Abstract Machine learning prediction of the interaction between major histocompatibility complex I (MHC I) proteins and their small peptide ligands is important for vaccine design and other applications in adaptive immunity. We describe and benchmark a new open-source MHC I binding prediction package, MHCflurry. The software is a collection of allele-specific binding predictors incorporating a novel neural network architecture and adhering to software development best practices. MHCflurry outperformed the standard predictors NetMHC 4.0 and NetMHCpan 3.0 on a benchmark of mass spec-identified MHC ligands and showed competitive accuracy on a benchmark of affinity measurements. The accuracy improvement was due to substantially better prediction of non-9-mer peptide ligands, which offset a narrowly lower accuracy on 9-mers. MHCflurry was on average 8.6X faster than NetMHC and 44X faster than NetMHCpan; performance is further increased when a graphics processing unit (GPU) is available. MHCflurry is freely available to use, retrain, or extend, includes Python library and command line interfaces, and may be installed using standard package managers.

ABSTRACT Personalized cancer immunotherapies such as vaccines and T cell receptor (TCR)-transgenic T cells rely on the presentation of tumor-specific peptides by human leukocyte antigen (HLA) class I molecules to cytotoxic T cells. Such neoepitopes can for example arise from somatic mutations and their identification is crucial for the rational design of new therapeutic interventions. For their detection by liquid chromatography mass spectrometry (LC-MS), we have developed a parameter optimization workflow to tune targeted assays for maximum detection sensitivity on a per peptide basis, termed optiPRM. Optimization of collision energy using optiPRM allows for improved detection of low abundant peptides that are very hard to detect using standard parameters. Applying this to immunopeptidomics, we detected a neoepitope in a patient-derived xenograft (PDX) from as little as 2.5×10 6 cells input. Application of the workflow on small patient tumor samples allowed for the detection of five mutation-derived neoepitopes in three patients. One neoepitope was confirmed to be recognized by patient T cells. In conclusion, we here present optiPRM, a targeted MS workflow reaching ultra-high sensitivity by per peptide parameter optimization, which allowed for the identification of actionable neoepitopes from sample sizes usually available in the clinic.

The immune system can recognize and attack cancer cells, especially those with a high load of mutation-induced neoantigens. Such neoantigens are particularly abundant in DNA mismatch repair (MMR)-deficient, microsatellite-unstable (MSI) cancers. MMR deficiency leads to insertion/deletion (indel) mutations at coding microsatellites (cMS) and to neoantigen-inducing translational frameshifts. The abundance of mutational neoantigens renders MSI cancers sensitive to immune checkpoint blockade. However, the neoantigen landscape of MMR-deficient cancers has not yet been systematically mapped. In the present study, we used a novel tool to monitor neoantigen-inducing indel mutations in MSI colorectal and endometrial cancer. Our results show that MSI cancers share several highly immunogenic neoantigens that result from specific, recurrent indel mutation events. Notably, the frequency of such indel mutations was negatively correlated to the predicted immunogenicity of the resulting neoantigens. These observations suggest continuous immunoediting of emerging MMR-deficient cells during tumor evolution.

Computational prediction of binding between neoantigen peptides and major histocompatibility complex (MHC) proteins is an emerging biomarker for predicting patient response to cancer immunotherapy. Current neoantigen predictors focus on in silico estimation of MHC binding affinity and are limited by low positive predictive value for actual peptide presentation, inadequate support for rare MHC alleles and poor scalability to high-throughput data sets. To address these limitations, we developed MHCnuggets, a deep neural network method to predict peptide-MHC binding. MHCnuggets is the only method to handle binding prediction for common or rare alleles of MHC Class I or II, with a single neural network architecture. Using a long short-term memory network (LSTM), MHCnuggets accepts peptides of variable length and is capable of faster performance than other methods. When compared to methods that integrate binding affinity and HLAp data from mass spectrometry, MHCnuggets yields a fourfold increase in positive predictive value on independent MHC-bound peptide (HLAp) data. We applied MHCnuggets to 26 cancer types in TCGA, processing 26.3 million allele-peptide comparisons in under 2.3 hours, yielding 101,326 unique candidate immunogenic missense mutations (IMMs). Predicted-IMM hotspots occurred in 38 genes, including 24 driver genes. Predicted-IMM load was significantly associated with increased immune cell infiltration (p<2e−16) including CD8+ T cells. Notably, only 0.16% of predicted immunogenic missense mutations were observed in >2 patients, with 61.7% of these derived from driver mutations. Our results provide a new method for neoantigen prediction with high performance characteristics and demonstrate its utility in large data sets across human cancers.Synopsis We developed a new in silico predictor of Major Histocompatibility Complex (MHC) ligand binding and demonstrated its utility to assess potential neoantigens and immunogenic missense mutations (IMMs) in 6613 TCGA patients.

ABSTRACT In mass spectrometry-based proteomics, heavy internal standards are used to validate target peptide detections and to calibrate peptide quantification. Here we report light contamination present in heavy labelled synthetic peptides of high isotopic enrichment. Application of such peptides as assay-internal standards potentially compromises the detection and quantification especially of low abundant cellular peptides. Therefore, it is important to adopt guidelines to prevent false-positive identifications of endogenous light peptides as well as errors in their quantification from biological samples.