Abstract Genome-wide association studies (GWAS) with intermediate phenotypes, like changes in metabolite and protein levels, provide functional evidence to map disease associations and translate them into clinical applications. However, although hundreds of genetic variants have been associated with complex disorders, the underlying molecular pathways often remain elusive. Associations with intermediate traits are key in establishing functional links between GWAS-identified risk-variants and disease end points. Here we describe a GWAS using a highly multiplexed aptamer-based affinity proteomics platform. We quantify 539 associations between protein levels and gene variants (pQTLs) in a German cohort and replicate over half of them in an Arab and Asian cohort. Fifty-five of the replicated pQTLs are located in trans . Our associations overlap with 57 genetic risk loci for 42 unique disease end points. We integrate this information into a genome-proteome network and provide an interactive web-tool for interrogations. Our results provide a basis for novel approaches to pharmaceutical and diagnostic applications.

ABSTRACT Genome-wide association studies (GWAS) with proteomics are essential tools for drug discovery. To date, most studies have used affinity proteomics platforms, which have limited discovery to protein panels covered by the available affinity binders. Furthermore, it is not clear to which extent protein epitope changing variants interfere with the detection of protein quantitative trait loci (pQTLs). Mass spectrometry-based (MS) proteomics can overcome some of these limitations. Here we report a GWAS using the MS-based Seer Proteograph TM platform with blood samples from a discovery cohort of 1,260 American participants and a replication in 325 individuals from Asia, with diverse ethnic backgrounds. We analysed 1,980 proteins quantified in at least 80% of the samples, out of 5,753 proteins quantified across the discovery cohort. We identified 252 and replicated 90 pQTLs, where 30 of the replicated pQTLs have not been reported before. We further investigated 200 of the strongest associated cis-pQTLs previously identified using the SOMAscan and the Olink platforms and found that up to one third of the affinity proteomics pQTLs may be affected by epitope effects, while another third were confirmed by MS proteomics to be consistent with the hypothesis that genetic variants induce changes in protein expression. The present study demonstrates the complementarity of the different proteomics approaches and reports pQTLs not accessible to affinity proteomics, suggesting that many more pQTLs remain to be discovered using MS-based platforms. Graphical Abstract Summarizing the approach taken to identify potential epitope effects.

Abstract We tested the hypothesis that single-cell RNA-sequencing (scRNA-seq) analysis of human kidney allograft biopsies will reveal distinct cell types and states and yield insights to decipher the complex heterogeneity of alloimmune injury. We selected 3 biopsies of kidney cortex from 3 individuals for scRNA-seq and processed them fresh using an identical protocol on the 10x Chromium platform; (i) HK: native kidney biopsy from a living donor, (ii) AK1: allograft kidney with transplant glomerulopathy, tubulointerstitial fibrosis, and worsening graft function, and (iii) AK2: allograft kidney after successful treatment of active antibody-mediated rejection. We did not study T-cell-mediated rejections. We generated 7217 high-quality single cell transcriptomes. Taking advantage of the recipient-donor sex mismatches revealed by X and Y chromosome autosomal gene expression, we determined that in AK1 with fibrosis, 42 months after transplantation, more than half of the kidney allograft fibroblasts were recipient-derived and therefore likely migratory and graft infiltrative, whereas in AK2 without fibrosis, 84 months after transplantation, most fibroblasts were donor-organ-derived. Furthermore, AK1 was enriched for tubular progenitor cells overexpressing profibrotic extracellular matrix genes. AK2, eight months after successful treatment of rejection, contained endothelial cells that expressed T-cell chemoattractant cytokines. In addition to these key findings, our analysis revealed unique cell types and states in the kidney. Altogether, single-cell transcriptomics yielded novel mechanistic insights, which could pave the way for individualizing the care of transplant recipients.

In-depth multiomic phenotyping provides molecular insights into complex physiological processes and their pathologies. Here, we report on integrating 18 diverse deep molecular phenotyping (omics-) technologies applied to urine, blood, and saliva samples from 391 participants of the multiethnic diabetes Qatar Metabolomics Study of Diabetes (QMDiab). Using 6,304 quantitative molecular traits with 1,221,345 genetic variants, methylation at 470,837 DNA CpG sites, and gene expression of 57,000 transcripts, we determine (1) within-platform partial correlations, (2) between-platform mutual best correlations, and (3) genome-, epigenome-, transcriptome-, and phenome-wide associations. Combined into a molecular network of > 34,000 statistically significant trait-trait links in biofluids, our study portrays "The Molecular Human". We describe the variances explained by each omics in the phenotypes (age, sex, BMI, and diabetes state), platform complementarity, and the inherent correlation structures of multiomics data. Further, we construct multi-molecular network of diabetes subtypes. Finally, we generated an open-access web interface to "The Molecular Human" ( http://comics.metabolomix.com ), providing interactive data exploration and hypotheses generation possibilities.

Genome-wide association studies (GWAS) with intermediate phenotypes, like changes in metabolite and protein levels, provide functional evidence for mapping disease associations and translating them into clinical applications. However, although hundreds of genetic risk variants have been associated with complex disorders, the underlying molecular pathways often remain elusive. Associations with intermediate traits across multiple chromosome locations are key in establishing functional links between GWAS-identified risk-variants and disease endpoints. Here, we describe a GWAS performed with a highly multiplexed aptamer-based affinity proteomics platform. We quantified associations between protein level changes and gene variants in a German cohort and replicated this GWAS in an Arab/Asian cohort. We identified many independent, SNP-protein associations, which represent novel, inter-chromosomal links, related to autoimmune disorders, Alzheimer's disease, cardiovascular disease, cancer, and many other disease endpoints. We integrated this information into a genome-proteome network, and created an interactive web-tool for interrogations. Our results provide a basis for new approaches to pharmaceutical and diagnostic applications.

Immunoglobulin (Ig) glycosylation modulates the immune response and plays a critical role in ageing and diseases. Studies have mainly focused on IgG glycosylation, and little is known about the genetics and epidemiology of IgA glycosylation.

ABSTRACT Genome-wide association studies (GWAS) with proteomics generate hypotheses on protein function and offer genetic evidence for drug target prioritization. Although most protein quantitative loci (pQTLs) have so far been identified by high-throughput affinity proteomics platforms, these methods also have some limitations, such as uncertainty about target identity, non-specific binding of aptamers, and inability to handle epitope-modifying variants that affect affinity binding. Mass spectrometry (MS) proteomics has the potential to overcome these challenges and broaden the scope of pQTL studies. Here, we employ the recently developed MS-based Proteograph™ workflow ( Seer, Inc .) to quantify over 18,000 unique peptides from almost 3,000 proteins in more than 320 blood samples from a multi-ethnic cohort. We implement a bottom-up MS-proteomics approach for the detection and quantification of blood-circulating proteins in the presence of protein altering variants (PAVs). We identify 184 PAVs located in 137 genes that are significantly associated with their corresponding variant peptides in MS data (MS-PAVs). Half of these MS-PAVs (94) overlap with cis -pQTLs previously identified by affinity proteomics pQTL studies, thus confirming the target specificity of the affinity binders. An additional 54 MS-PAVs overlap with trans -pQTLs (and not cis -pQTLs) in affinity proteomics studies, thus identifying the putatively causal cis -encoded protein and providing experimental evidence for its presence in blood. The remaining 36 MS-PAVs have not been previously reported and include proteins that may be inaccessible to affinity proteomics, such as a variant in the incretin pro-peptide (GIP) that associates with type 2 diabetes and cardiovascular disease. Overall, our study introduces a novel approach for analyzing MS-based proteomics data within the GWAS context, provides new insights relevant to genetics-based drug discovery, and highlights the potential of MS-proteomics technologies when applied at population scale. Highlights This is the first pQTL study that uses the Proteograph ™ ( Seer Inc .) mass spectrometry-based proteomics workflow. We introduce a novel bottom-up proteomics approach that accounts for protein altering variants in the detection of pQTLs. We confirm the target and potential epitope effects of affinity binders for cis- pQTLs from affinity proteomics studies. We establish putatively causal proteins for known affinity proteomics trans -pQTLs and confirm their presence in blood. We identify novel protein altering variants in proteins of clinical relevance that may not be accessible to affinity proteomics. Graphical abstract

Glycosylation is a common post-translational modification of proteins. It is known, that glycans are directly involved in the pathophysiology of every major disease. Defining genetic factors altering glycosylation may provide a basis for novel approaches to diagnostic and pharmaceutical applications. Here, we report a genome-wide association study of the human blood plasma N-glycome composition in up to 3811 people. We discovered and replicated twelve loci. This allowed us to demonstrate a clear overlap in genetic control between total plasma and IgG glycosylation. Majority of loci contained genes that encode enzymes directly involved in glycosylation (FUT3/FUT6, FUT8, B3GAT1, ST6GAL1, B4GALT1, ST3GAL4, MGAT3, and MGAT5). We, however, also found loci that are likely to reflect other, more complex, aspects of plasma glycosylation process. Functional genomic annotation suggested the role of DERL3, which potentially highlights the role of glycoprotein degradation pathway, and such transcription factor as IKZF1.

Abstract Metastasis is the primary cause of cancer related deaths due to the limited number of efficient druggable targets. Signatures of dysregulated cancer metabolism could serve as a roadmap for the determination of new treatment strategies, given their vital role in cancer cell responses to multiple challenges, including nutrient and oxygen availability. However, the metabolic signatures of metastatic cells remain vastly elusive. We conducted untargeted metabolic profiling of cells and growth media of five selected triple negative breast cancer cell lines with high metastatic potential (HMP) (MDA-MB-231, MDA-MB-436, MDA-MB-468) and low metastatic potential (LMP) (BT549, HCC1143). We identified 92 metabolites in cells and 22 in growth medium that display significant differences between LMP and HMP. The HMP cell lines had elevated level of molecules involved in glycolysis, TCA cycle and lipid metabolism. We identified metabolic advantages of cell lines with HMP beyond enhanced glycolysis by pinpointing the role of branched chain amino acids (BCAA) catabolism as well as molecules supporting coagulation and platelet activation as important contributors to the metastatic cascade. The landscape of metabolic dysregulations, characterized in our study, could serve in the future as a roadmap for the identification of treatment strategies targeting cancer cells with enhanced metastatic potential.

Abstract Spina bifida (SB) is a debilitating birth defect caused by multiple gene and environment interactions. Though SB shows non-Mendelian inheritance, genetic factors contribute to an estimated 70% of cases. Nevertheless, identifying human mutations conferring SB risk is challenging due to its relative rarity, genetic heterogeneity, incomplete penetrance and environmental influences that hamper GWAS approaches to untargeted discovery. Thus, SB genetic studies may suffer from population substructure and/or selection bias introduced by typical candidate gene searches. We report a population based, ancestry-matched whole-genome sequence analysis of SB genetic predisposition using a systems biology strategy to interrogate 298 case-control subject genomes (149 pairs). Genes that were enriched in likely gene disrupting (LGD), rare protein-coding variants were subjected to machine learning analysis to identify genes in which LGD variants occur with a different frequency in cases vs. controls and so discriminate between these groups. Those genes with high discriminatory potential for SB significantly enriched pathways pertaining to carbon metabolism, inflammation, innate immunity, cytoskeletal regulation and essential transcriptional regulation, indicating their impact on the pathogenesis of human SB. Additionally, interrogation of conserved non-coding sequences identified robust variant enrichment in regulatory regions of several transcription factors critical to embryonic development. This genome-wide perspective offers an effective approach to interrogation of coding and non-coding sequence variant contributions to rare complex genetic disorders.