JP2022512612A - 結合親和性予測のための方法及びシステム並びに候補タンパク質結合ペプチドを生成する方法 - Google Patents
結合親和性予測のための方法及びシステム並びに候補タンパク質結合ペプチドを生成する方法 Download PDFInfo
- Publication number
- JP2022512612A JP2022512612A JP2021518717A JP2021518717A JP2022512612A JP 2022512612 A JP2022512612 A JP 2022512612A JP 2021518717 A JP2021518717 A JP 2021518717A JP 2021518717 A JP2021518717 A JP 2021518717A JP 2022512612 A JP2022512612 A JP 2022512612A
- Authority
- JP
- Japan
- Prior art keywords
- query
- binder
- sequence
- target
- amino acid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 108090000765 processed proteins & peptides Proteins 0.000 title claims abstract description 155
- 230000027455 binding Effects 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 137
- 102000004196 processed proteins & peptides Human genes 0.000 title claims description 35
- 239000011230 binding agent Substances 0.000 claims abstract description 79
- 125000003275 alpha amino acid group Chemical group 0.000 claims abstract description 46
- 230000036961 partial effect Effects 0.000 claims abstract description 45
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 19
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 32
- 125000000539 amino acid group Chemical group 0.000 claims description 20
- 229960005486 vaccine Drugs 0.000 claims description 11
- 108091028043 Nucleic acid sequence Proteins 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000002864 sequence alignment Methods 0.000 claims description 5
- 230000003612 virological effect Effects 0.000 claims description 4
- 230000001580 bacterial effect Effects 0.000 claims description 3
- 230000005945 translocation Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract 1
- 108700018351 Major Histocompatibility Complex Proteins 0.000 description 103
- 230000020382 suppression by virus of host antigen processing and presentation of peptide antigen via MHC class I Effects 0.000 description 97
- 238000013459 approach Methods 0.000 description 63
- 108700028369 Alleles Proteins 0.000 description 41
- 238000012549 training Methods 0.000 description 41
- 150000001413 amino acids Chemical class 0.000 description 27
- 238000012360 testing method Methods 0.000 description 27
- 235000008694 Humulus lupulus Nutrition 0.000 description 21
- 239000013638 trimer Substances 0.000 description 20
- 238000002474 experimental method Methods 0.000 description 14
- 238000005457 optimization Methods 0.000 description 14
- 239000000539 dimer Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 230000003993 interaction Effects 0.000 description 9
- 108091054437 MHC class I family Proteins 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 7
- 102000008949 Histocompatibility Antigens Class I Human genes 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 108020004414 DNA Proteins 0.000 description 5
- 108091054438 MHC class II family Proteins 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 102000018713 Histocompatibility Antigens Class II Human genes 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000178 monomer Substances 0.000 description 4
- 102000043129 MHC class I family Human genes 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000030741 antigen processing and presentation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000001717 pathogenic effect Effects 0.000 description 3
- 230000037361 pathway Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 102100028976 HLA class I histocompatibility antigen, B alpha chain Human genes 0.000 description 2
- 108010058607 HLA-B Antigens Proteins 0.000 description 2
- 108010088652 Histocompatibility Antigens Class I Proteins 0.000 description 2
- 210000001744 T-lymphocyte Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000002671 adjuvant Substances 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 208000010668 atopic eczema Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010647 peptide synthesis reaction Methods 0.000 description 2
- 229940023041 peptide vaccine Drugs 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000010399 physical interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002255 vaccination Methods 0.000 description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000995051 Brenda Species 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 238000001712 DNA sequencing Methods 0.000 description 1
- 229940021995 DNA vaccine Drugs 0.000 description 1
- 102100028972 HLA class I histocompatibility antigen, A alpha chain Human genes 0.000 description 1
- 102100028971 HLA class I histocompatibility antigen, C alpha chain Human genes 0.000 description 1
- 108010075704 HLA-A Antigens Proteins 0.000 description 1
- 108010052199 HLA-C Antigens Proteins 0.000 description 1
- 102000015789 HLA-DP Antigens Human genes 0.000 description 1
- 108010010378 HLA-DP Antigens Proteins 0.000 description 1
- 108010062347 HLA-DQ Antigens Proteins 0.000 description 1
- 102000006354 HLA-DR Antigens Human genes 0.000 description 1
- 108010058597 HLA-DR Antigens Proteins 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101001025416 Homo sapiens Homologous-pairing protein 2 homolog Proteins 0.000 description 1
- 102100037898 Homologous-pairing protein 2 homolog Human genes 0.000 description 1
- 102000043131 MHC class II family Human genes 0.000 description 1
- 102000018697 Membrane Proteins Human genes 0.000 description 1
- 108010052285 Membrane Proteins Proteins 0.000 description 1
- 241000475481 Nebula Species 0.000 description 1
- 108091034117 Oligonucleotide Proteins 0.000 description 1
- 241000282577 Pan troglodytes Species 0.000 description 1
- 108091005804 Peptidases Proteins 0.000 description 1
- 239000004365 Protease Substances 0.000 description 1
- 102000004245 Proteasome Endopeptidase Complex Human genes 0.000 description 1
- 108090000708 Proteasome Endopeptidase Complex Proteins 0.000 description 1
- 229940022005 RNA vaccine Drugs 0.000 description 1
- 238000003559 RNA-seq method Methods 0.000 description 1
- 102100037486 Reverse transcriptase/ribonuclease H Human genes 0.000 description 1
- 108091023040 Transcription factor Proteins 0.000 description 1
- 102000040945 Transcription factor Human genes 0.000 description 1
- 241000251539 Vertebrata <Metazoa> Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000033289 adaptive immune response Effects 0.000 description 1
- 239000013566 allergen Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000890 antigenic effect Effects 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000001815 biotherapy Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002619 cancer immunotherapy Methods 0.000 description 1
- 230000007248 cellular mechanism Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 231100000433 cytotoxic Toxicity 0.000 description 1
- 230000001472 cytotoxic effect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000001163 endosome Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000002998 immunogenetic effect Effects 0.000 description 1
- 238000000126 in silico method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000543 intermediate Substances 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 230000009149 molecular binding Effects 0.000 description 1
- 238000000302 molecular modelling Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000013612 plasmid Substances 0.000 description 1
- 238000003752 polymerase chain reaction Methods 0.000 description 1
- 125000002924 primary amino group Chemical class [H]N([H])* 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004007 reversed phase HPLC Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 238000012418 validation experiment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/30—Detection of binding sites or motifs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Crystallography & Structural Chemistry (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Peptides Or Proteins (AREA)
Abstract
Description
本開示は、バインダー分子と標的分子との間、例えばペプチドとタンパク質との間又はタンパク質のペア間の結合親和性の計算予測に関する。
一般に、本開示は、従来技術のポケットアプローチを、単量体の使用を超えて拡張させる、結合親和性を予測する方法及びシステムを提案する。したがって、ある実施形態において、ペプチド及びMHC分子の両方におけるコンテキストアミノ酸のn量体長さの残基(nは、2からペプチドの長さである)の影響を捕捉することが可能である。
ある実施形態による方法は、クエリ標的分子、例えばタンパク質に対するクエリバインダー分子、例えばペプチドの結合親和性の計算予測を可能とする。クエリバインダー分子及びクエリ標的分子は、それぞれのアミノ酸配列をそれぞれ有する。予測は、参照バインダー-標的ペアを含む参照データに基づいて作製され、それぞれのペアは、既知(実測)結合値を有し、それは、例えば、nMで測定されたIC50値又はIC50に基づく他の値であり得る。参照データは、本明細書において訓練データと称することもできる。
一例において、MHC結合溝に対するk量体ペプチド、例えば9量体の結合は、n量体相互作用の(k-n+1)の数として8つの2量体MHC-ペプチド結合ポケット相互作用、7つの3量体結合ポケット相互作用などとしてモデリングすることができる。本発明者らは、連続n量体セグメントのみを使用するこのアプローチを「連結」アプローチとして示す。図2(b)及び2(c)は、2量体及び3量体ペプチドHOPについての連結アプローチを説明する。
(式中、kは、完全ペプチドの長さである)により与えられる。例えば、2量体及び3量体について、
、及び
個の可能なn量体組み合わせがそれぞれ存在する。物理的解釈可能性から一層さらに外れる一方、ほとんどのn量体は、ここで、非連続的であるため、この分解アプローチは、クエリデータと参照データとの間で一致するMHC-ペプチド結合ポケット相互作用を見出す機会を大幅に増加させる。さらに、位置バイアスは、存在しない。本発明者らは、これを「完全」アプローチと呼ぶ。これを図2(g)に3量体について説明する。
- 接触位置は、kの非反復数(9量体について1から9)からなり、これは、ペプチド残基及び対応するMHC結合ポケット(例えば、接触マップに従って導出)の位置を示す。
- 高次ポケット(HOP)は、MHC-ペプチド結合複合体の実現、すなわち所与の接触位置におけるk結合ペプチド残基及び対応するMHC結合ポケットである。
- ペプチドHOPは、HOPのペプチド構成成分である。例えば、接触位置(1,3,4)及びペプチド「ABCDEFGHI」は、ペプチドHOP「ACD」をもたらす。
- MHC HOPは、図1に照らして上記考察のとおりHOPのMHC構成成分である。
H:(c,I,X)→(i,x)c (1)
(式中、Iは、MHC分子であり、Xは、ペプチドであり、c∈C(n)は、アプローチについての接触位置の集合C及び対象のn値のうちの単一接触位置である)。(i,x)cは、接触位置cにおけるI及びXのHOP実現を示し、iは、MHC HOPであり、xは、ペプチドHOPである。本発明者らは、MHC分子をI及びJにより、MHC HOPを対応する小文字i及びjにより、完全ペプチドをX及びYにより、ペプチドHOPを対応するx及びyにより示す。同じ接触位置cに属するHOPのみを直接比較できること並びに上記考察のとおりMHC及びペプチドアミノ酸配列中の好適な重複が存在する限り、不等のMHC-ペプチドペア(I,X)についていくつかの同一HOP(i,x)cに分解することが可能であることに留意すべきである。
(式中、{(j,y)c}は、c∈C(k)を有する全ての固有HOPの集合である)。さらに、Sim(i,j;x,y)は、任意の2つのHOP(i,x)cと(j,y)cとの間の定量的類似度スコアを提供する一般的な類似度メトリックである。重みは、一般式
(式中、{H(c,J,Y)=(j,y)c}は、MHC-ペプチドペア(J,Y)がHOP(j,y)cに分解する参照データ中の全ての成分の集合であり、wJYは、MHC-ペプチドペア(J,Y)と関連する変換結合親和性値である)により表すことができる。類似度演算子GlobalSim(I,J;X,Y)は、HOP非依存的であり、すなわちフレームワーク内で「グローバル」であり、任意の2つのMHC-ペプチドペア(I,X)と(J,Y)との間の定量的類似度スコアを提供する。ある実施形態において、GlobalSim(I,J;X,Y)≡1であり、それは、式(3)を、単に、HOP(j,y)cを含む全てのMHC-ペプチドペアについての結合親和性値の平均とするものに相当する。典型的には、全ての類似度メトリックは、0から1の範囲内であることが定義され、1は、完全な類似度を意味する一方、0は、類似度なし又は最小の類似度を意味する。
(式中、A(c)は、MHC-ペプチド結合相互作用においてある位置に他のものよりも大きい重要度を与えることを可能とするアンカー値重みである)により、クエリMHC-ペプチドペア(I,X)についての結合親和性予測を算出することが可能である。ペプチド位置2及び9は、HLA結合についてのそのような位置の例である。
(式中、N(n,Sim)は、対象のn及びSimについての固有HOP一致の数、すなわち式(4)中の全ての接触位置cにわたる式(2)中の非ゼロ和要素の数である)。残りの量、f(n,Sim)は、例えば、3量体に2量体の2倍の重要度が与えられるものとすることにより、いくつかの個々のアプローチを組み合わせる場合にフレキシビリティを可能とする重要度重み値である。式(5)は、複数のアプローチをアンサンブルする手法とみなすことができ、種々の類似度メトリック及びn値に基づくいくつかのモデルがそれぞれの結合親和性予測に寄与することを可能とする。
Sim(i,j;x,y)=MHCSim(i,j)・PepSim(x,y) (6)
(式中、MHCSim(i,j)は、MHC HOPのiとjとの間の類似度スコアを提供し、PepSim(x,y)は、ペプチドHOPのxとyとの間の類似度スコアを提供する)。
個のさらに多くの仮想ペプチドをもたらす。「完全」アプローチは、k>9の場合、
のため、大きいkについて仮想ペプチドの数の組み合わせによる急増をもたらすことに留意すべきである。「移動窓」アプローチと呼ばれる別のアプローチは、図9に説明され、それぞれの物理的11量体900についての3つの仮想ペプチド902をもたらす。
(式中、Nは、参照データ中に見出される完全HOP一致の数である)と記述することができる。
一部の実施形態において、類似度演算は、クエリペプチドHOPと参照ペプチドHOPとの間の配列類似度及び/又はクエリMHC HOPと参照MHC HOPとの間の配列類似度を決定することを含み得る。
と記述することができ、ペプチド配列類似度PepSeqSim(x,y)についても均等に記述することができる。パラメータαは、理解されるとおり、ソフト閾値を提供するために適用することができるチューニングパラメータである。なぜなら、それは、データを明確に除外せずに弱い類似度と比較して強力な類似度の影響を調節するためである(他方、ハード閾値は、閾値未満からゼロの類似度スコアを設定する)。このようなパラメータを訓練中にチューニングすることを可能とすることは、α=1の場合よりもかなり良好なモデル性能をもたらし得る。モデル性能は、観測及び予測結合値間のピアソン相関係数並びに訓練データ点により生成される受信者動作特性(ROC)曲線下面積(AUC)を使用して評価することができ、≦500nMのIC50値を結合クラスにあるとし、その閾値を超える値を有するものを非結合クラスにあるとする。これらのメトリックは、全体にわたりそれぞれPCC及びAUCと称される。
一部の実施形態において、類似度演算は、ネットワーク近傍類似度を決定することを含み得る。このような実施形態において、所与の接触位置cについて、MHC及びペプチドHOP構成成分i及びxがそれぞれ上位及び下位ノードである2部ネットワーク(グラフ)を生成することができる。任意の2つのMHC HOP間にも任意の2つのペプチドHOP間にも、直接的な連結もエッジ(リンク)も存在しない。全ての直接的なエッジは、MHC HOPとペプチドHOPとの間に存在し、関連するエッジ重みとしての結合親和性値を伴う。2部ネットワーク中の上位又は下位ノード(MHC又はペプチドHOP)にわたりこれらのエッジ重みの共分散を使用して、参照データ中に存在しないHOPについての予測を作製することが可能である。MHC HOP近傍類似度の場合、例えば、MHC-ペプチドHOPネットワークの重み付き1部射影は、MHC HOPの任意のペアにより共有される全てのペプチドHOPを、どのように同様にMHC HOPペアが共有ペプチドHOPの集合と相互作用したかを示す単一重み値により置き換えることにより決定される。重み値を決定するための複数の手法が存在するが、結合親和性のペア間の線形相関がPCC及びAUCに関して最良の性能を提供することが見出された。次いで、式(genSim)中のMHC HOP因子は、
(式中、Nは、MHC HOP(上位ノード)iとjとの間の共有近傍ペプチドHOP(下位ノード)yの数であり、w’は、対象の下付きMHC HOPペアについての有効結合親和性重み値である)と表現することができる(一般化フレームワークにおいて、式(3)をそれらの重み値にも適用することができる)。均等な式は、ペプチド近傍類似度PepNbrSim(x,y)について使用される。
(式中、aijは、ネットワークの重み付き隣接行列中の要素であり、kiは、ノードiの重み付き/非重み付き連結度(ノード強度/次数)である)により算出することができる。したがって、このメトリックの2部バージョンは、HOP近傍類似度メトリックとして使用することができ、すなわち式(10)の右辺を置き換えることができる。これは、
(式中、bwTOは、「2部重み付きトポロジー差」を意味し、i、jは、上位ノードであり、xは、下位ノードであり、kiは、wTO式中の連結度と均等な2部(下位近傍ノードの和)である)と表現することができる。分母がゼロである場合、bwTO値もゼロである。同様の「2部重み付きトポロジー差」(bwTD)メトリックを、式(10b)に代えて代替的に使用することができる。
配列及び近傍類似度の両方並びに他の可能な類似度アプローチについて、式(9)及び(10)において行われるとおり、チューニングパラメータαを適用して、非類似HOPと比較して類似のHOPに適切な結合親和性寄与が与えられるように類似度スコアを調整することが有利であり得る。類似度値が1(同一)から0(非類似)の範囲である実施形態において、αを適用して類似度値間の比を調整する一方、それらのオーダリングを保存することができる。最小類似度スコアの形態又は固定最大数mの類似スコアの形態のいずれかで類似度カットオフを適用することも有利であり得る。MHC配列類似度の場合、例えばMHCSim=MHCSeqSimであり、PepSimが2元類似度メトリックのベーシックである場合、式(2)は、
(式中、jからmの和は、単に、MHC HOPのiと最も類似するm個のMHC HOPのjを合計することを意味する)と記述することができる。
一般フレームワークにおいて、類似度メトリック特異的パラメータ、例えばチューニングパラメータ及びカットオフ値から、より一般的に適用可能なパラメータ、例えばアンカー位置重み及びアプローチ重要度重みf(n,Sim)までの範囲のいくつかのフリーパラメータが存在する。種々の最適化戦略、例としてローカル及びグローバル法の両方をそれらのパラメータを見出すために使用することができる。
1つの実装において、式(2)、(4)及び(5)における結合親和性予測は、参照データに対する適切なHOP分解を実行し、1つ以上の辞書又はハッシュ表中にその結果を保存し、次いでそれぞれのクエリHOPについて、保存された結果のルックアップを実行することにより決定することができる。重み付き和は、異なるHOP分解、類似度メトリックなどをループさせることにより計算することができる。
(式中、yは、訓練データと関連する結合親和性値を含む形状の列ベクトル(#訓練データ行×1)であり、IIは、yと同じ形状を有する単位ベクトルであり、Pは、予測を含む形状の予測ベクトル(#テストデータ行×1)である)により見出すことができる。
演算子は、要素毎の除算を示し、したがって、最も右側の括弧は、正規化を含むとみなすことができる。
)を単に実行する。参照のため、Aは、最大N個の固有値を有し、全ての列は、等しい要素からなる(これは、同じHOPであるため)。実装の点で、これは、見かけほど煩雑ではない。なぜなら、密H型行列の作製を回避するAのこの予測可能な構造を利用することができるためである。同じことは、Mを用いる上記演算に当てはまる。アンカーを適用する。
1.(データ行pから分解された)それぞれのHOPについて、データ中に存在するm個の最も類似するHOPを見出す。
2.それぞれのHOPについて、1において見出されたm個のヒットに一致するHOP IDのqを見出す。
3.要素(p,q)を、Sim及びαにより与えられる原点HOPと類似HOPとの間の類似度スコアと等しいものとする。
H=HBasic+HSimA+HSimB+...(15)
になるように複数の類似度について行うことができる。
Htrain=Htrain Basic+Htrain NbrSim(16)
- 上記の分解法の1つ又は組み合わせを使用してk量体を仮想ペプチド-MHCペアに変換する。
- 結合親和性値をそれぞれの仮想ペプチド-MHCペアについて予測する(以下では「仮想予測」と呼ぶ)。
- k量体の結合親和性を以下の1つにより見出す:
〇最良(最小IC50値)仮想予測の値を選択すること。
〇全ての仮想予測の平均(平均値、中央値など)を算出すること。
〇仮想予測の部分集合、例えば上位10%又は上位3%の最良の値を平均すること。
〇仮想ペプチド-MHCペア重要度重みの集合を取得することができる場合、全ての仮想予測の重み付き平均を実行すること。
ベーシック汎アレル法
図2(h)に概略的に示され、「完全1、2、3量体」と表示されたHOP分解を使用してベーシック汎アレル法(式(7)及び(8))を適用した。本発明者らは、式(4)及び(5)中のアンカー及びアプローチ重み値A(c)及びf(n)にわたる最適化もそれぞれ可能とした。上記概説の検証実験を使用して、本発明者らは、1、2及び3量体ベーシック汎アレル法について表1に示される性能を得た。ここで、表のそれぞれは、記載の技術を実証するための9量体についてのものである。本方法は、Kim09-Kim13実験について0.920のAUC値及び0.752のPCC値を提供し、Kim09 5分割交差検証と同等の値である。これらの値は、方法論的に同等のツール、例えばPickPocket、Nebula及びsNebulaについての報告値を上回る。したがって、有利には、本方法のベーシック汎アレルバージョンは、アレル特異的アプローチと競合する予測を達成し得るが、大量の訓練データを要求せずに達成し得る。
式(9)の使用による配列類似度推論の加算は、訓練データのサイズを有効に増加させ、クエリHOPと十分に類似する配列を有するMHC-ペプチドペアから生じるデータ点も加算する。配列類似度アプローチは、上記概説のとおりMHC HOP、ペプチドHOP又はその両方に関して同時に適用することができる。以下の結果を生成するため、本発明者らは、単一因子類似度メトリック、すなわちMHC及びペプチド配列類似度のみを考慮し、上記類似度因子の両方を組み合わせる高次配列類似度メトリックを考慮しなかった。
近傍類似度法は、配列類似度法と同様に、参照データにわたる結合特徴を共有するMHC及びペプチドHOPからの寄与を上記のとおり含めるベーシック法への拡張である。
配列類似度及び近傍類似度アプローチを組み合わせることは、訓練データインピュテーションと配列類似度推論との組み合わせを活用することにより、配列及びネットワーク近傍類似度戦略の両方の利点を本方法が取り込むことを可能とする。組み合わせ戦略について、本発明者らは、3よりも長い長さのn量体HOPを許容し、それは、大部分、テストデータが訓練データに密接に類似した場合、わずかな性能増加をもたらし、そうでなければオーバーフィッティング傾向に起因して有意な減少を伴った。したがって、LOAO実験は、上記のとおり1、2及び3量体に制限された。組み合わせLOAO結果は、配列類似度アプローチのものと密接に類似するが、ほぼ全てのアレルについてわずかからかなりの改善があり、平均AUC=0.921及びPCC=0.731をもたらした。
Claims (17)
- クエリ標的分子に対するクエリバインダー分子の結合親和性を予測するコンピュータ実装方法であって、前記クエリバインダー分子は、第1のアミノ酸配列を有し、及び前記クエリ標的分子は、第2のアミノ酸配列を有し、前記方法は、
少なくとも1つのプロセッサを用いて、それぞれのペアになった参照バインダー配列及び参照標的配列を含む参照バインダー-標的ペアの参照データストアにアクセスすることであって、それぞれの参照バインダー-標的ペアは、関連する既知の結合値を有する、アクセスすること;
前記少なくとも1つのプロセッサを用いて、前記第1のアミノ酸配列にわたって集合的にスパンする1つ以上のクエリバインダー部分配列の集合としての前記第1のアミノ酸配列の表示を生成することであって、それぞれのクエリバインダー部分配列は、前記第1のアミノ酸配列に沿ったそれぞれの位置における1つ以上のアミノ酸残基を含む、生成すること;
前記クエリバインダー部分配列の集合のそれぞれのクエリバインダー部分配列について、前記第2のアミノ酸配列中の接触アミノ酸残基の接触位置を決定し、且つ前記接触アミノ酸残基から対応するクエリ標的部分配列をアセンブルして、それによりクエリバインダー-標的部分配列ペアを生成すること;
前記少なくとも1つのプロセッサを用いて、前記参照バインダー-標的ペアから、複数の参照バインダー-標的部分配列ペアを含む参照データセットを生成することであって、それぞれの参照バインダー-標的部分配列ペアは、それぞれのクエリバインダー部分配列のものに対応する位置における前記それぞれの参照バインダー配列のアミノ酸残基を含む参照バインダー部分配列、及び前記接触位置におけるそれぞれの参照標的配列のアミノ酸残基を含む参照標的部分配列を含み;それぞれの参照バインダー-標的部分配列ペアは、それが生成された前記参照バインダー-標的ペアの前記既知の結合値に基づいて参照結合値を割り当てられる、生成すること;
前記少なくとも1つのプロセッサを用いて、前記それぞれのクエリバインダー-標的部分配列ペア及び前記参照バインダー-標的部分配列ペアに対して少なくとも1回の類似度演算を実行することであって、それぞれのクエリバインダー-標的部分配列ペアについて複数の類似度スコアを生成する、こと;及び
前記少なくとも1つのプロセッサを用いて、前記クエリ標的分子に対する前記クエリバインダー分子の前記結合親和性を前記参照バインダー-標的部分配列ペアの前記参照結合値の重み付き組み合わせとして計算することであって、前記重み付き組み合わせの重みは、前記類似度スコアに基づく、計算すること
を含む、コンピュータ実装方法。 - 少なくとも1つのクエリバインダー部分配列は、少なくとも2つのアミノ酸残基を含む、請求項1に記載のコンピュータ実装方法。
- 前記類似度演算は、クエリバインダー部分配列と参照バインダー部分配列との間の比較のための第1の類似度スコアと、クエリ標的部分配列と参照標的部分配列との間の比較のための第2の類似度スコアとを生成することにより、それぞれの類似度スコアを生成し、且つ前記第1の類似度スコア及び第2の類似度スコアを組み合わせる、請求項1又は2に記載のコンピュータ実装方法。
- 前記第1の類似度スコアは、完全一致の場合に非ゼロ値を与えられ、且つそうでなければゼロ値を与えられ、及び/又は前記第2の類似度スコアは、完全一致の場合に非ゼロ値を与えられ、且つそうでなければゼロ値を与えられる、請求項3に記載のコンピュータ実装方法。
- 前記類似度演算は、クエリバインダー部分配列と参照バインダー部分配列との間の配列アラインメント及び/又はクエリ標的部分配列と参照標的部分配列との間の配列アラインメントを含む、請求項1から3のいずれか一項に記載のコンピュータ実装方法。
- 前記類似度演算は、第1のノードの集合及び第2のノードの集合を含む2部グラフを生成することであって、前記第1のノードの集合は、バインダー部分配列のみを含み、及び前記第2のノードの集合は、標的部分配列のみを含み、前記2部グラフのエッジ重みは、前記関連する既知の結合値に等しい、生成すること;及び前記第1のノードの集合及び/又は前記第2のノードの集合について前記2部グラフの1部射影を決定することであって、前記類似度スコアは、前記1部射影のエッジ重みである、決定することを含む、請求項1から3のいずれか一項又は請求項5に記載のコンピュータ実装方法。
- 前記第1の集合のノードのペアについての類似度スコアは、前記第1の集合のノードの前記ペアの両方のノードが連結されている前記第2の集合の共通ノードの集合を決定すること;及び前記2部グラフの前記対応するエッジ重み間の線形相関を計算すること、によって計算される、請求項6に記載のコンピュータ実装方法。
- 前記第2の集合のノードのペアについての類似度スコアは、前記第2の集合のノードの前記ペアの両方のノードが連結されている前記第1の集合の共通ノードの集合を決定すること;及び前記2部グラフの前記対応するエッジ重み間の線形相関を計算すること、によって計算される、請求項6又は7に記載のコンピュータ実装方法。
- 接触アミノ酸残基の前記位置は、接触点マップに従って決定される、請求項1から8のいずれか一項に記載のコンピュータ実装方法。
- 接触位置を決定する前記ステップは、前記クエリバインダー部分配列に基づいて、前記接触点マップにおける使用のための仮想クエリバインダー部分配列をシミュレートすることであって、前記仮想クエリバインダー部分配列は、前記クエリバインダー部分配列と異なる長さを有する、シミュレートすること及び/又は前記接触点マップにおける使用のための接触点の集合をシミュレートすることをさらに含む、請求項9に記載のコンピュータ実装方法。
- クエリバインダー部分配列の最大長さは、Lであり、L>1であり、及び前記1つ以上のクエリバインダー部分配列の集合は、1からLの間の長さの前記第1のアミノ酸配列の全ての可能な部分配列を含む、請求項2から10のいずれか一項に記載のコンピュータ実装方法。
- 前記類似度演算は、それぞれの参照バインダー-標的部分配列ペアを、前記それぞれの参照バインダー部分配列の前記アミノ酸位置に従って重み付けすることを含む、請求項1から11のいずれか一項に記載のコンピュータ実装方法。
- 前記第2のアミノ酸配列は、MHCタンパク質配列又はHLAタンパク質配列である、請求項1から12のいずれか一項に記載のコンピュータ実装方法。
- 前記結合親和性を計算することは、参照データ行列、クエリデータ転置行列及び前記参照結合値のベクトルの積を計算することを含み、前記参照データ行列の成分は、それぞれの参照バインダー配列及び/又は参照標的配列中の参照部分配列の存在又は不存在を示し、及び前記クエリデータ転置行列の成分は、それぞれのクエリバインダー配列及び/又はクエリ標的配列中の参照部分配列の存在又は不存在を示し;前記参照データ行列の前記成分及び前記クエリデータ行列の前記成分は、前記類似度スコアに従って重み付けされる、請求項1から13のいずれか一項に記載のコンピュータ実装方法。
- 少なくとも1つの候補タンパク質結合ペプチドを生成する方法であって、
複数のペプチドのアミノ酸配列及びタンパク質のアミノ酸配列を得ること;
それぞれのペプチドについて、請求項1から14のいずれか一項に記載の方法により、前記タンパク質に対する予測結合親和性を決定すること;及び
前記それぞれの予測結合親和性に基づいて前記複数のペプチドの1つ以上の候補ペプチドを選択すること
を含む方法。 - 前記1つ以上の候補ペプチドを合成することか、又は前記候補ペプチドを対応するDNA若しくはRNA配列にコードすること、及び/又は前記配列を細菌のゲノム若しくはウイルス送達系中に取り込むことであって、ワクチンを作出する、ことをさらに含む、請求項15に記載の方法。
- クエリ標的分子に対するクエリバインダー分子の結合親和性を予測するための結合親和性予測システムであって、前記クエリバインダー分子は、第1のアミノ酸配列を有し、及び前記クエリ標的分子は、第2のアミノ酸配列を有し、前記システムは、少なくとも1つの記憶装置と通信する少なくとも1つのプロセッサを含み、前記少なくとも1つの記憶装置は、それに保存された命令であって、前記少なくとも1つのプロセッサに、請求項1から14のいずれか一項に記載の方法を実行させるための命令を有する、結合親和性予測システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18198984.9A EP3633681B1 (en) | 2018-10-05 | 2018-10-05 | Method and system for binding affinity prediction and method of generating a candidate protein-binding peptide |
EP18198984.9 | 2018-10-05 | ||
PCT/EP2019/076954 WO2020070307A1 (en) | 2018-10-05 | 2019-10-04 | Method and system for binding affinity prediction and method of generating a candidate protein-binding peptide |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022512612A true JP2022512612A (ja) | 2022-02-07 |
JPWO2020070307A5 JPWO2020070307A5 (ja) | 2023-11-17 |
JP7410138B2 JP7410138B2 (ja) | 2024-01-09 |
Family
ID=63787867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021518717A Active JP7410138B2 (ja) | 2018-10-05 | 2019-10-04 | 結合親和性予測のための方法及びシステム並びに候補タンパク質結合ペプチドを生成する方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20210391032A1 (ja) |
EP (1) | EP3633681B1 (ja) |
JP (1) | JP7410138B2 (ja) |
CN (1) | CN113168887B (ja) |
CA (1) | CA3115180A1 (ja) |
ES (1) | ES2970582T3 (ja) |
PL (1) | PL3633681T3 (ja) |
WO (1) | WO2020070307A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020443560B2 (en) | 2020-04-20 | 2024-03-21 | Nec Corporation | A method and a system for optimal vaccine design |
CA3176320A1 (en) | 2020-04-20 | 2021-10-28 | Richard STRATFORD | Sars-cov-2 vaccines |
EP3901954A1 (en) | 2020-04-20 | 2021-10-27 | NEC OncoImmunity AS | Method and system for identifying one or more candidate regions of one or more source proteins that are predicted to instigate an immunogenic response, and method for creating a vaccine |
CA3176326A1 (en) | 2020-04-20 | 2021-10-28 | Boris SIMOVSKI | Method and system for identifying one or more candidate regions of one or more source proteins that are predicted to instigate an immunogenic response, and method for creating a vaccine |
CN111951887B (zh) * | 2020-07-27 | 2024-06-28 | 深圳市新合生物医疗科技有限公司 | 基于深度学习的白细胞抗原与多肽结合亲和力预测方法 |
CN114120006B (zh) * | 2020-08-28 | 2024-02-06 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
WO2023230077A1 (en) * | 2022-05-23 | 2023-11-30 | Palepu Kalyan | Contrastive learning for peptide based degrader design and uses thereof |
CN115798595B (zh) * | 2023-01-30 | 2023-05-09 | 深圳新合睿恩生物医疗科技有限公司 | 蛋白质序列的水解位点预测方法及装置、设备、存储介质 |
CN116844637B (zh) * | 2023-07-07 | 2024-02-09 | 北京分子之心科技有限公司 | 一种获取第一源抗体序列对应的第二源蛋白质序列的方法与设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004003221A2 (en) * | 2002-06-28 | 2004-01-08 | Applera Corporation | Methods for peptide-protein binding prediction |
JP2008222574A (ja) * | 2007-03-08 | 2008-09-25 | Chiba Univ | 分子設計装置、分子設計方法及びプログラム |
US20130330335A1 (en) * | 2010-03-23 | 2013-12-12 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8145437B2 (en) * | 2005-06-24 | 2012-03-27 | Jan Biro | System and method to obtain oligo-peptides with specific high affinity to query proteins |
CA2775159A1 (en) * | 2009-09-25 | 2011-03-31 | Shanghai National Engineering Research Center Of Antibody Medicine Co., Ltd. | Method of acquiring proteins with high affinity by computer aided design |
CN102509029A (zh) * | 2011-10-26 | 2012-06-20 | 重庆教育学院 | 人类1型双载蛋白Src同源结构域3结合肽的亲和力预测及分析方法 |
US20160132631A1 (en) * | 2013-06-10 | 2016-05-12 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
CN107038348B (zh) * | 2017-05-04 | 2020-03-10 | 四川大学 | 基于蛋白-配体相互作用指纹图谱的药物靶标预测方法 |
-
2018
- 2018-10-05 ES ES18198984T patent/ES2970582T3/es active Active
- 2018-10-05 PL PL18198984.9T patent/PL3633681T3/pl unknown
- 2018-10-05 EP EP18198984.9A patent/EP3633681B1/en active Active
-
2019
- 2019-10-04 US US17/282,708 patent/US20210391032A1/en active Pending
- 2019-10-04 JP JP2021518717A patent/JP7410138B2/ja active Active
- 2019-10-04 CN CN201980079028.XA patent/CN113168887B/zh active Active
- 2019-10-04 WO PCT/EP2019/076954 patent/WO2020070307A1/en active Application Filing
- 2019-10-04 CA CA3115180A patent/CA3115180A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004003221A2 (en) * | 2002-06-28 | 2004-01-08 | Applera Corporation | Methods for peptide-protein binding prediction |
JP2008222574A (ja) * | 2007-03-08 | 2008-09-25 | Chiba Univ | 分子設計装置、分子設計方法及びプログラム |
US20130330335A1 (en) * | 2010-03-23 | 2013-12-12 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
Non-Patent Citations (1)
Title |
---|
MORTEN NIELSEN, ET AL.: "NetMHCpan-3.0; improved prediction of binding to MHC class I molecules integrating information from", GENOME MEDICINE [ONLINE], vol. 8, no. 33, JPN6023019106, 30 March 2016 (2016-03-30), pages 1 - 9, ISSN: 0005056705 * |
Also Published As
Publication number | Publication date |
---|---|
JP7410138B2 (ja) | 2024-01-09 |
WO2020070307A1 (en) | 2020-04-09 |
EP3633681A1 (en) | 2020-04-08 |
CA3115180A1 (en) | 2020-04-09 |
ES2970582T3 (es) | 2024-05-29 |
CN113168887B (zh) | 2024-03-19 |
PL3633681T3 (pl) | 2024-04-22 |
CN113168887A (zh) | 2021-07-23 |
US20210391032A1 (en) | 2021-12-16 |
EP3633681C0 (en) | 2024-01-03 |
EP3633681B1 (en) | 2024-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7410138B2 (ja) | 結合親和性予測のための方法及びシステム並びに候補タンパク質結合ペプチドを生成する方法 | |
Manavalan et al. | iBCE-EL: a new ensemble learning framework for improved linear B-cell epitope prediction | |
Jendrusch et al. | AlphaDesign: A de novo protein design framework based on AlphaFold | |
Andrusier et al. | FireDock: fast interaction refinement in molecular docking | |
Custódio et al. | A multiple minima genetic algorithm for protein structure prediction | |
KR20230164757A (ko) | Mhc 펩티드 결합 예측을 위한 gan-cnn | |
Zhang et al. | Pred TAP: a system for prediction of peptide binding to the human transporter associated with antigen processing | |
US20220076783A1 (en) | Methods and Systems for the Precise Identification of Immunogenic Tumor Neoantigens | |
Pappalardo et al. | Computational modelling approaches to vaccinology | |
US20150205911A1 (en) | System and Method for Predicting the Immunogenicity of a Peptide | |
Knapp et al. | PeptX: using genetic algorithms to optimize peptides for MHC binding | |
AU2016247474B2 (en) | Method and electronic system for predicting at least one fitness value of a protein, related computer program product | |
Fu et al. | An overview of bioinformatics tools and resources in allergy | |
Han et al. | Quality assessment of protein docking models based on graph neural network | |
Charoenkwan et al. | StackTTCA: a stacking ensemble learning-based framework for accurate and high-throughput identification of tumor T cell antigens | |
Habibi et al. | LRC: A new algorithm for prediction of conformational B-cell epitopes using statistical approach and clustering method | |
Toussaint et al. | Towards in silico design of epitope-based vaccines | |
Sung et al. | Candidate epitope identification using peptide property models: application to cancer immunotherapy | |
Ambroise et al. | Identification of relevant properties for epitopes detection using a regression model | |
Roggen | B-cell epitope engineering: A matter of recognizing protein features and motives | |
US20120232856A1 (en) | Method of calculating areas | |
Varela et al. | Combination of differential evolution and fragment-based replacements for protein structure prediction | |
Widmer et al. | Novel machine learning methods for MHC class I binding prediction | |
Mumtaz et al. | Scrutinizing human MHC polymorphism: Supertype analysis using Poisson-Boltzmann electrostatics and clustering | |
Jalilvand et al. | Disease gene prioritization using network topological analysis from a sequence based human functional linkage network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220615 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230512 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230810 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231011 |
|
A524 | Written submission of copy of amendment under article 19 pct |
Free format text: JAPANESE INTERMEDIATE CODE: A524 Effective date: 20231109 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231129 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231221 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7410138 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |