ABSTRACT Key steps in viral propagation, immune suppression, and pathology are mediated by direct, binary, physical interactions between viral and host proteins. To understand the biology of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection, we generated an unbiased systematic map of binary interactions between viral and host proteins, complementing previous co-complex association maps by conveying more direct mechanistic understanding and potentially enabling targeted disruption of direct interactions. To this end, we deployed two parallel strategies, identifying 205 virus-host and 27 intraviral binary interactions amongst 171 host and 19 viral proteins, and confirming high quality of these interactions via a calibrated orthogonal assay. Host proteins interacting with SARS-CoV-2 proteins are enriched in various cellular processes, including immune signaling and inflammation, protein ubiquitination, and membrane trafficking. Specific subnetworks provide new hypotheses related to viral modulation of host protein homeostasis and T-cell regulation. The binary virus-host protein interactions we identified can now be prioritized as targets for therapeutic intervention. More generally, we provide a resource of systematic maps describing which SARS-CoV-2 and human proteins interact directly.

Summary Hundreds of different protein complexes that perform important functions across all cellular processes, collectively comprising the “complexome” of an organism, have been identified 1 . However, less is known about the fraction of the interactome that exists outside the complexome, in the “outer-complexome”. To investigate features of “inner”- versus outer-complexome organisation in yeast, we generated a high-quality atlas of binary protein-protein interactions (PPIs), combining three previous maps 2–4 and a new reference all-by-all binary interactome map. A greater proportion of interactions in our map are in the outer-complexome, in comparison to those found by affinity purification followed by mass spectrometry 5–7 or in literature curated datasets 8–11 . In addition, recent advances in deep learning predictions of PPI structures 12 mirror the existing experimentally resolved structures in being largely focused on the inner complexome and missing most interactions in the outer-complexome. Our new PPI network suggests that the outer-complexome contains considerably more PPIs than the inner-complexome, and integration with functional similarity networks 13–15 reveals that interactions in the inner-complexome are highly detectable and correspond to pairs of proteins with high functional similarity, while proteins connected by more transient, harder-to-detect interactions in the outer-complexome, exhibit higher functional heterogeneity.

ABSTRACT Complementary methods are required to fully characterize all protein complexes, or the complexome, of a cell. Affinity purification coupled to mass-spectrometry (AP-MS) can identify the composition of complexes at proteome-scale. However, information on direct contacts between subunits is often lacking. In contrast, solving the 3D structure of protein complexes can provide this information, but structural biology techniques are not yet scalable for systematic, proteome-wide efforts. Here, we optimally combine two orthogonal high-throughput binary interaction assays, LuTHy and N2H, and demonstrate that their quantitative readouts can be used to differentiate direct interactions from indirect associations within multiprotein complexes. We also show that LuTHy allows accurate distance measurements between proteins in live cells and apply these findings to study the impact of the polyglutamine expansion mutation on the structurally unresolved N-terminal domain of Huntingtin. Thus, we present a new framework based on quantitative interaction assays to complement structural biology and AP-MS techniques, which should help to provide first-approximation contact maps of multiprotein complexes at proteome-scale. Graphical Abstract

Legionella pneumophila uses over 300 translocated effector proteins to rewire host cells during infection and create a replicative niche for intracellular growth. To date, several studies have identified L. pneumophila effectors that indirectly and directly regulate the activity of other effectors, providing an additional layer of regulatory complexity. L. pneumophila has the largest contingent of a new class of effectors, so called "metaeffectors" that directly regulate the activity of other effectors in the host. A defining quality of metaeffectors is the direct, physical interaction of the metaeffector with its cognate target effector. Metaeffectors identification to date has depended on phenotypes in heterologous systems, experimental serendipity and they represent only one class of physical interactions between effectors. Using a multiplexed, sequence-based yeast two-hybrid technology we screened the entire L. pneumophila effector proteome and components of the Dot/Icm type IV secretion system for protein-protein interactions (>167,000 protein combinations). Our screen captured 52 protein interactions, including 8 known and 44 novel protein interactions. Most notably, we identified ten novel effector-effector interactions, doubling the number of known effector-effector interactions.

SARS-CoV2, severe acute respiratory syndrome coronavirus 2, is frequently associated with neurological manifestations. Despite the presence of mild to severe CNS-related symptoms in a cohort of patients, there is no consensus whether the virus can infect directly brain tissue or if the symptoms in patients are a consequence of peripheral infectivity of the virus. Here, we use long-term human stem cell-derived cortical organoids to assess SARS-CoV2 infectivity of brain cells and unravel the cell-type tropism and its downstream pathological effects. Our results show consistent and reproducible low levels of SARS-CoV2 infection of astrocytes, deep projection neurons, upper callosal neurons and inhibitory neurons in 6 months human cortical organoids. Interestingly, astrocytes showed the highest infection rate among all infected cell populations that led to increased presence of reactive states. Further, transcriptomic analysis revealed overall changes in expression of genes related to cell metabolism, astrocyte activation and, inflammation and further, upregulation of cell survival pathways. Thus, local and minor infectivity of SARS-CoV2 in the brain may induce widespread adverse effects and may lead to resilience of dysregulated neurons and astrocytes within an inflammatory environment.

Global insights into cellular organization and function require comprehensive understanding of interactome networks. Similar to how a reference genome sequence revolutionized human genetics, a reference map of the human interactome network is critical to fully understand genotype-phenotype relationships. Here we present the first human “all-by-all” binary reference interactome map, or “HuRI”. With ~53,000 high-quality protein-protein interactions (PPIs), HuRI is approximately four times larger than the information curated from small-scale studies available in the literature. Integrating HuRI with genome, transcriptome and proteome data enables the study of cellular function within essentially any physiological or pathological cellular context. We demonstrate the use of HuRI in identifying specific subcellular roles of PPIs and protein function modulation via splicing during brain development. Inferred tissue-specific networks reveal general principles for the formation of cellular context-specific functions and elucidate potential molecular mechanisms underlying tissue-specific phenotypes of Mendelian diseases. HuRI thus represents an unprecedented, systematic reference linking genomic variation to phenotypic outcomes.

SUMMARY The molecular mechanisms by which the gut microbiome influences human health remain largely unknown. Pseudomonadota is the third most abundant phylum in normal gut microbiomes. Several pathogens in this phylum can inject so-called virulence effector proteins into host cells. We report the identification of intact type 3 secretion systems (T3SS) in 5 - 20% of commensal Pseudomonadota in normal human gut microbiomes. To understand their functions, we experimentally generated a high-quality protein-protein meta-interactome map consisting of 1,263 interactions between 289 bacterial effectors and 430 human proteins. Effector targets are enriched for metabolic and immune functions and for genetic variation of microbiome-influenced traits including autoimmune diseases. We demonstrate that effectors modulate NF-κB signaling, cytokine secretion, and adhesion molecule expression. Finally, effectors are enriched in metagenomes of Crohn’s disease, but not ulcerative colitis patients pointing toward complex contributions to the etiology of inflammatory bowel diseases. Our results suggest that effector-host protein interactions are an important regulatory layer by which the microbiome impacts human health.

ABSTRACT Protein-protein interactions (PPIs) offer great opportunities to expand the druggable proteome and therapeutically tackle various diseases, but remain challenging targets for drug discovery. Here, we provide a comprehensive pipeline that combines experimental and computational tools to identify and validate PPI targets and perform early-stage drug discovery. We have developed a machine learning approach that prioritizes interactions by analyzing quantitative data from binary PPI assays and AlphaFold-Multimer predictions. Using the quantitative assay LuTHy together with our machine learning algorithm, we identified high-confidence interactions among SARS-CoV-2 proteins for which we predicted three-dimensional structures using AlphaFold Multimer. We employed VirtualFlow to target the contact interface of the NSP10-NSP16 SARS-CoV-2 methyltransferase complex by ultra-large virtual drug screening. Thereby, we identified a compound that binds to NSP10 and inhibits its interaction with NSP16, while also disrupting the methyltransferase activity of the complex, and SARS-CoV-2 replication. Overall, this pipeline will help to prioritize PPI targets to accelerate the discovery of early-stage drug candidates targeting protein complexes and pathways.

Summary Most human Transcription factors (TFs) genes encode multiple protein isoforms differing in DNA binding domains, effector domains, or other protein regions. The global extent to which this results in functional differences between isoforms remains unknown. Here, we systematically compared 693 isoforms of 246 TF genes, assessing DNA binding, protein binding, transcriptional activation, subcellular localization, and condensate formation. Relative to reference isoforms, two-thirds of alternative TF isoforms exhibit differences in one or more molecular activities, which often could not be predicted from sequence. We observed two primary categories of alternative TF isoforms: “rewirers” and “negative regulators”, both of which were associated with differentiation and cancer. Our results support a model wherein the relative expression levels of, and interactions involving, TF isoforms add an understudied layer of complexity to gene regulatory networks, demonstrating the importance of isoform-aware characterization of TF functions and providing a rich resource for further studies.