Improving MHC‐I Ligand Identifications from LC‐MS/MS Data by Incorporating Allelic Peptide Motifs
Notice bibliographique
Résumé
MHC class I (MHC-I)-bound ligands play a pivotal role in CD8 T cell immunity and are hence of major interest in understanding and designing immunotherapies. One of the most commonly utilized approaches for detecting MHC ligands is LC-MS/MS. Unfortunately, the effectiveness of current algorithms to identify MHC ligands from LC-MS/MS data is limited because the search algorithms used were originally developed for proteomics approaches detecting tryptic peptides. Consequently, the analysis often results in inflated false discovery rate (FDR) statistics and an overall decrease in the number of peptides that pass FDR filters. Andreatta et al. describe a new scoring tool (MS-rescue) for peptides from MHC-I immunopeptidome datasets. MS-rescue incorporates the existence of MHC-I peptide motifs to rescore peptides from ligandome data. The tool is demonstrated here using peptides assigned from LC-MS/MS data with PEAKs software but can be deployed on data from any search algorithm. This new approach increased the number of peptides identified by up to 20-30% and promises to aid the discovery of novel MHC-I ligands with immunotherapeutic potential.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».