We present an easy-to-use integrated software suite, DIA-NN, that exploits deep neural networks and new quantification and signal correction strategies for the processing of data-independent acquisition (DIA) proteomics experiments. DIA-NN improves the identification and quantification performance in conventional DIA proteomic applications, and is particularly beneficial for high-throughput applications, as it is fast and enables deep and confident proteome coverage when used in combination with fast chromatographic methods. A deep learning-based software tool, DIA-NN, enables deep proteome analysis from data generated using fast chromatographic approaches and data-independent acquisition mass spectrometry.

The COVID-19 pandemic is an unprecedented global challenge, and point-of-care diagnostic classifiers are urgently required. Here, we present a platform for ultra-high-throughput serum and plasma proteomics that builds on ISO13485 standardization to facilitate simple implementation in regulated clinical laboratories. Our low-cost workflow handles up to 180 samples per day, enables high precision quantification, and reduces batch effects for large-scale and longitudinal studies. We use our platform on samples collected from a cohort of early hospitalized cases of the SARS-CoV-2 pandemic and identify 27 potential biomarkers that are differentially expressed depending on the WHO severity grade of COVID-19. They include complement factors, the coagulation system, inflammation modulators, and pro-inflammatory factors upstream and downstream of interleukin 6. All protocols and software for implementing our approach are freely available. In total, this work supports the development of routine proteomic assays to aid clinical decision making and generate hypotheses about potential COVID-19 therapeutic targets.

Summary Aneuploidy, an imbalance in chromosome copy numbers, causes genetic disorders, and drives cancer progression, drug tolerance, and antimicrobial resistance. While aneuploidy can confer stress resistance, it is not well understood how cells overcome the fitness burden caused by aberrant chromosomal copy numbers. Studies using both systematically generated 1–5 and natural aneuploid yeasts 6–8 triggered an intense debate about the role of dosage compensation, concluding that aneuploidy is transmitted to the transcriptome and proteome without significant buffering at the chromosome-wide level, and is, at least in lab strains, associated with significant fitness costs. Conversely, systematic sequencing and phenotyping of large collections of natural isolates revealed that aneuploidy is frequent and has few – if any – fitness costs in nature 9 . To address these discrepant findings at the proteomic level, we developed a platform that yields highly precise proteomic measurements across large numbers of genetically diverse samples, and applied it to natural isolates collected as part of the 1011 genomes project 9 . For 613 of the isolates, we were able to match the proteomes to their corresponding transcriptomes and genomes, subsequently quantifying the effect of aneuploidy on gene expression by comparing 95 aneuploid with 518 euploid strains. We find, as in previous studies, that aneuploid gene dosage is not buffered chromosome-wide at the transcriptome level. Importantly, in the proteome, we detect an attenuation of aneuploidy by about 25% below the aneuploid gene dosage in natural yeast isolates. Furthermore, this chromosome-wide dosage compensation is associated with the ubiquitin-proteasome system (UPS), which is expressed at higher levels and has increased activity across natural aneuploid strains. Thus, through systematic exploration of the species-wide diversity of the yeast proteome, we shed light on a long-standing debate about the biology of aneuploids, revealing that aneuploidy tolerance is mediated through chromosome-wide dosage compensation at the proteome level.

Summary Functional genomic strategies help to address the genotype phenotype problem by annotating gene function and regulatory networks. Here, we demonstrate that combining functional genomics with proteomics uncovers general principles of protein expression, and provides new avenues to annotate protein function. We recorded precise proteomes for all non-essential gene knock-outs in Saccharomyces cerevisiae. We find that protein abundance is driven by a complex interplay of i) general biological properties, including translation rate, turnover, and copy number variations, and ii) their genetic, metabolic and physical interactions, including membership in protein complexes. We further show that combining genetic perturbation with proteomics provides complementary dimensions of functional annotation: proteomic profiling, reverse proteomic profiling, profile similarity and protein covariation analysis. Thus, our study generates a resource in which nine million protein quantities are linked to 79% of the yeast coding genome, and shows that functional proteomics reveals principles that govern protein expression. Highlights - Nine million protein quantities recorded in ~4,600 non-essential gene deletions in S. cerevisiae reveal principles of how the proteome responds to genetic perturbation - Genome-scale protein expression is determined by both functional relationships between proteins, as well as common biological responses - Broad protein expression profiles in slow-growing strains can be explained by chromosomal aneuploidies - Protein half-life and ribosome occupancy are predictable from protein abundance changes across knock-outs - Functional proteomics annotates missing gene function in four complementary dimensions

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.

Abstract The assimilation, incorporation, and metabolism of sulfur is a fundamental process across all domains of life, yet how cells deal with varying sulfur availability is not well understood. We studied an unresolved conundrum of sulfur fixation in yeast, in which an organosulfur-auxotrophy caused by deletion of homocysteine synthase Met17p is overcome when cells are inoculated at high cell density. We discovered that an uncharacterized gene YLL058Wp, herein named Hydrogen sulfide utilizing-1 ( HSU1 ), acts as a homocysteine synthase and allows the cells to substitute for Met17p by re-assimilating hydrosulfide ions leaked from met17Δ cells into O-acetyl-homoserine and forming homocysteine. Our results show that cells can cooperate to achieve sulfur fixation, indicating that the collective properties of microbial communities facilitate their basic metabolic capacity. Summary Sulfur limitation activates a dormant hydrogen sulfide fixation route via a novel homocysteine synthase Hsu1p (YLL058Wp).

Abstract Protein glycosylation is a complex and heterogeneous post-translational modification. Specifically, the human plasma proteome is rich in glycoproteins, and as protein glycosylation is frequently dysregulated in disease, glycoproteomics is considered an underexplored resource for biomarker discovery. Here, we present OxoScan-MS, a data-independent mass spectrometric acquisition technology and data analysis software that facilitates sensitive, fast, and cost-effective glycoproteome profiling of plasma and serum samples in large cohort studies. OxoScan-MS quantifies glycosylated peptide features by exploiting a scanning quadrupole to assign precursors to oxonium ions, glycopeptide-specific fragments. OxoScan-MS reaches a high level of sensitivity and selectivity in untargeted glycopeptide profiling, such that it can be efficiently used with fast microflow chromatography without a need for experimental enrichment of glycopeptides from neat plasma. We apply OxoScan-MS to profile the plasma glycoproteomic in an inpatient cohort hospitalised due to severe COVID-19, and obtain precise quantities for 1,002 glycopeptide features. We reveal that severe COVID-19 induces differential glycosylation in disease-relevant plasma glycoproteins, including IgA, fibrinogen and alpha-1-antitrypsin. Thus, with OxoScan-MS we present a strategy for quantitatively mapping glycoproteomes that scales to hundreds and thousands of samples, and report glycoproteomic changes in severe COVID-19.

Data-independent acquisition (DIA-MS) strategies, like SWATH-MS, have been developed to increase consistency, quantification precision and proteomic depth in label-free proteomic experiments. They aim to overcome stochasticity in the selection of precursor ions by utilising (mass-) windowed acquisition that is followed by computational reconstruction of the chromatograms. While DIA methods increasingly outperform typical data-dependent methods in identification consistency and precision specifically on large sample series, possibilities remain for further improvements. At present, only a fraction of the information recorded in the complex DIA spectra is extracted by the software analysis pipelines. Here we present a software tool (DIA-NN) that introduces artificial neural nets and a new quantification strategy to enhance signal processing in DIA-data. DIA-NN greatly improves identification of precursor ions and, as a consequence, protein quantification accuracy. The performance of DIA-NN demonstrates that deep learning provides opportunities to boost the analysis of data-independent acquisition workflows in proteomics.

Rapidly emerging applications in data-driven biology and personalised medicine call for the development of fast and reliable proteomic methods. However, the use of fast chromatographic gradients is limited by the mass spectrometer sampling rate and signal interferences. Here we present scanningSWATH, a data-independent acquisition method, in which the DIA-typical stepwise windowed acquisition is replaced by continuous scanning with the first quadrupole. ScanningSWATH enables ultra-fast duty cycles as well as to assign precursor masses to the MS2 fragment traces. Furthermore, we have implemented the support for scanningSWATH in DIA-NN, a fully-automated software suite designed to deconvolute fast DIA experiments, which corrects for signal interferences. We show that the combination of scanningSWATH and DIA-NN enables the efficient application of high-flow liquid chromatography (800 microL/min flow rate) to proteomics. High-flow scanningSWATH increases proteomic sample throughput to the minute-scale, while the use of high-flow chromatography hardware improves reliability and robustness. Benchmarking on yeast and human cell lysates, we demonstrate that the proteomic depth achieved with five-minute high-flow scanningSWATH gradients is comparable to that obtained with several times slower nano- and microflow chromatographic gradients, even if compared to most recent studies that used microflow-SWATH or Evosep-DIA methods. The combination of scanningSWATH, advanced data processing, and industry-standard high-flow LC hardware paves a way for a new generation of cheaper and highly consistent proteomic methods. These allow the recording of hundreds of precise quantitative proteomes per day on a single instrument.

Abstract Enzymatic DNA modifications like methylcytosine (5mdC), methyladenine (N6mdA), or hydroxymethylcytosine (5hmdC) are key for chromatin function, gene expression regulation, and antiviral defense, but they remain understudied in non-model organisms. We established a mass spectrometric method for the sensitive and accurate quantification of enzymatic DNA modifications, and analyzed 85 bacterial genomes, 19 plant samples, 41 tissues from 12 animal species, 6 yeast species, and two archaeal species. We report no or only very low concentrations of DNA modifications in yeast and insects, but find DNA modifications universal to both bacteria and higher eukaryotes. Specifically for prokaryotes, our dataset indicates that evolutionary relationships and host–pathogen interactions, but not the ecological niche in general, select for a similar degree of DNA modification. In higher eukaryotes, largest concentration differences between tissues are detected for 5hmdC. Our dataset further reveals unique biological cases that warrant attention in the study of DNA modifications. For instance, while our data shows that most species contain just one dominating DNA modification, we detect all dominianting DNA modifications (5mdC, N6mdA, and 5hmdC) to exist in parallel in Raphanus sativus . Other plant species, like onion, sunflower, or the grass big bluestem, can have more than 35% of cytosines methylated. Finally, 5hmdC, so far mostly studied in the vertebrate central nervous system, was identified to reach a concentration of up to 8% of all cytosines in the Oman garra brain, and was also detected in several plants, like Lepidium sativum . The present study underscores the exploitation of biological diversity for studying DNA modifications.