生物信息學技術(shù)在食物過敏原表位預(yù)測中的應(yīng)用

龍 偉，李 欣，高金燕，陳紅兵*

（1.南昌大學生命科學與食品工程學院食品系，江西 南昌 330047；2.南昌大學 食品科學與技術(shù)國家重點實驗室，江西 南昌 330047；3.南昌大 學中德聯(lián)合研究院，江西 南昌 330047）

生物信息學技術(shù)在食物過敏原表位預(yù)測中的應(yīng)用

龍 偉1,2，李 欣1,2，高金燕1，陳紅兵2,3,*

（1.南昌大學生命科學與食品工程學院食品系，江西 南昌 330047；2.南昌大學 食品科學與技術(shù)國家重點實驗室，江西 南昌 330047；3.南昌大 學中德聯(lián)合研究院，江西 南昌 330047）

表位是過敏原與抗體結(jié)合的物質(zhì)基礎(chǔ)。 基于生物信息學技術(shù)的表位預(yù)測包括線性表位預(yù)測和構(gòu)象性表位 預(yù)測。其中線性表位預(yù)測主要是基于過敏原蛋白的理化性質(zhì)進行預(yù)測；構(gòu)象性表位 預(yù)測主要包括基于蛋白結(jié)構(gòu)信息和結(jié)合噬菌體展示技術(shù)的兩大類預(yù)測。利用生物信息學技術(shù)預(yù)測食物過敏原表位主要應(yīng)用在牛乳、雞蛋、魚、甲殼類水產(chǎn)動物等動物性食物過敏原和花生、大豆、小麥、果蔬類等植物性食物過敏原方面。

生物信息學；食物過敏原；表位預(yù)測

食品過敏屬于食品安全范疇，已經(jīng)成為國內(nèi)外研究的熱點問題之一。據(jù)統(tǒng)計，在西方國家中大約有5%的兒童 和3%～4%成人會對食物產(chǎn)生過敏反應(yīng)，且該人群比例可能將繼續(xù)上升[1]。引起食物過敏的食物種類主要有8種，即牛乳、雞蛋、魚、甲殼類水產(chǎn)動物、花生、大豆、堅果以及小麥[2]。開發(fā)低過敏或無過敏食物無疑是迫切需要解決的問題。

表位又稱抗原決定簇，是過敏原與抗體結(jié)合的物質(zhì)基礎(chǔ)，也是食物過敏反應(yīng)的“元兇”[3]。根據(jù)結(jié)合受體不同分為B細胞表位和T細胞表位；根據(jù)其結(jié)構(gòu)不同又可分為線性表位和構(gòu)象性表位。B細胞表位可以是線性表位也可以是構(gòu)象性表位；而T細胞表位都是由線性表位構(gòu)成。表位定位方法包括實驗方法和基于生物信息學的預(yù)測方法。前者具有很多優(yōu)點的同時也存在一些缺陷；后者則是一種新的表位定位策略。表位預(yù)測有利于新表位的發(fā)現(xiàn)[4]，對基于表位的食物過敏研究具有重要的價值，可為研發(fā)低致敏或無致敏食品提供明確的脫敏靶標。

1 預(yù)測表位的生物信息學方法

1.1 線性表位的預(yù)測方法

1.1.1 B細胞線性表位預(yù)測方法

生物信息學預(yù)測B細胞線性表位主要基于蛋白氨基酸殘基的理化性質(zhì)。目前所采用的理化性質(zhì)參數(shù)主要包括1）親水性（hydrophilicity）：天然狀態(tài)下，蛋白質(zhì)的親水性氨基酸一般位于蛋白表面，而疏水性氨基酸被包埋于蛋白內(nèi)部。因此，與抗體結(jié)合的位點一般都是親水性氨基酸殘基。2）二級結(jié)構(gòu)（secondary structure）：蛋白質(zhì)的二級結(jié)構(gòu)主要包括α-螺旋、β-折疊、無規(guī)則卷曲和轉(zhuǎn) 角等。其中α-螺旋和β-折疊結(jié)構(gòu)規(guī)則、穩(wěn)定、不易形變且常位于蛋白質(zhì)的內(nèi)部，不利于其與抗體嵌合；而轉(zhuǎn)角和無規(guī)則卷曲多暴露在蛋白質(zhì)的表面，有利于其與抗體嵌合，成為抗原表位的可能性較大。3）可及性（accessibility）：主要是通過溶劑分子接觸抗原氨基酸的溶劑可接近性值的大小，即溶劑分子接觸抗原氨基酸的可能性，間接反映與抗體的結(jié)合能力。4）柔韌性（flexibility）：蛋白質(zhì)氨基酸殘基可分為“剛性”的和“柔韌”的。由于抗原抗體結(jié)合是一個嵌合過程，蛋白構(gòu)象會發(fā)生變化，“柔韌”的氨基酸殘基易發(fā)生扭曲和折疊，因此認為“柔韌”的氨基酸殘基最有可能成為抗原表位。

以上各種參數(shù)單獨使用時均有一定的局限性，且準確率不高，所以在進行B細胞表位預(yù)測時常常結(jié)合幾種參數(shù)進行綜合分析[5]。隨著對這些理化性質(zhì)的深入研究，一些利用這些理化性質(zhì)來預(yù)測抗原表位計算機程序應(yīng)運而生，代表軟件有PREDITOP[6]、PEOPLE[7]、BEPITOPE[8]、BcePred[9]、ABCpred[10]、COBEpro[11]等。

1.1.2 T細胞表位預(yù)測方法

生物信息學預(yù)測T細胞表位包括細胞毒性T細胞（CTL）抗原表位的預(yù)測和輔助性T細胞（Th）抗原表位的預(yù)測兩種。近年來發(fā)展了許多預(yù)測方法，其中機器學習算法以高準確性、高效率被研究學者廣泛使用。機器學習算法預(yù)測抗原表位主要包括數(shù)據(jù)收集和處理、建立模型、參數(shù)優(yōu)化和表位預(yù)測等步 驟[12]。機器學習算法主要包括支持向量機器（SVMHC）、隱馬爾可夫模型（HMM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）等。隨著這些算法的提出，大量的計算機軟件或網(wǎng)絡(luò)服務(wù)器也隨即出現(xiàn)，如基于抗原蛋白氨基酸序列信息預(yù)測T細胞表位的有SYFPEITHI、BIMAS、EpiMatrix等[13]；基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測T細胞表位的有NN-align[14]、NetMHCIIpan-2.0[15]等；基于矩陣方法預(yù)測T細胞表位的有ProPred[16]、PREDBALB/c[17]等。

1.2 構(gòu)象性表位的預(yù)測方法

相對于線性表位的研究，構(gòu)象性表位預(yù)測研究進展比較緩慢。但近幾年來，隨著生物信息學和生物學技術(shù)的快速發(fā)展，一些基于蛋白質(zhì)結(jié)構(gòu)信息的預(yù)測軟件已經(jīng)發(fā)布，如Kale等[18]的CEP軟件、Andersen等[19]的DiscoTope軟件、Castrignanò等[20]的MEPS軟件、Violaine等[21]的PEPOP軟件等。

另一類預(yù)測構(gòu)象性表位的方法是通過對比噬菌體展示技術(shù)產(chǎn)生的模擬肽（mimotope）序列來尋找最佳表位區(qū)域。噬菌體展示技術(shù)起源于20世紀80年代，經(jīng)過幾十年的發(fā)展，已經(jīng)廣泛應(yīng)用于過敏原表位的研究，并已取得一定的研究成果。該方法通過特異性的靶分子從噬菌體環(huán)肽庫中篩選出模擬構(gòu)象性表位的陽性克隆子，以其所展示的氨基酸序列為模板，結(jié)合目標過敏原蛋白的三維結(jié)構(gòu)，然后利用生物信息學方法定位過敏原構(gòu)象性表位[22]。代表算法有Findmap[23]、3DEX[24]、MIMOX[25]、Pepitope[26]、SiteLight[27]、MIMOP[28]、Mapitope[29]、PepSurf[30]、Pep-3D-Search[31]、EpiSearch[32]、LocaPep[33]等。盡管預(yù)測算法多樣，但這類預(yù)測方法的主要缺陷在于需要在某些特定實驗條件下進行預(yù)測，而且只能預(yù)測出已知相應(yīng)抗體的抗原表位。在需要長期研究解決的一些問題中，開發(fā)更為有效的預(yù)測算法和尋找到更合理可靠的表位特性將是今后研究的方向。

2 生物信息學方法在食品過敏原表位預(yù)測中的應(yīng)用

食品過敏是由食品過敏原引起的一種變態(tài)反應(yīng)，已成為一個重大的公共衛(wèi)生與安全問題。食品過敏原按照來源可分為動物性食物過敏原和植物性食物過敏原兩大類。生物信息學技術(shù)在食品過敏原表位預(yù)測中的應(yīng)用已經(jīng)引起了國內(nèi)外學者的注意，并取得了一些研究成果。

2.1 動物性食物過敏原表位的預(yù)測

2.1.1 牛乳

牛乳過敏常發(fā)生在兒童當中，牛乳中含有20多種蛋白質(zhì)，其 中酪蛋白、α-乳白蛋白和β-乳球蛋白被認為是主要過敏原。Li Xin等[34]利用DNAstar軟件，選擇親水性、柔韌性、抗原指數(shù)、表面可及性等參數(shù)并結(jié)合二級結(jié)構(gòu)來分析水牛乳β-乳球蛋白表位，預(yù)測到5個可能性表位氨基酸序列區(qū)域：30～45、67～78、97～115、124～141和150～156。另外，文學方[2]則采用噬菌體隨機環(huán)七肽庫篩選并采用Mapitope軟件進行比對，得到2個牛乳α-乳白蛋白構(gòu)象型表位區(qū)：T33S34Q39A40Q54和D46S47N56D63 D64Q65N66P67H68S69S70N71。隨后，劉法輝[35]又通過噬菌體展示技術(shù)和生物信息學方法成功定位了β-酪蛋白的4個構(gòu)象性表位。

2.1.2 雞蛋

雞蛋營養(yǎng)豐富，含有人體8種必需氨基酸，是人體蛋白質(zhì)的重要來源。雞蛋過敏主要發(fā)生于嬰幼兒和兒童當中。雞蛋過敏成分主要為蛋清中的糖蛋白，包括卵類黏蛋白、卵白蛋白、卵轉(zhuǎn)鐵蛋白和溶菌酶[36]。近年來，利用生物信息學技術(shù)預(yù)測雞蛋過敏原表位報道較為少見。佟平等[3]通過分析雞蛋卵轉(zhuǎn)鐵蛋白的抗原指數(shù)、親水性、蛋白表面可及性及柔韌性，對其B細胞線性表位進行預(yù)測，得出7個潛在表位氨基酸區(qū)域：174～181、215～222、231～240、288～294、332～344、415～429和547～555。

2.1.3 魚

魚是飲食中蛋白重要來源之一，也是一種主要過敏性食物，魚類過敏一般 不會隨年齡的增長而消失。魚最主要的過敏原蛋白為Gad c1，最初發(fā)現(xiàn)于鱈魚中并被稱為過敏原M，該蛋白存在于很多魚類中[36]。Eva等[37]通過噬菌體模擬5個肽段，并結(jié)合結(jié)構(gòu)數(shù)據(jù)和生物信息學軟件分析魚過敏蛋白Gad c1構(gòu)象型表位，得出3個主要表位區(qū)域，其中2個分別位于AB-CD區(qū)域和CD-EF區(qū)域交接之處，另一個表位位于EF區(qū)域中。

2.1.4 甲殼類水產(chǎn)動物

甲殼類水產(chǎn)動物引起的過敏反應(yīng)一般是終身的，對嬰兒和成人都有影響[38]。甲殼類水產(chǎn)動物包括甲殼綱動物和軟體動物，引起過敏反應(yīng)一般為甲殼綱動物，其中研究最多的是蝦類[39]。原肌球蛋白是甲殼類水產(chǎn)動物的主要過敏原成分，分子質(zhì)量為36 ku[36]。Zheng等[40]利用3種免疫信息學工具預(yù)測斑節(jié)對蝦原肌球蛋白的潛在IgE線性表位，并通過斑點免疫印跡抑制實驗驗證得到了10個潛在表位，確定了其中8個主要過敏原表位。黃素文等[41]利用DNAstar軟件并結(jié)合二級結(jié)構(gòu)分析淡水小龍蝦過敏原蛋白Pro c1的潛在T細胞表位，成功預(yù)測出氨基酸序列14～16、27～30、131～137、159～162為潛在的T細胞抗原表位。

2.2 植物性食物過敏原表位的預(yù)測

2.2.1 花生

花生過敏是食品過敏導(dǎo)致死亡的首要原因，并且患者往往是終身過敏，僅有10%～20%的過敏兒童會隨著年齡的增長而產(chǎn)生免疫耐受[36]。目前被國際免疫聯(lián)合會命名小組委員會認可的花生過敏原有11種（Ara h 1-11）[42]。胡純秋等[43]利用SPOMA和DNAStar軟件預(yù)測花生過敏原Ara h 2.02（Ara h 2異構(gòu)體）的二級結(jié)構(gòu)并分別預(yù)測其抗原指數(shù)、親水性、表面可及性、柔韌性等參數(shù)，預(yù)測到該蛋白的B細胞抗原表位，分別在氨基酸序列28～31、56～73、76～90、92、148、156～158、168～169區(qū)域。另外，Pascal等[44]利用人工神經(jīng)網(wǎng)絡(luò)定位花生過敏原Ara h2的T 細胞表位，發(fā)現(xiàn)了4個潛在表位，其中3個表位（氨基酸序列21～65、81～125和121～145）結(jié)果與其他學者相同，而氨基酸序列區(qū)域6～25為新發(fā)現(xiàn)的表位。朱盼等[45]利用生物信息學軟件及網(wǎng)絡(luò)服務(wù)器成功的預(yù)測了花生主要過敏原Ara h 6的線性表位和構(gòu)象性表位，其中線性表位優(yōu)勢區(qū)域為：氨基酸序列10～15、45～48、53～60和116～118區(qū)域；構(gòu)象性表位為：氨基酸序列1～13、35～51、53～59和89～105區(qū)域。Rougé等[46]預(yù)測出Ara h 3的8個表位區(qū)域：氨基酸序列49～63、94～108、187～204、217～225、283～291、319～327、337～357和490～513區(qū)域，并通過分子建模得出前7個表位位于蛋白結(jié)構(gòu)內(nèi)部，在腸道運輸過程中能夠抗蛋白酶消化。

2.2.2 大豆

大豆因含有豐富的蛋白質(zhì)和營養(yǎng)成分廣受人們喜愛，但其過敏性危害不容忽視。大豆引起的過敏反應(yīng)主要表現(xiàn)為口周紅斑、唇腫、口腔疼痛、舌咽腫、惡心和嘔吐等，但一般不構(gòu)成生命威脅[47]。大豆主要過敏原包括大豆球蛋白、β-conglycinin、Gly m Bd 60K、Gly m Bd 30K 和Gly m Bd 28K。Sun Xiulan等[48]利用DNAstar軟件、SOPMA 服務(wù)器和BepiPred 1.0對大豆過敏原β-conglycinin進行表位預(yù)測，預(yù)測出15個表位區(qū)域，其中11個鑒定為主要表位區(qū)域。單曉紅等[49]運用生物信息學方法預(yù)測出另一大豆過敏原Gly m Bd 30K的4個潛在表位區(qū)域，分別在氨基酸序列80～85、103～106、217～220和355～360區(qū)域。

2.2.3 小麥

通過對人群做小麥陽性測試，發(fā)現(xiàn)高達0.5%的兒童對小麥過敏，而成年人的這一比例會更高，在1%～3%之間[50]。對小麥粉過敏主要通過吸入（如面包師哮喘）和攝入（如食物過敏和乳糜瀉）[51]。其中，小麥可溶性球蛋白和清蛋白可以與IgE結(jié)合，這些蛋白屬于α-淀粉酶抑制劑家族；α-淀粉酶抑制劑、過氧化物酶、脂轉(zhuǎn)移蛋白質(zhì)和絲氨酸蛋白酶抑制劑可以引起食物過敏和呼吸道過敏性疾病[51]。而小麥醇溶蛋白中的γ-醇溶蛋白和ω5-醇溶蛋白是引發(fā)小麥食物依賴運動激發(fā)過敏癥的主要過敏原[52]，α-醇溶蛋白中的57～89之間的33個氨基酸是引起含有乳糜瀉易感基因患者發(fā)生過敏反應(yīng)的主要原因[53]。任曉霞等[54]利用DNAstar軟件和BLAST軟件分析蕎麥過敏原蛋白（TBa），發(fā)現(xiàn)表位區(qū)域E1位于其結(jié)構(gòu)保守區(qū)，即Cupin超家族區(qū)域，其中39、42、47、52和54位氨基酸為關(guān)鍵氨基酸。該結(jié)論與Camille等[55]報道的甜蕎13S球蛋白的一個表位區(qū)域非常相似。

2.2.4 果蔬類

果蔬類食物一直是人們所喜愛的一類食品，但部分人群會對其產(chǎn)生過敏反應(yīng)。夏宏林等[56]采用生物信息軟件預(yù)測蘋果過敏原Mal d 4蛋白抗原表位，得出B細胞表位和T細胞表位的共同抗原表位區(qū)域為氨基酸序列53～61、85～93，并通過比對同源序列和模擬空間構(gòu)象得知Mal d 4蛋白與桃、芒果、甜櫻桃、草莓中的前纖維蛋白氨基酸序列同源性達88%以上且空間構(gòu)象相似。朱倩倩等[57]通過生物信息學軟件SOPMA、DNAstar軟件等預(yù)測到了腰果主要過敏原蛋白Ana o2的抗原表位，可能位于氨基酸序列108～111、181～186、217～218、234～238、244～255和283～287區(qū)域。

3 結(jié) 語

目前，食品過敏已經(jīng)成為食品安全研究熱點之一。表位是引起過敏反應(yīng)的結(jié)構(gòu)基礎(chǔ)，所以對表位的精確預(yù)測和定位能夠為開發(fā)低過敏或無過敏食品提供明確的靶標。在表位預(yù)測方面，生物信息學顯示了其無窮的魅力，已經(jīng)廣泛應(yīng)用于食品過敏原表位的研究。隨著生物信息學的快速發(fā)展，已經(jīng)出現(xiàn)了許多軟件和網(wǎng)絡(luò)服務(wù)器能準確地預(yù)測過敏原表位。但是，生物信息學的局限性在于其對網(wǎng)絡(luò)數(shù)據(jù)庫具有高度的依賴性，從而限制了其應(yīng)用范圍；而且生物信息學預(yù)測表位僅僅是一種理論預(yù)測。因此，需要結(jié)合傳統(tǒng)的生物學方法和免疫學實驗才能精確定位過敏原表位。盡管如此，生物信息學技術(shù)以其快速高效的特點在食品過敏原表位預(yù)測方面被研究者廣泛運用，顯示了其巨大的潛能和廣闊的前景。

[1] SICHERER S H, SAMPSON H A. Food allergy[J]. Journal of Allergy and Clinical Immunology, 2010, 125(2): 116-125.

[2] 文學方. 牛乳中α-乳白蛋白的表位定位研究[D]. 南昌: 南昌大學, 2010.

[3] 佟平, 高金燕, 陳紅兵, 等. 雞蛋卵轉(zhuǎn)鐵蛋白過敏原B細胞線性表位的預(yù)測研究[J]. 食品科學, 2011, 32(17): 225-229.

[4] KORBER B, LABUTE M, YUSIM K. Immunoinformatics comes of age[J]. PLoS Computational Biology, 2006, 2(6): 484-492.

[5] 張偉. 抗原表位的研究進展及其應(yīng)用[J]. 中國血吸蟲病防治雜志, 2012, 24(1): 99-103.

[6] PELLEQUER J L, WESTHOF E. PREDITOP. A program for antigenicity prediction[J]. Journal of Molecular Graphics, 1993, 11(3): 204-210.

[7] ALIX A J. Predictive estimation of protein linear epitopes by using the program PEOPLE[J]. Vaccine, 1999, 18(3/4): 311-314.

[8] ODORICO M, PELLEQUER J L. BEPITOPE: predicting the location of continuous epitope and patterns in proteins[J]. Journal of Molecular Recognition, 2003, 16(1): 20-22.

[9] SAHA S, RAGHAVA G P S. Artificial immune systems[M]. Berlin Heidelberg: Springer, 2004: 197-204.

[10] SAHA S, RAGHAVA G P S. Prediction of continuous B-cell epitopes in an antigen using recurrent neural network[J]. Proteins: Structure, Function, and Bioinformatics, 2006, 65(1): 40-48.

[11] MICHAEL J, PIERRE B. COBEpro: a novel system for predicting continuous B-cell epitopes[J]. Protein Engineering, Design and Selection, 2009, 22(3): 113-120.

[12] 文雪霞, 陳化蘭, 熊永忠, 等. 抗原表位鑒定方法的研究進展[J]. 中國畜牧獸醫(yī), 2012, 39(7): 66-70.

[13] JAN M, MENG S, CHEN N C, et al. In ammatory and autoimmune reactions in atherosclerosis and vaccine design informatics[J]. Journal of Biomedicine and Biotechnology, 2010:459798. doi: 10.1155/2010/459798.

[14] NIELSEN M, LUND O. NN-align. An artificial neural network-based alignment algorithm for MHC class II peptide binding prediction[J]. BMC Bioinformatics, 2009, 10: 10. doi: 1186/1471-2105-10-296.

[15] NIELSEN M, JUSTESEN S, LUND O, et al. NetMHCIIpan-2.0-Improved pan-specific HLA-DR predictions using a novel concurrent alignment and weight optimization training procedure[J]. Immunome Research, 2010,6: doi: 10.1186/1745-7580-6-9.

[16] STURNIOLO T, BONO E, DING J, et al. Generation of tissue-specific and promiscuous HLA ligand database using DNA microarrays and virtual HLA class Ⅱ matrices[J]. Nature Biotechnology, 1999, 17(6): 555-561.

[17] ZHANG G L, SRINIVASAN K N, VEERAMANI A, et al. PREDBALB/C: a system for the prediction of peptide binding to H2dmolecules, a haplotype of the BALB/c mouse[J]. Nucleic Acids Research, 2005, 33(2): 180-183.

[18] URMILA K K, SHRIRAM B, KOLASKAR A S. CEP: a conformational epitope prediction server[J]. Nucleic Acids Research, 2005, 33(2): 168-171.

[19] ANDERSEN P H, NIELSEN M, LUND O. Prediction of residues in discontinuous B-cell epitopes using protein 3D structures[J]. Protein Science, 2006, 15(11): 2558-2567.

[20] CASTRIGNANò T, DEMEO P, CARRABINO D, et al. The MEPS server for indentifying protein conformational epitopes[J]. BMC Bioinformatics, 2007, 8(1): 6-10.

[21] MOREAU V, FLEURY C, PIQUER D, et al. PEPOP: computational design of immunogenic peptides[J]. BMC Bioinformatics, 2008, 9(1): 71. doi: 10.1186/1471-2105-9-71.

[22] 李欣, 陳紅兵. 食物過敏原構(gòu)象性表位鑒別的研究進展[J]. 食品科學, 2012, 33(17): 279-283.

[23] MUMEY B M, BAILEY B W, KIRKPATRICK B, et al. A new method for mapping discontinuous antibody epitopes to reveal structural features of proteins[J]. Journal of Computational Biology, 2003, 10(3/4): 555-567.

[24] SCHREIBER A, HUMBERT M, BENZ A, et al. 3D-Epitope-Explorer (3DEX): localization conformational epitopes within three-dimensional structures of proteins[J]. Journal of Computational Chemistry, 2005, 26(9): 879-887.

[25] HUANG J, GUTTERIDGE A, HONDA W, et al. MIMOX: a web tool for phage display based epitope mapping[J]. BMC Bioinformatics, 2006, 7(1): 451-460.

[26] MAYROSE I, PENN O, EREZ E, et al. Pepitope: epitope mapping from affinity-selected peptides[J]. Bioinformatics, 2007, 23: 3244-3246.

[27] HALPERIN I, WOLFSON H, NUSSINOV R. SiteLight: bindingsite prediction using phage display libraries[J]. Protein Science, 2003, 12(7): 1344-1359.

[28] MOREAU V, GRANIER C, VILLARD S, et al. Discontinuous epitope prediction based on mimotope analysis[J]. Bioinformatics, 2006, 22(9): 1088-1095.

[29] BUBLIL E M, FREUND N T, MAYROSE I, et al. Stepwise prediction of conformational discontinuous B-cell epitopes using the mapitope algorithm[J]. Proteins: Structure, Function, and Bioinformatics, 2007, 68(1): 294-304.

[30] MAYROSE I, SHLOMI T, RUBINSTEIN N D, et al. Epitope mapping using combinatorial phage-display libraries: a graph-based algorithm[J]. Nucleic Acids Research, 2007, 35(1): 69-78.

[31] HUANG Yanxin, BAO Yongli, GUO Shuyan, et al. Pep-3D-Search: a method for B-cell epitope prediction based on mimotope analysis[J]. BMC Bioinformatics, 2008, 9(1): 538.

[32] NEGI S S, BRAUN W. Automated detection of conformational epitopes using phage display peptide sequences[J]. Bioinformatics and Biology Insights, 2009(3): 71-8 1.

[33] PACIOS L F, TORDESILLAS L, PALACIN A, et al. LocaPep: localization of epitopes on protein surfaces using peptides from phage display libraries[J]. Journal of Chemical Information and Mode ling, 2011, 51(6): 1465-1473.

[34] LI Xin, CHEN Hongbing, TONG Ping, et al. Epitope mapping of buffalo beta-lactoglobu lin against rabbit polyclonal antibody following phage display technique[J]. Journal of Food Biochemistry, 2012, 36(1): 56-65.

[35] 劉法輝. 牛乳中β-酪蛋白 構(gòu)象性表位定位研究[D]. 南昌: 南昌大學, 2011.

[36] 謝明勇, 陳邵軍. 食品安全導(dǎo)論[M]. 北京: 中國農(nóng)業(yè)大學出版社, 2009: 97-98.

[37] UNTERSMAYR E, SZALAI K, RIEMER A B, et al. Mimotopes identify conformational epito pes on parvalbumin, the major fish allergen[J]. Molecular Immunology, 2006, 43(9): 1454-1461.

[38] LOPATA A L, O’HEHIR R E, LEHRER S B. Shellfish allergy[J]. Clinical & Experimental Allergy, 2010, 40(6): 850-858.

[39] AYUSO R, S?NCHEZ-GARCIA S, PASCAL M, et al. Is epitope recognition of shrimp a llergens useful to predict clinical reactivity?[J]. Clinical & Experimental Allergy, 2012, 42(2): 293-304.

[40] ZHENG L N, LIN H, PAWAR R, et al. Mapping IgE binding epitopes of major shrimp (Penaeus monodon) allergen with immunoinformatics tools[J]. Food and Chemical Toxicology, 2011, 49(11): 2954-2960.

[41] 黃素文, 楊文潮, 朱海, 等. 淡水小龍蝦主要過敏原原肌球蛋白基因的克隆、表達及其免疫活性鑒定[J]. 中國免疫學雜志, 2011, 27(7): 642-647.

[42] JIN Tengchuan, GUO Feng, CHEN Yuwei, et al. Crystal structure of Ara h3, a major allergen in peanut[J]. Molecular Immunology, 2009, 46(8/9): 1796-1804.

[43] 胡純秋, 高金燕, 羅春萍,等. 花生過敏原ARA H 2.02二級結(jié)構(gòu)和B細胞抗原表位預(yù)測[J]. 食品科學, 2009, 30(21): 13-15.

[44] PASCAL M, KONSTANTINOU G N, MASILAMANI M, et al. In silico prediction of Ara h 2 T cell epitopes in peanut-allergic children[J]. Clinical & Experimental Allergy, 2013, 43(1): 116-127.

[45] 朱盼, 陳紅兵, 胡純秋,等. 基于表位預(yù)測的花生過敏原ARA H 6 免疫交叉反應(yīng)性研究[J]. 食品科學, 2010, 31(17): 318-322.

[46] ROUGE P, CULERRIER R, SABATIER V, et al. Mapping and conformational analysis of IgE-binding epitopic regions on the molecular surface of the major Ara h 3 legumin allergen of peanut (Arachis hypogaea)[J]. Molecular Immunology, 2009, 46(6): 1067-1075.

[47] 方旭前, 朱友林, 邱麗娟. 大豆過敏原與低過敏原種質(zhì)創(chuàng)新[J]. 遺傳, 2006, 28(8): 1043-1050.

[48] SUN Xiulan, SHAN Xiaohong, YAN Zihe, et al. Prediction and characterization of the linear IgE epitopes for the major soybean allergen β-conglycinin using immunoinformatics tools[J]. Food and Chemical Toxicology, 2013, 56: 254-260.

[49] 單曉紅, 孫秀蘭, 管露,等. 大豆主要過敏原GLY M BD 30K抗原決定簇表征預(yù)測研究[J]. 分析科學學報, 2012, 28(6): 771-774.

[50] ZUIDMEER L, GOLDHAHN K, RONA R J, et al. The prevalence of plant food allergies: a systematic review[J]. Journal of Allergy and Clinical Immunology. 2008, 121(5): 1210-1218.

[51] LARRé C, LUPI R, GOMBAUD G, et al. Assessment of allergenicity of diploid and hexaploid wheat genotypes: identification of allergens in the albumin/globulin fraction[J]. Journal of Proteomics. 2011, 74(8): 1279-1289.

[52] MORITA E, YAMAMRUA Y, MIHARA S, et al. Food-dependent exercise-induced anaphylaxis: a report of two cases and determination of wheat-gamma-gliadin as the presumptive allergen[J]. British Journal of Dermatology, 2000, 143(5): 1059-1063.

[53] SABATINO A D, CORAZZA G R. Coeliac disease[J]. The Lancet, 2009, 373: 1480-1493.

[54] 任曉霞, 張昕, 崔曉東,等. 苦蕎過敏原TBA的表位突變及免疫活性鑒定[J]. 食品科學, 2010, 31(13): 169-173.

[55] CAMILLE S, RAPHAE C, CLAUDE G, et al. IgE-binding epitopic peptide mapping on a three-dimensional model built for the 13S globulin allergen of buckwheat (Fagopyrum esculentum)[J]. Peptides, 2009, 30(6): 1021-1027.

[56] 夏宏林, 何穎, 鄒澤紅, 等. 蘋果過敏原MAL D 4蛋白抗原表位預(yù)測及交叉反應(yīng)分析[J]. 中國免疫學雜志, 2012, 28(1): 57-61.

[57] 朱倩倩, 吳序櫟, 肖杰, 等. 腰果過敏原ANA O2結(jié)構(gòu)及抗原表位預(yù)測[J]. 食品與生物技術(shù)學報, 2012, 31(2): 141-145.

Application of Bioinformatics Technology in Prediction of Food Allergen Epitopes

LONG Wei1,2, LI Xin1,2, GAO Jin-yan1, CHEN Hong-bing2,3,*
(1. Department of Food Science, College of Life Sciences and Food Engineering, Nanchang University, Nanchang 330047, China; 2. State Key Laboratory o f Food Science and Technology, Nanchang University, Nanchang 330047, China; 3. Sino-German Joint Research Institute, Nanchang University, Nanchang 330047, China)

Epitopes are the material basis of reactions between allergens and antibodies. Bioinformatics can provide a basis for the prediction of both linear epitopes and conformational epitopes. The prediction of linear epitopes is based on the physicochemical properties of the allergenic protein. The prediction of conformational epitopes is based on protein structural information in combination with phage display technology. The epitope prediction based on bi oinformatics is mainly applied on animal-derived food allergens, such as milk, eggs, fish and crustaceans as well as on plant-derived food allergens, such as peanuts, soybeans, wheat and vegetables.

bioinformatics; food allergy; epitope prediction

TS201.6

A

1002-6630（2014）03-0259-05

10.7506/spkx1002-6630-201403051

2013-04-10

國家“863”計劃項目（2013AA102205）；國家國際科技合作專項（2013DFG31380）；

國家自然科學基金項目（31171716；31260204）；高等學校博士學科點專項科研基金項目（20113601110003）；南昌大學食品科學與技術(shù)國家重點實驗室項目（SKLF-ZZA-201302；SKLF-ZZB-201302）

龍偉（1991—），男，碩士研究生，研究方向為食品科學。E-mail：longweida520@163.com

*通信作者：陳紅兵（1967—），男，教授，博士，研究方向為食品營養(yǎng)與安全。E-mail：chbgjy@hotmail.com