Individual genetic variation may help to explain different immune responses to a virus across a population. In particular, understanding how variation in HLA may affect the course of COVID-19 could help identify individuals at higher risk from the disease. HLA typing can be fast and inexpensive. Pairing HLA typing with COVID-19 testing where feasible could improve assessment of severity of viral disease in the population. Following the development of a vaccine against SARS-CoV-2, the virus that causes COVID-19, individuals with high-risk HLA types could be prioritized for vaccination.

The distribution of cytosine methylation in 6.2 Mb of the mouse genome was tested using cohybridization of genomic representations from a methylation-sensitive restriction enzyme and its methylation-insensitive isoschizomer. This assay, termed HELP ( H paII tiny fragment E nrichment by L igation-mediated P CR), allows both intragenomic profiling and intergenomic comparisons of cytosine methylation. The intragenomic profile shows most of the genome to be contiguous methylated sequence with occasional clusters of hypomethylated loci, usually but not exclusively at promoters and CpG islands. Intergenomic comparison found marked differences in cytosine methylation between spermatogenic and brain cells, identifying 223 new candidate tissue-specific differentially methylated regions (T-DMRs). Bisulfite pyrosequencing confirmed the four candidates tested to be T-DMRs, while quantitative RT-PCR for two genes with T-DMRs located at their promoters showed the HELP data to be correlated with gene activity at these loci. The HELP assay is robust, quantitative, and accurate and is providing new insights into the distribution and dynamic nature of cytosine methylation in the genome.

Abstract There is growing interest in retained introns in a variety of disease contexts including cancer and aging. Many software tools have been developed to detect retained introns from short RNA-seq reads, but reliable detection is complicated by overlapping genes and transcripts as well as the presence of unprocessed or partially processed RNAs. We compared introns detected by 5 tools using short RNA-seq reads with introns observed in long RNA-seq reads from the same biological specimens and found: (1) significant disagreement among tools (Fleiss’ κ = 0.231 ) such that 52.4% of all detected intron retentions were not called by more than one tool; (2) that no tool achieved greater than 20% precision or 35% recall under generous conditions; and (3) that retained intron detectability was adversely affected by greater intron length and overlap with annotated exons.

ABSTRACT The vast majority of tools for neoepitope prediction from DNA sequencing of complementary tumor and normal patient samples do not consider germline context or the potential for co-occurrence of two or more somatic variants on the same mRNA transcript. Without consideration of these phenomena, existing approaches are likely to produce both false positive and false negative results, resulting in an inaccurate and incomplete picture of the cancer neoepitope landscape. We developed neoepiscope chiefly to address this issue for single nucleotide variants (SNVs) and insertions/deletions (indels), and herein illustrate how germline and somatic variant phasing affects neoepitope prediction across multiple datasets. We estimate that up to ∼5% of neoepitopes arising from SNVs and indels may require variant phasing for their accurate assessment. neoepiscope is performant, flexible, and supports several major histocompatibility complex binding affinity prediction tools. We have released neoepiscope as open-source software (MIT license, https://github.com/pdxgx/neoepiscope ) for broad use. KEY POINTS Germline context and somatic variant phasing are important for neoepitope prediction Many popular neoepitope prediction tools have issues of performance and reproducibility We describe and provide performant software for accurate neoepitope prediction from DNA-seq data

ABSTRACT Background Tumor mutational burden (TMB, the quantity of aberrant nucleotide sequences a given tumor may harbor) has been associated with response to immune checkpoint inhibitor therapy and is gaining broad acceptance as a result. However, TMB harbors intrinsic variability across cancer types, and its assessment and interpretation are poorly standardized. Methods Using a standardized approach, we quantify the robustness of TMB as a metric and its potential as a predictor of immunotherapy response and survival among a diverse cohort of cancer patients. We also explore the additive predictive potential of RNA-derived variants and neoepitope burden, incorporating several novel metrics of immunogenic potential. Results We find that TMB is a partial predictor of immunotherapy response in melanoma and non-small cell lung cancer, but not renal cell carcinoma. We find that TMB is predictive of overall survival in melanoma patients receiving immunotherapy, but not in an immunotherapy-naive population. We also find that it is an unstable metric with potentially problematic repercussions for clinical cohort classification. We finally note minimal additional predictive benefit to assessing neoepitope burden or its bulk derivatives, including RNA-derived sources of neoepitopes. Conclusions We find sufficient cause to suggest that the predictive clinical value of TMB should not be overstated or oversimplified. While it is readily quantified, TMB is at best a limited surrogate biomarker of immunotherapy response. The data do not support isolated use of TMB in renal cell carcinoma.

ABSTRACT A large number of machine learning-based Major Histocompatibility Complex (MHC) binding affinity (BA) prediction tools have been developed and are widely used for both investigational and therapeutic applications, so it is important to explore differences in tool outputs. We examined predictions of four popular tools (netMHCpan, HLAthena, MHCflurry, and MHCnuggets) across a range of possible peptide sources (human, viral, and randomly generated) and MHC class I alleles. We uncovered inconsistencies in predictions of BA, allele promiscuity and the relationship between physical properties of peptides by source and BA predictions, as well as quality of training data. Our work raises fundamental questions about the fidelity of peptide-MHC binding prediction tools and their real-world implications.

Abstract Thousands of DNA methylation (DNAm) array samples from human blood are publicly available on the Gene Expression Omnibus (GEO), but they remain underutilized for experiment planning, replication, and cross-study and cross-platform analyses. To facilitate these tasks, we augmented our recountmethylation R/Bioconductor package with 12,537 uniformly processed EPIC and HM450K blood samples on GEO as well as several new features. We subsequently used our updated package in several illustrative analyses, finding (1) study ID bias adjustment increased variation explained by biological and demographic variables, (2) most variation in autosomal DNAm was explained by genetic ancestry and CD4+ T-cell fractions, and (3) the dependence of power to detect differential methylation on sample size was similar for each of peripheral blood mononuclear cells (PBMC), whole blood, and umbilical cord blood. Finally, we used PBMC and whole blood to perform independent validations, and we recovered 40-46% of differentially methylated probes (DMPs) between sexes from two previously published epigenome-wide association studies (EWAS).

Abstract Accurate identification of human leukocyte antigen (HLA) alleles is essential for various clinical and research applications, such as transplant matching and drug sensitivities. Recent advances in RNA-seq technology have made it possible to impute HLA types from high throughput sequencing data, spurring the development of a large number of computational HLA typing tools. However, the relative performance of these tools is unknown, limiting the ability for clinical and biomedical research to make informed choices regarding which tools to use. Here, we rigorously compare the performance of 9 HLA callers on 652 RNA-seq samples across 6 datasets with molecularly defined gold standard. We find that OptiType has the highest accuracy at both low and high resolution with an accuracy above 99%, followed by arcasHLA and seq2HLA with accuracies above 96%. Despite OptiType’s high accuracy, it is only capable of Class I predictions, thereby limiting its application to clinical procedures like transplantation requiring Class II predictions. Furthermore, our findings reveal significant variation in accuracy across each HLA locus, with HLA-A exhibiting the highest accuracy and HLA-DRB1 exhibiting the lowest accuracy. We also find that class II genes are generally more challenging to impute than class I genes, with most typing algorithms capable of making Class I predictions to >97% accuracy whereas the best Class II tool predicts with 94.2% accuracy. Moreover, we identify notable differences in the computational resources necessary to run each tool. We find that the most computationally expensive tools are OptiType and HLA-HD which require 10 5 and 10 2 times greater RAM and CPU, respectively, than the least computationally expensive tools, seq2HLA and RNA2HLA. Furthermore, all tools have decreased accuracy for African samples with respect to European samples at four digit resolution. We conclude that RNA-Seq HLA callers are capable of returning high-quality results, but the tools that offer a good balance between accuracy, consistency, and computational expensiveness are yet to be developed.

Abstract Proteasomal cleavage is a key component in protein turnover, as well as antigen presentation and subsequent immune response. Herein we present pepsickle , an open-source tool for proteasomal cleavage prediction with better in vivo prediction performance (AUC) and computational speed than current models available in the field, and with the ability to predict sites based on both constitutive and immunoproteasome profiles. Post-hoc filtering of predicted patient neoepitopes using pepsickle significantly enriches for immune-responsive epitopes and may represent a significant opportunity to improve current epitope prediction and vaccine development pipelines.