构建膨胀的TE参考数据库
覆盖所有潜在TE编码区域，避免因转录本丰度或翻译证据而遗漏。
从基因组注释中提取TE区域，进行六框翻译，分割终止密码子，过滤长度≥8个氨基酸的序列，并注释TE类别/亚家族。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
TIPs：一种深度学习引导的蛋白质基因组学框架，通过免疫肽组学扩展转座子衍生抗原的图景
TIPs: a deep learning-guided proteogenomic framework to expand the landscape of transposable element-derived antigens with immunopeptidomics
实验完整度
高研究包含多层级验证：数据库构建、从头测序、多引擎搜索、FDR控制、HLA结合预测、合成肽验证、RNA-seq分析、Ribo-seq过滤及跨样本比较。
主要模型
黑色素瘤细胞系（0D5P、0NVC、T1185B） 非小细胞肺癌肿瘤及配对正常组织 胶质母细胞瘤细胞系（U-87、T98G、LNT-229）
重点核对
TIPs数据库构建参数：六框翻译、最小长度8个氨基酸、去冗余。 从头测序质量阈值：每个氨基酸置信度≥0.75，标签长度≥8个氨基酸。 搜索参数：前体离子和碎片离子容忍度20 ppm，无酶特异性，甲硫氨酸氧化可变修饰，肽长度8-15个氨基酸。 FDR控制：分组FDR控制在肽水平，默认3% FDR。 DAC处理条件：细胞系（U-87、T98G、LNT-229、0D5P、0NVC）中DAC处理，具体剂量和时间文中未明确说明。
摘要
转座子（TE）是HLA呈递抗原的丰富且重要来源，但由于搜索空间膨胀，其免疫肽组学表征仍具挑战。我们提出TIPs（TE衍生免疫肽组学搜索），一种深度学习引导的蛋白质基因组学框架，整合了从头测序、数据库精简、多种搜索引擎和严格的FDR控制。在不同细胞系和癌症类型中，TIPs平均鉴定出的TE衍生肽比传统方法多20倍。它进一步揭示了许多复发性的、肿瘤特异性的TE衍生抗原，包括表观遗传治疗诱导的候选抗原。这些发现凸显了TIPs扩展超越经典来源的抗原图景的潜力。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何准确且灵敏地鉴定免疫肽组学数据中TE衍生肽，并表征其在肿瘤中的呈现特征？
- 核心机制
- TIPs通过整合从头测序标签和精简TE数据库，提高了TE衍生肽的鉴定灵敏度；TE衍生肽的呈现主要受TE亚家族的基因组拷贝数和进化年龄影响，且具有肿瘤特异性。
- 主要证据
- 在多个细胞系和肿瘤样本中，TIPs平均鉴定出比NewAnce多20倍的TE衍生肽，且83.4%被预测为HLA结合肽；通过合成肽验证了LINE-1 ORF和ERV衍生肽；DAC处理诱导了SVA衍生肽的呈现。
- 研究意义
- TIPs扩展了肿瘤抗原图景，为癌症免疫治疗提供了潜在的“现货型”靶点，并可能应用于其他非经典肽的鉴定。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
提取高置信度从头测序标签
从质谱数据中获取序列标签，用于指导数据库精简。
使用三种从头测序算法（Casanovo, PepNet, InstaNovo）并行处理质谱数据，并提取高置信度标签。
生成样本特异性的精简TE数据库
缩小搜索空间，提高搜索效率和准确性。
将高置信度标签与膨胀TE数据库比对，保留至少有1个完全匹配标签的TE蛋白条目，并排除与人类蛋白质组重叠的序列。
数据库搜索、统计验证和整合
鉴定TE衍生肽，并控制FDR。
将精简TE数据库添加到人类蛋白质组，使用三种搜索引擎进行搜索，应用PeptideProphet和iProphet进行验证和整合，进行分组FDR控制，并用MixMHCpred预测HLA结合亲和力。
性能基准测试与验证
评估TIPs相对于现有方法的灵敏度和可靠性。
与NewAnce在多个样本上比较鉴定肽数、结合肽比例和质量；评估TE衍生肽的理化性质、保留时间、HLA结合特性，并用合成肽验证关键肽段。
TE衍生肽的基因组特征分析
研究TE亚家族特性对肽呈现的影响。
分析TE衍生肽在不同TE类别和亚家族中的分布，计算与拷贝数和插入时间的相关性，评估重叠性和特异性。
DAC处理和肿瘤发生诱导的TE抗原分析
识别肿瘤特异性和药物诱导的TE衍生肽，并评估其靶向潜力。
比较DAC处理细胞系和肿瘤组织与对照之间TE衍生肽的差异，应用三阶段过滤（去除对照中发现的、正常组织有翻译证据的、胸腺呈递的）鉴定特异肽，并分析复发肽。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 合成肽验证 | Orbitrap Exploris 480质谱仪 | Thermo Scientific | -- |
| Genscript合成肽 | Genscript | -- | |
| 数据库构建 | bedtools getfasta | -- | -- |
| seqkit translate | -- | -- | |
| 标签比对 | BLAST+ blastp-short | -- | -- |
| RNA-seq数据处理 | FastQC | -- | -- |
| Trimmomatic | -- | -- | |
| RNA-seq比对 | STAR | -- | -- |
| RNA-seq分析 | TEtranscripts | -- | -- |
| 统计验证 | PeptideProphet | -- | -- |
| iProphet | -- | -- | |
| 数据库搜索 | MSFragger | -- | -- |
| MS-GF+ | -- | -- | |
| Comet | -- | -- | |
| HLA结合预测 | MixMHCpred | -- | -- |
| 肽段保留时间预测 | DeepLC | -- | -- |
| 序列比对 | MEGA12 | -- | -- |
| 序列可视化 | TBtools | -- | -- |
| RNA-seq定量 | featureCounts | -- | -- |
| RNA-seq分析 | OmicVerse | -- | -- |
| DAC处理 | 地西他滨 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 免疫肽质谱数据处理 | RAW文件来源（PXD013649, PXD034772, PXD003790）及转换工具版本（ThermoRawFileParser v1.4.5）。 阅读提示：Methods: Mass spectrometric data preparation |
| TE数据库构建 | 基因组版本（hg38？），六框翻译参数（-f 6, --append-frame, -m 8, -s），最小长度8个氨基酸。 阅读提示：Methods: In silico TE database construction; Step 1 of TIPs search workflow |
| 从头测序标签提取 | 三种从头测序算法（Casanovo v2, PepNet v2.0, InstaNovo v1.0.0）的参数，最小置信度0.75和标签长度8。 阅读提示：Methods: Step 2 of TIPs search workflow |
| 数据库搜索 | 搜索引擎版本（MSFragger v4.1, MS-GF+ v2023.01.12, Comet v2021.01），参数：20 ppm容忍度，无酶特异性，甲硫氨酸氧化，肽长度8-15。 阅读提示：Methods: Step 4 of TIPs search workflow |
| 统计验证和FDR控制 | PeptideProphet v5.2.1, iProphet v5.01, Philosopher v5.1.0；分组FDR控制在肽水平，3% FDR。 阅读提示：Methods: Step 4 of TIPs search workflow |
| 合成肽验证 | 合成肽来源（Genscript），纯度>95%，质谱仪型号（Orbitrap Exploris 480），色谱条件（45分钟梯度，0.1%甲酸，1% DMSO），PRM参数。 阅读提示：Methods: Validation of TE-derived peptides with synthetic standards |
| DAC处理 | DAC浓度和持续时间：文中未明确说明。 阅读提示：Results: Novel antigens derived from non-coding regions of SVA elements; Figure legends (Fig. 5) |