SCRATCH is a server for predicting protein tertiary structure and structural features. The SCRATCH software suite includes predictors for secondary structure, relative solvent accessibility, disordered regions, domains, disulfide bridges, single mutation stability, residue contacts versus average, individual residue contacts and tertiary structure. The user simply provides an amino acid sequence and selects the desired predictions, then submits to the server. Results are emailed to the user. The server is available at http://www.igb.uci.edu/servers/psss.html .

Abstract Accurate prediction of protein stability changes resulting from single amino acid mutations is important for understanding protein structures and designing new proteins. We use support vector machines to predict protein stability changes for single amino acid mutations leveraging both sequence and structural information. We evaluate our approach using cross‐validation methods on a large dataset of single amino acid mutations. When only the sign of the stability changes is considered, the predictive method achieves 84% accuracy—a significant improvement over previously published results. Moreover, the experimental results show that the prediction accuracy obtained using sequence alone is close to the accuracy obtained using tertiary structure information. Because our method can accurately predict protein stability changes using primary sequence information only, it is applicable to many situations where the tertiary structure is unknown, overcoming a major limitation of previous methods which require tertiary information. The web server for predictions of protein stability changes upon mutations (MUpro), software, and datasets are available at http://www.igb.uci.edu/servers/servers.html . Proteins 2006. © 2005 Wiley‐Liss, Inc.

Protein insolubility is a major obstacle for many experimental studies. A sequence-based prediction method able to accurately predict the propensity of a protein to be soluble on overexpression could be used, for instance, to prioritize targets in large-scale proteomics projects and to identify mutations likely to increase the solubility of insoluble proteins.Here, we first curate a large, non-redundant and balanced training set of more than 17 000 proteins. Next, we extract and study 23 groups of features computed directly or predicted (e.g. secondary structure) from the primary sequence. The data and the features are used to train a two-stage support vector machine (SVM) architecture. The resulting predictor, SOLpro, is compared directly with existing methods and shows significant improvement according to standard evaluation metrics, with an overall accuracy of over 74% estimated using multiple runs of 10-fold cross-validation.

Discovery of novel protective antigens is fundamental to the development of vaccines for existing and emerging pathogens. Most computational methods for predicting protein antigenicity rely directly on homology with previously characterized protective antigens; however, homology-based methods will fail to discover truly novel protective antigens. Thus, there is a significant need for homology-free methods capable of screening entire proteomes for the antigens most likely to generate a protective humoral immune response.Here we begin by curating two types of positive data: (i) antigens that elicit a strong antibody response in protected individuals but not in unprotected individuals, using human immunoglobulin reactivity data obtained from protein microarray analyses; and (ii) known protective antigens from the literature. The resulting datasets are used to train a sequence-based prediction model, ANTIGENpro, to predict the likelihood that a protein is a protective antigen. ANTIGENpro correctly classifies 82% of the known protective antigens when trained using only the protein microarray datasets. The accuracy on the combined dataset is estimated at 76% by cross-validation experiments. Finally, ANTIGENpro performs well when evaluated on an external pathogen proteome for which protein microarray data were obtained after the initial development of ANTIGENpro.ANTIGENpro is integrated in the SCRATCH suite of predictors available at http://scratch.proteomics.ics.uci.edu.pfbaldi@ics.uci.edu

We analyzed the antibody and cytokine responses of twenty-three patients with multisystem inflammatory syndrome of children (MIS-C) that appeared with a three-to-six-week delay following a mild or asymptomatic SARS-CoV-2 infection. These responses were compared to healthy convalescent pediatric COVID-19 patients approximately twenty-eight days after the onset of symptoms. Both groups had strong IgG responses to SARS-CoV-2 spike (S) and nucleocapsid (N) proteins, but the MIS-C patients had weaker antibody responses to certain epitopes in the SARS-CoV-2 S and N proteins and to the S and N proteins of endemic human coronaviruses (HCoV) compared to pediatric convalescent COVID patients. HCoV antibody reactivity was correlated with age. In contrast, MIS-C patients had elevated serum levels of several proinflammatory cytokines compared to convalescent COVID patients, including interleukins IL-6, IL-8, IL-18 and chemokines CCL2, CCL8, CXCL5, CXCL9 and CXCL10 as well as tumor necrosis factor alpha and interferon gamma. Moreover, many cytokine responses of MIS-C patients were positively correlated with antibody responses to the SARS-CoV-2 S, N, membrane and ORF3a proteins while pediatric convalescent COVID patient cytokine responses were more often negatively correlated with antibody responses to the S, N and ORF3a proteins of SARS-CoV-2.

Type 1 Diabetes (T1D) is a chronic disease caused by autoimmune destruction of insulin-producing pancreatic β-cells. The insulin B-chain 9-23 (insB:9-23) peptide is established as a critical epitope in triggering T1D. In our previous study, we showed that Parabacteroides distasonis , a human gut commensal, contains an insB:9-23 mimic in its hprt protein (residues, 4-18). This mimic (hprt4-18) activates insB:9-23 specific T-cells, and colonization of P. distasonis in female NOD mice enhanced diabetes onset. Additionally, the presence of hprt:4-18 sequence in the gut microbiome is associated with seropositivity in infants. However, the impact of the colonization on the gut microbiome and intestinal immune cell compositions, gut permeability, cytokine, and serum metabolome profiles were unknown. Here, we addressed this gap using specific pathogen-free (SPF) and germ-free (GF) NOD mouse models. P. distasonis colonization had a minimal impact on gut microbiome composition and merely altered 28 ASVs upon colonization. In intraepithelial lymphocytes (IELs) of P. distasonis colonized SPF NOD mice, we observed a 1.72-fold reduction in T-helper cells and a 2.3-fold reduction in T- effector cells, along with a 1.85-fold reduction in B-cell populations. Further, P. distasonis did not alter serum metabolome and cytokine levels except for a decrease in IL-15. We observed no difference in the gene expression related to gut permeability. Similar to SPF mice, P. distasonis colonization in GF NOD mice induced severe insulitis without affecting gut permeability. On the other hand, P. distasonis lysate could induce insB:9-23 specific T cells. Altogether, these findings demonstrate that P. distasonis does not stimulate a nonspecific inflammatory immune response in the intestines, nor does it cause significant alterations in the gut microbiome, gut permeability, serum metabolome, or cytokine response. However, it does induce insulitis in GF NOD mice and activates insB:9-23 specific T-cells. These findings support our original hypothesis that P. distasonis colonization stimulates a specific immune response and enhances T1D onset in NOD mice via molecular mimicry.