B細胞表位數(shù)據(jù)庫與預測方法

1、B 細胞表位數(shù)據(jù)庫與預測方法#章文，吳偉堅*（武漢大學計算機學院，武漢，430072）51015202530摘要：B 細胞表位是在抗原抗體的結(jié)合反應中抗原參與結(jié)合的部位，確定 B 細胞表位對于設計疫苗和藥物具有重要的指導作用。隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展和表位數(shù)據(jù)庫的建立，挖掘已有的結(jié)構(gòu)和序列數(shù)據(jù)預測 B 細胞表位成為一種可能，從而產(chǎn)生了很多計算預測方法。論文介紹了常用的 B 細胞表位相關數(shù)據(jù)庫和預測方法。數(shù)據(jù)庫方面，介紹了數(shù)據(jù)來源和數(shù)據(jù)類型。預測方法方面，主要介紹基本原理。希望能夠給相關研究者提供借鑒，更好的開展相關工作。關鍵詞：計算機應用技術(shù)；B 細胞表位；線性表位；構(gòu)象表位；機器學習中圖分類號

2、：TP181The databases and computational methods for B-cellepitopesZHANG Wen, WU Weijian(School of Computer,Wuhan University,430072)Abstract: B-cell epitope is part of the antigen involved in the antigen-antibody interaction, anddetermination of epitopes is critical for the drug and vaccine design. Wit

3、h the development of datamining technique and establishment of databases, it becomes possible to predict epitopes based onthe sequences or structures, and a great number of computational methods are proposed. The paperreviews the state-of-the-art B-cell databases and prediction methods. The data sou

4、rces areintroduced; the principles of computational methods are analyzed. This paper is aimed to help theresearchers to take the related studies.Key words: Technology of Computer Application; B-cell epitope; linear epitope; conformationalepitope; machine learning0 引言B 細胞是在人體免疫系統(tǒng)起到關鍵作用的淋巴細胞, 具有三種主要的功

5、能：制造抗體對抗抗原、扮演抗原呈遞細胞的角色、激活以后形成記憶 B 細胞。B 細胞免疫的過程也可分為抗原識別，B 細胞活化、增殖與分化，合成分泌抗體并發(fā)揮效應三個階段。在抗原抗體的結(jié)合反應中，抗原參與結(jié)合的部位稱為 B 細胞抗原決定簇或者表位1。從空間結(jié)構(gòu)上看，B 細胞表位可分為線性表位（也稱連續(xù)表位）和構(gòu)象表位（也稱不連續(xù)表位）。線性表位由肽鏈上連續(xù)的氨基酸組35成；構(gòu)象性表位由空間結(jié)構(gòu)上接近但肽鏈上不連續(xù)的氨基酸組成; 已知的絕大部分表位都屬于構(gòu)象表位。Rubinstein 等研究從 PDB 數(shù)據(jù)庫篩選的抗原抗體復合物，總結(jié)了 B 細胞表位生化、結(jié)構(gòu)特點2：(1) 75%的表位是由跨越 6

6、00Å 1000Å基金項目：教育部博士點基金(20100141120049)作者簡介：章文（1981-），男，副教授，主要研究方法：機器學習，生物信息學. -1-面積的 1525 個氨基酸組成；(2)平均 90% 的表位殘基是與抗體的互補決定區(qū)(CDR)的殘基相互作用；(3)表位和非表位區(qū)的氨基酸組成有很大的不同；(4)環(huán)狀40結(jié)構(gòu)利于抗體的結(jié)合，因此表位多含有環(huán)狀結(jié)構(gòu)，而螺旋和折疊結(jié)構(gòu)比較少見。表位是蛋白質(zhì)抗原性的基礎，確定 B 細胞表位對于設計疫苗和藥物具有重要的指導作用3方法。但是這些方法比較繁瑣，工作量也非常大。隨著計算機技術(shù)的發(fā)展和

7、生物信息數(shù)據(jù)庫的日益擴大，從已有數(shù)據(jù)中總結(jié)抗原表位的序列及結(jié)構(gòu)特征，并通過45計算手段對可能的表位進行預測，然后結(jié)合實驗手段予以驗證成為另外一條可能的技術(shù)路線。1 B 細胞表位數(shù)據(jù)庫數(shù)據(jù)是 B 細胞表位分析與預測的基礎。研究者們通過收集和整理已有的研究成果，開發(fā)了一些 B 細胞表位數(shù)據(jù)庫。常用數(shù)據(jù)庫見表 1。50表 1. B 細胞表位數(shù)據(jù)庫PDB 數(shù)據(jù)庫4于 1971 年建立，主要收集通過 X-射線單晶衍射、核磁共振、電子衍射等實驗手段確定的蛋白質(zhì)、核酸和糖的三維結(jié)構(gòu)。因此，該數(shù)據(jù)庫也存5560儲了一些抗原或者抗原-抗體復合物的三維結(jié)構(gòu)。IEDB 數(shù)據(jù)庫5在 2004 年建立，是使用最為廣泛和

8、最具權(quán)威性的表位數(shù)據(jù)庫。該數(shù)據(jù)庫存儲由實驗確定的 B 細胞表位（線性表位和構(gòu)象表位），這些表位收集自公開發(fā)表的出版物或者由研究組自行提交。目前，IEDB 數(shù)據(jù)庫包含 159,339條 B 細胞相關記錄。每個表位都提供了對應的參考文獻、結(jié)構(gòu)、來源抗原等信息。此外，該數(shù)據(jù)庫還集成了一些表位預測工具。Bcipep 數(shù)據(jù)庫6包含實驗確定的線性 B 細胞表位(來源于文獻或者其它的數(shù)據(jù)庫)。目前，該數(shù)據(jù)庫存儲了 555 條表位。對于每一條表位，數(shù)據(jù)庫給出了其肽段序列、來源蛋白、病原體等。如果數(shù)據(jù)來源于其它數(shù)據(jù)庫，Bcipep 數(shù)據(jù)庫也-2-數(shù)據(jù)庫網(wǎng)址PDB :/ /IEDB :/ iedb

9、.org/BCIPEP :/ imtech.res.in/raghava/bcipepCED :/immunet /ced/EPITOME :/ /services/epitome/AntiJen :/ ddg-HIV :/ /。確定 B 細胞表位的傳統(tǒng)方法有兩種：X-射線衍射方法和實驗提供了鏈接。65707580CED 數(shù) 據(jù) 庫 7 存 儲 了 293 條 構(gòu) 象 表 位 記 錄 。 研 究 者 從 PubMed 和ScienceDirect 數(shù)據(jù)庫收集和整理文獻，然后手工分析超過 3000 條文獻，保留了高分辨率和完整的構(gòu)象表位，并存入數(shù)據(jù)庫

10、。CED 數(shù)據(jù)庫提供了表位的相關信息，包括表位在抗原體的位置、表位的免疫特性、抗原體、抗原所對應的抗體等。該數(shù)據(jù)庫提供了友好的操作界面，能夠展示表位的 3D 結(jié)構(gòu)。Epitome 數(shù)據(jù)庫8存儲從抗原-抗體復合物推斷的抗原表位。在該數(shù)據(jù)庫中，抗原殘基和 CDRs 之間的反應稱為免疫反應。研究者通過對復合物的比對和分析，識別抗原的 CDRs 區(qū)域，然后根據(jù)抗原抗體反應來標注與 CDRs 反應的抗原殘基。該數(shù)據(jù)庫存儲了 142 條標記抗原，也提供了可視化工具分析抗原-抗體復合物以及標注的表位。AntiJen9是一個綜合數(shù)據(jù)庫，涵蓋了與免疫和疫苗相關的動力學、熱力學和分子數(shù)據(jù)。AntiJen v2.0

11、 包含 3541 條 B 細胞表位(線性表位和構(gòu)象表位)。每條表位都提供了其肽段來源、抗體、外部鏈接。HIV 分子免疫數(shù)據(jù)庫10包含 HIV 病毒表位。該數(shù)據(jù)庫中的數(shù)據(jù)來源于 HIV免疫文獻，目前包含 11,361 條 HIV 相關的 B 細胞反應和 T 細胞反應數(shù)據(jù)。2 B 細胞表位數(shù)據(jù)庫由于 B 細胞表位分為線性表位和構(gòu)象表位，絕大部分預測方法并不能通用，因此也分為線性表位預測和構(gòu)象表位預測，主要的方法如表 2 所示。表 2 B 細胞表位在線預測工具85-3-名稱網(wǎng)址說明ABCpred :/ imtech.res.in/raghava/abcpred線性表位預測BCPREDS :/aila

12、/bcpreds/predict.html線性表位預測Bepipred :/ cbs.dtu.dk/services/BepiPred線性表位預測IEDB tools :/ /tools/bcell/iedb_input線性表位預測COBEpro ://線性表位預測CEP :/bioinfo.ernet.in/cep.htm構(gòu)象表位預測DiscoTope :/ cbs.dtu.dk/services/DiscoTope構(gòu)象表位預測PEPITO :/ igb.uci.ed

13、u構(gòu)象表位預測SEPPA :/lifecenter.sgst /seppa/構(gòu)象表位預測Epitopia :/epitopia.tau.ac.il構(gòu)象表位預測EPCES ://EPCES/構(gòu)象表位預測EPSVR ://EPSVR構(gòu)象表位預測EPMeta ://EPMeta/構(gòu)象表位預測CBTOPE :/ imtech.res.in/raghava/cbtope/構(gòu)象表位預測Ensemble Method :/ 構(gòu)象表位預測2.1線性表位預測早期的線性 B 細胞表位預測方法都是基于氨基酸

14、的某種傾向標度，這些標度與表位的出現(xiàn)存在某種聯(lián)系11-20。在預測表位時，此類方法使用一個窗口分析序列的一段，然后基于某種標度對該片段上氨基酸分析，從而判斷窗口內(nèi)特定9095100105110115位置的殘基是否為表位殘基，特定位置可以是中間殘基也可以是其他的殘基。這些傾向標度包括親水性、面積可及性、蛋白質(zhì)靈活性、蛋白質(zhì)二級結(jié)構(gòu)、蛋白質(zhì)抗原性等。近年來，隨著機器學習在生物信息中的廣泛應用，研究者們開始使用機器學習方法預測線性 B 細胞表位。2006 年，Raghava 使用 700 條表位作為正樣本21，同時從 SwissProt 數(shù)據(jù)庫中獲取了 700 條隨機氨基酸片段作為負樣本。肽段長度不

15、一致，通過延長或者削減殘基形成相同長度的肽段，采用稀疏編碼方法編碼肽段，最后使用神經(jīng)網(wǎng)絡訓練預測模型，產(chǎn)生了較好的預測效果。2006 年，Sollner 等研究了結(jié)合氨基酸標度和機器學習的預測方法22。該方法考慮了三種特征: 氨基酸標度、序列復雜性和相鄰特征，使用主成分分析方法篩選特征，得到最優(yōu)編碼組合。氨基酸編碼后，分別采用了決策樹和最近鄰算法建立分類模型，并在 HIV 蛋白質(zhì)數(shù)據(jù)上實驗，得到了較好的預測結(jié)果。2007 年，Chou 等人通過對蛋白質(zhì)序列的研究發(fā)現(xiàn)23，某些氨基酸對在表位序列中和在非表位序列中出現(xiàn)的頻率差異很大，從而提出了新的蛋白質(zhì)標度。他們使用 SVM 進行訓練，結(jié)果表明新

16、的標度的結(jié)果要好于已有的氨基酸標度。另外，該研究也發(fā)現(xiàn)結(jié)合多個氨基酸標度編碼可以獲得更好的結(jié)果。氨基酸序列是由 20 個字符組成的特殊字符串，因此可以借鑒自然語言處理的方法預測 B 細胞表位。2008 年，Yasser 嘗試在支持向量機中使用新的核函數(shù)24，并對這些核函數(shù)的性能進行評價。這些核函數(shù)都是專門針對字符串處理而提出的，包括：譜核函數(shù)、不匹配核函數(shù)、局部比對核函數(shù)、子串核函數(shù)。在實驗中，子串核函數(shù)取得了最好的結(jié)果。2009 年，Yasser 等人把工作進行了擴展25?，F(xiàn)有的方法需要對原始肽段進行延長或者剪切使得它們等長。由于前面提到的核函數(shù)本身與肽段長度無關，因此可以直接使用它們進行不

17、等長肽段的學習，從而建立模型預測任意長度的肽段。實驗結(jié)果表明精度較之等長肽段的模型略有下降，但是算法的適用范圍有了很大的改進。-4-COBEpro 使用與表位序列庫中表位的相似性打分來編碼26。 兩個序列相似性打分為兩者共有的氨基酸的數(shù)目、二聚物數(shù)目、三聚物數(shù)目之和。那么每個訓練基中的肽段和每個參考表位計算打分值，所有打分值構(gòu)成一個向量，然后使用SVM 進行建模。為了使用結(jié)構(gòu)信息，使用 SSpro 和 ACCpro 軟件計算了序列的120125二級結(jié)構(gòu)和暴露面積，也分別計算兩者的相似度。最終結(jié)合三者進行預測。在預測時，測試集中的肽段都和參考表位計算相似度，得到向量，從而進行預測。由于線性 B

18、細胞表位長度不固定，給機器學習方法造成了一些困難。我們考慮若干能夠?qū)被嵝蛄修D(zhuǎn)化為固定長度數(shù)值向量的編碼方法27，然后使用SVM 方法建立預測模型，避免了表位不等長的困境。我們探討了基于這些編碼方法的預測模型的性能，通過特征選擇方法篩選最優(yōu)特征子集，從而得到高精度的預測模型。2.2構(gòu)象表位預測CEP(2005 年提出)是第一個基于蛋白質(zhì)三級結(jié)構(gòu)的構(gòu)象表位預測方法28。該方法將可及表面面積比例大于 25%的殘基定義為可及殘基，三個以上相鄰的可及130135140殘基可以看成一個抗原簇。如果兩個抗原簇中的任意兩個殘基之間距離都小于給定閾值，那么這兩個抗原簇可以看成一個構(gòu)象表位的組成部分，將這兩個

19、抗原簇合并，然后繼續(xù)考察不同的抗原簇。DiscoTope 方法（2006 年）對 76 個抗原抗體復合物所進行統(tǒng)計分析29，得到參與抗原相互作用的氨基酸的對數(shù)比值概率矩陣。此外，還考慮了接觸數(shù)和表面暴露面積。接觸數(shù)指的是在殘基一定空間范圍內(nèi) alpha 碳原子的數(shù)目，這一指標也證明具有較好的區(qū)分度。表面暴露面積可以通過 NACCESS 軟件計算獲得。通過將以上多個特征的打分進行加權(quán)求和，通過分值來反映某一氨基酸成為表位的可能性，并提供了閾值來確定組成表位的氨基酸殘基。PEPITO 30（2008 年）使用氨基酸屬性組合和半球暴露面積預測構(gòu)象表位殘基。SEPPA31部空間關系?？乖鞍咨先軇┛杉?/p>

20、性面積大于 1Å 的殘基稱為表面殘基。任意三個表面殘基如果他們兩兩距離均在 4Å 以內(nèi)，那么這三個表面殘基構(gòu)成一個殘基三角單位塊。此外，通過聚類系數(shù)描述表面殘基的緊致性，然后結(jié)合兩者預測表-5-（2009 年）采用一個新的概念“殘基三角單位塊”來描述殘基的局145150位殘基。Rubinstein 等系統(tǒng)性研究構(gòu)象 B 細胞表位32。首先，初步篩選能夠區(qū)分表位與非表位區(qū)域的特征，通過特征選擇方法確定最優(yōu)的特征子集。此外，Rubinstein等使用了patch概念來描述抗原殘基的空間領域環(huán)境。他們認為每個抗原殘基之所以能夠成為表位或者非表位，都是其一定空間領域的相鄰殘基作用的

21、結(jié)果。因此，每個抗原殘基及其最臨近的殘基共同構(gòu)成了一個 patch。根據(jù)該殘基的狀態(tài)（表位或者非表位），patch 可以劃分為表位 patch 和非表位 patch 兩類。從而將原來的表位識別問題轉(zhuǎn)化為一個二分類問題。在使用特征子集對 patch 編碼之后，利用 naive bayes 方法建立 Epitopia 模型。EPCES33155做氨基酸表位傾向的特征；同時，還使用了殘基保守性、氨基酸邊鏈能量、氨基酸接觸數(shù)、表面平整性、二級結(jié)構(gòu)組成等特征。在每種特征所對應的模型中，打分排序在 5%、10%、15%、20%、25%不同閾值下的殘基作為候選表位殘基被選出。如果一個殘基被 5 種及 5 種

22、以上的特征識別為候選表位殘基，則將其預測為表位殘基。160在 EPCES 基礎上，Liang 提出了 EPSVR 和 EPMeta 方法34利用 EPCES 中的特征對 patch 編碼，使用支持向量機回歸方法建立預測模型。EPMeta 方法集成了 CEP、 DiscoTope、PEPITO、ElliPro、SEPPA、EPITOPIA 和EPCES 一共 6 個服務器的結(jié)果，集成方法和 EPCES 中集成多個特征的方法類似。實驗結(jié)果表明，集成多個服務器能夠有效提高預測的精度。165除了上述方法，Zhao35化為圖論問題，建立了預測模型。Ansari 36等人采用氨基酸組成編碼肽段, 使用SV

23、M 訓練預測模型。Gao37平均打分作為預測值。我們通過對構(gòu)象表位預測的研究，總結(jié)了影響預測精度的若干可能因素。首170先，為了考慮非表位殘基的作用，提出了一個新的 patch的定義 thick surface patch，取代之前的 surface patch。其次，提出了一個新的特征，通過距離來度量 patch中不同殘基的作用；再次，提出了不平衡樣本學習的模型。通過以上幾點，提出了基于隨機樹林的構(gòu)象表位預測方法38為了從序列預測構(gòu)象表位,我們考慮了若干種用于蛋白質(zhì)功能分類的序列特-6-方法通過分析表位和非表位中不同氨基酸的比例，提出了一種叫。EPSVR 方法等考慮抗原抗體兩方面的信息，將表

24、位識別問題轉(zhuǎn)等人采用 SVM 方法并使用 20 殘基窗口滑動，采用。175征, 分別評估了這些特征的性能。研究表明，簡單的結(jié)合這些特征并不能獲得較好的結(jié)果。因此，我們采用了一種簡單的集成學習策略建立預測模型39，能夠以較高的精度從序列預測構(gòu)象表位。3 結(jié)論B 細胞預測還存在若干問題期待人們來解決。（1）目前，缺乏具有共識的180標準數(shù)據(jù)集。很多模型和方法都在不同的數(shù)據(jù)集上進行實驗，很難進行直接比較。（2）線性表位預測比較成功，目前的模型精度普遍比較高。但是，構(gòu)象表位預測精度非常有限，離人們的期望還有較大的差距。實際上，抗原抗體結(jié)合時會產(chǎn)生一定程度的形變，而目前的方法均未考慮到這一點。因此，從這

25、個方面予以改進，也許可能提高構(gòu)象表位預測精度。185參考文獻 (References)1 Van Regenmortel, M.H. The concept and operational definition of protein epitopes. Philosophical transactionsof the Royal Society of LondonJ. Series B, Biological sciences,1989,323(1217):451-466.2 Rubinstein ND, Mayrose I, Halperin D, Yekutieli D, Gershoni

26、 JM, Pupko T. Computational characterization of190195200205210215220225B-cell epitopesJ. Mol Immunol. 2008,45(12):3477-89.3 Van Regenmortel, M.H. Pitfalls of reductionism in the design of peptide-cased vaccinesJ. Vaccine,2004,19,2369-2374.4 Berman H.M., Westbrook J., Feng Z., et al. The Protein Data

27、 BankJ. Nucleic Acids Research,2004,28(1):235-242.5 Vita, R., Zarebski, L., Greenbaum, JA., Emami, H., Hoof, I., Salimi, N., Damle, R., Sette, A., Peters, BTheimmune epitope database 2.0J. Nucleic Acids Research,2009, 38(Database issue): D854-62.6 Saha,S., Bhasin,M and Raghava,G.P.S. Bcipep: A datab

28、ase of B-cell epitopesJ. BMC Genomics,2005,6:79.7 Huang,J. and Honda, W. CED: a conformational epitope databaseJ. BMC Immunology,2006, 7:7.8 Schlessinger, A., Ofran, Y., Yachdav, G., Rost, B. Epitome: database of structure-inferred antigenic epitopesJ.Nucleic Acids Research,2006, 34(Database issue):

29、D777-809 Toseland, CP., Clayton, DJ., McSparron, H., Hemsley, SL., Blythe, MJ., Paine, K., Doytchinova, IA., Guan, P.,Hattotuwagama, CK., Flower, DR. AntiJen: a quantitative immunology database integrating functional,thermodynamic, kinetic, biophysical, and cellular dataJ. Immunome Research,2005, 1:

30、4.10 Karina Yusim, Bette T. M. Korber, Christian Brander, Barton F. Haynes, Richard Koup, John P. Moore,Bruce D. Walker, and David I. Watkins (eds.) HIV Molecular ImmunologyM. Publisher: Los Alamos NationalLaboratory, Theoretical Biology and Biophysics, Los Alamos, New Mexico. LA-UR 09-05941.200911

31、Parker JM, Guo D, Hodges RS. New hydrophilicity scale derived from high-performance liquidchromatography peptide retention data: correlation of predicted surface residues with antigenicity andX-ray-derived accessible sitesJ. Biochemistry, 1986, 25(19):5425-5432.12 Janin J. Surface and inside volumes

32、 in globular proteinsJ. Nature, 1979, 277 (5696):491-492.13 Emini EA, Hughes JV, Perlow DS, Boger J. Induction of hepatitis A virus-neutralizing antibody by avirus-specific synthetic peptideJ. J Virol., 1985, 55(3):836-839.14 KarplusPA, Schultz GE. Prediction of chain flexibility in proteinsJ. Immun

33、ology, 1985, 2(2): 212-213.15 Kolaskar AS, Tongaonkar PC. A semi-empirical method for prediction of antigenic determinants on proteinantigensJ. FEBS Lett., 1990, 276(1-2):172-174.16 Jameson BA, Wolf H. The antigenic index: a novel algorithm for predicting antigenic determinantsJ.Bioinformatics, 1988

34、, 4(1):181-186.17 Alix AJ. Predictive estimation of protein linear epitopes by using the program PEOPLEJ. Vaccine, 1999,18(324): 311-314.18 Pellequer JL, Westhof E. PREDITOP: a program for antigenicity predictionJ. J Mol Graph, 1993, 11(3):204-10, 191-2.19 Odorico M, Pellequer JL. BEPITOPE: predicti

35、ng the location of continuous epitopes and patterns inproteinsJ. J Mol Recognit, 2003, 16(1): 20-22.20 Saha S, Raghava GP. BcePred: prediction of continuous Bcell epitopes in antigenic sequences usingphysico-chemical propertiesJ. Lect Notes ComputSci, 2004, 3239: 197-204.-7-21 Saha S, Raghava GP. Pr

36、ediction of continuous B-cell epitopes in an antigen using recurrent neural net workJ.Proteins, 2006, 65(1): 40-48.22 Söllner J, Mayer B. Machine learning approaches for prediction of linear B-cell epitopes on proteinsJ. J MolRecognit. 2006, 19(3):200-208.23023524024525025526023 Chen J, Liu H,

37、Yang J, et al. Prediction of linear B-cell epitopes using amino acid pair antigenicity scaleJ.Amino Acids, 2007, 33(3): 423-428.24 EL-Manzalawy Y, Dobbs D, Honavar V. Predicting linear B-cell epitopes using string kernelsJ. J MolRecognit, 2008, 21(4): 243-255.25 EL-Manzalawy, Y., Dobbs, D., Honavar,

38、 V. Predicting flexible length linear B-cell epitopesA. Comput SystBioinformatics ConfC. 2008,7:121-32.26 Sweredoski MJ, Baldi P. COBEpro: a novel system for predicting continuous B-cell epitopesJ. PEDS,22(3):113-120.27 Kulkarni-Kale U, Bhosle S, KolaskarAS. CEP: a conformational epitope prediction

39、serverJ. Nucleic AcidsRes, 2005, 33(Web Server issue): W168-7128 Wen Zhang, Yan qing, Yi Xiong, Meng Zhao, Juan Liu. Computational prediction of conformational B-cellepitopes from antigen primary structures by ensemble learningJ. PLOS One，2012, 7(8): e4357529 Andersen PH, Nielsen M, Lund O. Predicti

40、on of residues in discontinuous B cell epitopes using protein 3DstructuresJ. Protein Science, 2006, 15(11):2558-2567.30 Sweredoski MJ, Baldi P. PEPITO: improved discontinuous B-cell epitope prediction using multiple distancethresholds and half sphere exposureJ. Bioinformatics, 2008, 24(12):1459-1460.31 Sun J, Wu D, Xu T, Wang X, Xu X, Tao L, Li Y, Cao Z. SEPPA: a computational server for spatial epitopeprediction of protein antigensJ. Nucleic Acids Res., 2009, 37(suppl_2):