Discovering and Validating Neoantigens by Mass Spectrometry-based Immunopeptidomics and Deep Learning
Notice bibliographique
Résumé
Abstract Neoantigens are promising targets for cancer immunotherapy but their discovery remains challenging, mainly due to the sensitivity of current technologies to detect them and the specificity of our immune system to recognize them. In this study, we addressed both of those problems and proposed a new approach for neoantigen identification and validation from mass spectrometry (MS) based immunopeptidomics. In particular, we developed DeepNovo Peptidome, a de novo sequencing-based search engine that was optimized for HLA peptide identification, especially non-canonical HLA peptides. We also developed DeepSelf, a personalized model for immunogenicity prediction based on the central tolerance of T cells, which could be used to select candidate neoantigens from non-canonical HLA peptides. Both tools were built on deep learning models that were trained specifically for HLA peptides and for the immunopeptidome of each individual patient. To demonstrate their applications, we presented a new MS-based immunopeptidomics study of native tumor tissues from five patients with cervical cancer. We applied DeepNovo Peptidome and DeepSelf to identify and prioritize candidate neoantigens, and then performed in vitro validation of autologous neoantigen-specific T cell responses to confirm our results. Our MS-based de novo sequencing approach does not depend on prior knowledge of genome, transcriptome, or proteome information. Thus, it provides an unbiased solution to discover neoantigens from any sources.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 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 ».