Abstract The corona virus (SARS-CoV-2) pandemic and the resulting long-term neurological complications in patients, known as long COVID, have renewed the interest in the correlation between viral infections and neurodegenerative brain disorders. While many viruses can reach the central nervous system (CNS) causing acute or chronic infections (such as herpes simplex virus 1, HSV-1), the lack of a clear mechanistic link between viruses and protein aggregation into amyloids, a characteristic of several neurodegenerative diseases, has rendered such a connection elusive. Recently, we showed that viruses can induce aggregation of purified amyloidogenic proteins via the direct physicochemical mechanism of heterogenous nucleation (HEN). In the current study, we show that the incubation of HSV-1 and SARS-CoV-2 with human cerebrospinal fluid (CSF) leads to the amyloid aggregation of several proteins known to be involved in neurodegenerative diseases, such as: APLP1 (amyloid beta precursor like protein 1), ApoE, clusterin, α2-macroglobulin, PGK-1 (phosphoglycerate kinase 1), ceruloplasmin, nucleolin, 14-3-3, transthyretin and vitronectin. Importantly, UV-inactivation of SARS-CoV-2 does not affect its ability to induce amyloid aggregation, as amyloid formation is dependent on viral surface catalysis via HEN and not its ability to replicate. Our results show that viruses can physically induce amyloid aggregation of proteins in human CSF, and thus providing a potential mechanism that may account for the association between persistent and latent/reactivating brain infections and neurodegenerative diseases.

Summary Cancer heterogeneity at the proteome level may explain differences in therapy response and prognosis beyond the currently established genomic and transcriptomic based diagnostics. The relevance of proteomics for disease classifications remains to be established in clinically heterogeneous cancer entities such as chronic lymphocytic leukemia (CLL). Here, we characterized the proteome and transcriptome in-depth alongside genetic and ex-vivo drug response profiling in a clinically well annotated CLL discovery cohort (n= 68). Unsupervised clustering of the proteome data revealed six subgroups. Five of these proteomic groups were associated with genetic features, while one group was only detectable at the proteome level. This new group was characterized by accelerated disease progression, high spliceosomal protein abundances associated with aberrant splicing, and low B cell receptor signaling protein abundances (ASB-CLL). We developed classifiers to identify ASB-CLL based on its characteristic proteome or splicing signature in two independent cohorts (n= 165, n= 169) and confirmed that ASB-CLL comprises about 20 % of CLL patients. The inferior overall survival observed in ASB-CLL was independent of both TP53- and IGHV mutation status. Our multi-omics analysis refines the classification of CLL and highlights the potential of proteomics to improve cancer patient stratification beyond genetic and transcriptomic profiling. Single sentence summary We performed the largest proteogenomic analysis of CLL, linked proteomic profiles to clinical outcomes, and discovered a new poor outcome subgroup (ASB-CLL).

Abstract The complexity of the functional proteome extends significantly beyond the protein coding genome resulting in millions of proteoforms. Investigation of proteoforms and their functional roles is important to understand cellular physiology and its deregulation in diseases, but challenging to perform systematically. Here, we apply thermal proteome profiling with deep peptide coverage to detect functional proteoforms in acute lymphoblastic leukemia cell lines with different cytogenetic aberrations. We detect 15,846 proteoforms, capturing differently spliced, post-translationally modified, and cleaved proteins expressed from 9,290 genes. We identify differential coaggregation of proteoform pairs and establish links to disease biology. Moreover, we systematically make use of measured biophysical proteoform states to find specific biomarkers of drug sensitivity. Our approach thus provides a powerful and unique tool for systematic detection and functional annotation of proteoforms.

The pEVs have strong potential to be used as clinical biomarkers in various pathological conditions by providing unique, additional proteomics information that could not be obtained from plasma alone. Our study provides an advanced proteomics workflow for in-depth proteome profiling and detection of disease-specific proteins present in plasma and pEVs. Size-exclusion chromatography-based columns were used for EV isolation from plasma. The particle size, concentration, and distribution of pEVs were characterized using the Coomassie brilliant blue protein gel staining, nanoparticle tracking analysis, and flow cytometry bead-based assay. For workflow optimization pEVs (healthy donor plasma) proteome was generated using long-gradient (LG) and HiRIEF methods. The workflow performance was validated using a cohort of 6 metastatic melanoma (MM) and 6 lung adenocarcinoma (LUAD) patients. HiRIEF pre-fractionation and tandem mass tags (TMT)-16plex based peptide quantification, was used to generate cancer pEVs and corresponding albumin-depleted plasma proteomes. We achieved high proteome coverage in pEVs, and detected traditional EV-marker proteins (CD81, CD9, HSPA8, FLOT1/2, LGALS3BP, HSP90AA1/AB1), ESCRTs, and several other EV-specific proteins associated to cargo selection, trafficking/sorting, and exosome biogenesis. Some well-known clinical biomarkers for LUAD and MM, as well as many other cancer-related proteins, were present in the cancer cohort plasma and pEVs. The differentially expressed proteins (DEPs) in pEVs and plasma show no overlap, supporting the unique protein information carried by pEVs in plasma. Some of the DEPs identified in pEVs and plasma are frequently reported as prognostic biomarkers for LUAD and MM. We present an optimized workflow for extensive proteome profiling of plasma and pEVs in parallel using the advanced HiRIEF LC-MS method. The workflow exhibits high proteome coverage and the ability to detect potential disease-specific markers in pEVs enriched from clinical plasma samples.