آشنایی با انتخاب سلول B حافظه

برای اطلاعات بیشتر:ali.ma@wecistanche.com

چکیده

سیستم ایمنی سازگار پستانداران طی میلیون‌ها سال تکامل یافته است تا به یک دفاع فوق‌العاده مؤثر در برابر آنتی‌ژن‌های خارجی تبدیل شود. پاسخ هومورال سیستم ایمنی تطبیقی ​​سلول های B پلاسما را ایجاد می کند وحافظه Bسلول ها، هر کدام اهداف ایمونولوژیکی خاص خود را دارند. فرآیند بلوغ میل ترکیبی به طور گسترده به عنوان یک اکتشافی برای حل مشکل بهینه سازی جهانی یافتن سلول های B با میل ترکیبی بالا به آنتی ژن در نظر گرفته می شود. با این حال،حافظه Bسلول هابه نظر می رسد که زودتر در فرآیند بلوغ میل به عمد انتخاب شده اند و میل ترکیبی کمتری دارند. ما پیشنهاد می کنیم که اینسلول B حافظهفرآیند انتخاب ممکن است یک راه حل تقریبی برای دو مشکل بهینه سازی باشد: بهینه سازی برای میل ترکیبی به آنتی ژن های مشابه در آینده با وجود جهش ها یا سایر تفاوت های جزئی و بهینه سازی برای شروع گرم کردن تولید سلول های B پلاسما در آینده. ما از شبیه‌سازی‌ها برای ارائه شواهدی برای فرضیه‌های خود استفاده می‌کنیم، با در نظر گرفتن داده‌هایی که نشان می‌دهد احتمال جهش‌های سلول B خاص بیشتر از سایرین است. یافته‌های ما با سلول‌های B حافظه که میل ترکیبی بالایی با آنتی‌ژن‌های جهش‌یافته دارند مطابقت دارد، اما شواهد محکمی ارائه نمی‌کند که نشان دهدسلول های B حافظهبرای کاشت مراکز ثانویه زایایی مفیدتر از سلول های B ساده انتخاب شده خواهد بود.

برای حافظه روی Cistanche NZ کلیک کنید

1. مقدمه

سیستم ایمنی یک سیستم کاهش تهدید موثر است که چندین الگوریتم شناسایی آموخته شده را به کار می گیرد. در حالی که سیستم ایمنی ذاتی در شناسایی مهاجمان خارجی یا آنتی ژن ها ماهر است، باید سیستم ایمنی تطبیقی ​​را برای ایجاد یک پاسخ گسترده تر و خاص تر درگیر کند. جنبه اصلی پاسخ هومورال سیستم ایمنی تطبیقی، آموزش دو نوع سلول B از طریق فرآیندی به نام بلوغ میل ترکیبی (AM) است: سلول‌های B پلاسما که آنتی‌بادی‌هایی را برای شناسایی آنتی‌ژن فعلی تولید می‌کنند، وسلول های B حافظهکه در پاسخ های ایمنی بعدی برای شناسایی آنتی ژن های مشابه در آینده استفاده می شوند. فرآیند AM بسیار غیرمعمول است، زیرا یک ناحیه خاص از DNA در سلول‌های B شرکت‌کننده برای تولید فرزندانی جهش می‌یابد که میل ترکیبی بالاتری با آنتی ژن مورد نظر دارند. حفظ توالی های DNA معمولاً در اکثر سلول ها از اهمیت بالایی برخوردار است، اما ناحیه ای از ژنوم که شکل گیرنده سلول B را مشخص می کند باید به سرعت اصلاح شود تا گیرنده سلول B شانس بهتری در تشخیص آنتی ژن داشته باشد. علاقه (Meyer-Hermann و همکاران، 2012). این جهش‌ها مسئول توانایی باورنکردنی سلول‌های B در تشخیص عملاً هر آنتی ژنی هستند که ارائه می‌شوند، و سیستم ایمنی سازگار پستانداران را به یکی از مؤثرترین سیستم‌های شناسایی یادگیری در دنیای طبیعی تبدیل می‌کند.

استیون لیندزلی، مایا گوپتا بی، کوپر استنزبری، ایندیکا راجاپاکسه

گروه پزشکی محاسباتی و بیوانفورماتیک، دانشگاه میشیگان، آن آربور، ایالات متحده

b Google Research، Mountain View، CA، ایالات متحده

c گروه ریاضیات، دانشگاه میشیگان، آن آربور، ایالات متحده

در این مقاله بررسی می کنیم که آیا پلاسما سلول B وسلول B حافظهفرآیندهای تولید را می توان به عنوان تلاش برای ارضای اهداف خاص تفسیر کرد، و اگر چنین است، آیا می توانیم این اهداف را دقیقا بیان کنیم؟ ما ایده‌های استاندارد را از یادگیری ماشین قرض می‌گیریم، جایی که معمول است ابتدا یک شی ریاضی ایده‌آل را برای بهینه‌سازی مشخص می‌کنیم (مانند به حداقل رساندن میزان خطای مورد انتظار یک سیستم شناسایی آموخته‌شده)، سپس الگوریتم‌های اکتشافی را پیشنهاد می‌کنیم که تقریباً آن هدف ریاضی را بهینه می‌کنند. به طور مشابه، ما فرض می کنیم که به دلیل فشارهای تکاملی، فرآیندهای AM مانند اکتشافی عمل می کنند که تقریباً برای اهداف ایمونولوژیکی ایده آل بهینه می شوند. ما فرض می‌کنیم که آن اهداف ایمونولوژیک تطبیقی ​​تکاملی چه می‌تواند باشد، سپس مقایسه می‌کنیم که سلول‌های B مختلف در هنگام مواجهه با آنتی‌ژن‌های جهش‌یافته از طریق شبیه‌سازی، چقدر این اهداف را برآورده می‌کنند. این یافته‌ها ما را به ارائه فرضیه‌های جدید در مورد اهداف ضمنی آموزش سیستم ایمنی به سلول‌های B ساده‌لوح سوق می‌دهد.سلول های B حافظه

ابتدا، در بخش 2، نحوه جذب و آموزش سلول های B ساده برای تبدیل شدن به سلول های B پلاسما را بررسی می کنیم و فرضیه ای را برای اهداف این آموزش به صورت ریاضی ارائه می کنیم. در بخش 3، ما اهداف بهینه‌سازی ریاضی فرآیند آموزشی مبهم‌تر را که منجر به تولیدسلول های B حافظه. ما آموزش سلول های B پلاسما یا آموزش سلول های پلاسما B را به عنوان فرآیند تولید سلول های B پلاسما از سلول های B ساده در طول AM تعریف می کنیم. به طور مشابه، ما آموزش یا تمرین سلول B حافظه را تعریف می کنیمسلول های B حافظهبه عنوان فرآیند تولید سلول های B حافظه از سلول های B ساده در طول AM. ما فرضیه‌های خود را از طریق شبیه‌سازی در بخش 4 آزمایش می‌کنیم و با بحث درباره سؤالات باز در بخش 5 به پایان می‌رسانیم.

2. آموزش سلول های پلاسما B

ما فرآیند AM را بررسی می‌کنیم که سلول‌های B ساده‌لوح را برای تبدیل شدن به سلول‌های B پلاسما آموزش می‌دهد، سپس در نظر می‌گیریم که آموزش سلول‌های B پلاسما چه معیارهای ریاضی برای بهینه‌سازی تکامل یافته است.

2.1. بلوغ وابستگی سلول های B پلاسما

AM با به‌کارگیری سلول‌های B ساده با مقداری میل اولیه به آنتی ژن به اندام‌های لنفاوی ثانویه آغاز می‌شود. این سلول‌های B ساده، همراه با سلول‌های کمکی فولیکولی T (TFH) و سلول‌های دندریتیک فولیکولی، در ساختارهای موقتی به نام مراکز ژرمینال (شکل 1A) متمرکز می‌شوند (Meyer-Hermann et al., 2012; Tas et al., 2016). مراکز ژرمینال (GCs) اطمینان حاصل می کنند که این سلول ها در نزدیکی هستند، بنابراین جهش سریع و ارزیابی توالی گیرنده سلول های B را تسهیل می کنند. در طول AM، سلول های B توسط سلول های TFH برای میل ترکیبی آنها به آنتی ژن از طریق طول تعامل بین آنها، بر اساس ارائه آنتی ژن توسط سلول های B ارزیابی می شوند (مسین و همکاران، 2016؛ مورفی و ویور، 2016). اگر میل ترکیبی اولیه یک سلول B زیاد باشد، یک سیگنال شیمیایی از سلول TFH دریافت می کند تا به ناحیه جداگانه ای از GC رفته و تکثیر شود. در حالی که سلول B در حال تکثیر است، بخش خاصی از ژنوم به نام ناحیه بیش متغیر در معرض آنزیم، سیتیدین دآمیناز (AID) ناشی از فعال سازی قرار می گیرد (Muramatsu et al., 2000; Bannard and Cyster, 2017). AID می تواند سیتوزین را که اوراسیل ایجاد می کند، یک نوکلئوتید که به طور معمول در DNA یافت نمی شود، دآمینه کند. عملیاتی که این تغییرات را ترمیم می کند مستعد خطا است و منجر به جهش در توالی DNA می شود (مارتین و همکاران، 2015).

فرآیند دآمیناسیون و جهش در طول ترمیم به عنوان هیپرجهش سوماتیک (SHM) شناخته می شود. پس از تکثیر، سلول‌های B به ناحیه GC حاوی سلول‌های TFH برمی‌گردند و از نظر تمایل به آنتی ژن مجدداً ارزیابی می‌شوند. این فرآیند تکراری تکثیر، جهش و ارزیابی میل ترکیبی تا زمانی ادامه می یابد که سلول های B تمایل کافی به آنتی ژن داشته باشند. در این مرحله، سلول های B به سلول های B پلاسما تمایز می یابند و شروع به تولید آنتی بادی می کنند که به سیستم ایمنی اجازه می دهد آنتی ژن را ریشه کن کند.

2.2. بلوغ میل به عنوان یک الگوریتم

ما AM را در الگوریتم 1 مدل می کنیم، که از آن برای شبیه سازی AM در آزمایشات خود استفاده می کنیم. ما چند موضوع شناخته شده یا نامشخص در مورد AM را که در بخش فرعی 2.3 شرح داده شده است، ساده می کنیم.

هر توالی گیرنده سلول B ساده به‌طور تصادفی با ترکیبی ترکیبی از بخش‌های ژن V، D، J، و C و همچنین از طریق تنوع پیوندی بین این بخش‌ها تولید می‌شود (Sompayrac، 2019). سلول های B ساده و بی تکلف حداقل 100 میلیون احتمال را در بر می گیرند (Sompayrac، 2019). سلول‌های B ساده‌ای که به مرکز ژرمینال جذب می‌شوند، سلول‌هایی هستند که قبلاً وابستگی امیدوارکننده‌ای به آنتی‌ژن a دارند. سپس SHM نوکلئوتیدها را در ناحیه ای از توالی DNA به طول تقریباً 100 جفت باز (bp) جهش می دهد که به تعریف ساختار گیرنده سلول B کمک می کند (مارتین و همکاران، 2015). احتمال جهش در ناحیه فوق متغیر در مقیاس 106 برابر بیشتر از جهش در خارج از این منطقه است (مارتین و همکاران، 2015). جهش ها می توانند مبادله، درج و حذف در یک فضای طبقه بندی شده با مدل fA باشند. T; ج G؛ £ g100، که در آن £ به معنای حذف است. لازم به ذکر است که اگرچه فضای ترکیبی جهش های احتمالی زیاد است، اما بسیاری از جهش های خاص بلافاصله منجر به آپوپتوز می شوند. بهینه سازی AM موازی شده و بر روی مراکز ژرمینال G توزیع می شود که از نظر الگوریتمی می توان آنها را به عنوان پردازنده های موازی مختلف G در نظر گرفت. ما مراکز مختلف ژرمینال را به‌عنوان کار مستقل مدل‌سازی می‌کنیم، اگرچه ممکن است سیگنال‌های بیوشیمیایی بین آنها وجود داشته باشد. در عمل، یک ارگانیسم برای چندین آنتی ژن مستقل به طور همزمان تمرین می کند، اما برای سادگی، ما یک آنتی ژن را در یک زمان در نظر می گیریم.

2.3. ساده سازی های شناخته شده الگوریتم 1

توجه داریم که الگوریتم 1 چند ویژگی شناخته شده AM را ساده می کند. ما معتقدیم که این ساده‌سازی‌ها جزئی هستند و بر نتایج اصلی این کار تأثیر نمی‌گذارند.

ما الگوریتم را به عنوان تکرارهای گسسته T مدل می کنیم، اما در عمل، AM یک فرآیند پیوسته است که به دلیل پوسیدگی آنتی ژن و فشارهای خارجی تا حدی محدود به زمان است. با این حال، طبق اطلاعات ما، محدودیت دقیقی برای تعداد تقسیم‌بندی‌هایی که می‌تواند رخ دهد یا جدول زمانی دقیقی که باید در طول AM رعایت شود وجود ندارد. علاوه بر این، این احتمال وجود دارد که سیستم ایمنی به اندازه کافی سریع راه حلی پیدا نکند و باعث مرگ میزبان شود. در حالی که ما تشخیص می دهیم که این در سیستم طبیعی رخ می دهد، تمرکز شبیه سازی ما نیست. بنابراین، ما از تعداد ثابتی از تکرارها به عنوان تقریبی از محدودیت‌های زمانی استفاده می‌کنیم که سیستم ایمنی واقعی با آن مواجه است. علاوه بر این، سلول‌های B با بالاترین میل ترکیبی را در پایان شبیه‌سازی خود به‌عنوان سلول‌های B پلاسما برای سادگی شناسایی می‌کنیم، اما سلول‌های B پلاسما به طور همزمان در پایان AM انتخاب نمی‌شوند و ممکن است بالاترین میل مطلق را نداشته باشند.

قبل از شروع SHM، جمعیت سلول های B اولیه ممکن است تحت تکثیر غیر جهت دار قرار گرفته باشند، به این معنی که نمونه تصادفی اولیه ممکن است بهتر به عنوان خوشه های تصادفی سلول های B مدل شود. الگوریتم 1 به مراکز جوانه زنی اجازه می دهد تا بدون محدودیت رشد کنند، اگرچه رتبه بندی مرگ باعث محدود شدن اندازه جمعیت در مراکز زایشی می شود. در عمل، اندازه مراکز ژرمینال نیز با محدودیت‌های حجم فیزیکی و محدودیت‌های منابع بیوشیمیایی محدود می‌شود، ما از نرخ مرگ ثابت استفاده می‌کنیم. اما شواهدی وجود دارد که با افزایش میل، احتمال مرگ کاهش می یابد (اندرسون و همکاران، 2009). ما یک نسخه ساده از این رفتار را با سوگیری احتمال مرگ سلول‌های B در مرکز ژرمینال به سمت سلول‌های میل ترکیبی پایین‌تر اضافه می‌کنیم.

سلول‌های T سلول‌های B مجاور را برای میل خود اندازه‌گیری می‌کنند، بنابراین فقط مقداری احتمال وجود دارد که یک سلول B خاص میل خود را اندازه‌گیری کند، و تصور می‌شود که احتمال اندازه‌گیری میل سلول B تابعی از سازمان فضایی است (که به طور غیر مستقیم تحت تأثیر قرابت) و میل مستقیم. میل و نزدیکی فضایی یک سلول B خاص بر احتمال انتخاب و القای تکثیر آن تأثیر می گذارد. ما سازمان فضایی بین سلول های TaH و سلول های B را به صراحت در نظر نمی گیریم. قدرت سیگنال تکثیر عموماً متناسب با میل سلول B است، به طوری که یک سلول B با میل ترکیبی بالا به احتمال زیاد قبل از بازگشت دوباره برای ارزیابی میل ترکیبی، بارها تکثیر می شود (مسین و همکاران، 2016؛ دسیلوا و کلین، 2015). مشابه افزایش احتمال مرگ برای یک سلول B با میل ترکیبی کم، ما انتخاب سلول های B را برای تکثیر به سمت سلول های B با میل ترکیبی بالاتر سوگیری می کنیم.

الگوریتم 1 ممکن است AM را به روش‌های دیگری که ما از آن‌ها آگاه نیستیم یا هنوز شناخته نشده‌اند، بیش از حد ساده‌سازی کند.

2.4. سلول های B پلاسما برای بهینه سازی میل آنتی ژنی در زمان محدود ایجاد می شوند

AM فرآیندی است که مدت‌هاست به عنوان سیستم ایمنی به عنوان یک الگوریتم بهینه‌سازی جهانی عمل می‌کند که تلاش می‌کند سلول B را پیدا کند که بهترین آنتی ژن را از طریق SHM شناسایی کند (Theodosopoulos and Theodosopoulos, 2002). یعنی، AM طوری عمل می کند که گویی یک اکتشافی برای حل است، جایی که a یک آنتی ژن معین است، b یک سلول B از مجموعه B از همه سلول های B ممکن است، و s تابع میل است که کیفیت قفل را مدل می کند. و کلید تعامل فیزیکی و بیوشیمیایی b و a. توجه داشته باشید که B یک فضای طبقه بندی بسیار بزرگ است که توسط توالی DNA با طول متغیر تعریف شده است که گیرنده سلول B را کد می کند.

با این حال، هدف (1) این واقعیت را تشخیص نمی دهد که یک سلول B پلاسما نیازی به تطابق کامل با آنتی ژن ندارد. در واقع، به نظر می‌رسد که میل ترکیبی کافی وجود دارد، به طوری که وقتی به میل s رسید، سلول B القا می‌شود تا به یک سلول B پلاسما تمایز یابد. علاوه بر این، سیستم ایمنی تحت فشار زمان قرار دارد تا چنین سلول های پلاسمایی B با میل ترکیبی بالا را در سریع ترین زمان ممکن تولید کند.

Therefore, we propose that a more realistic model of what the plasma B cell generation process is optimizing should also depend on the sufficient affinity t>0، و مجموعه داده شده 多. سلول های B ساده اولیه در مرکز ژرمینال. برای گرفتن فشار زمان، ما جهش‌های احتمالی را به سلول‌های B در مرکز ژرمینال در هر تکرار زمانی مجزا مدل می‌کنیم. با توجه به یک سلول B ساده b E، اجازه دهید M(b)∈ یک سلول B تصادفی جدید باشد که توسط یک جهش تصادفی منفرد از b تولید می شود. اجازه دهید M*(b)= M(M(..(M(b))..)) نشان دهنده سلول B تصادفی ایجاد شده پس از جهش تصادفی b باشد، به طوری که سلول B تصادفی M(b) می تواند باشد. هر یک از سلول های B قابل دسترسی با Kmutations M سلول B اولیه، با احتمالات متناظر وابسته به مجموع احتمال مسیرهای جهش های مختلف است که می تواند M* (b) را با شروع از b ایجاد کند.

سپس فرض می‌کنیم که فرآیند انتخاب سلول‌های B پلاسما یک روش اکتشافی است که برای به حداقل رساندن تعداد جهش‌های K∈ مورد نیاز تکامل یافته است، به طوری که به طور متوسط ​​جهش‌های تصادفی K حداقل یک سلول B را در مرکز ژرمینال تولید می‌کنند که میل t کافی به آنتی‌ژن دارد:

که در آن EI.] عملگر انتظار استاندارد (میانگین) در مورد نتایج احتمالی متغیر تصادفی وزن شده با احتمالات آنهاست. این هدف با الگوریتم 1 ما سازگار است.

واضح است که سیستم ایمنی یک موجود حساس نیست که به صراحت معیارها (2) را فرموله کند و متعاقباً یک اکتشافی برای بهینه سازی آن شناسایی کند. در عوض، ما فرض می‌کنیم که فشارهای تکاملی برای فرآیند تولید سلول‌های B پلاسما انتخاب شده‌اند که بهتر بهینه می‌شوند (2).

3. آموزش سلول های B حافظه

مشابه سلول‌های B پلاسما، سلول‌های B حافظه در مرکز ژرمینال ایجاد می‌شوند، اما تفاوت‌های کلیدی در تولید این دو نوع سلول برای دستیابی به اهداف مربوطه وجود دارد (مسین و همکاران، 2016؛ ویزل و شلومچیک، 2017؛ سوان و همکاران. al، 2017). ابتدا نحوه ایجاد سلول‌های B حافظه را بررسی می‌کنیم، و سپس در نظر می‌گیریم که برای چه معیارهایی بهینه شده‌اند، مشابه معیارهای ما (2) برای سلول‌های B پلاسما

3.1. پس زمینه سلول های B حافظه

در حالی که نام سلول B حافظه ممکن است این ایده را القا کند که یک سلول B حافظه یک کپی طولانی مدت از یک سلول B پلاسما است، حقیقت پیچیده تر است. سلول‌های B حافظه مانند سلول‌های B پلاسما، کل فرآیند AM را انجام نمی‌دهند. در واقع، سلول‌های B حافظه با میل نسبتاً کم در مقایسه با سلول‌های B پلاسما، و بار کم SHM (تعداد جهش‌های جمع‌آوری‌شده از SHM) مشخص می‌شوند (Suan et al, 2017). این نشان می‌دهد که در حالی که سلول‌های B حافظه در ابتدا میل ترکیبی بالایی با یک آنتی‌ژن نسبت به مجموعه سلول‌های B ساده دارند، به اندازه سلول‌های B پلاسما تحت AM قرار نمی‌گیرند و تمایل دارند نسبت به سلول‌های B پلاسما میل کمتری به آنتی‌ژن فعلی داشته باشند.

ژن BACH2 نقش مهمی در توسعه سلول های B حافظه در مرکز ژرمینال و در تمایز نهایی آنها ایفا می کند (Suan et al, 2017: Shinnakasu et al, 2016). BACH2 با کمکی که یک سلول B از سلول‌های Te دریافت می‌کند همبستگی معکوس دارد و برهمکنش‌های ضعیف حاصل با سلول‌های T باعث می‌شود که بیان BACH2 بالا بماند. به طور انتقادی،

رابطه بین بیان BACH2 و سلول‌های Tp به سلول‌های T برای بقای سلول در مرکز ژرمینال کمک می‌کند، اما از ورود پیش‌ساز سلول B به ناحیه‌ای که در آن تکثیر می‌شود و از طریق SHM جهش می‌یابد، جلوگیری می‌کند. این منجر به سه زیر مجموعه از سلول های B در مرکز ژرمینال می شود: (1) سلول های B با میل ترکیبی بالا که توسط سلول های T برای تکثیر و جهش از طریق SHM انتخاب می شوند و در نهایت منجر به تمایز سلول های B پلاسما می شوند، (2) میل ترکیبی B متوسط. سلول‌ها (کم در مقایسه با پیش‌سازهای سلول B پلاسما، زیاد در مقایسه با سلول‌های B معمولی ساده) که انتخاب آنها توسط سلول‌های Tw توسط BACH2 تعدیل می‌شود و منجر به سلول‌های B حافظه می‌شود و (3) سلول‌های B با میل ترکیبی پایین که کمک کمی دریافت می‌کنند یا اصلاً کمک نمی‌کنند. از سلول های Tw که منجر به آپوپتوز می شود (مسین و همکاران، 2020؛ تیلور و همکاران، 2015).

سلول‌های B حافظه از نظر مشخصات رونویسی شبیه به سلول‌های B ساده هستند که به آنها امکان می‌دهد آزادانه در داخل ارگانیسم گردش کنند و برای نمونه‌های آتی آنتی‌ژن‌ها نظارت کنند. علیرغم این شباهت ها، آنها بیان بیش از حد ژن های ضد آپوپتوز را نشان می دهند که به سلول B حافظه اجازه می دهد برای دوره های زمانی فوق العاده طولانی زندگی کند و بنابراین توانایی تشخیص آنتی ژن ها در آینده را دارد (Suan et al.2017).

3.2. سلول های B حافظه برای انجام چه کاری بهینه شده اند؟

اگر هدف سیستم ایمنی حفظ کردن گیرنده های سلول B با بالاترین میل ترکیبی به آنتی ژن a فعلی باشد، ممکن است انتظار داشته باشیم که گنجینه گیرنده سلول B حافظه تقریباً با مجموعه گیرنده سلول های B پلاسما یکسان باشد، اما اینطور نیست. ممکن است انتظار داشته باشیم که AM از زمان تجملی که در اختیار دارد قبل از اینکه به سلول‌های B حافظه بیشتر جهش پیدا کند، استفاده کند تا سلول‌های B حافظه حتی نسبت به سلول‌های B پلاسما تمایل بیشتری به آنتی ژن داشته باشند. ، بهینه سازی بیشتر (1). این نیز به نظر نمی رسد. در حالی که هر دوی این گزینه‌ها باید از نظر بیولوژیکی امکان‌پذیر باشند، سیستم ایمنی برای ایجاد سلول‌های B حافظه کاری کاملاً متفاوت انجام می‌دهد: سلول‌های B حافظه را زودتر از سلول‌های B پلاسما در AM انتخاب می‌کند، و بنابراین سلول‌های B حافظه به طور متوسط ​​s(ba) میل کمتری دارند. نسبت به سلول های B پلاسما

برای توضیح اینکه چرا سلول‌های B حافظه بسیار مناسب با آنتی ژن فعلی a نیستند، ما دو فرضیه را برای تابع هدف پیشنهاد می‌کنیم که سلول‌های B حافظه ممکن است به طور اکتشافی در تلاش برای بهینه‌سازی آن باشند. دو فرضیه ما از نقش دوگانه سلول های B حافظه ناشی می شود (دوگان و همکاران، 2009؛ ویزل و شلومچیک، 2017). اول، هنگامی که تجسم های بعدی آنتی ژن حمله می شود، سلول های B حافظه همانطور که هست برای تمایز به سلول های B پلاسما و ریشه کن کردن آنتی ژن جهش یافته استفاده می شود. دوم، سلول های B حافظه برای گرم کردن شروع تمرین ثانویه AM سلول های B پلاسما استفاده می شود. در واقع، شواهد اخیر نشان می‌دهد که بخش بزرگی از سلول‌های B پلاسما در پاسخ ثانویه، سلول‌های B حافظه از اولین پاسخ هستند و برخی از سلول‌های B حافظه نیز برای کاشت مراکز ژرمینال جدید برای بهینه‌سازی سلول‌های B پلاسما پاسخ ثانویه استفاده می‌شوند. مسین و همکاران، 2020).

3.3. آموزش برای تمایل به آنتی ژن جهش یافته

ما پیشنهاد می‌کنیم که مسئله کلیدی برای سلول‌های B حافظه این است که نمونه آینده آنتی‌ژنی که باید آن را کاهش دهند تقریباً به طور قطع جهش در آنتی ژن اصلی a است. در زمان ایجاد سلول های B حافظه، آنتی ژن جهش یافته a در آینده ناشناخته است، اما ما می توانیم آن را به عنوان یک آنتی ژن A به طور تصادفی جهش یافته مشخص کنیم. در این مقاله، از نماد احتمال استاندارد استفاده می کنیم که یک حرف بزرگ نشان دهنده یک متغیر تصادفی است، و حرف کوچک مربوط به آن نشان دهنده تحقق آن متغیر تصادفی است. به عنوان مثال، اگر یک قالب شش وجهی را بچرخانید، مقدار تصادفی Xe {1،2..6} قبل از اینکه به آن نگاه کنید به رول قالب اشاره دارد زیرا در آن نقطه شما فقط احتمال شش مقدار آن را می دانید، اما یک بار شما رول قالب را می بینید، یک مقدار قطعی xE {1،2...،6} است.

بگذارید A یک آنتی ژن تصادفی باشد که از توزیع احتمال شرطی PA~ja که به آنتی ژن فعلی a بستگی دارد و احتمال جهش های احتمالی در آینده را به a و احتمال ارائه چنین جهشی به ارگانیسم میزبان در طول عمر آن مدل می کند، باشد. سلول های حافظه B در طول پاسخ ایمنی به a. اگر تنها یک سلول B حافظه برای پاسخ ثانویه مورد نیاز باشد، تعمیم منطقی (1) برای انتخاب سلول B حافظه ای است که به طور متوسط، وابستگی بالایی به آنتی ژن جهش یافته تصادفی A دارد.

اگر همه جهش‌های آنتی‌ژن a به یک اندازه محتمل باشند و امتیاز وابستگی s یک تابع خطی خوب باشد، راه‌حل (3) ممکن است مانند (1) باشد. اما ما انتظار داریم که عدم تقارن اساسی در احتمال جهش های مختلف آنتی ژن وجود داشته باشد، بنابراین ما انتظار داریم که راه حل (3) با راه حل (1) متفاوت باشد. این همان اصل است که در نقل قول معروف وین گرتزکی در مورد هاکی، من به جایی اسکیت می زنم، نه جایی که قبلا بوده است.

شکل 2 معیار موجود در (4) را نشان می دهد و نشان می دهد که تنوع در سلول های B حافظه به پوشاندن فضای جهش های احتمالی آنتی ژن اصلی a کمک می کند. معیار (4) یک انتخاب ثابت از N را فرض می‌کند، اما اگر می‌توانید (4) را برای N نیز بهینه کنید، همیشه تعداد N بیشتری از سلول‌های B حافظه را ترجیح می‌دهید. با این حال، به دلیل منابع فیزیکی مورد نیاز برای ذخیره و نگهداری آن سلول ها و فشار زمانی قبل از تجزیه آنتی ژن، فشار رو به پایین بر N نیز وجود دارد. ما مجدداً تأکید می‌کنیم که فرض نمی‌کنیم که سلول‌های B حافظه خودشان سعی در بهینه‌سازی (4) دارند، به جای اینکه فشارهای تکاملی فرآیندهای تولید سلول B حافظه را ترجیح می‌دهند که بهینه‌سازی شدند (4).

3.4. بهینه سازی برای شروع گرم تمرین برای آنتی ژن جهش یافته

منظور ما این نیست که سلول‌های B حافظه را مستقیماً بهینه‌سازی کنند (5)، بلکه فشارهای تکاملی ممکن است فرآیندهای انتخاب سلول B حافظه را ترجیح دهند که بهتر بهینه شوند (5). هدف (4) و هدف (5) احتمالاً بسته به احتمال جهش های مختلف آنتی ژن و سلول های B، راه حل های بهینه متفاوتی خواهند داشت، اگرچه فرآیند انتخاب سلول B حافظه اکتشافی یکسان ممکن است در هر دو هدف به خوبی انجام شود. هنوز مشخص نیست که سلول‌های B حافظه چقدر برای آموزش سلول‌های B پاسخ ثانویه در مراکز ژرمینال اهمیت دارند، اما برخی شواهد نشان می‌دهند که مراکز ژرمینال پاسخ ثانویه از سلول‌های B ساده‌تر از آنچه انتظار می‌رود تشکیل شده‌اند (مسین و همکاران، 2020). ).

3.5. چرا سلول های B حافظه کپی سلول های B پلاسما نیستند؟

به نظر می رسد هر دو (4) و (5) به دانش توزیع احتمال PA ~ جهش های مختلف آنتی ژن و توزیع احتمال PMK ðbÞ یک سلول B جهش یافته پس از جهش K نیاز دارند. با این حال، برای بسیاری از انتخاب‌های متقارن PA~ و PMK ðbÞ، توزیع دقیق ممکن است اهمیت چندانی نداشته باشد: سیستم ایمنی می‌تواند به طور ارزان به یک راه‌حل تقریبی خوب برای (4) و (5) به سادگی با ساختن سلول‌های B حافظه از پلاسما دست یابد. سلول های B؛ به نظر نمی رسد محدودیت بیوشیمیایی وجود داشته باشد که از تکثیر دقیق جلوگیری کند. با این حال، سلول های B حافظه در واقع به نظر می رسد متفاوت از سلول های B پلاسما انتخاب شوند. ما دو فرضیه را در مورد چرایی ارائه می کنیم.

اولین فرضیه ما قبلاً در بخش 3.3 و شکل 2 معرفی شد: از آنجایی که سیستم ایمنی می‌تواند مجموعه‌ای از سلول‌های حافظه B را در (4) انتخاب کند، تنوع بیشتری در سلول‌های B حافظه نسبت به کسانی که با کپی کردن پلاسما به دست می‌آیند به صرفه است. سلول های B. سلول های پلاسما B تمایل به تنوع کمتری دارند زیرا آنها برای بهینه سازی (1) آموزش دیده اند، که حتی با حداقل های محلی متعدد به شکل sðb. aÞ تنوع آنها را محدود خواهد کرد. سلول‌های B حافظه نسبت به سلول‌های B پلاسما متنوع‌تر هستند، زیرا زودتر در فرآیند بلوغ انتخاب می‌شوند. ما معتقدیم که این تنوع برای بهینه سازی میل به آنتی ژن جهش یافته مطابق با (5) مهم است زیرا تابع میل واقعی s یک تابع بسیار غیرخطی از توالی اسید آمینه یک سلول B و آنتی ژن a است که از خواص بیوشیمیایی پیچیده و فیزیکی ناشی می شود. ساختارهای قفل و کلید (کارنیرو و استوارت، 1994؛ کیلامبی و گری، 2017؛ آمبروستی و همکاران، 2020)

فرضیه دوم ما این است که هدف شروع گرم (5) برای مراکز ژرمینال ثانویه با یک کپی از مجموعه سلول های B پلاسما به خوبی بهینه نشده است زیرا شواهدی وجود دارد که احتمالات PMjb جهش های تصادفی سلول های B در SHM وجود دارد. نامتقارن: جهش های خاصی در سلول های B بسیار بیشتر از سایرین است. این باعث می‌شود که برخی از سلول‌های B نسبت به سلول‌های پلاسمای B اصلی نقطه شروع انعطاف‌پذیرتری برای شروع گرم باشند، که ممکن است در جهش برای مطابقت با آنتی ژن جدید مشکل داشته باشند. شواهد برای PMjb نامتقارن این است که بسیاری از محققین به هدف گیری ترجیحی AID برای نقوش خاص اشاره کرده اند (مارتین و همکاران، 2015؛ Stavnezer، 2011؛ ​​چن و مک کارتی، 2017؛ کیم و همکاران، 2013). همانطور که جهش ها، طبق تعریف، توالی خاصی را که AID هدف قرار می دهد تغییر می دهند، منطقی است استنباط کنیم که اولین جهش در این مکان آسان تر از جهش های آینده است. هنگامی که توالی تغییر می کند، AID کمتر این مکان را هدف قرار می دهد. به طور کلی، هدف گذاری ترجیحی AID جهش بیشتر یا برگشت به دنباله اصلی را برای این منطقه دشوارتر می کند.

این عدم تقارن در احتمال حرکت در اطراف فضای تمام سلول های B از طریق جهش در طول AM باعث ایجاد قطع ارتباط بین هدف سلول B پلاسما (1) و هدف تبدیل شدن به یک راه حل گرم خوب برای تمرین سلول های پلاسما در آینده می شود (5). ). به طور خاص، یک سلول B پلاسما ممکن است بسیاری از جهش های معکوس را برای بهینه سازی (1) برای آنتی ژن a فعلی ایجاد کرده باشد. در مقابل، به نظر می‌رسد سلول‌های B حافظه انتخاب‌شده برای برازش آنتی‌ژن a فعلی کمتر بهینه شده‌اند، اما ما فرض می‌کنیم که آنها می‌توانند راحت‌تر در پاسخ ثانویه AM جهش پیدا کنند تا بهتر با آنتی‌ژن تصادفی آینده A~ سازگار شوند. به طور کلی، ما توجه می کنیم که میزان همسویی اهداف (1)، (4) و (5) به تقارن PA ~ بستگی دارد. PMjb، و غیر خطی بودن s.

4. شبیه سازی

ما از الگوریتم AM (الگوریتم 1) برای مدل سازی نحوه آموزش سلول های B پلاسما و سلول های B حافظه استفاده می کنیم و از طریق دو شبیه سازی نشان می دهیم که سلول های B حافظه شبیه سازی شده در بهینه سازی اهداف فرضی ما بهتر از سلول های B پلاسما شبیه سازی شده هستند (4) و ( 5)، بنابراین شواهدی ارائه می‌کند که این اهداف از نظر بیولوژیکی معقول هستند. ما ابتدا مکانیک بلوغ میل ترکیبی را در پاسخ‌های ایمنی اولیه شبیه‌سازی شده نشان می‌دهیم، سپس شرایط اولیه بالقوه متفاوت را برای پاسخ‌های ایمنی ثانویه شبیه‌سازی شده مقایسه می‌کنیم.

این شبیه‌سازی‌ها همه مسائل دنیای واقعی را در نظر نمی‌گیرند، مانند اینکه یک جهش ویروسی نباید به عملکرد ویروس آسیب برساند، و مسائلی که در 2.3 توضیح داده شده است. علی‌رغم این محدودیت‌ها، ما استدلال می‌کنیم که این شبیه‌سازی‌ها بسیاری از مسائل کلیدی مورد نیاز را برای نشان دادن اینکه اهداف فرضی ما با تفاوت در آموزش سلول‌های B پلاسما و حافظه مطابقت دارد، در بر می‌گیرد. کد کامل شبیه سازی های ما در صورت درخواست در دسترس قرار خواهد گرفت.

4.1. تنظیم شبیه سازی

شبیه سازی های ما از الگوریتم 1 برای فرآیند AM پیروی می کنند. ما یک مجموعه سلول B ساده (10،000 سلول) را با گیرنده های سلول B که توسط یک دنباله تصادفی از اسیدهای آمینه 10-50 نشان داده می شود، که در آن هر اسید آمینه به طور یکنواخت در فضای 61 غیر رسم می شود، مقداردهی اولیه می کنیم. کدون های توقف (ایجاد توزیع غیر یکنواخت روی اسیدهای آمینه). ما آنتی‌ژن‌ها را به‌عنوان توالی‌هایی شبیه‌سازی می‌کنیم که از توالی‌های آنتی ژنی شناخته‌شده اووالبومین مرغ، شیر گاو و گندم به دست می‌آیند (Honma et al. 1996؛ Liu and Sathe, 2018). هر توالی آنتی ژنی دارای 17 اسید آمینه برای قوام است. ما متریک میل ترکیبی بین یک سلول B و آنتی ژن را با استفاده از تابع استاندارد MATLAB align محلی شبیه‌سازی می‌کنیم، که با استفاده از ماتریس BIOSUM50 هم ترازی بهینه بین دو دنباله را پیدا می‌کند و امتیازی را برمی‌گرداند که نشان‌دهنده شباهت دو دنباله در این تراز Henilkoff و Henikoff است. 1992. ما از این امتیاز به عنوان معیاری برای میل ترکیبی بین گیرنده سلول B و آنتی ژن برای سادگی استفاده می کنیم، اما توجه داشته باشید که این فقط یک تقریب تقریبی از سازگاری ساختاری پیچیده تر بین گیرنده سلول B و یک آنتیفون است.

جهش‌های سلول B در طول AM در فضای کدون مدل‌سازی می‌شوند، جایی که کدون‌های گیرنده سلول B با یکی از 61 احتمال کدون جایگزین می‌شوند. در حالی که SHM سلول های B را در یک سطح تک نوکلئوتیدی جهش می دهد، کار در فضای کدون از عارضه اضافی فیلتر کردن توالی های گیرنده سلول B غیرمعنا جلوگیری می کند. علاوه بر جایگزینی کدون ها، کدون ها در توالی های گیرنده سلول B می توانند وارد یا حذف شوند. بر اساس میزان هر نوع جهش مشاهده شده در انسان، احتمال درج و حذف کمتر از تعویض کدون دیگری است (گیبس و همکاران، 2003؛ کنسرسیوم پروژه 1000 ژنوم و همکاران، 2015؛ ضیا و موزس، 2011). کدون‌هایی که هر گیرنده سلول B را تعریف می‌کنند به‌طور تصادفی انتخاب می‌شوند، اما ما کدون‌هایی را که حاوی سیتوزین‌های C هستند شبیه‌سازی می‌کنیم که احتمال جهش C þ ۱ برابر بیشتر از کدون‌های بدون سیتوزین است که منعکس‌کننده سوگیری‌های بیولوژیکی به موتیف‌های توالی نوکلئوتیدی است (مارتین و همکاران. ، 2015؛ Stavnezer، 2011؛ ​​چن و مک کارتی، 2017؛ کیم و همکاران، 2013). ما همچنین یک سوگیری انتقالی را بین کدون ها تحمیل می کنیم، که برخی از مبادله ها را بر اساس ماتریس تغییرپذیری مشتق شده از ماتریس BLOSUM50 محتمل تر از سایرین می کند (هنیکوف و هنیکوف، 1992؛ ویراسامی و همکاران، 2003).

برای شبیه سازی اولیه یک پاسخ ایمنی تطبیقی ​​اولیه به یک آنتی ژن (پاسخ اولیه)، به طور تصادفی 50 سلول B ساده از مجموعه سلول های B را از 1،000 از 10،000 ساده انتخاب می کنیم. مجموعه سلول های B از نظر میل به آنتی ژن مذکور. این نشان‌دهنده جذب سلول‌های B ساده با مقداری میل نسبی توسط سلول‌های TFH به مراکز زایایی است (مسین و همکاران، 2016؛ تاس و همکاران، 2016). این 50 سلول B «بنیان‌گذار» سپس 20 بار تکرار می‌شوند تا جمعیت مرکز ژرمینال 1،{10}} سلولی را تشکیل دهند که بازتاب دوره رشد تشکیل مرکز ژرمینال است (Amitai et al., 2017). برای هر تکرار شبیه سازی، 50 سلول B برای تکثیر و 50 سلول B برای حذف انتخاب می شوند. سلول‌های B با میل ترکیبی بالاتر احتمال انتخاب بیشتری برای تکثیر دارند، در حالی که سلول‌های B با تمایل پایین‌تر احتمال انتخاب بالاتری برای حذف دارند. سلول های B انتخاب شده برای تکثیر، تکثیر شده و جهش یافته اند، و جایگزین تمام سلول های B انتخاب شده در طول این تکرار می شوند. این فرآیند پس از انتخاب توسط سلول‌های TFH، آپوپتوز سلول‌های B با میل ترکیبی کم را تقلید می‌کند. این جهش‌ها امکان افزایش، کاهش یا بی‌تأثیری بر تمایل گیرنده‌های سلول B را دارند. ما همچنین محدودیت‌هایی را اعمال می‌کنیم که جهش‌ها می‌توانند در یک تکرار خاص رخ دهند، شبیه‌سازی فرآیند انتخاب منفی به دلیل جهش‌های مخرب یا بالقوه خطرناک. کل این فرآیند بیش از 100 تکرار را تکرار می کند.

به عنوان پایه ای برای هر دو شبیه سازی 1 و 2، ما 50 سلول را در نیمه اول شبیه سازی پاسخ اولیه خود به عنوان سلول های B حافظه شبیه سازی شده استخراج می کنیم. سلول ها به طور تصادفی از صدک بالای 25 سلول های B مرکز ژرمینال انتخاب می شوند. 50 سلول دیگر در انتهای پاسخ اولیه برای نشان دادن سلول‌های B پلاسما انتخاب می‌شوند، جایی که این سلول‌ها بالاترین 50 امتیاز میل نسبت به آنتی ژن را نشان می‌دهند. این نشان دهنده انحراف جزئی از الگوریتم 1 است، زیرا ما آستانه پیشینی را نمی دانیم. ما t را برای پاسخ ثانویه بر اساس میل سلول های پلاسما انتخاب شده در پایان پاسخ اولیه ایجاد می کنیم. همانطور که انتظار می‌رفت، سلول‌های B حافظه شبیه‌سازی‌شده در مقایسه با سلول‌های B پلاسما، تمایل کلی کمتری به آنتی‌ژن دارند، اما بیشتر از مجموعه اولیه سلول‌های B ساده‌لوح هستند.

جهش های شبیه سازی شده ما در آنتی ژن برای پاسخ ثانویه از مبادله تصادفی یکنواخت هر یک از کدون ها با هر کدون دیگری (از جمله احتمالاً خود، به عنوان مثال، بدون اپ)، که توزیع غیر یکنواختی را روی اسیدهای آمینه ایجاد می کند، به دست می آید. برخی از اسیدهای آمینه توسط کدون های متعدد کدگذاری می شوند. جهش های آنتی ژن همچنین می تواند شامل درج یا حذف کدون ها با احتمال برابر با هر کدون باشد.

4.2. شبیه سازی 1: میل به آنتی ژن جهش یافته

عفونت ثانویه می تواند شامل آنتی ژنی باشد که جهش یافته یا آنتی ژنی شبیه به یک پاتوژن مرتبط. ما تغییرات آنتی ژن را از عفونت اولیه به ثانویه با ایجاد جهش های مخالف در توالی آنتی ژنی خود شبیه سازی می کنیم. اول، ما 1،000 جهش تصادفی یکنواخت از توالی آنتی ژن a ایجاد می کنیم. جهش‌های تصادفی ممکن است مبادله هر اسید آمینه به هر اسید آمینه دیگری، وارد کردن هر اسید آمینه یا حذف اسید آمینه باشد. از میان آن جهش‌های کاندید، ما جهش‌هایی را که کمترین میل ترکیبی (بدترین حالت) را به مجموعه 50 سلول B پلاسما از پاسخ اولیه دارد، نگه می‌داریم تا نشان دهیم که یک عفونت ثانویه بالقوه خطرناک احتمالاً از یک جهش چالش‌برانگیزتر است. ما این فرآیند تصادفی را در مجموع K بار تکرار می کنیم تا یک آنتی ژن با جهش K تولید کنیم. ما آن آنتی ژن متخاصم را بدترین تحقق P در نظر می گیریم. از جهش های کاندید

سپس جمعیت های مختلف سلول B را با هدف فرضی (4) آزمایش می کنیم. شکل 3 میانگین میل ترکیبی بین آنتی ژن های جهش یافته فزاینده (اووالبومین مرغ، شیر گاو و گندم) با جهش K را نشان می دهد.{2}}... 10 برای جمعیت های مختلف سلولی در پایان پاسخ اولیه به طور میانگین بیش از 100 اجرا مستقل داشتند (هونما و همکاران، 1996؛ لیو و سات، 2018). شکل 3 نشان می دهد که سلول های پلاسمای B شبیه سازی شده ما بهترین انتخاب برای به حداکثر رساندن (4) برای تعداد کمی از جهش های متخاصم هستند، سلول های B حافظه شبیه سازی شده ما بهترین انتخاب بین ~2-6 جهش هستند، و سلول های B ساده بهترین انتخاب هستند. پس از جهش های زیاد (7 به علاوه). شبیه‌سازی‌های ما بسیار ساده‌تر از آن هستند که نقاط انتقال خاص معنی‌دار باشند، اما ما استدلال می‌کنیم که آنها شواهد قوی ارائه می‌کنند که نشان می‌دهد سلول‌های B پلاسما احتمالاً برای شناسایی آنتی‌ژن‌های جهش‌یافته قابل‌توجهی بهینه نیستند. این ممکن است بیشتر نشان دهد که منطقه‌ای در فضای جهش وجود دارد که سلول‌های B حافظه مفیدتر از سلول‌های B پلاسما یا سلول‌های B ساده به عنوان شرایط اولیه برای پاسخ ثانویه هستند.

ما فرض می کنیم که این واقعیت که سلول های B پلاسما همیشه بالاترین میل ترکیبی را با آنتی ژن های جهش یافته ندارند، ناشی از تنوع بیشتر سلول های B حافظه و سلول های B ساده است. در حالی که جهش ها در فضای DNA رخ می دهند، تنوع مربوطه در فضای فیزیکی و بیوشیمیایی غیرخطی حاصل است که میل ترکیبی با آنتی ژن را مشخص می کند. تقریباً اندازه‌گیری تنوع سلول‌های B در هر جمعیت با استفاده از شباهت‌های دوتایی BLOSUM در هر مجموعه، تفاوت‌های تنوع قابل‌توجهی را نشان می‌دهد، به طوری که سلول‌های B پلاسما دارای میانگین شباهت BLOSUM درون مجموعه‌ای 46 هستند، سلول‌های B حافظه دارای میانگین بسیار پایین‌تری در داخل مجموعه هستند. شباهت BLOSUM ~ 27، و سلول های B ساده دارای شباهت BLOSUM درون مجموعه ای حتی کمتر از ~ 9 (از یک پاسخ اولیه نماینده).

4.3. شبیه سازی 2: جهش های مورد نیاز برای آموزش سلول های B پلاسما پاسخ ثانویه

در این شبیه‌سازی، ما مقایسه می‌کنیم که سه نوع سلول B به‌عنوان دانه‌های مرکز ژرمینال پاسخ ثانویه چقدر خوب عمل می‌کنند. ما یک آموزش پاسخ ثانویه از مجموعه جدیدی از سلول های B پلاسما را تقلید می کنیم که برای میل ترکیبی بالا به یک آنتی ژن جهش یافته بهینه شده است (شرح شده در شبیه سازی 1). ما پاسخ ثانویه بهینه سازی سلول های B پلاسما را با یکی از سه گزینه راه اندازی می کنیم: (i) سلول های N=50 پلاسما B تولید شده در مسئولیت اولیه آنتی ژن اصلی a، (ii) حافظه N=50 سلول های B در مسئولیت اولیه آنتی ژن اصلی a یا (i)N=50 سلول های B ساده تولید می شوند. ما مرکز ژرمینال را به روشی یکسان با پاسخ اولیه پر می کنیم و از سه مجموعه 50 سلولی B به عنوان سلول های موسس جدید خود استفاده می کنیم. همانطور که در پاسخ اولیه، سلول های B ساده تصادفی هستند اما برای شبیه سازی جذب به مرکز ژرمینال، مقداری میل اولیه با آنتی ژن جهش یافته انتخاب شده اند. هر یک از این سه مرکز ژرمینال پاسخ ثانویه به روشی یکسان با پاسخ اولیه تحت AM قرار می گیرند.

شکل 4 نمونه هایی از شبیه سازی های چندگانه پاسخ ثانویه است، با توجه به همان پاسخ اولیه و همان جهش K=1.....10 روی آنتی ژن شیر گاو (Liu and Sathe, 2018) . به طور خاص، میانگین میل ترکیبی 0.05 درصد سلول‌های با بالاترین میل ترکیبی را بیش از 100 تکرار در پاسخ‌های ثانویه نشان می‌دهد. شکل 4 نشان می‌دهد که فقط برای یک یا دو جهش آنتی ژن، سلول‌های B پلاسما بالاترین تمایل اولیه را به آنتی‌ژن جهش‌یافته دارند. برای سه یا چند جهش متخاصم، سلول های B ساده و حافظه دار شرایط اولیه بهتری برای پاسخ ثانویه نسبت به سلول های B پلاسما پاسخ اولیه هستند و در تکرارهای کمتر به میل ترکیبی t می رسند (شکل 4 و 5). شکل 4 نیز نشان می دهد. چگونه سلول‌های B ساده پاسخ ثانویه جذب شده تمایل دارند تا زمانی که آنتی ژن به اندازه کافی جهش یافته باشد، میل اولیه بالاتری نسبت به سلول‌های B پلاسما یا سلول‌های B حافظه اولیه با آنتی ژن جهش یافته دارند. این مورد انتظار بود، اما ما از اینکه سلول‌های B ساده و بی‌تفاوت در اولین تکرار پاسخ ثانویه، چقدر جهش لازم را داشتند، شگفت‌زده شدیم. به این معنا که. برای جهش‌های نسبتاً کمی کدون در آنتی ژن جدید، شواهد تجربی پیدا کردیم که نشان می‌دهد بذر یک پاسخ ثانویه با سلول‌های B در درجه اول از مجموعه ساده و بی‌نظیر یک استراتژی سودمند است. ما قادر به شبیه‌سازی منطقه‌ای در فضای جهش نبودیم که در آن سلول‌های B حافظه از پاسخ اولیه به طور مداوم بالاترین میل ترکیبی را در اولین تکرار پاسخ ثانویه داشتند، احتمالاً به دلیل تنوع قابل‌توجه بین پاسخ‌های ثانویه شبیه‌سازی‌شده.

به طور مشابه، شکل 5 میانگین تعداد تکرارهای پلاسما، حافظه و سلول های B ساده برای رسیدن به t شبیه سازی پاسخ ثانویه کلی برای هر سه آنتی ژن را نشان می دهد. عدد تکرار، جایی که آستانه t به دست می‌آید، در تمام شبیه‌سازی‌های پاسخ ثانویه برای 50 شبیه‌سازی مستقل از مسئولیت اولیه برای هر آنتی ژن میانگین می‌شود. مجدداً، شبیه‌سازی‌های ما ناحیه‌ای از فضای جهش را نشان ندادند که سلول‌های B حافظه به طور مداوم بهترین شرایط شروع گرم را داشتند. ما متوجه شدیم که این در چندین اصلاحات شبیه‌سازی ما ادامه دارد، و نشان می‌دهد که این یافته ممکن است مصنوع یک شبیه‌سازی خیلی درشت نباشد. ما فرض می‌کنیم که این به دلیل انتخاب سلول‌های B ساده‌لوح برای مرکز ژرمینال ثانویه است که دارای تمایل اولیه به آنتی ژن جهش‌یافته هستند (همانطور که در شبیه‌سازی پاسخ اولیه توضیح داده شد). یعنی سلول‌های B ساده در شکل 4 برای میل اولیه به a انتخاب می‌شوند، در حالی که سلول‌های حافظه و پلاسمای B مشتق‌شده از سلول‌های B ساده برای داشتن مقداری میل اولیه به آنتی‌ژن اصلی a انتخاب می‌شوند (شکل 3). ما در ابتدا مشکوک بودیم که سوگیری میل ما برای انتخاب سلول های ساده و بی تکلف بسیار قوی است، اما سلول های B ساده و حافظه هر دو به طور همزمان در مراکز ژرمینال ثانویه واقعی به کار گرفته می شوند تا بهترین شانس را برای ایجاد سلول های B پلاسما جدید داشته باشند. در واقع، شواهد تجربی اخیر نشان می‌دهد که مراکز ژرمینال پاسخ ثانویه از سلول‌های B ساده‌تر از آنچه قبلا تصور می‌شد تشکیل شده‌اند (مسین و همکاران، 2020). همچنین ممکن است یک رژیم جهش آنتی ژنی وجود داشته باشد که سلول های B حافظه در واقع برای شروع گرم موثرتر از سلول های B ساده باشند، اما شبیه سازی های ما به اندازه کافی واقع بینانه برای گرفتن آن نبودند.

توجه می‌کنیم که شبیه‌سازی‌های پاسخ ثانویه اغلب بیش از 100 تکرار طول می‌کشد تا از شبیه‌سازی اولیه مربوطه به آستانه میل t برسند. هنگام محاسبه میانگین تعداد تکرارها برای رسیدن به t در Fg.5، این موارد را روی حداکثر تعداد تکرار 100 قرار می دهیم. ما فرض می کنیم که این پدیده به این دلیل رخ می دهد که جهش های متخاصم d ممکن است مشکل دشوارتری برای مرکز ژرمینال شبیه سازی شده ایجاد کند. برطرف كردن. یعنی، جهش ها ممکن است به طور خاص به سمت مناطق ضعیف بالقوه در فضای احتمال جهش در نتیجه اهداف بقای خود آنتی ژن سوگیری داشته باشند.

5. نتیجه گیری و سوالات باز

ما فرض کردیم که نقش دوگانه سلول های B حافظه را می توان با دو هدف (4) و (5) دریافت کرد و این اهداف با کپی کردن سلول های B پلاسما که برای (1) آموزش دیده اند، به خوبی بهینه نمی شوند. بیش از حد برازش آنتی ژن اصلی شبیه‌سازی‌های ما، در حالی که محدود هستند، شواهد قوی ارائه می‌دهند که سلول‌های B پلاسما زمانی که آنتی ژن تحت جهش‌های دشمن کافی قرار گرفت، (4) یا (5) را بهینه نمی‌کنند. ما معتقدیم که این زیربهینه بودن سلول های B پلاسما در برابر آنتی ژن های جهش یافته نقشی را برای مکانیسم های انتخاب مختلف مورد استفاده برای سلول های B حافظه ای فراهم می کند.

شبیه‌سازی‌های ما طیف محدودی از جهش‌های آنتی ژن را نشان می‌دهد که سلول‌های B حافظه شبیه‌سازی‌شده ما ممکن است بهینه باشند. برای جهش‌های مهم، نشان می‌دهیم که سلول‌های B تصادفی ساده‌تر می‌توانند حتی بهتر عمل کنند. از نظر بیولوژیکی، این نتیجه گیری توسط یافته های اخیر در مورد پاسخ های ایمنی تطبیقی ​​ثانویه، که در آن سلول های B ساده و بی تکلف اکثریت قریب به اتفاق سلول های B را در مراکز ژرمینال ثانویه تشکیل می دهند، پشتیبانی می شود (مسین و همکاران، 2020). درعوض، سلول‌های B حافظه اغلب برای تمایز مستقیم به سلول‌های B پلاسما، به‌جای اینکه تحت هیپرجهش سوماتیک بیشتر قرار گیرند، استفاده می‌شوند (مسین و همکاران، 2020). سلول های B پلاسما یک محلول یک بار مصرف هستند و به شدت با آنتی ژن مورد نظر فعلی سازگار هستند. سلول های B حافظه راه حل تقریبی تری برای آنتی ژن فعلی ارائه می دهند که در بدن برای شناسایی آنتی ژن های آینده با ویژگی های مشابه نگهداری می شود. اگر یک آنتی ژن آینده آنقدر با آنچه قبلاً توسط سیستم ایمنی با آن مواجه شده بود متفاوت باشد که هیچ سلول B حافظه ای نتواند آن را شناسایی کند، یک راه حل جدید از ابتدا با استفاده از سلول های B ساده ساخته می شود.

سلول‌های B حافظه دو نقش دارند، هم تمایز به سلول‌های B پلاسما و هم شروع مجدد مراکز ژرمینال، اما این نقش‌ها ممکن است توسط زیرجمعیت‌های مجزا ایفا شود (Dogan et al.2009; Weisel and Shlomchik, 2017). این زیرجمعیت‌های متمایز سلول‌های B حافظه ممکن است ناشی از فرآیندهای AM متمایز، یا تغییرات در فرآیند AM در بازه زمانی AM باشد که ما به‌صراحت در الگوریتم 1 خود مدل‌سازی نکرده‌ایم (Weisel et al, 2016). بنابراین دو هدف سلول B حافظه ما در (4) و (5) ممکن است برای جمعیت سلول B حافظه مستقل اعمال شود. در اینجا ما یک مدل ساده شده را بررسی کردیم که در آن سلول های B حافظه یک گروه یکپارچه در نظر گرفته شدند. با این حال، ما نتوانستیم از طریق شبیه سازی رژیمی را نشان دهیم که در آن سلول های B حافظه به وضوح بهتر از سلول های B ساده ثانویه برای شروع مجدد پاسخ ژرمینال ثانویه بودند. نتایج ما نشان می‌دهد که این کار شروع مجدد ممکن است نقش ضعیف‌تر یا نادرتر سلول‌های B حافظه باشد. این نتایج با شواهد تجربی اخیر همراستا است که نشان می‌دهد سلول‌های B حافظه مشابه در مراکز ثانویه ژرمینال کمتر از آنچه قبلاً فرض می‌شد شایع بودند (مسین و همکاران، 2020). با این حال، حتی اگر سلول های B حافظه همیشه برای پاسخ ثانویه مورد نیاز نباشند، ممکن است در برخی موارد برای شروع گرم بسیار مهم باشند، که ممکن است همچنان فشار تکاملی را بر روند انتخاب آنها وارد کند. فشارهای تکاملی بر انتخاب سلول‌های B حافظه در طبیعت مشخص نیست، اما ممکن است از طریق ادغام شبیه‌سازی‌های محاسباتی و آزمایش‌های بیولوژیکی روشن شود. نظارت فعال بر میل سلول‌های B در طول بلوغ میل، و همچنین تشخیص اینکه چه زمانی و چرا سلول‌های GC B به سلول‌های B حافظه تبدیل می‌شوند، ممکن است به توسعه مدل‌های دقیق‌تر و پیچیده‌تر در آینده کمک کند.