Antibodies have become an indispensable tool for many biotechnological and clinical applications. They bind their molecular target (antigen) by recognizing a portion of its structure (epitope) in a highly specific manner. The ability to predict epitopes from antigen sequences alone is a complex task. Despite substantial effort, limited advancement has been achieved over the last decade in the accuracy of epitope prediction methods, especially for those that rely on the sequence of the antigen only. Here, we present BepiPred-2.0 (http://www.cbs.dtu.dk/services/BepiPred/), a web server for predicting B-cell epitopes from antigen sequences. BepiPred-2.0 is based on a random forest algorithm trained on epitopes annotated from antibody-antigen protein structures. This new method was found to outperform other available tools for sequence-based epitope prediction both on epitope data derived from solved 3D structures, and on a large collection of linear epitopes downloaded from the IEDB database. The method displays results in a user-friendly and informative way, both for computer-savvy and non-expert users. We believe that BepiPred-2.0 will be a valuable tool for the bioinformatics and immunology community.

Abstract Cytotoxic T cells are of central importance in the immune system’s response to disease. They recognize defective cells by binding to peptides presented on the cell surface by MHC class I molecules. Peptide binding to MHC molecules is the single most selective step in the Ag-presentation pathway. Therefore, in the quest for T cell epitopes, the prediction of peptide binding to MHC molecules has attracted widespread attention. In the past, predictors of peptide–MHC interactions have primarily been trained on binding affinity data. Recently, an increasing number of MHC-presented peptides identified by mass spectrometry have been reported containing information about peptide-processing steps in the presentation pathway and the length distribution of naturally presented peptides. In this article, we present NetMHCpan-4.0, a method trained on binding affinity and eluted ligand data leveraging the information from both data types. Large-scale benchmarking of the method demonstrates an increase in predictive performance compared with state-of-the-art methods when it comes to identification of naturally processed ligands, cancer neoantigens, and T cell epitopes.

Summary Major histocompatibility complex class II ( MHC ‐ II ) molecules are expressed on the surface of professional antigen‐presenting cells where they display peptides to T helper cells, which orchestrate the onset and outcome of many host immune responses. Understanding which peptides will be presented by the MHC ‐ II molecule is therefore important for understanding the activation of T helper cells and can be used to identify T‐cell epitopes. We here present updated versions of two MHC – II –peptide binding affinity prediction methods, Net MHCII and Net MHCII pan. These were constructed using an extended data set of quantitative MHC –peptide binding affinity data obtained from the Immune Epitope Database covering HLA ‐ DR , HLA ‐ DQ , HLA ‐ DP and H‐2 mouse molecules. We show that training with this extended data set improved the performance for peptide binding predictions for both methods. Both methods are publicly available at www.cbs.dtu.dk/services/NetMHCII-2.3 and www.cbs.dtu.dk/services/NetMHCIIpan-3.2 .

Abstract The ability to predict local structural features of a protein from the primary sequence is of paramount importance for unraveling its function in absence of experimental structural information. Two main factors affect the utility of potential prediction tools: their accuracy must enable extraction of reliable structural information on the proteins of interest, and their runtime must be low to keep pace with sequencing data being generated at a constantly increasing speed. Here, we present NetSurfP‐2.0, a novel tool that can predict the most important local structural features with unprecedented accuracy and runtime. NetSurfP‐2.0 is sequence‐based and uses an architecture composed of convolutional and long short‐term memory neural networks trained on solved protein structures. Using a single integrated model, NetSurfP‐2.0 predicts solvent accessibility, secondary structure, structural disorder, and backbone dihedral angles for each residue of the input sequences. We assessed the accuracy of NetSurfP‐2.0 on several independent test datasets and found it to consistently produce state‐of‐the‐art predictions for each of its output features. We observe a correlation of 80% between predictions and experimental data for solvent accessibility, and a precision of 85% on secondary structure 3‐class predictions. In addition to improved accuracy, the processing time has been optimized to allow predicting more than 1000 proteins in less than 2 hours, and complete proteomes in less than 1 day.

Abstract The Immune Epitope Database Analysis Resource (IEDB-AR, http://tools.iedb.org/) is a companion website to the IEDB that provides computational tools focused on the prediction and analysis of B and T cell epitopes. All of the tools are freely available through the public website and many are also available through a REST API and/or a downloadable command-line tool. A virtual machine image of the entire site is also freely available for non-commercial use and contains most of the tools on the public site. Here, we describe the tools and functionalities that are available in the IEDB-AR, focusing on the 10 new tools that have been added since the last report in the 2012 NAR webserver edition. In addition, many of the tools that were already hosted on the site in 2012 have received updates to newest versions, including NetMHC, NetMHCpan, BepiPred and DiscoTope. Overall, this IEDB-AR update provides a substantial set of updated and novel features for epitope prediction and analysis.

Abstract We propose TCRDivER, a global approach to T-cell repertoire comparison using diversity profiles sensitive to both clone size and sequence similarity. As immunotherapies improve, the long standing biological interest in connecting outcome with T cell receptor (TCR) repertoire status has become more urgent. Here we show that new insights can be extracted from high throughput repertoire sequencing data. Most current efforts focus on identification of immunisation-specific sequence motifs or on monitoring changes in frequency of individual clones. Applying TCRDivER to murine spleen samples shows it characterises an additional dimension of repertoire variation, beyond conventional diversity estimates, allowing distinction between immunised and non-immunised samples. We further apply TCRDivER to repertoires from human blood. In both cases we show characteristic relationships between repertoire features. These reveal biologically interpretable relationships between sequence similarity and clonal expansions. We thereby demonstrate a new tool for investigation in clinical and research applications.

B-cell epitope prediction tools are of great medical and commercial interest due to their practical applications in vaccine development. The introduction of protein language models (LM) trained on unprecedented large datasets of protein sequences and structures, tap into a powerful numeric representation that can be exploited to accurately predict local and global protein structural features from amino acid sequences only. In this paper, we present BepiPred 3.0, a sequence-based epitope prediction tool that, by exploiting LM embeddings, greatly improves the prediction accuracy for both linear and conformational epitope prediction on several independent test sets. Furthermore, by carefully selecting additional input variables and epitope residue annotation strategy, performance can be further improved, thus achieving extraordinary results. Our tool can predict epitopes across hundreds of sequences in mere minutes. It is freely available as a web server with a user-friendly interface to navigate the results, as well as a standalone downloadable package.

Abstract Seaweeds have a long history as a resource for polysaccharides/hydrocolloids extraction for use in the food industry due to their functionality as stabilizing agents. In addition to the carbohydrate content, seaweeds also contains a significant amount of protein, which may find application in food and feed. Here, we present a novel combination of transcriptomics, proteomics, and bioinformatics to determine the protein composition in two pilot-scale extracts from Eucheuma denticilatum (Spinosum) obtained via hot-water extraction. The extracts were characterized by qualitative and quantitative proteomics using LC-MS/MS and a de-novo transcriptome assembly for construction of a novel proteome. Using label-free, relative quantification, we were able to identify the most abundant proteins in the extracts and determined that the majority of quantified protein in the extracts (>75%) is constituted by merely three previously uncharacterized proteins. Putative subcellular localization for the quantified proteins was determined by bioinformatic prediction, and by correlating with the expected copy number from the transcriptome analysis, we determined that the extracts were highly enriched in extracellular proteins. This implies that the method predominantly extracts extracellular proteins, and thus appear ineffective for cellular disruption and subsequent release of intracellular proteins. Ultimately, this study highlight the power of quantitative proteomics as a novel tool for characterization of alternative protein sources intended for use in foods. Additionally, the study showcases the potential of proteomics for evaluation of protein extraction methods and as powerful tool in the development of an efficient extraction process.

Abstract The aim of this study was to investigate the potential of potato proteins and peptides as emulsifiers in the microencapsulation of fish oil by spray-drying. Microcapsules were produced using a potato protein extract, and fractions enriched in patatin and protease inhibitors. Furthermore, bioinformatically predicted emulsifier peptides from abundant potato proteins and a hydrolysate, obtained through targeted proteolysis of the extract, were investigated. During 28 days of storage at 25°C, peptides and hydrolysate exhibited better emulsifying properties and higher encapsulation efficiencies compared to native proteins and sodium caseinate. Significant differences (p < 0.05) were observed in the peroxide value (PV) and secondary volatile oxidation products between the microcapsules produced with peptides and native proteins. Microcapsules produced with peptides and hydrolysate showed the highest oxidative stability, not exceeding a PV of 10 meq/kg oil, and with concentrations of volatiles below the odor threshold in oil for five of the six studied compounds. These results show the emulsifying potential of potato peptides and hydrolysate for use in microencapsulation of hydrophobic bioactive ingredients such as fish oil.

Abstract Accurate computational identification of B-cell epitopes is crucial for the development of vaccines, therapies, and diagnostic tools. However, current structure-based prediction methods face limitations due to the dependency on experimentally solved structures. Here, we introduce DiscoTope-3.0, a markedly improved B-cell epitope prediction tool that innovatively employs inverse folding structure representations and a positive-unlabelled learning strategy, and is explicitly adapted for both solved and predicted structures. Our tool demonstrates a considerable improvement in performance over existing methods, accurately predicting linear and conformational epitopes across multiple independent datasets. Most notably, DiscoTope-3.0 maintains high predictive performance across solved, relaxed and predicted structures, alleviating the need for experimental validation and extending the general applicability of accurate B-cell epitope prediction by more than 3 orders of magnitude. DiscoTope-3.0 is made widely accessible on two web servers, processing over 100 structures per submission, and as a downloadable package. In addition, the servers interface with RCSB and AlphaFoldDB, facilitating large-scale prediction across over 200 million cataloged proteins. DiscoTope-3.0 is available at: https://services.healthtech.dtu.dk/service.php?DiscoTope-3.0