Immunopeptidomics for Dummies: Detailed Experimental Protocols and Rapid, User-Friendly Visualization of MHC I and II Ligand Datasets with MhcVizPipe
Notice bibliographique
Résumé
ABSTRACT Immunopeptidomics refers to the science of investigating the composition and dynamics of peptides presented by major histocompatibility complex (MHC) class I and class II molecules using mass spectrometry (MS). Here, we aim to provide a technical report to any non-expert in the field wishing to establish and/or optimize an immunopeptidomic workflow with relatively limited computational knowledge and resources. To this end, we thoroughly describe step-by-step instructions to isolate MHC class I and II-associated peptides from various biological sources, including mouse and human biospecimens. Most notably, we created MhcVizPipe (MVP) ( https://github.com/CaronLab/MhcVizPipe ), a new and easy-to-use open-source software tool to rapidly assess the quality and the specific enrichment of immunopeptidomic datasets upon the establishment of new workflows. In fact, MVP enables intuitive visualization of multiple immunopeptidomic datasets upon testing sample preparation protocols and new antibodies for the isolation of MHC class I and II peptides. In addition, MVP enables the identification of unexpected binding motifs and facilitates the analysis of non-canonical MHC peptides. We anticipate that the experimental and bioinformatic resources provided herein will represent a great starting point for any non-expert and will therefore foster the accessibility and expansion of the field to ultimately boost its maturity and impact.
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) | 0,001 | 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».