Somatic mutations have been extensively characterized in breast cancer, but the effects of these genetic alterations on the proteomic landscape remain poorly understood. Here we describe quantitative mass-spectrometry-based proteomic and phosphoproteomic analyses of 105 genomically annotated breast cancers, of which 77 provided high-quality data. Integrated analyses provided insights into the somatic cancer genome including the consequences of chromosomal loss, such as the 5q deletion characteristic of basal-like breast cancer. Interrogation of the 5q trans-effects against the Library of Integrated Network-based Cellular Signatures, connected loss of CETN3 and SKP1 to elevated expression of epidermal growth factor receptor (EGFR), and SKP1 loss also to increased SRC tyrosine kinase. Global proteomic data confirmed a stromal-enriched group of proteins in addition to basal and luminal clusters, and pathway analysis of the phosphoproteome identified a G-protein-coupled receptor cluster that was not readily identified at the mRNA level. In addition to ERBB2, other amplicon-associated highly phosphorylated kinases were identified, including CDK12, PAK1, PTK2, RIPK2 and TLK2. We demonstrate that proteogenomic analysis of breast cancer elucidates the functional consequences of somatic mutations, narrows candidate nominations for driver genes within large deletions and amplified regions, and identifies therapeutic targets. Quantitative mass-spectrometry-based proteomic and phosphoproteomic analyses of genomically annotated human breast cancer samples elucidates functional consequences of somatic mutations, narrows candidate nominations for driver genes within large deletions and amplified regions, and identifies potential therapeutic targets. This large-scale collaborative study describes quantitative-mass spectrometry-based proteomic and phosphoproteomic analyses of 105 breast cancer samples from The Cancer Genome Atlas (TCGA), representing the four principal mRNA-defined breast cancer intrinsic subtypes. The result is a high-quality proteomic resource for human breast cancer investigation, achieved using technologies and analytical approaches that illuminate the connections between genome and proteome. The data narrow candidate nominations for driver genes within large deletions and amplified regions, and identify potential therapeutic targets.

Here we present an optimized workflow for global proteome and phosphoproteome analysis of tissues or cell lines that uses isobaric tags (TMT (tandem mass tags)-10) for multiplexed analysis and relative quantification, and provides 3× higher throughput than iTRAQ (isobaric tags for absolute and relative quantification)-4-based methods with high intra- and inter-laboratory reproducibility. The workflow was systematically characterized and benchmarked across three independent laboratories using two distinct breast cancer subtypes from patient-derived xenograft models to enable assessment of proteome and phosphoproteome depth and quantitative reproducibility. Each plex consisted of ten samples, each being 300 μg of peptide derived from <50 mg of wet-weight tissue. Of the 10,000 proteins quantified per sample, we could distinguish 7,700 human proteins derived from tumor cells and 3100 mouse proteins derived from the surrounding stroma and blood. The maximum deviation across replicates and laboratories was <7%, and the inter-laboratory correlation for TMT ratio–based comparison of the two breast cancer subtypes was r > 0.88. The maximum deviation for the phosphoproteome coverage was <24% across laboratories, with an average of >37,000 quantified phosphosites per sample and differential quantification correlations of r > 0.72. The full procedure, including sample processing and data generation, can be completed within 10 d for ten tissue samples, and 100 samples can be analyzed in ~4 months using a single LC-MS/MS instrument. The high quality, depth, and reproducibility of the data obtained both within and across laboratories should enable new biological insights to be obtained from mass spectrometry-based proteomics analyses of cells and tissues together with proteogenomic data integration. This protocol describes a workflow for multiplexed deep-scale, quantitative proteome and phosphoproteome analysis of tumor tissue samples. The procedure includes step-by-step instructions for all stages, from sample preparation to data analysis.

Signaling pathways are orchestrated by post-translational modifications (PTMs) such as phosphorylation. However, pathway analysis of PTM data sets generated by mass spectrometry (MS)-based proteomics is typically performed at a gene-centric level because of the lack of appropriately curated PTM signature databases and bioinformatic tools that leverage PTM site-specific information. Here we present the first version of PTMsigDB, a database of modification site-specific signatures of perturbations, kinase activities and signaling pathways curated from more than 2,500 publications. We adapted the widely used single sample Gene Set Enrichment Analysis approach to utilize PTMsigDB, enabling

Viruses interact with numerous host factors to facilitate viral replication and to dampen antiviral defense mechanisms. We currently have a limited mechanistic understanding of how SARS-CoV-2 binds host factors and the functional role of these interactions. Here, we uncover a novel interaction between the viral NSP3 protein and the fragile X mental retardation proteins (FMRPs: FMR1 and FXR1-2). SARS-CoV-2 NSP3 mutant viruses preventing FMRP binding have attenuated replication in vitro and have delayed disease onset in vivo. We show that a unique peptide motif in NSP3 binds directly to the two central KH domains of FMRPs and that this interaction is disrupted by the I304N mutation found in a patient with fragile X syndrome. NSP3 binding to FMRPs disrupts their interaction with the stress granule component UBAP2L through direct competition with a peptide motif in UBAP2L to prevent FMRP incorporation into stress granules. Collectively, our results provide novel insight into how SARS-CoV-2 hijacks host cell proteins for efficient infection and provides molecular insight to the possible underlying molecular defects in fragile X syndrome.

Abstract Defects in pancreatic islets and the progression of multi-tissue insulin resistance in combination with environmental factors are the main causes of type 2 diabetes (T2D). Mass spectrometry-based proteomics of five key-metabolic tissues on a cohort of 42 multi-organ donors provided deep coverage of the proteomes of pancreatic islets, visceral adipose tissue (VAT), liver, skeletal muscle and serum. Enrichment analysis of gene ontology (GO) terms built a tissue-specific map of the chronological order of altered biological processes across healthy controls (CTRL), pre-diabetes (PD) and T2D subjects. This unique dataset allowed us to explore alterations of entire biological pathways and individual proteins in multiple tissues. We confirmed the significant decrease of the citric acid cycle and the respiratory electron transport in VAT and muscle of T2D and we provided a thorough visual representation of the complete set of downregulated proteins. Importantly, we found widespread novel alterations in relevant biological pathways including the increase in hemostasis in pancreatic islets of PD, the increase in the complement cascade in liver and pancreatic islets of PD and the elevation in cholesterol biosynthesis in liver of T2D. Overall, our findings suggest inflammatory, immune and vascular impairments in pancreatic islets as potentially causal factors of insufficient insulin production and increased glucagon levels in the early stages of T2D. In contrast alterations in lipid metabolism and mitochondrial function in the liver and VAT/muscle, respectively, became evident later in manifest T2D. This first multi-tissue proteomic map indicates the temporal order of tissue-specific metabolic dysregulation in T2D development.

Abstract Cancer is a highly heterogeneous disease, even within the same patient. Biopsies taken from different regions of a tumor may stand in stark molecular contrast to each other. Therefore, the ability to generate meaningful data from multiple platforms using the same biopsy is crucial for translating multi-omics characterizations into the clinic. However, it is generally a cumbersome and lengthy procedure to generate DNA, RNA and protein material from the same biopsy. The Qiagen AllPrep kit is an accessible, straightforward, and widely used kit in clinics worldwide to process biopsies and generate genomic and transcriptomic data from tumors and we asked if high quality proteomics data could be obtained from the remaining material. Here we develop a procedure for generating deep and quantitatively accurate proteomic information in high throughput from AllPrep flowthrough. With a number of refinements, we obtain in excess of 9,000 quantified proteins, a substantial coverage of the total proteome. We also successfully characterize the signaling state of the tumors using phosphoproteomics. Combining a standard kit with in-depth proteomics will be an attractive approach for clinics seeking to implement multi-omics-based precision oncology. Graphical abstract

Summary The promise of precision medicine is to deliver personalized treatment based on the unique physiology of each patient. This concept was fueled by the genomic revolution, but it is now evident that integrating other types of omics data, like proteomics, into the clinical decision-making process will be essential to accomplish precision medicine goals. However, quantity and diversity of biomedical data, and the spread of clinically relevant knowledge across myriad biomedical databases and publications makes this exceptionally difficult. To address this, we developed the Clinical Knowledge Graph (CKG), an open source platform currently comprised of more than 16 million nodes and 220 million relationships to represent relevant experimental data, public databases and the literature. The CKG also incorporates the latest statistical and machine learning algorithms, drastically accelerating analysis and interpretation of typical proteomics workflows. We use several biomarker studies to illustrate how the CKG may support, enrich and accelerate clinical decision-making. Graphical Abstract

Aberrant activation of RAS oncogenes is prevalent in lung adenocarcinoma, with somatic mutation of KRAS occurring in ~30% of tumors. Recently, we identified somatic mutation of the RAS-family GTPase RIT1 in lung adenocarcinoma, but relatively little is known about the biological pathways regulated by RIT1 and how these relate to the oncogenic KRAS network. Here we present quantitative proteomic and transcriptomic profiles from KRAS-mutant and RIT1-mutant isogenic lung epithelial cells and globally characterize the signaling networks regulated by each oncogene. We find that both mutant KRAS and mutant RIT1 promote S6 kinase, AKT, and RAF/MEK signaling, and promote epithelial-to-mesenchymal transition and immune evasion via HLA protein loss. However, KRAS and RIT1 diverge in regulation of phosphorylation sites on EGFR, USO1, and AHNAK proteins. The majority of the proteome changes are related to altered transcriptional regulation, but a small subset of proteins are differentially regulated by both oncoproteins at the post-transcriptional level, including intermediate filament proteins, metallothioneins, and MHC Class I proteins. These data provide the first global, unbiased characterization of oncogenic RIT1 network and identify the shared and divergent functions of oncogenic RIT1 and KRAS GTPases in lung cancer.### Competing Interest StatementThe authors have declared no competing interest.

Impaired sleep is a common aspect of aging and often precedes the onset of Alzheimer's disease. Here, we compare the effects of sleep deprivation in young wild-type mice and their APP/PS1 littermates, a murine model of Alzheimer's disease. After 7 h of sleep deprivation, both genotypes exhibit an increase in EEG slow-wave activity. However, only the wild-type mice demonstrate an increase in the power of infraslow norepinephrine oscillations, which are characteristic of healthy non-rapid eye movement sleep. Notably, the APP/PS1 mice fail to enhance norepinephrine oscillations 24 h after sleep deprivation, coinciding with an accumulation of cerebral amyloid-β protein. Proteome analysis of cerebrospinal fluid and extracellular fluid further supports these findings by showing altered protein clearance in APP/PS1 mice. We propose that the suppression of infraslow norepinephrine oscillations following sleep deprivation contributes to increased vulnerability to sleep loss and heightens the risk of developing amyloid pathology in early stages of Alzheimer's disease.