The kinetics of phosphine substitution in CpRu(PAr3)2Cl by PMePh2 under pseudo-first order conditions in CDCl3 have been measured for PAr3 = PPh3, 1a, PPh2(p-tol), 1b, P(p-tol)3, 1c, P(p-CH3OC6H4)3, 1d, and P(p-FC6H4)3), 1e. Activation parameters characteristic of a dissociative pathway (ΔH(†) = 110-124 ± 2 kJ mol(-1), ΔS(†) = 16-44 ± 5-12 J mol(-1) K(-1)) are observed for all five compounds. The rate of substitution in CpRu(PAr3)2Cl (1a) and CpRu[P(p-FC6H4)3]2Cl (1e) is independent of added chloride ion and decreases in the presence of excess PAr3, however, the rate of substitution in CpRu[P(p-CH3OC6H4)3]2Cl (1d) is first order in added chloride ion and is less dependent on added PAr3. A mechanism involving [CpRu(PAr3)2(PMePh2)](+)[Cl](-) intermediates contributes to the substitution in 1b-d.

Summary Hundreds of different protein complexes that perform important functions across all cellular processes, collectively comprising the “complexome” of an organism, have been identified 1 . However, less is known about the fraction of the interactome that exists outside the complexome, in the “outer-complexome”. To investigate features of “inner”- versus outer-complexome organisation in yeast, we generated a high-quality atlas of binary protein-protein interactions (PPIs), combining three previous maps 2–4 and a new reference all-by-all binary interactome map. A greater proportion of interactions in our map are in the outer-complexome, in comparison to those found by affinity purification followed by mass spectrometry 5–7 or in literature curated datasets 8–11 . In addition, recent advances in deep learning predictions of PPI structures 12 mirror the existing experimentally resolved structures in being largely focused on the inner complexome and missing most interactions in the outer-complexome. Our new PPI network suggests that the outer-complexome contains considerably more PPIs than the inner-complexome, and integration with functional similarity networks 13–15 reveals that interactions in the inner-complexome are highly detectable and correspond to pairs of proteins with high functional similarity, while proteins connected by more transient, harder-to-detect interactions in the outer-complexome, exhibit higher functional heterogeneity.

Abstract SARS-CoV-2 and other coronaviruses pose major threats to global health, yet computational efforts to understand them have largely overlooked the process of budding, a key part of the coronavirus life cycle. When expressed together, coronavirus M and E proteins are sufficient to facilitate budding into the ER-Golgi intermediate compartment (ERGIC). To help elucidate budding, we ran atomistic molecular dynamics (MD) simulations using the Feig laboratory’s refined structural models of the SARS-CoV-2 M protein dimer and E protein pentamer. Our MD simulations consisted of M protein dimers and E protein pentamers in patches of membrane. By examining where these proteins induced membrane curvature in silico, we obtained insights around how the budding process may occur. Multiple M protein dimers acted together to induce global membrane curvature through protein-lipid interactions while E protein pentamers kept the membrane planar. These results could eventually help guide development of antiviral therapeutics which inhibit coronavirus budding.

ABSTRACT Complementary methods are required to fully characterize all protein complexes, or the complexome, of a cell. Affinity purification coupled to mass-spectrometry (AP-MS) can identify the composition of complexes at proteome-scale. However, information on direct contacts between subunits is often lacking. In contrast, solving the 3D structure of protein complexes can provide this information, but structural biology techniques are not yet scalable for systematic, proteome-wide efforts. Here, we optimally combine two orthogonal high-throughput binary interaction assays, LuTHy and N2H, and demonstrate that their quantitative readouts can be used to differentiate direct interactions from indirect associations within multiprotein complexes. We also show that LuTHy allows accurate distance measurements between proteins in live cells and apply these findings to study the impact of the polyglutamine expansion mutation on the structurally unresolved N-terminal domain of Huntingtin. Thus, we present a new framework based on quantitative interaction assays to complement structural biology and AP-MS techniques, which should help to provide first-approximation contact maps of multiprotein complexes at proteome-scale. Graphical Abstract

Abstract Generating reference maps of the interactome networks underlying most cellular functions can greatly illuminate genetic studies by providing a protein-centric approach to finding new components of existing pathways, complexes, and processes. Here, we applied state-of-the-art experimental and bioinformatics methods to identify high-confidence binary protein-protein interactions (PPIs) for Drosophila melanogaster . We performed four all-by-all yeast two-hybrid (Y2H) screens of >10,000 Drosophila proteins, resulting in the ‘FlyBi’ dataset of 8,723 PPIs among 2,939 proteins. As part of this effort, we tested subsets of our data and data from previous PPI datasets using an orthogonal assay, which allowed us to normalize data quality across datasets. Next, we integrated our FlyBi data with previous PPI data, resulting in an expanded, high-confidence binary Drosophila reference interaction network, DroRI, comprising 17,232 interactions among 6,511 proteins. These data are accessible through the Molecular Interaction Search Tool (MIST) and other databases. To assess the utility of the PPI resource, we used novel interactions from the FlyBi dataset to generate an autophagy interaction network that we validated in vivo using two different autophagy-related assays. We found that deformed wings ( dwg ) encodes a protein that is both a regulator and a target of autophagy. Altogether, the resources generated in this project provide a strong foundation for building high-confidence new hypotheses regarding protein networks and function.

ABSTRACT Enzymatic pockets such as those of histone deacetylases (HDACs) are among the most favored targets for drug development. However, enzymatic inhibitors often exhibit low selectivity and high toxicity due to targeting multiple enzyme paralogs, which are often involved in distinct multisubunit complexes. Here, we report the discovery and characterization of a non-enzymatic small molecule inhibitor of HDAC transcriptional repression functions with comparable anti-tumor activity to the enzymatic HDAC inhibitor Vorinostat, and anti-psychedelic activity of an HDAC2 knockout in vivo . We highlight that these phenotypes are achieved while modulating the expression of 20- and 80-fold fewer genes than enzymatic and genetic inhibition in the respective models. Thus, by achieving the same biological outcomes as established therapeutics while impacting a dramatically smaller number of genes, inhibitors of protein-protein interactions can offer important advantages in improving the selectivity of epigenetic modulators. GRAPHICAL ABSTRACT

Most human protein-coding genes are expressed as multiple isoforms. This in turn greatly expands the functional repertoire of the encoded proteome. While at least one reliable open reading frame (ORF) model has been assigned for every gene, the majority of alternative isoforms remains uncharacterized experimentally. This is primarily due to: i) vast differences of overall levels between different isoforms expressed from common genes, and ii) the difficulty of obtaining contiguous full-length ORF sequences. Here, we present ORF Capture-Seq (OCS), a flexible and cost-effective method that addresses both challenges for targeted full-length isoform sequencing applications using collections of cloned ORFs as probes. As proof-of-concept, we show that an OCS pipeline focused on genes coding for transcription factors increases isoform detection by an order of magnitude, compared to unenriched sample. In short, OCS enables rapid discovery of isoforms from custom-selected genes and will allow mapping of the full set of human isoforms at reasonable cost.

ABSTRACT Cooperativity and antagonism between transcription factors (TFs) can drastically modify their binding to regulatory DNA elements. While mapping these relationships between TFs is important for understanding their context-specific functions, existing approaches either rely on DNA binding motif predictions, interrogate one TF at a time, or study individual TFs in parallel. Here, we introduce paired yeast one-hybrid (pY1H) assays to detect cooperativity and antagonism across hundreds of TF-pairs at DNA regions of interest. We provide evidence that a wide variety of TFs are subject to modulation by other TFs in a DNA sequence-specific manner. We also demonstrate that TF-TF relationships are often affected by alternative isoform usage, and identify cooperativity and antagonism between human TFs and viral proteins. pY1H assays provide a broadly applicable framework to study how different functional relationships affect protein occupancy at regulatory DNA regions.

Abstract Technological and computational advances in genomics and interactomics have made it possible to identify rapidly how disease mutations perturb interaction networks within human cells. In this study, we investigate at large-scale the effects of network perturbations caused by disease mutations within the human three-dimensional (3D), structurally-resolved macromolecular interactome. We show that disease-associated germline mutations are significantly enriched in sequences encoding protein-protein interfaces compared to mutations identified in healthy subjects from the 1000 Genomes and ExAC projects; these interface mutations correspond to protein-protein interaction (PPI)-perturbing alleles including p.Ser127Arg in PCSK9 at the PCSK9-LDLR interface. In addition, somatic missense mutations are significantly enriched in PPI interfaces compared to non-interfaces in 10,861 human exomes across 33 cancer subtypes/types from The Cancer Genome Atlas. Using a binomial statistical model, we computationally identified 470 PPIs harboring a statistically significant excess number of missense mutations at protein-protein interfaces (termed putative oncoPPIs) in pan-cancer analysis. We demonstrate that the oncoPPIs, including histone H4 complex in individual cancer types, are highly correlated with patient survival and drug resistance/sensitivity in human cancer cell lines and patient-derived xenografts. We experimentally validate the network effects of 13 oncoPPIs using a systematic binary interaction assay. We further showed that ALOX5 p.Met146Lys at the ALOX5-MAD1L1 interface and RXRA p.Ser427Phe at the RXRA-PPARG interface promote significant tumor cell growth using cell line-based functional assays, providing a functional proof-of-concept. In summary, if broadly applied, this human 3D interactome network analysis offers a powerful tool for prioritizing alleles with mutations altering PPIs that may contribute to the pathobiology of human diseases, and may offer disease-specific targets for genotype-informed therapeutic discovery.

SUMMARY While viral infections are known to hijack the transcription and translation of the host cell, the extent to which encoded viral proteins coordinate these perturbations remains unclear. Here we demonstrate that the oncoviral proteins Tax and HBZ interact with specific components of the spliceosome machinery, including the U2 auxiliary factor large subunit (U2AF2), and the complementary factor for APOBEC-1 (A1CF), respectively. Tax and HBZ perturb the splicing landscape in T-cells by altering cassette exons in opposing manners, with Tax inducing exon inclusion while HBZ induces exon exclusion. Among Tax- and HBZ-dependent splicing changes, we identify events that are also altered in Adult T cell leukemia (ATL) patients, and in well-known cancer census genes. Our interactome mapping approach, applicable to other viral oncogenes, has identified spliceosome perturbation as a novel mechanism coordinately used by Tax and HBZ to reprogram the transcriptome. Highlights Tax and HBZ interact with RNA-binding proteins as well as transcription factors HTLV-1 encoded proteins Tax and HBZ alter the splicing landscape in T-cells Tax and HBZ expression affect alternative splicing of 33 and 63 cancer genes, respectively Opposing roles for Tax and HBZ in deregulation of gene expression Graphical abstract