Highlights•Phosphoproteomics analysis of SARS-CoV-2-infected cells uncovers signaling rewiring•Infection promotes host p38 MAPK cascade activity and shutdown of mitotic kinases•Infection stimulates CK2-containing filopodial protrusions with budding virus•Kinase activity analysis identifies potent antiviral drugs and compoundsSummaryThe causative agent of the coronavirus disease 2019 (COVID-19) pandemic, severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), has infected millions and killed hundreds of thousands of people worldwide, highlighting an urgent need to develop antiviral therapies. Here we present a quantitative mass spectrometry-based phosphoproteomics survey of SARS-CoV-2 infection in Vero E6 cells, revealing dramatic rewiring of phosphorylation on host and viral proteins. SARS-CoV-2 infection promoted casein kinase II (CK2) and p38 MAPK activation, production of diverse cytokines, and shutdown of mitotic kinases, resulting in cell cycle arrest. Infection also stimulated a marked induction of CK2-containing filopodial protrusions possessing budding viral particles. Eighty-seven drugs and compounds were identified by mapping global phosphorylation profiles to dysregulated kinases and pathways. We found pharmacologic inhibition of the p38, CK2, CDK, AXL, and PIKFYVE kinases to possess antiviral efficacy, representing potential COVID-19 therapies.Graphical abstract

Many methods allow us to extract biological activities from omics data using information from prior knowledge resources, reducing the dimensionality for increased statistical power and better interpretability. Here, we present decoupleR, a Bioconductor and Python package containing computational methods to extract these activities within a unified framework. decoupleR allows us to flexibly run any method with a given resource, including methods that leverage mode of regulation and weights of interactions, which are not present in other frameworks. Moreover, it leverages OmniPath, a meta-resource comprising over 100 databases of prior knowledge. Using decoupleR, we evaluated the performance of methods on transcriptomic and phospho-proteomic perturbation experiments. Our findings suggest that simple linear models and the consensus score across top methods perform better than other methods at predicting perturbed regulators.decoupleR's open-source code is available in Bioconductor (https://www.bioconductor.org/packages/release/bioc/html/decoupleR.html) for R and in GitHub (https://github.com/saezlab/decoupler-py) for Python. The code to reproduce the results is in GitHub (https://github.com/saezlab/decoupleR_manuscript) and the data in Zenodo (https://zenodo.org/record/5645208).Supplementary data are available at Bioinformatics Advances online.

Abstract The growing availability of single-cell data, especially transcriptomics, has sparked an increased interest in the inference of cell-cell communication. Many computational tools were developed for this purpose. Each of them consists of a resource of intercellular interactions prior knowledge and a method to predict potential cell-cell communication events. Yet the impact of the choice of resource and method on the resulting predictions is largely unknown. To shed light on this, we systematically compare 16 cell-cell communication inference resources and 7 methods, plus the consensus between the methods’ predictions. Among the resources, we find few unique interactions, a varying degree of overlap, and an uneven coverage of specific pathways and tissue-enriched proteins. We then examine all possible combinations of methods and resources and show that both strongly influence the predicted intercellular interactions. Finally, we assess the agreement of cell-cell communication methods with spatial colocalisation, cytokine activities, and receptor protein abundance and find that predictions are generally coherent with those data modalities. To facilitate the use of the methods and resources described in this work, we provide LIANA, a LIgand-receptor ANalysis frAmework as an open-source interface to all the resources and methods.

Abstract The growing availability of single-cell data has sparked an increased interest in the inference of cell-cell communication from this data. Many tools have been developed for this purpose. Each of them consists of a resource of intercellular interactions prior knowledge and a method to predict potential cell-cell communication events. Yet the impact of the choice of resource and method on the resulting predictions is largely unknown. To shed light on this, we created a framework, available at https://github.com/saezlab/ligrec_decoupler , to facilitate a comparative assessment of methods for inferring cell-cell communication from single cell transcriptomics data and then compared 15 resources and 6 methods. We found few unique interactions and a varying degree of overlap among the resources, and observed uneven coverage in terms of pathways and biological categories. We analysed a colorectal cancer single cell RNA-Seq dataset using all possible combinations of methods and resources. We found major differences among the highest ranked intercellular interactions inferred by each method even when using the same resources. The varying predictions lead to fundamentally different biological interpretations, highlighting the need to benchmark resources and methods. Findings Built a framework to systematically combine 15 resources and 6 methods to estimate cell-cell communication from single-cell RNA data Cell-cell communication resources are often built from the same original databases and very few interactions are unique to a single resource. Yet overlap varies among resources and certain biological terms are unevenly represented Different methods and resources provided notably different results The observed disagreement among the methods could have a considerable impact on the interpretation of results

Abstract We describe a large-scale community effort to build an open-access, interoperable, and computable repository of COVID-19 molecular mechanisms - the COVID-19 Disease Map. We discuss the tools, platforms, and guidelines necessary for the distributed development of its contents by a multi-faceted community of biocurators, domain experts, bioinformaticians, and computational biologists. We highlight the role of relevant databases and text mining approaches in enrichment and validation of the curated mechanisms. We describe the contents of the Map and their relevance to the molecular pathophysiology of COVID-19 and the analytical and computational modelling approaches that can be applied for mechanistic data interpretation and predictions. We conclude by demonstrating concrete applications of our work through several use cases and highlight new testable hypotheses.

SUMMARY Metabolic reprogramming is critical for tumor initiation and progression. However, the exact impact of specific metabolic changes on cancer progression is poorly understood. Here, we combined multi-omics datasets of primary and metastatic clonally related clear cell renal cancer cells (ccRCC) and generated a computational tool to explore the metabolic landscape during cancer progression. We show that a VHL loss-dependent reprogramming of branched-chain amino acid catabolism is required to maintain the aspartate pool in cancer cells across all tumor stages. We also provide evidence that metastatic renal cancer cells reactivate argininosuccinate synthase (ASS1), a urea cycle enzyme suppressed in primary ccRCC, to enable invasion in vitro and metastasis in vivo . Overall, our study provides the first comprehensive elucidation of the molecular mechanisms responsible for metabolic flexibility in ccRCC, paving the way to the development of therapeutic strategies based on the specific metabolism that characterizes each tumor stage. Highlights Branched-chain amino acids catabolism is reprogrammed in ccRCC tumors BCAT-dependent transamination supplies nitrogen for de novo biosynthesis of amino acids including aspartate and asparagine in ccRCC Aspartate produced downstream of BCAT is used specifically by metastatic cells through argininosuccinate synthase (ASS1) and argininosuccinate lyase (ASL) to generate arginine, providing a survival advantage in the presence of microenvironments with rate limiting levels of arginine ASS1 is re-expressed in metastatic 786-M1A through epigenetic remodeling and it is sensitive to arginine levels Silencing of ASS1 impairs the metastatic potential in vitro and in vivo of ccRCC cells

Abstract Genetic alterations in cancer cells trigger oncogenic transformation, a process largely mediated by the dysregulation of kinase and transcription factor (TF) activities. While the mutational profiles of thousands of tumours has been extensively characterized, the measurements of protein activities has been technically limited until recently. We compiled public data of matched genomics and (phospho)proteomics measurements for 1,110 tumours and 77 cell lines that we used to estimate activity changes in 218 kinases and 292 TFs. Kinase activities are, on average, not strongly determined by protein abundance but rather by their phosphorylation state while the reverse is more common for TFs. Co-regulation of kinase and TF activities reflects previously known regulatory relationships and allows us to dissect genetic drivers of signalling changes in cancer. Loss-of-function mutation is not often associated with dysregulation of downstream targets, suggesting frequent compensatory mechanisms. Finally, we identified the activities most differentially regulated in cancer subtypes and showed how these can be linked to differences in patient survival. Our results provide broad insights into dysregulation of protein activities in cancer and their contribution to disease severity.

Abstract In diabetic patients, dyslipidemia frequently contributes to organ damage such as diabetic kidney disease (DKD). DKD is associated with excessive renal deposition of triacylglycerol (TAG) in lipid droplets (LD). Yet, it is unclear whether LDs play a protective or damaging role and how this might be influenced by dietary patterns. By using a diabetes mouse model, we find here that high fat diet enriched in the unsaturated oleic acid (OA) caused more lipid storage in LDs in renal proximal tubular cells (PTC) but less tubular damage than a corresponding butter diet with the saturated palmitic acid (PA). Mechanistically, we identify endoplasmic reticulum (ER) stress as the main cause of PA-induced PTC injury. ER stress is caused by elevated cellular levels of saturated TAG precursors and to higher membrane order in the ER. The resulting cell death is preceded by a transcriptional rewiring of phospholipid metabolism. Simultaneous addition of OA rescues the cytotoxic effects by normalizing membrane order and by increasing the total TAG amount. The latter also stimulates the formation of LDs that in turn can release unsaturated lipids upon demand by lipolysis. Our study thus clarifies mechanisms underlying PA-induced cell stress in PTCs and emphasizes the importance of olive oil for the prevention of DKD.

Abstract Metabolomic and proteomic analyses of human plasma and serum samples harbour the power to advance our understanding of disease biology. Pre-analytical factors may contribute to variability and bias in the detection of analytes, especially when multiple labs are involved, caused by sample handling, processing time, and differing operating procedures. To better understand the impact of pre-analytical factors that are relevant to implement a unified proteomic and metabolomic approach in a clinical setting, we assessed the influence of temperature, sitting times, and centrifugation speed on the plasma and serum metabolomes and proteomes from six healthy volunteers. We used targeted metabolic profiling (497 metabolites) and data-independent acquisition (DIA) proteomics (572 proteins) on the same samples generated with well-defined pre-analytical conditions to evaluate criteria for pre-analytical SOPs for plasma and serum samples. Time and temperature showed the strongest influence on the integrity of plasma and serum proteome and metabolome. While rapid handling and low temperatures (4°C) are imperative for metabolic profiling, the analysed proteome showed variability when exposed to temperatures of 4°C for more than 2 hours, highlighting the need for compromises in a combined analysis. We formalised a quality control scoring system to objectively rate sample stability and tested this score using external data sets from other pre-analytical studies. Stringent and harmonised standard operating procedures (SOPs) are required for pre-analytical sample handling when combining proteomics and metabolomics of clinical samples to yield robust and interpretable data on a longitudinal scale and across different clinics. To ensure an adequate level of practicability in a clinical routine for metabolomics and proteomics studies we suggest to keep blood samples up to 2 hours on ice (4°C) prior to snap-freezing as a compromise between stability and operability. Finally, we provide the methodology as an open source R package allowing the systematic scoring of proteomics and metabolomics datasets to assess the stability of plasma and serum samples.

Abstract Summary Many methods allow us to extract biological activities from omics data using information from prior knowledge resources, reducing the dimensionality for increased statistical power and better interpretability. Here, we present decoupleR, a Bioconductor package containing computational methods to extract these activities within a unified framework. decoupleR allows us to flexibly run any method with a given resource, including methods that leverage mode of regulation and weights of interactions. Using decoupleR, we evaluated the performance of methods on transcriptomic and phospho-proteomic perturbation experiments. Our findings suggest that simple linear models and the consensus score across methods perform better than other methods at predicting perturbed regulators. Availability and Implementation decoupleR is open source available in Bioconductor ( https://www.bioconductor.org/packages/release/bioc/html/decoupleR.html ). The code to reproduce the results is in Github ( https://github.com/saezlab/decoupleR_manuscript ) and the data in Zenodo ( https://zenodo.org/record/5645208 ). Contact Julio Saez-Rodriguez at pub.saez@uni-heidelberg.de .