Codon arrangement modulates MHC-I peptides presentation: implications for a SARS-CoV-2 peptide-based vaccine
Notice bibliographique
Résumé
Summary Among various vaccination strategies, peptide-based vaccines appear as excellent candidates because they are cheap to produce, are highly stable and harbor low toxicity. However, predicting which MHC-I Associated Peptide (MAP) will ultimately reach cell surface remains challenging, due to high false discovery rates. Previously, we demonstrated that synonymous codon arrangement (usage and placement) is predictive of, and modulates MAP presentation. Here, we apply CAMAP (Codon Arrangement MAP Predictor), the artificial neural network we used to unveil the role of codon arrangement in MAP presentation, to predict SARS-CoV MAPs. We report that experimentally identified SARS-CoV-1 and SARS-CoV-2 MAPs are associated with significantly higher CAMAP scores. Based on CAMAP scores and binding affinity, we identified 48 non-overlapping MAP candidates for a peptide-based vaccine, ensuring coverage for a high proportion of HLA haplotypes in the US population (>78%) and SARS-CoV-2 strains (detected in >98% of SARS-CoV-2 strains present in the GISAID database). Finally, we built an interactive web portal ( https://www.epitopes.world ) where researchers can freely explore CAMAP predictions for SARS-CoV-1/2 viruses. Collectively, we present an analysis framework that can be generalizable to empower the rapid identification of virus-specific MAPs, including in the context of an emergent virus, to help accelerate target identification for peptide-based vaccine designs that could be critical in safely attaining group immunity in the context of a global pandemic.
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) | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| 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 ».