Abstract Here we present the Universal Spectrum Explorer (USE), a web-based tool based on IPSA for cross-resource (peptide) spectrum visualization and comparison ( https://www.proteomicsdb.org/use/ ). Mass spectra under investigation can either be provided manually by the user (table format), or automatically retrieved from online repositories supporting access to spectral data via the universal spectrum identifier (USI), or requested from other resources and services implementing a newly designed REST interface. As a proof of principle, we implemented such an interface in ProteomicsDB thereby allowing the retrieval of spectra acquired within the ProteomeTools project or real-time prediction of tandem mass spectra from the deep learning framework Prosit. Annotated mirror spectrum plots can be exported from the USE as editable scalable high quality vector graphics. The USE was designed and implemented with minimal external dependencies allowing local usage and integration into other websites ( https://github.com/kusterlab/universal_spectrum_explorer ).

ABSTRACT Data-independent acquisition (DIA) is becoming a leading analysis method in biomedical mass spectrometry. Main advantages include greater reproducibility, sensitivity and dynamic range compared to data-dependent acquisition (DDA). However, data analysis is complex and often requires expert knowledge when dealing with large-scale data sets. Here we present DIAproteomics a multi-functional, automated high-throughput pipeline implemented in Nextflow that allows to easily process proteomics and peptidomics DIA datasets on diverse compute infrastructures. Central components are well-established tools such as the OpenSwathWorkflow for DIA spectral library search and PyProphet for false discovery rate assessment. In addition, it provides options to generate spectral libraries from existing DDA data and carry out retention time and chromatogram alignment. The output includes annotated tables and diagnostic visualizations from statistical post-processing and computation of fold-changes across pairwise conditions, predefined in an experimental design. DIAproteomics is open-source software and available under a permissive license to the scientific community at https://www.openms.de/diaproteomics/ .

The Human Leukocyte Antigen (HLA) regulates the adaptive immune response by showcasing the intracellular and extracellular protein content to the immune system, where T cells, in particular, are able to distinguish between self and foreign. Therefore, a comprehensive mapping of the entirety of both HLA class I- and class II-presented peptides is a highly sought after resource1, as it enables the investigation of basic immunological questions beyond the exome level. In this work, we describe the HLA Ligand Atlas, a comprehensive collection of matched HLA class I and class II ligandomes from 29 non-malignant tissues and 13 human subjects, covering 38 HLA class I-, and 17 HLA*DRB alleles. Nearly 50% of HLA-ligands have not been previously described. The generated data is relevant for basic research in fields such as systems biology, general immunology, and molecular biology. Furthermore, translational applications are anticipated to support the development of effective cancer immunotherapies. Especially, the characterization of HLA-ligands from benign tissues is essential in informing proteogenomic HLA-dependent target discovery approaches. Therefore, the data set provides a basis for new insights in understanding immune-associated processes in the context of tissue and organ transplantation and represents a valuable tool for researchers exploring autoimmunity. The HLA Ligand Atlas is publicly available as a raw data resource but also in the form of a user-friendly web interface that allows users to quickly formulate complex queries against the dataset. Both downloadable data and the query interface are available at hla-ligand-atlas.org.

Abstract The immunopeptidome, representing the point of contact between somatic and T cells, is key for adaptive immunity. Each presented peptide holds an abundance of information not yet well understood. Up to now, the scientific focus has been the definition of pathogenic or tumor derived epitopes and the deconvolution of HLA peptide motifs of the entire immunopeptidome. Here we go one step further and assess the properties of individual peptides to identify defined HLA allotype-specific and frequently presented peptides. Such allotypic peptides represent a versatile tool to determine HLA allotypes or serve as internal standard for characterization of cancer antigens and differentially processed antigens. Finally, individual tissue- and dignity-specific antigens were defined, and the latter were successfully implemented for molecular tumor testing. Using mass spectrometry based immunopeptidomics a database was generated consisting of ∼900 HLA-typed samples. The identified allotypic peptides enabled a HLA class I allotype determination, which was 95% correct in our in-house dataset and 98% in an external dataset. These abundant peptides were implemented as internal standard for a semi-quantitative investigation of established tumor antigens and antigens processed differentially in malignant and benign tissue. Defined dignity-specific antigens allowed a 87% correct tumor detection across numerous tumor types. In summary, we describe a machine learning approach for mining immunopeptidomic data in order to develop a classification method, allowing to differentiate HLA class I-allotypes of a sample or distinguish between healthy and malignant state of tissues. Furthermore, based on this method, we developed a procedure for the validation of tumor exclusive antigens. Our results support classification of immunopeptidomic data sets using machine learning and highlight their potential utility for biomarker development.