Abstract Neoantigens can be differentially recognized by T cell receptor (TCR) as these sequences are derived from mutant proteins and are unique to the tumor. The discovery of neoantigens is the first key step for tumor-specific antigen (TSA) based immunotherapy. Based on high-throughput tumor genomic analysis, each missense mutation can potentially give rise to multiple neopeptides, resulting in a vast total number, but only a small percentage of these peptides may achieve immune-dominant status with a given major histocompatibility complex (MHC) class I allele. Specific identification of immunogenic candidate neoantigens is consequently a major challenge. Currently almost all neoantigen prediction tools are based on genomics data. Here we report the construction of proteogenomics prediction of neoantigen (ProGeo-neo) pipeline, which incorporates the following modules: mining tumor specific antigens from next-generation sequencing genomic and mRNA expression data, predicting the binding mutant peptides to class I MHC molecules by latest netMHCpan (v.4.0), verifying MHC-peptides by MaxQuant with mass spectrometry proteomics data searched against customized protein database, and checking potential immunogenicity of T-cell-recognization by additional screening methods. ProGeo-neo pipeline achieves proteogenomics strategy and the neopeptides identified were of much higher quality as compared to those identified using genomic data only. The pipeline was constructed based on the genomics and proteomics data of Jurkat leukemia cell line but is generally applicable to other solid cancer research. With massively parallel sequencing and proteomics profiling increasing, this proteogenomics workflow should be useful for neoantigen oriented research and immunotherapy.

Abstract Thyroid nodules occur in about 60% of the population. Current diagnostic strategies, however, often fail at distinguishing malignant nodules before surgery, thus leading to unnecessary, invasive treatments. As proteins are involved in all physio/pathological processes, a proteome investigation of biopsied nodules may help correctly classify and identify malignant nodules and discover therapeutic targets. Quantitative mass spectrometry data-independent acquisition (DIA) enables highly reproducible and rapid throughput investigation of proteomes. An exhaustive spectral library of thyroid nodules is essential for DIA yet still unavailable. This study presents a comprehensive thyroid spectral library covering five types of thyroid tissue: multinodular goiter, follicular adenoma, follicular and papillary thyroid carcinoma, and normal thyroid tissue. Our library includes 925,330 transition groups, 157,548 peptide precursors, 121,960 peptides, 9941 protein groups, and 9826 proteins from proteotypic peptides. This library resource was evaluated using three papillary thyroid carcinoma samples and their corresponding adjacent normal thyroid tissue, leading to effective quantification of up to 7863 proteins from biopsy-level thyroid tissues.

Purpose: Reducing scan times is important for wider adoption of high-resolution volumetric MRI in research and clinical practice. Emerging fast imaging and deep learning techniques provide promising strategies to accelerate volumetric MRI without compromising image quality. In this study, we aim to leverage an advanced fast imaging technique, wave-controlled aliasing in parallel imaging (Wave-CAIPI), and a novel denoising generative adversarial network (GAN) to achieve accelerated high-fidelity, high-signal-to-noise-ratio (SNR) volumetric MRI. Methods: 3D T2-weighted fluid-attenuated inversion recovery (FLAIR) image data were acquired on 33 multiple sclerosis (MS) patients using a prototype Wave-CAIPI sequence (acceleration factor R=3×2, 2.75 minutes) and a standard T2-SPACE FLAIR sequence (R=2, 7.25 minutes). A hybrid denoising GAN entitled "HDnGAN" composed of a 3D generator (i.e., a modified 3D U-Net entitled MU-Net) and a 2D discriminator was proposed to denoise Wave-CAIPI images with the standard FLAIR images as the target. HDnGAN was trained and validated on data from 25 MS patients by minimizing a combined content loss (i.e., mean squared error (MSE)) and adversarial loss with adjustable weight λ, and evaluated on data from 8 patients unseen during training. The quality of HDnGAN-denoised images was compared to those from other denoising methods including AONLM, BM4D, MU-Net, and 3D GAN in terms of their similarity to standard FLAIR images, quantified using MSE and VGG perceptual loss. The images from different methods were assessed by two neuroradiologists using a five-point score regarding sharpness, SNR, lesion conspicuity, and overall quality. Finally, the performance of these denoising methods was compared at higher noise levels using simulated data with added Rician noise. Results: HDnGAN effectively denoised noisy Wave-CAIPI images with sharpness and rich textural details, which could be adjusted by controlling λ. Quantitatively, HDnGAN (λ=10 -3 ) achieved low MSE (7.43×10 -4 ±0.94×10 -4 ) and the lowest VGG perceptual loss (1.09×10 -2 ±0.18×10 -2 ). The reader study showed that HDnGAN (λ=10 -3 ) significantly improved the SNR of Wave-CAIPI images (4.19±0.39 vs. 2.94±0.24, P<0.001), outperformed AONLM (4.25±0.56 vs. 3.75±0.90, P=0.015), BM4D (3.31±0.46, P<0.001), MU-Net (3.13±0.99, P<0.001) and 3D GAN (λ=10 -3 ) (3.31±0.46, P<0.001) regarding image sharpness, and outperformed MU-Net (4.21±0.67 vs. 3.29±1.28, P<0.001) and 3D GAN (λ=10 -3 ) (3.5±0.82, P=0.001) regarding lesion conspicuity. The overall quality score of HDnGAN (λ=10 -3 ) (4.25±0.43) was significantly higher than those from Wave-CAIPI (3.69±0.46, P=0.003), BM4D (3.50±0.71, P=0.001), MU-Net (3.25±0.75, P<0.001), and 3D GAN (λ=10 -3 ) (3.50±0.50, P<0.001), with no significant difference compared to standard FLAIR images (4.38±0.48, P=0.333). The advantages of HDnGAN over other methods were more obvious at higher noise levels. Conclusion: HDnGAN provides robust and feasible denoising while preserving rich textural detail in empirical volumetric MRI data and is superior on both quantitative and qualitative evaluation compared to the original Wave-CAIPI images and images denoised using standard methods. HDnGAN concurrently benefits from the improved image synthesis performance of the 3D convolution and the increased number of samples for training the 2D discriminator from a limited number of subjects. Our study supports the use of HDnGAN in combination with modern fast imaging techniques such as Wave-CAIPI to achieve high-fidelity fast volumetric MRI.

To quantitatively measure the spatial relationship between the temporomandibular joint (TMJ) and surface landmarks such as the tragus and lateral canthus using cone-beam CT (CBCT), as to provide guidance for accurate positioning of CBCT scanning of the TMJ.

To compared the effectiveness and safety of single standard mini percutaneous nephrolithotripsy (SM-PCNL) combined with retrograde intrarenal surgery (RIRS) and multiple standard mini percutaneous nephrolithotomy (MSM-PCNL) in the treatment of octopus stone of 2 to 4 cm. The clinical data of SM-PCNL combined with RIRS and MSM-PCNL for octopus stone with a 2 to 4 cm diameter from October 2019 to December 2022 were analyzed retrospectively, and propensity score matching was used to screen patients. The matched patients were paired, and the operation time, complications, postoperative pain, tubeless rate, stone-free rate (SFR), and postoperative hospital stay were further compared between the 2 groups. 88 patients underwent SM-PCNL combined with RIRS (combined group), and 143 patients underwent MSM-PCNL (multiple channel group). After matching analysis, there were 49 patients in each group, and there was no significant difference in the general preoperative data between the 2 groups. The perioperative complications and stone-free rate were no statistical difference. In postoperative pain (4.00 ± 0.74 vs 5.00 ± 0.74, P = .00), tubeless rate (44.90% vs 20.41%, P = .01), hemoglobin drop (9.38 ± 7.48 vs 14.22 ± 7.69, P = .01), postoperative hospital stay (3.37 ± 1.09 vs 5.08 ± 1.29, P = .00), the combined group was significantly better than the multiple channel group. Regarding operation time, the combined group was more than the multiple channel group (103.27 ± 27.61 vs 78.39 ± 19.31, P = .000). For octopus stone with a diameter of 2 to 4 cm, the effectiveness and safety of SM-PCNL combined with RIRS were similar to those of MSM-PCNL The surgeon should carefully evaluate the patient’s physical condition, stone characteristics, and expectations before the operation and assist the patient in choosing an appropriate plan.

Summary A comprehensive pan-human spectral library is critical for biomarker discovery using mass spectrometry (MS)-based proteomics. DPHL v1, a previous pan-human library built from 1096 data-dependent acquisition (DDA) MS data of 16 human tissue types, allows quantifying 10,943 proteins. However, a major limitation of DPHL v1 is the lack of semi-tryptic peptides and protein isoforms, which are abundant in clinical specimens. Here, we generated DPHL v2 from 1608 DDA-MS data acquired using Orbitrap mass spectrometers. The data included 586 DDA-MS newly acquired from 17 tissue types, while 1022 files were derived from DPHL v1. DPHL v2 thus comprises data from 24 sample types, including several cancer types (lung, breast, kidney, and prostate cancer, among others). We generated four variants of DPHL v2 to include semi-tryptic peptides and protein isoforms. DPHL v2 was then applied to a publicly available colorectal cancer dataset with 286 DIA-MS files. The numbers of identified and significantly dysregulated proteins increased by at least 21.7% and 14.2%, respectively, compared with DPHL v1. Our findings show that the increased human proteome coverage of DPHL v2 provides larger pools of potential protein biomarkers.

A novel approach for phenotype prediction is developed for mass spectrometric data. First, the data-independent acquisition (DIA) mass spectrometric data is converted into a novel file format called "DIA tensor" (DIAT) which contains all the peptide precursors and fragments information and can be used for convenient DIA visualization. The DIAT format is fed directly into a deep neural network to predict phenotypes without the need to identify peptides or proteins. We applied this strategy to a collection of 102 hepatocellular carcinoma samples and achieved an accuracy of 96.8% in classifying malignant from benign samples. We further applied refined model to 492 samples of thyroid nodules to predict thyroid cancer; and achieved a predictive accuracy of 91.7% in an independent cohort of 216 test samples. In conclusion, DIA tensor enables facile 2D visualization of DIA proteomics data as well as being a new approach for phenotype prediction directly from DIA-MS data.