Abstract The mu opioid receptor (μOR), a prototypic member of the large G protein-coupled receptor (GPCR) family, represents an important target of therapeutic and abused drugs. To date, most of our understanding of μOR activity has focused on signal transducers and regulatory molecules including G proteins, GPCR kinases, and beta-arrestins. Yet it is clear that signaling through the μOR is coordinated by additional proteins recruited into the proximal interaction network of the activated receptor, which have largely remained invisible given the lack of technologies to interrogate these networks systematically. Here, we implement a quantitative proteomics pipeline leveraging the chemical diversity of μOR agonists and APEX-based proximity labeling to investigate the protein networks that underlie μOR signaling. We leverage a novel computational framework to extract subcellular location, trafficking, and functional partners of GPCR activity from the proximity labeling datasets. Applying this unbiased, systematic approach to the μOR, we demonstrate that opioid agonists exert differences in the μOR proximal proteome mediated by endocytosis and subsequent endosomal sorting, exemplified by VPS35 and COMMD3. Moreover, we identify two novel μOR network components, EYA4 and KCTD12, that are recruited into the receptor proximal network irrespective of the activating ligand and independent of receptor trafficking but based on receptor-triggered G protein activation. We provide functional evidence that these network components form a previously unrecognized buffering system for G protein activity which broadly modulates cellular GPCR signaling.

Abstract Insertions and deletions (indels) are a major source of genetic variation in evolution and the cause of nearly 30% of Mendelian disease. Despite their importance, indels are left out of nearly every systematic mutational scan to date due to technical challenges associated with making indel-containing libraries, limiting our understanding of indels in disease, biology, and evolution. Here we present a library generation method, DIMPLE, that generates deletions, insertions, and missense at similar frequencies within any gene. To benchmark DIMPLE, we generated libraries within four genes (Kir2.1, VatD, TRPV1, and OPRM1) of varying length and evolutionary origin. DIMPLE produces libraries that are near complete, low cost, and low bias. We measured how missense mutations and indels of varying length impact the potassium channel Kir2.1 surface expression. Across all Kir2.1’s secondary structure, deletions are more disruptive than insertions, beta sheets are extremely sensitive to large deletions, and flexible loops allow insertions far more frequently than deletions. DIMPLE’s low bias, ease of use, and low cost will enable high throughput probing of the importance of indels in disease and evolution.

Abstract Understanding the biophysical mechanisms that govern the combination of protein domains into viable proteins is essential for advancing synthetic biology and biomedical engineering. Here, we use massively parallel genotype/phenotype assays to determine cell surface expression of over 300,000 variants of the inward rectifier K + channel Kir2.1 recombined with hundreds of protein motifs. We use machine learning to derive a quantitative biophysical model and practical rules for domain recombination. Insertional fitness depends on nonlinear interactions between the biophysical properties of inserted motifs and the recipient protein, which adds a new dimension to the rational design of fusion proteins. Insertion maps reveal a generalizable hierarchical organization of Kir2.1 and several other ion channels that balances stability needed for folding and dynamics required for function. Summary Massively parallel assays reveal interactions between donor domains and recipient proteins govern domain compatibility

Abstract Deep mutational scanning (DMS) measures the effects of thousands of genetic variants in a protein simultaneously. The small sample size renders classical statistical methods ineffective. For example, p -values cannot be correctly calibrated when treating variants independently. We propose , a Bayesian framework for analyzing growth-based DMS data. leverages amino acid position information to increase power and control the false discovery rate by sharing information across parameters via shrinkage. We also developed for simulating the distributional properties of DMS. We show that is robust to the violation of model assumptions and is more powerful than existing tools.

Abstract Deep mutational scanning enables data-driven models of protein structure and function. Here, we adapted Saturated Programmable Insertion Engineering as an economical and programmable deep mutational scanning technique. We validate this approach with an existing single mutant dataset in the PSD95 PDZ3 domain, and further characterize most pairwise double mutants to study how a mutation’s phenotype depends on mutations at other sites, a phenomenon called epistasis. We observe wide-spread proximal negative epistasis, which we attribute to mutations affecting thermodynamic stability, and strong long-range positive epistasis, which is enriched in an evolutionarily conserved and function-defining network of ‘sector’ and clade-specifying residues. Conditional neutrality of mutations in clade-specifying residues compensates for deleterious mutations in sector positions. This suggests an outside-in hierarchy of interactions through which positive epistasis between clade-specifying residues and the PDZ sector facilitated the evolutionary expansion and specialization of PDZ domains.

Abstract A longstanding goal in protein science and clinical genetics is to develop quantitative models of sequence, structure, and function relationships and delineate the mechanisms by which mutations cause disease. Deep Mutational Scanning (DMS) is a promising strategy to map how amino acids contribute to protein structure and function and to advance clinical variant interpretation. Here, we introduce 7,429 single residue missense mutation into the Inward Rectifier K + channel Kir2.1 and determine how this affects folding, assembly, and trafficking, as well as regulation by allosteric ligands and ion conduction. Our data provides high-resolution information on a cotranslationally­folded biogenic unit, trafficking and quality control signals, and segregated roles of different structural elements in fold-stability and function. We show that Kir2.1 trafficking mutants are underrepresented in variant effect databases, which has implications for clinical practice. By comparing fitness scores with expert-reviewed variant effects, we can predict the pathogenicity of ‘variants of unknown significance’ and disease mechanisms of know pathogenic mutations. Our study in Kir2.1 provides a blueprint for how multiparametric DMS can help us understand the mechanistic basis of genetic disorders and the structure-function relationships of proteins.

Abstract Three proton-sensing G protein-coupled receptors (GPCRs), GPR4, GPR65, and GPR68, respond to changes in extracellular pH to regulate diverse physiology and are implicated in a wide range of diseases. A central challenge in determining how protons activate these receptors is identifying the set of residues that bind protons. Here, we determine structures of each receptor to understand the spatial arrangement of putative proton sensing residues in the active state. With a newly developed deep mutational scanning approach, we determined the functional importance of every residue in proton activation for GPR68 by generating ∼9,500 mutants and measuring effects on signaling and surface expression. This unbiased screen revealed that, unlike other proton-sensitive cell surface channels and receptors, no single site is critical for proton recognition in GPR68. Instead, a network of titratable residues extend from the extracellular surface to the transmembrane region and converge on canonical class A GPCR activation motifs to activate proton-sensing GPCRs. More broadly, our approach integrating structure and unbiased functional interrogation defines a new framework for understanding the rich complexity of GPCR signaling. One-sentence summary The protonation networks governing activation of human pH-sensing GPCRs are uncovered by integrative cryo-EM and deep mutational scanning.

MET is a receptor tyrosine kinase (RTK) responsible for initiating signaling pathways involved in development and wound repair. MET activation relies on ligand binding to the extracellular receptor, which prompts dimerization, intracellular phosphorylation, and recruitment of associated signaling proteins. Mutations, which are predominantly observed clinically in the intracellular juxtamembrane and kinase domains, can disrupt typical MET regulatory mechanisms. Understanding how juxtamembrane variants, such as exon 14 skipping (METΔEx14), and rare kinase domain mutations can increase signaling, often leading to cancer, remains a challenge. Here, we perform a parallel deep mutational scan (DMS) of the MET intracellular kinase domain in two fusion protein backgrounds: wild-type and METΔEx14. Our comparative approach has revealed a critical hydrophobic interaction between a juxtamembrane segment and the kinase ⍺C-helix, pointing to potential differences in regulatory mechanisms between MET and other RTKs. Additionally, we have uncovered a β5 motif that acts as a structural pivot for the kinase domain in MET and other TAM family of kinases. We also describe a number of previously unknown activating mutations, aiding the effort to annotate driver, passenger, and drug resistance mutations in the MET kinase domain.

Multiplexed Assays of Variant Effects (MAVEs) can test all possible single variants in a gene of interest. The resulting saturation-style functional data may help resolve variant classification disparities between populations, especially for Variants of Uncertain Significance (VUS). We analyzed clinical significance classifications in 213,663 individuals of European-like genetic ancestry versus 206,975 individuals of non-European-like genetic ancestry from All of Us and the Genome Aggregation Database. Then, we incorporated clinically calibrated MAVE data into the Clinical Genome Resource's Variant Curation Expert Panel rules to automate VUS reclassification for BRCA1, TP53, and PTEN. Using two orthogonal statistical approaches, we show a higher prevalence (p ≤ 5.95e − 06) of VUS in individuals of non-European-like genetic ancestry across all medical specialties assessed in all three databases. Further, in the non-European-like genetic ancestry group, higher rates of Benign or Likely Benign and variants with no clinical designation (p ≤ 2.5e − 05) were found across many medical specialties, whereas Pathogenic or Likely Pathogenic assignments were increased in individuals of European-like genetic ancestry (p ≤ 2.5e − 05). Using MAVE data, we reclassified VUS in individuals of non-European-like genetic ancestry at a significantly higher rate in comparison to reclassified VUS from European-like genetic ancestry (p = 9.1e − 03) effectively compensating for the VUS disparity. Further, essential code analysis showed equitable impact of MAVE evidence codes but inequitable impact of allele frequency (p = 7.47e − 06) and computational predictor (p = 6.92e − 05) evidence codes for individuals of non-European-like genetic ancestry. Generation of saturation-style MAVE data should be a priority to reduce VUS disparities and produce equitable training data for future computational predictors.