IMMU-54. Leveraging deep immunopeptidomics to identify tumor antigens from glioblastoma tissue samples
Notice bibliographique
Résumé
Abstract Cancer immunotherapy is a promising avenue for treating patients who exhaust their current standard lines of care. These therapies work by promoting anti-cancer adaptive immunity. The process of adaptive immunity relies largely upon T cell-mediated recognition of tumor specific or associated peptides presented upon the Major Histocompatibility Complex (MHC). Given longstanding limitations in profiling MHC presented peptides, several computational tools have been developed to instead predict peptide MHC binding. Here, we leverage recent technical advances in proteomics to generate deep immunopeptidomics data from 20 cancer, including 14 glioblastoma, tissue samples and utilize this data to identify tumor antigens. Immunopeptidomics profiling was performed on a Bruker timsTOF Ultra mass spectrometer platform, yielding an average of 19,283 peptides/sample, and a total of 106,079 unique peptides from 12,209 genes across the cohort. Peptides from multiple sources can drive immunogenic recognition, including tumor associated antigens (TAAs), mutated tumor specific antigens (mTSAs), and aberrantly expressed tumor specific antigens (aeTSAs). Here, we built a workflow for personalized immunopeptidomics that incorporates germline variation, variant phasing, and clonality to perform searches for mTSAs, TAAs, and aeTSAs. Initial analyses applied to samples from glioblastoma patients revealed several TAAs abundantly present on patient specific MHC alleles. Next, this work will be applied to aeTSAs and mTSAs to identify a candidate set of high-quality targets for immunotherapy. In addition, this data will be used to comprehensively assess the accuracy of peptide MHC binding prediction tools run on the matched transcriptomes and genomes in this cohort.
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) | 0,000 | 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 | 0,001 |
| 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 ».