The dia-PASEF technology uses ion mobility separation to reduce signal interferences and increase sensitivity in proteomic experiments. Here we present a two-dimensional peak-picking algorithm and generation of optimized spectral libraries, as well as take advantage of neural network-based processing of dia-PASEF data. Our computational platform boosts proteomic depth by up to 83% compared to previous work, and is specifically beneficial for fast proteomic experiments and those with low sample amounts. It quantifies over 5300 proteins in single injections recorded at 200 samples per day throughput using Evosep One chromatography system on a timsTOF Pro mass spectrometer and almost 9000 proteins in single injections recorded with a 93-min nanoflow gradient on timsTOF Pro 2, from 200 ng of HeLa peptides. A user-friendly implementation is provided through the incorporation of the algorithms in the DIA-NN software and by the FragPipe workflow for spectral library generation.

Abstract The dia-PASEF technology exploits ion mobility separation for high-sensitivity analysis of complex proteomes. Here, we demonstrate neural network-based processing of the ion mobility data, which we implement in the DIA-NN software suite. Using spectral libraries generated with the MSFragger-based FragPipe computational platform, the DIA-NN analysis of dia-PASEF raw data increases the proteomic depth by up to 69% compared to the originally published dia-PASEF workflow. For example, we quantify over 5200 proteins from 10ng of HeLa peptides separated with a 95-minute nanoflow gradient, and over 5000 proteins from 200ng using a 4.8-minute separation with an Evosep One system. In complex samples, featuring a mix of human and yeast lysates, the workflow detects over 11700 proteins in single runs acquired with a 100-minute nanoflow gradient, while demonstrating quantitative precision. Hence, the combination of FragPipe and DIA-NN provides a simple-to-use software platform for dia-PASEF data analysis, yielding significant gains in high-sensitivity proteomics.

Abstract We present Slice-PASEF, a novel mass spectrometry technology based on trapped ion mobility separation of ions. Slice-PASEF allows to achieve the theoretical maximum of MS/MS sensitivity and boosts proteomics of low sample amounts. Leveraging Slice-PASEF, we show, for the first time, that comprehensive profiling of single cell-level peptide amounts is possible using ultra-fast microflow chromatography and a general-purpose mass spectrometer, allowing quantification of 1417 proteins from 200 picograms of a HeLa cell peptide standard on an Evosep One LC system coupled to a timsTOF Pro 2, at a 200 samples per day throughput. We implemented a Slice-PASEF module in our DIA-NN data processing software, to make it readily available for the proteomics community.

Abstract Metabolism is fundamentally intertwined with the ageing process. We here report that a key determinant of cellular lifespan is not only nutrient supply and intracellular metabolism, but also metabolite exchange interactions that occur between cells. Studying chronological ageing in yeast, we observed that metabolites exported by young, exponentially growing, cells are re- imported during the stationary phase when cells age chronologically, indicating the existence of cross-generational metabolic interactions. We then used self-establishing metabolically cooperating communities (SeMeCos) to boost cell-cell metabolic interactions and observed a significant lifespan extension. A search for the underlying mechanisms, coupling SeMeCos, metabolic profiling, proteomics and genome-scale metabolic modelling, attributed a specific role to methionine consumer cells. These cells were enriched over time, adopted glycolytic metabolism and increased export of protective metabolites. Glycerol, in particular, accumulated in the communal metabolic environment and extended the lifespan of all cells in the community in a paracrine fashion. Our results hence establish metabolite exchange interactions as a determinant of the ageing process and show that metabolically cooperating cells shape their metabolic environment to achieve lifespan extension.

Summary Metal ions play crucial roles in cells, yet the broader impact of metal availability on biological networks remains underexplored. We generated genome-wide resources, systematically quantifying yeast cell growth, metallomic, proteomic, and genetic responses upon varying each of its essential metal ions (Ca, Cu, Fe, K, Mg, Mn, Mo, Na, Zn), over several orders of magnitude. We find that metal ions deeply impact cellular networks, with 57.6% of the proteome, including most signalling pathways, responding. While the biological response to each metal is distinct, our data reveals common properties of metal responsiveness, such as concentration interdependencies and metal homeostasis. We describe a compendium of metal-dependent cellular processes and reveal that several understudied genes can be functionally annotated based on their metal responses. Furthermore, we report that metalloenzymes occupy central nodes in the metabolic network and are more likely to be encoded by isozymes, resulting in system-wide responsiveness to metal availability.

Understanding what drives protein abundance is essential to biology, medicine, and biotechnology. Driven by evolutionary selection, the amino acid sequence is tailored to meet the required abundance of proteomes, underscoring the intricate relationship between sequence and functional demand of proteomes. Yet, the specific role of amino acid sequences in determining proteome abundance remains elusive. Here, we demonstrate that the amino acid sequence predicts abundance by shaping a protein9s conformational stability. We show that increasing the abundance provides metabolic cost benefits, underscoring the evolutionary advantage of maintaining a highly abundant and stable proteome. Specifically, using a deep learning model (BERT), we predict 56% of protein abundance variation in Saccharomyces cerevisiae solely based on amino acid sequence. The model reveals latent factors linking sequence features to protein stability. To probe these relationships, we introduce MGEM (Mutation Guided by an Embedded Manifold), a methodology for guiding protein abundance through sequence modifications. We find that mutations increasing abundance significantly alter protein polarity and hydrophobicity, underscoring a connection between protein stability and abundance. Through molecular dynamics simulations and in vivo experiments in yeast, we confirm that abundance-enhancing mutations result in longer-lasting and more stable protein expression. Importantly, these sequence changes also reduce metabolic costs of protein synthesis, elucidating the evolutionary advantage of cost-effective, high-abundance, stable proteomes. Our findings support the role of amino acid sequence as a pivotal determinant of protein abundance and stability, revealing an evolutionary optimization for metabolic efficiency.

Abstract How metabolic pathways emerged in early evolution remains largely unknown. Recently discovered chemical networks driven by iron and sulfur resemble reaction sequences found within glycolysis, gluconeogenesis, the oxidative and reductive Krebs cycle, the Wood Ljungdahl as well as the S-adenosylmethionine pathways, components of the core cellular metabolic network. These findings suggest that the evolution of central metabolism was primed by environmental chemical reactions, implying that non-enzymatic reaction networks served as a “template” in the evolution of enzymatic activities. We speculated that the turning point for this transition would depend on the catalytic properties of the simplest structural components of proteins, single amino acids. Here, we systematically combine constituents of Fe(II)-driven non-enzymatic reactions resembling glycolysis and pentose phosphate pathway (PPP), with single proteinogenic amino acids. Multiple reaction rates are enhanced by amino acids. In particular, cysteine is able to replace (and/or complement) the metal ion Fe(II) in driving the non-enzymatic formation of the RNA-backbone metabolite ribose 5-phosphate from 6-phosphogluconate, a rate-limiting reaction of the oxidative PPP. In the presence of both Fe(II) and cysteine, a complex is formed, enabling the non-enzymatic reaction to proceed at a wide range of temperatures. At mundane temperatures, this ‘minimal enzyme-like complex’ achieves a much higher specificity in the formation of ribose 5-phosphate than the Fe(II)-driven reaction at high temperatures. Hence, simple amino acids can accelerate key steps within metal-promoted metabolism-like chemical networks. Our results imply a stepwise scenario, in which environmental chemical networks served as primers in the early evolution of the metabolic network structure. Significance Statement The evolutionary roots of metabolic pathways are barely understood. Here we show results consistent with a stepwise scenario during the evolution of (enzymatic) metabolism, starting from non-enzymatic chemical networks. By systematic screening of metabolic-like reactivities in vitro , and using high-throughput analytical techniques, we identify an iron/cysteine complex to act as a ‘minimal enzymelike complex’, which consists of a metal ion, an amino acid, and a sugar phosphate ligand. Integrated in a metal-driven, non-enzymatic pentose phosphate pathway, it promotes the formation of the RNA-backbone precursor ribose 5-phosphate at ambient temperature.

Abstract Increased throughput in proteomic experiments can improve accessibility of proteomic platforms, reduce costs and facilitate new approaches in systems biology and biomedical research. Here we propose Speedy-PASEF, a combination of analytical flow rate chromatography with ion mobility separation of peptide ions, data-independent acquisition and data analysis with the DIA-NN software suite, for conducting fast, high-quality proteomic experiments that require only moderate sample amounts. For instance, using a 500-μl/min flow rate and a 3-minute chromatographic gradient, Speedy-PASEF quantified 5,211 proteins from 2 μg of a mammalian cell-line standard at high quantitative accuracy and precision. We further used Speedy-PASEF to analyze blood plasma samples from a cohort of COVID-19 inpatients, using a 3-minute chromatographic gradient and alternating column regeneration on a dual pump system, for processing 398 samples per day. Speedy-PASEF delivered a comprehensive view of the COVID-19 plasma proteome, allowing classification of the patients according to disease severity and revealing plasma biomarker candidates. Speedy-PASEF thus facilitates acquisition of high-quality proteomes in large numbers.