免疫ペプチドームにおける配列モチーフの識別と解釈のための計算ツール

プロテオミクスと質量分析の最近の進歩により、免疫ペプチドームとして総称される細胞表面の主要組織適合性複合体（MHC）分子が提示する検出可能なペプチドレパートリーが広く拡大しました。免疫ペプチドームを細かく特徴付けることは、抗原提示のメカニズムに関する重要な基本的な洞察をもたらしますが、ワクチン発生と癌免疫療法の有望な標的を明らかにすることもできます。このレポートでは、免疫ペプチドミクスデータを分析するための多くの実用的で効率的なアプローチについて説明し、さまざまなシナリオで意味のあるシーケンスモチーフの識別を議論し、現在の制限を検討しています。誤ったヒットと汚染物質のフィルタリング、およびMHCクラスIシステムとクラスIIシステムの両方で、複数のMHC対立遺伝子を発現する細胞株のモチーフデコンボリューションの問題に対処するためのガイドラインが提供されています。最後に、非専門家ユーザーが機械学習を容易に採用して、質量分析溶出リガンドデータセットから直接正確な予測モデルを生成する方法が実証されています。

Recent advances in proteomics and mass-spectrometry have widely expanded the detectable peptide repertoire presented by major histocompatibility complex (MHC) molecules on the cell surface, collectively known as the immunopeptidome. Finely characterizing the immunopeptidome brings about important basic insights into the mechanisms of antigen presentation, but can also reveal promising targets for vaccine development and cancer immunotherapy. This report describes a number of practical and efficient approaches to analyze immunopeptidomics data, discussing the identification of meaningful sequence motifs in various scenarios and considering current limitations. Guidelines are provided for the filtering of false hits and contaminants, and to address the problem of motif deconvolution in cell lines expressing multiple MHC alleles, both for the MHC class I and class II systems. Finally, it is demonstrated how machine learning can be readily employed by non-expert users to generate accurate prediction models directly from mass-spectrometry eluted ligand data sets.