LUO Jing-chu, et al. GBA server: EST-based digital gene expression profiling[J]. Nucleic Acids Research, 2005, 33(Web Server issue): 673-676.

[17] DENNIS A Benson, ILENE Karsch-Mizrachi, DAVID J Lipman, et al. GenBank: update[J]. Nucleic Acids Research, 2007, 36(Database issue): 25-30.

[18] TATENO Yoshio, SAITOU Naruya, OKUBO Kousaku, et al. DDBJ in collaboration with mass-sequencing teams on annotation[J]. Nucleic Acids Research, 2005, 33(Database issue): 25-28.

[19] 孫繼麗, 張工梁, 陳仁彪. HLA數(shù)據(jù)庫和HLA命名系統(tǒng)[J]. 中國輸血雜志, 2005, 18(2): 174-176.

[20] RAMMENSEE Hans-Georg, BACHMANN J, EMMERICH N P N, et al. SYFPEITHI: database for MHC ligands and peptide motifs[J]. Immunogenetics, 1999, 50(4): 213-219.

[21] WHEELER David L, CHURCH Deanna M, LASH Alex E, et al. Database resources of the National Center for Biotechnology Information[J]. Nucleic Acids Research, 2007, 35(Database issue): 5-12.

[22] ROBINSON James, WALLER Matthew, PARHAM Peter, et al. IMGT/HLA Database: a sequence database for the human major histocompatibility complex[J]. Nucleic Acids Research, 2000, 55(3): 210-213.

[23] BERMAN Helen, WESTBROOK John, FENG Z, et al. The protein data bank[J]. Genetica, 2000, 28(1): 235-242.

[24] BRUSIC Vladimir, RUDY George, KYNE Anthony P, et al. MHCPEP, a database of MHC-binding peptides: update 1996[J]. Nucleic Acids Research, 1998, 26(1): 3 663-3 665.

[25] BHASIN Manoj, SINGH Harpreet, RAGHAVA Gajendra Pal Singh. MHCBN: a comprehensive database of MHC binding and non-binding peptides[J]. Bioinformatics, 2003, 19(5): 665-666.

[26] BLYTH Martin J, DOYTCHINOVA Irini A, FLOWER Darren. JenPep: a database of quantitative functional peptide data for immunology[J]. Bioinformatics, 2002, 18(3): 434-439.

[27] SCH?NBACH Christian, KOH Judice L Y, FLOWER Darren, et al. FIMM, a database of functional molecular immunology[J]. Nucleic Acids Research, 2002, 30(1): 226-229.

[28] RECHE Pedro A, ZHANG Hong, GLUTTING John-Paul, et al. EPIMHC: a curated database of MHC-binding peptides for customized computational vaccinology[J]. Bioinformatics, 2005, 21(9): 2 140-2 141.

[29] Tripos Associates Inc. SYBYL Software，Version 6.9[CP]. Morris, Peters, St. Louis: Tripos Associates Inc, 1985.

[30] HOLCOMB Cherie L, RASTROU Melinda, WILLIAMS T C, et al. Next-generation sequencing can reveal in vitro-generated PCR crossover products: some artifactual sequences correspond to HLA alleles in the IMGT/HLA database[J]. Tissue Antigens, 2014, 83(1): 32-40.

[31] LEFRANC Marie-Paule, EHRENMANN Francois, GINES-TOUX Chantal, et al. Use of IMGT(?) databases and tools for antibody engineering and humanization[J]. Methods in Molecular Biology, 2012, 907: 3-37.

[32] LIAO Shu-jie, ZHANG Wei-na, HU Xiao-ji, et al. Preparation of HPV18 E7 peptide plus CpG vaccine and its immunologic effects in vitro[J]. Chinese Medical Journal, 2012, 92(23): 1 641-1 645.

[33] ZHAO Wei-peng, LONG Hai-xia, ZHU Bo, et al. Prediction of HLA-A 2.1-restricted CTL epitopes from IGFBP7 antigen of lung carcinoma[J]. 中國人民解放軍軍醫(yī)大學學報: 英文版, 2009, 24(2): 63-68.

[34] LI Zhang-qiu, ZHANG Mei-xia, HU Hai-yan, et al. [On predicting the T cell and B cell epitopes of platelet membrane glycoprotein II b/ III a antibody from human and mice][J]. Journal of Biomedical Engineering, 2010, 27(5): 1 146-1 151.

[35] EVA Stodulková, NOVK Peter, DEININGER S?ren-Oliver, et al. LC MALDI-TOF MS/MS and LC ESI FTMS analyses of HLA-B27 associated peptides isolated from peripheral blood cells[J]. Immunology Letters, 2008, 116(1): 79-85.

[36] BHASIN Manoj, LATA Sneh, RAGHAVA Gajendra Pal Singh. Searching and mapping of T-cell epitopes, MHC binders, and TAP binders[J]. Methods in Molecular Biology, 2007, 409(409): 95-112.

[37] SCHULER Mathias M, NASTKE Maria-Dorothea, STEVANOVIKC Stefan. SYFPEITHI: database for searching and T-cell epitope prediction[J]. Methods in Molecular Biology, 2007, 409: 75-93.

[38] 劉盟夢, 李銀平, 延?，? 等. 基于BP神經(jīng)網(wǎng)絡的牡蠣抗氧化活性肽制備工藝優(yōu)化[J]. 食品工業(yè)科技, 2016, 37(20): 206-210.

[39] 陳艷艷, 侯虎， 陳鐵軍， 等. 基于酶傳感器-人工神經(jīng)網(wǎng)絡的膠原蛋白酶解監(jiān)控模型[J]. 中國食品學報, 2016, 16(5): 167-173.

[40] 孫國威, 樂國偉, 施用暉. 模擬酶解大豆7S、11S蛋白及其抗氧化活性的研究[J]. 食品工業(yè)科技, 2010(7): 101-104.

[41] 陳征松, 施用暉, 樂國偉, 等. 活性肽搜尋與蛋白模擬水解數(shù)據(jù)庫的建立[J]. 計算機與應用化學, 2007, 24(3): 331-334.

[42] 龐廣昌. 一種新型具抗菌作用的免疫活性肽及其抗菌機理[D]. 天津: 天津大學, 2007: 68-76.