Summary Major histocompatibility complex class II ( MHC ‐ II ) molecules are expressed on the surface of professional antigen‐presenting cells where they display peptides to T helper cells, which orchestrate the onset and outcome of many host immune responses. Understanding which peptides will be presented by the MHC ‐ II molecule is therefore important for understanding the activation of T helper cells and can be used to identify T‐cell epitopes. We here present updated versions of two MHC – II –peptide binding affinity prediction methods, Net MHCII and Net MHCII pan. These were constructed using an extended data set of quantitative MHC –peptide binding affinity data obtained from the Immune Epitope Database covering HLA ‐ DR , HLA ‐ DQ , HLA ‐ DP and H‐2 mouse molecules. We show that training with this extended data set improved the performance for peptide binding predictions for both methods. Both methods are publicly available at www.cbs.dtu.dk/services/NetMHCII-2.3 and www.cbs.dtu.dk/services/NetMHCIIpan-3.2 .

Abstract The ability to predict local structural features of a protein from the primary sequence is of paramount importance for unraveling its function in absence of experimental structural information. Two main factors affect the utility of potential prediction tools: their accuracy must enable extraction of reliable structural information on the proteins of interest, and their runtime must be low to keep pace with sequencing data being generated at a constantly increasing speed. Here, we present NetSurfP‐2.0, a novel tool that can predict the most important local structural features with unprecedented accuracy and runtime. NetSurfP‐2.0 is sequence‐based and uses an architecture composed of convolutional and long short‐term memory neural networks trained on solved protein structures. Using a single integrated model, NetSurfP‐2.0 predicts solvent accessibility, secondary structure, structural disorder, and backbone dihedral angles for each residue of the input sequences. We assessed the accuracy of NetSurfP‐2.0 on several independent test datasets and found it to consistently produce state‐of‐the‐art predictions for each of its output features. We observe a correlation of 80% between predictions and experimental data for solvent accessibility, and a precision of 85% on secondary structure 3‐class predictions. In addition to improved accuracy, the processing time has been optimized to allow predicting more than 1000 proteins in less than 2 hours, and complete proteomes in less than 1 day.

The ability to predict a protein's local structural features from the primary sequence is of paramount importance for unravelling its function if no solved structures of the protein or its homologs are available. Here we present NetSurfP-2.0 (http://services.bioinformatics.dtu.dk/service.php?NetSurfP-2.0), an updated and extended version of the tool that can predict the most important local structural features with unprecedented accuracy and run-time. NetSurfP-2.0 is sequence-based and uses an architecture composed of convolutional and long short-term memory neural networks trained on solved protein structures. Using a single integrated model, NetSurfP-2.0 predicts solvent accessibility, secondary structure, structural disorder, interface residues and backbone dihedral angles for each residue of the input sequences. We assessed the accuracy of NetSurfP-2.0 on several independent validation datasets and found it to consistently produce state-of-the-art predictions for each of its output features. In addition to improved prediction accuracy the processing time has been optimized to allow predicting more than 1,000 proteins in less than 2 hours, and complete proteomes in less than 1 day.

Predicting epitopes recognized by cytotoxic T cells has been a long standing challenge within the field of immuno- and bioinformatics. While reliable predictions of peptide binding are available for most Major Histocompatibility Complex class I (MHCI) alleles, prediction models of T cell receptor (TCR) interactions with MHC class I-peptide complexes remain poor due to the limited amount of available training data. Recent next generation sequencing projects have however generated a considerable amount of data relating TCR sequences with their cognate HLA-peptide complex target. Here, we utilize such data to train a sequence-based predictor of the interaction between TCRs and peptides presented by the most common human MHCI allele, HLA-A*02:01. Our model is based on convolutional neural networks, which are especially designed to meet the challenges posed by the large length variations of TCRs. We show that such a sequence-based model allows for the identification of TCRs binding a given cognate peptide-MHC target out of a large pool of non-binding TCRs.

Abstract Patients with hematological malignancies are prioritized for COVID-19 vaccine due to their high risk for severe SARS-CoV-2 infection related disease and mortality. To understand T cell immunity, its long-term persistence, and correlation with antibody response, we evaluated the BNT162b2 COVID-19 mRNA vaccine-specific immune response in chronic lymphocytic leukemia (CLL) and myeloid dysplastic syndrome (MDS) patients. Longitudinal analysis of CD8 + T cells using DNA-barcoded peptide-MHC multimers covering the full SARS-CoV-2 Spike-protein (415 peptides) showed vaccine-specific T cell activation and persistence of memory T cells up to six months post-vaccination. Surprisingly, a higher frequency of vaccine-induced antigen-specific CD8 + T cell was observed in the patient group compared to a healthy donor group. Furthermore, and importantly, immunization with the second booster dose significantly increased the frequency of antigen-specific CD8 + T cells as well as the total number of T cell specificities. Altogether 59 BNT162b2 vaccine-derived immunogenic epitopes were identified, of which 23 established long-term CD8 + T cell memory response with a strong immunodominance for NYNYLYRLF (HLA-A24:02) and YLQPRTFLL (HLA-A02:01) epitopes. In summary, we mapped the vaccine-induced antigen-specific CD8 + T cells and showed a booster-specific activation and enrichment of memory T cells that could be important for long-term disease protection in this patient group. Key Points COVID-19 mRNA vaccine induced an early and persistent activation of antigen-specific CD8 + T cells in this patient group. Vaccination with a booster dose is required to maintain vaccine-specific CD8 + T cells.

The recognition of intracellular antigens by CD8+ T cells through T cell receptors (TCRs) is central to adaptive immunity, enabling responses against infections and cancer. The recent approval of TCR-gene-edited T cells for cancer therapy demonstrates the therapeutic advantage of using pMHC recognition to eliminate cancer. However, identification and selection of TCRs from patient material is complex and influenced by the TCR repertoire of the donors used. To overcome these limitations, we here present a rapid and robust de novo binder design platform leveraging state-of-the-art generative models, including RFdiffusion, ProteinMPNN, and AlphaFold2, to engineer minibinders (miBds) targeting the cancer-associated pMHC complex, NY-ESO-1(157-165)/HLA-A*02:01. By incorporating in silico cross-panning and molecular dynamics simulations, we enhanced specificity screening to minimise off-target interactions. We identified a miBd that exhibited high specificity for the NY-ESO-1-derived peptide SLLMWITQC in complex with HLA-A*02:01 and minimal cross-reactivity in mammalian display assays. We further demonstrate the therapeutic potential of this miBd by integrating it into a chimeric antigen receptor, as de novo Binders for Immune-mediated Killing Engagers (BIKEs). BIKE-transduced T cells selectively and effectively killed NY-ESO-1+ melanoma cells compared to non-transduced controls, demonstrating the promise of this approach in precision cancer immunotherapy. Our findings underscore the transformative potential of generative protein design for accelerating the discovery of high-specificity pMHC-targeting therapeutics. Beyond CAR-T applications, our workflow establishes a foundation for developing miBds as versatile tools, heralding a new era of precision immunotherapy.