Abstract We report on the combination of nanodroplet sample preparation, ultra-low-flow nanoLC, high-field asymmetric ion mobility spectrometry (FAIMS), and the latest-generation Orbitrap Eclipse Tribrid mass spectrometer for greatly improved single-cell proteome profiling. FAIMS effectively filtered out singly charged ions for more effective MS analysis of multiply charged peptides, resulting in an average of 1056 protein groups identified from single HeLa cells without MS1-level feature matching. This is 2.3 times more identifications than without FAIMS and a far greater level of proteome coverage for single mammalian cells than has been previously reported for a label-free study. Differential analysis of single microdissected motor neurons and interneurons from human spinal tissue indicated a similar level of proteome coverage, and the two subpopulations of cells were readily differentiated based on single-cell label-free quantification.

Abstract The sensitivity of single-cell proteomics (SCP) has increased dramatically in recent years due to advances in experimental design, sample preparation, separations and mass spectrometry instrumentation. Further increasing the sensitivity of SCP methods and instrumentation will enable the study of proteins within single cells that are expressed at copy numbers too small to be measured by current methods. Here we combine efficient nanoPOTS sample preparation and ultra-low-flow liquid chromatography with a newly developed data acquisition and analysis scheme termed wide window acquisition (WWA) to quantify >3,000 proteins from single cells in fast label-free analyses. WWA is based on data-dependent acquisition (DDA) but employs larger precursor isolation windows to intentionally co-isolate and co-fragment additional precursors along with the selected precursor. The resulting chimeric MS2 spectra are then resolved using the CHIMERYS search engine within Proteome Discoverer 3.0. Compared to standard DDA workflows, WWA employing isolation windows of 8-12 Th increases peptide and proteome coverage by ~28% and ~39%, respectively. For a 40-min LC gradient operated at ~15 nL/min, we identified an average of 2,150 proteins per single-cell-sized aliquots of protein digest directly from MS2 spectra, which increased to an average of 3,524 proteins including proteins identified with MS1-level feature matching. Reducing the active gradient to 20 min resulted in a modest 10% decrease in proteome coverage. We also compared the performance of WWA with DIA. DIA underperformed WWA in terms of proteome coverage, especially with faster separations. Average proteome coverage for single HeLa and K562 cells was respectively 1,758 and 1,642 based on MS2 identifications with 1% false discovery rate and 3042 and 2891 with MS1 feature matching. As such, WWA combined with efficient sample preparation and rapid separations extends the depths of the proteome that can be studied at the single-cell level.

Abstract Single cell proteomics is an emerging sub-field within proteomics with the potential to revolutionize our understanding of cellular heterogeneity and interactions. Recent efforts have largely focused on technological advancements in sample preparation, chromatography and instrumentation to enable measuring proteins present in these ultra-limited samples. Although advancements in data acquisition have rapidly improved our ability to analyze single cells, the software pipelines used in data analysis were originally written for traditional bulk samples and their performance on single cell data has not been investigated. We benchmarked five popular peptide identification tools on single cell proteomics data. We found that MetaMorpheus achieved the greatest number of peptide spectrum matches at a 1% false discovery rate. Depending on the tool, we also find that post processing machine learning can improve spectrum identification results by up to ∼40%. Although rescoring leads to a greater number of peptide spectrum matches, these new results typically are generated by 3rd party tools and have no way of being utilized by the primary pipeline for quantification. Exploration of novel metrics for machine learning algorithms will continue to improve performance.

Abstract The goal of proteomics is to identify and quantify the complete set of proteins in a biological sample. Single cell proteomics specializes in identification and quantitation of proteins for individual cells, often used to elucidate cellular heterogeneity. The significant reduction in ions introduced into the mass spectrometer for single cell samples could impact the features of MS2 fragmentation spectra. As all peptide identification software tools have been developed on spectra from bulk samples and the associated ion rich spectra, the potential for spectral features to change is of great interest. We characterize the differences between single cell spectra and bulk spectra by examining three fundamental spectral features that are likely to affect peptide identification performance. All features show significant changes in single cell spectra, including loss of annotated fragment ions, blurring signal and background peaks due to diminishing ion intensity and distinct fragmentation pattern compared to bulk spectra. As each of these features is a foundational part of peptide identification algorithms, it is critical to adjust algorithms to compensate for these losses.

Peptide separations that combine high sensitivity, robustness, peak capacity, and throughput are essential for extending bottom-up proteomics to smaller samples including single cells. To this end, we have developed a multicolumn nanoLC system with offline gradient generation. One binary pump generates gradients in an accelerated fashion to support multiple analytical columns, and a single trap column interfaces with all analytical columns to reduce required maintenance and simplify troubleshooting. A high degree of parallelization is possible, as one sample undergoes separation while the next sample plus its corresponding mobile phase gradient are transferred into the storage loop and a third sample is loaded into a sample loop. Selective offline elution from the trap column into the sample loop prevents salts and hydrophobic species from entering the analytical column, thus greatly enhancing column lifetime and system robustness. With this design, samples can be analyzed as fast as every 20 min at a flow rate of just 40 nL/min with close to 100% MS utilization time and continuously for as long as several months without column replacement. We utilized the system to analyze the proteomes of single cells from a multiple myeloma cell line upon treatment with the immunomodulatory imide drug lenalidomide.

Unbiased proteomics has been employed to interrogate central nervous system (CNS) tissues (brain, spinal cord) and fluid matrices (CSF, plasma) from amyotrophic lateral sclerosis (ALS) patients; yet, a limitation of conventional bulk tissue studies is that motor neuron (MN) proteome signals may be confounded by admixed non-MN proteins. Recent advances in trace sample proteomics have enabled quantitative protein abundance datasets from single human MNs (Cong et al., 2020b). In this study, we leveraged laser capture microdissection (LCM) and nanoPOTS (Zhu et al., 2018c) single-cell mass spectrometry (MS)-based proteomics to query changes in protein expression in single MNs from postmortem ALS and control donor spinal cord tissues, leading to the identification of 2515 proteins across MNs samples (>900 per single MN) and quantitative comparison of 1870 proteins between disease groups. Furthermore, we studied the impact of enriching/stratifying MN proteome samples based on the presence and extent of immunoreactive, cytoplasmic TDP-43 inclusions, allowing identification of 3368 proteins across MNs samples and profiling of 2238 proteins across TDP-43 strata. We found extensive overlap in differential protein abundance profiles between MNs with or without obvious TDP-43 cytoplasmic inclusions that together point to early and sustained dysregulation of oxidative phosphorylation, mRNA splicing and translation, and retromer-mediated vesicular transport in ALS. Our data are the first unbiased quantification of single MN protein abundance changes associated with TDP-43 proteinopathy and begin to demonstrate the utility of pathology-stratified trace sample proteomics for understanding single-cell protein abundance changes in human neurologic diseases.

We describe a sensitive and efficient workflow for label-free single-cell proteomics that spans sample preparation, liquid chromatography separations, and mass spectrometry data acquisition. The Tecan Uno Single Cell Dispenser provides rapid cell isolation and nanoliter-volume reagent dispensing within 384-well PCR plates. A newly developed sample processing workflow achieves cell lysis, protein denaturation, and digestion in 1 h with a single reagent dispensing step. Low-flow liquid chromatography coupled with wide-window data-dependent acquisition results in the quantification of nearly 3000 proteins per cell using an Orbitrap Exploris 480 mass spectrometer. This approach greatly broadens accessibility to sensitive single-cell proteome profiling for nonspecialist laboratories.