Integrated Immunopeptidomics and Proteomics Study of SARS-CoV-2–Infected Calu-3 Cells Reveals Dynamic Changes in Allele-specific HLA Abundance and Antigen Presentation
Notice bibliographique
Résumé
We present an integrated immunopeptidomics and proteomics study of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection to comprehensively decipher the changes in host cells in response to viral infection. Immunopeptidomics analysis identified viral antigens presented by host cells through both class I and class II MHC system for recognition by the adaptive immune system. The host proteome changes were characterized by quantitative proteomics and glycoproteomics and from these data, the activation of toll-like receptor 3-interferon pathway was identified. Glycosylation analysis of human leukocyte antigen (HLA) proteins from the elution and flow-through of immunoprecipitation revealed that SARS-CoV-2 infection changed the glycosylation pattern of certain HLA alleles with different HLA alleles, showing distinct dynamic changes in relative abundance. The difference in the glycosylation and abundance of HLA alleles changed the number of strong binding antigens each allele presented, suggesting the impact of SARS-CoV-2 infection on antigen presentation is allele-specific. These results could be further exploited to explain the imbalanced response from innate and adaptive immune system in coronavirus disease 2019 cases, which would be helpful for the development of therapeutics and vaccine for coronavirus disease 2019 and preparation for future 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 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 | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».