Despite advances in metabolic and postmetabolic labeling methods for quantitative proteomics, there remains a need for improved label-free approaches. This need is particularly pressing for workflows that incorporate affinity enrichment at the peptide level, where isobaric chemical labels such as isobaric tags for relative and absolute quantitation and tandem mass tags may prove problematic or where stable isotope labeling with amino acids in cell culture labeling cannot be readily applied. Skyline is a freely available, open source software tool for quantitative data processing and proteomic analysis. We expanded the capabilities of Skyline to process ion intensity chromatograms of peptide analytes from full scan mass spectral data (MS1) acquired during HPLC MS/MS proteomic experiments. Moreover, unlike existing programs, Skyline MS1 filtering can be used with mass spectrometers from four major vendors, which allows results to be compared directly across laboratories. The new quantitative and graphical tools now available in Skyline specifically support interrogation of multiple acquisitions for MS1 filtering, including visual inspection of peak picking and both automated and manual integration, key features often lacking in existing software. In addition, Skyline MS1 filtering displays retention time indicators from underlying MS/MS data contained within the spectral library to ensure proper peak selection. The modular structure of Skyline also provides well defined, customizable data reports and thus allows users to directly connect to existing statistical programs for post hoc data analysis. To demonstrate the utility of the MS1 filtering approach, we have carried out experiments on several MS platforms and have specifically examined the performance of this method to quantify two important post-translational modifications: acetylation and phosphorylation, in peptide-centric affinity workflows of increasing complexity using mouse and human models.

Prospective studies of infants at risk for autism spectrum disorder have provided important clues about the early behavioural symptoms of autism spectrum disorder. Diagnosis of autism spectrum disorder, however, is not currently made until at least 18 months of age. There is substantially less research on potential brain-based differences in the period between 6 and 12 months of age. Our objective in the current study was to use magnetic resonance imaging to identify any consistently observable brain anomalies in 6–9 month old infants who would later develop autism spectrum disorder. We conducted a prospective infant sibling study with longitudinal magnetic resonance imaging scans at three time points (6–9, 12–15, and 18–24 months of age), in conjunction with intensive behavioural assessments. Fifty-five infants (33 'high-risk' infants having an older sibling with autism spectrum disorder and 22 'low-risk' infants having no relatives with autism spectrum disorder) were imaged at 6–9 months; 43 of these (27 high-risk and 16 low-risk) were imaged at 12–15 months; and 42 (26 high-risk and 16 low-risk) were imaged again at 18–24 months. Infants were classified as meeting criteria for autism spectrum disorder, other developmental delays, or typical development at 24 months or later (mean age at outcome: 32.5 months). Compared with the other two groups, infants who developed autism spectrum disorder (n = 10) had significantly greater extra-axial fluid at 6–9 months, which persisted and remained elevated at 12–15 and 18–24 months. Extra-axial fluid is characterized by excessive cerebrospinal fluid in the subarachnoid space, particularly over the frontal lobes. The amount of extra-axial fluid detected as early as 6 months was predictive of more severe autism spectrum disorder symptoms at the time of outcome. Infants who developed autism spectrum disorder also had significantly larger total cerebral volumes at both 12–15 and 18–24 months of age. This is the first magnetic resonance imaging study to prospectively evaluate brain growth trajectories from infancy in children who develop autism spectrum disorder. The presence of excessive extra-axial fluid detected as early as 6 months and the lack of resolution by 24 months is a hitherto unreported brain anomaly in infants who later develop autism spectrum disorder. This is also the first magnetic resonance imaging evidence of brain enlargement in autism before age 2. These findings raise the potential for the use of structural magnetic resonance imaging to aid in the early detection of children at risk for autism spectrum disorder or other neurodevelopmental disorders.

Autism is a heterogeneous disorder with multiple behavioral and biological phenotypes. Accelerated brain growth during early childhood is a well-established biological feature of autism. Onset pattern, i.e., early onset or regressive, is an intensely studied behavioral phenotype of autism. There is currently little known, however, about whether, or how, onset status maps onto the abnormal brain growth. We examined the relationship between total brain volume and onset status in a large sample of 2- to 4-y-old boys and girls with autism spectrum disorder (ASD) [ n = 53, no regression (nREG); n = 61, regression (REG)] and a comparison group of age-matched typically developing controls ( n = 66). We also examined retrospective head circumference measurements from birth through 18 mo of age. We found that abnormal brain enlargement was most commonly found in boys with regressive autism. Brain size in boys without regression did not differ from controls. Retrospective head circumference measurements indicate that head circumference in boys with regressive autism is normal at birth but diverges from the other groups around 4–6 mo of age. There were no differences in brain size in girls with autism ( n = 22, ASD; n = 24, controls). These results suggest that there may be distinct neural phenotypes associated with different onsets of autism. For boys with regressive autism, divergence in brain size occurs well before loss of skills is commonly reported. Thus, rapid head growth may be a risk factor for regressive autism.

Fombonne’s (2020) editorial is a thought‐provoking appraisal of the literature on ‘camouflaging’, whereby some autistic people mask or compensate for their autistic characteristics as an attempt to fit in and to cope with disabilities under neurotypical social norms. Fombonne (2020) highlights three issues of contention: (a) construct validity and measurement of camouflaging; (b) camouflaging as a reason for late autism diagnosis in adolescence/adulthood; and (c) camouflaging as a feature of the ‘female autism phenotype’. Here, we argue that (a) establishing construct validity and measurement of different aspects of camouflaging is warranted; (b) subjective experiences are important for the differential diagnosis of autism in adolescence/adulthood; and (c) camouflaging is not necessarily a feature of autism in female individuals – nevertheless, taking into account sex and gender influences in development is crucial to understand behavioural manifestations of autism. Future research and clinical directions should involve clarification of associated constructs and measurements, demography, mechanisms, impact (including harms and benefits) and tailored support.

Abstract Defining reference models for population variation, and the ability to study individual deviations is essential for understanding inter-individual variability and its relation to the onset and progression of medical conditions. In this work, we assembled a reference cohort of neuroimaging data from 82 sites (N=58,836; ages 2-100) and use normative modeling to characterize lifespan trajectories of cortical thickness and subcortical volume. Models are validated against a manually quality checked subset (N=24,354) and we provide an interface for transferring to new data sources. We showcase the clinical value by applying the models to a transdiagnostic psychiatric sample (N=1,985), showing they can be used to quantify variability underlying multiple disorders whilst also refining case-control inferences. These models will be augmented with additional samples and imaging modalities as they become available. This provides a common reference platform to bind results from different studies and ultimately paves the way for personalized clinical decision making.

Abstract Bottom-up proteomics provides peptide measurements and has been invaluable for moving proteomics into large-scale analyses. In bottom-up proteomics, protein parsimony and protein inference derived from these measured peptides are important for determining which protein coding genes are present. However, given the complexity of RNA splicing processes, and how proteins can be modified post-translationally, it is overly simplistic to assume that all peptides that map to a singular protein coding gene will demonstrate the same quantitative response. Accordingly, by assuming all peptides from a protein coding sequence are representative of the same protein we may be missing out on detecting important biological differences. To better account for the complexity of the proteome we need to think of new or better ways of handling peptide data.

Abstract A core computational challenge in the analysis of mass spectrometry data is the de novo sequencing problem, in which the generating amino acid sequence is inferred directly from an observed fragmentation spectrum without the use of a sequence database. Recently, deep learning models have made significant advances in de novo sequencing by learning from massive datasets of high-confidence labeled mass spectra. However, these methods are primarily designed for data-dependent acquisition (DDA) experiments. Over the past decade, the field of mass spectrometry has been moving toward using data-independent acquisition (DIA) protocols for the analysis of complex proteomic samples due to their superior specificity and reproducibility. Hence, we present a new de novo sequencing model called Cascadia, which uses a transformer architecture to handle the more complex data generated by DIA protocols. In comparisons with existing approaches for de novo sequencing of DIA data, Cascadia achieves state-of-the-art performance across a range of instruments and experimental protocols. Additionally, we demonstrate Cascadia’s ability to accurately discover de novo coding variants and peptides from the variable region of antibodies.

The development of targeted assays that monitor biomedically relevant proteins is an important step in bridging discovery experiments to large scale clinical studies. Targeted assays are currently unable to scale to hundreds or thousands of targets. We demonstrate the generation of large-scale assays using a novel hybrid nominal mass instrument. The scale of these assays is achievable with the Stellar