Accurate MHC Motif Deconvolution of Immunopeptidomics Data Reveals a Significant Contribution of DRB3, 4 and 5 to the Total DR Immunopeptidome
Notice bibliographique
Résumé
Mass spectrometry (MS) based immunopeptidomics is used in several biomedical applications including neo-epitope discovery in oncology, next-generation vaccine development and protein-drug immunogenicity assessment. Immunopeptidome data are highly complex given the expression of multiple HLA alleles on the cell membrane and presence of co-immunoprecipitated contaminants. The absence of tools that deal with these challenges effectively and guide the analysis and interpretation of this complex type of data is currently a major bottleneck for the large-scale application of this technique. To resolve this, we here present the MHCMotifDecon that benefits from state-of-the-art HLA class-I and class-II predictions to accurately deconvolute immunopeptidome datasets and assign individual ligands to the most likely HLA molecule, allowing to identify and characterize HLA binding motifs while discarding co-purified contaminants. We have benchmarked the tool against other state-of-the-art methods and illustrated its application on experimental datasets for HLA-DR demonstrating a previously underappreciated role for HLA-DRB3/4/5 molecules in defining HLA class II immune repertoires. With its ease of use, MHCMotifDecon can efficiently guide interpretation of immunopeptidome datasets, serving the discovery of novel T cell targets. MHCMotifDecon is available at https://services.healthtech.dtu.dk/service.php?MHCMotifDecon-1.0.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».