Bottom-up mass spectrometry-based proteomics is challenged by the task of identifying the peptide that generates a tandem mass spectrum. Traditional methods that rely on known peptide sequence databases are limited and may not be applicable in certain contexts. De novo peptide sequencing, which assigns peptide sequences to the spectra without prior information, is valuable for various biological applications; yet, due to a lack of accuracy, it remains challenging to apply this approach in many situations. Here, we introduce InstaNovo, a transformer neural network with the ability to translate fragment ion peaks into the sequence of amino acids that make up the studied peptide(s). The model was trained on 28 million labelled spectra matched to ~742k human peptides from the ProteomeTools project. We demonstrate that InstaNovo outperforms current state-of-the-art methods on benchmark datasets and showcase its utility in several applications. Building upon human intuition, we also introduce InstaNovo+, a multinomial diffusion model that further improves performance by iterative refinement of predicted sequences. Using these models, we could de novo sequence antibody-based therapeutics with unprecedented coverage, discover novel peptides, and detect unreported organisms in different datasets, thereby expanding the scope and detection rate of proteomics searches. Finally, we could experimentally validate tryptic and non-tryptic peptides with targeted proteomics, demonstrating the fidelity of our predictions. Our models unlock a plethora of opportunities across different scientific domains, such as direct protein sequencing, immunopeptidomics, and exploration of the dark proteome.

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.