Untargeted lipidomics allows analysis of a broader range of lipids than targeted methods and permits discovery of unknown compounds. Previous ring trials have evaluated the reproducibility of targeted lipidomics methods, but inter-laboratory comparison of compound identification and unknown feature detection in untargeted lipidomics has not been attempted. To address this gap, five laboratories analyzed a set of mammalian tissue and biofluid reference samples using both their own untargeted lipidomics procedures and a common chromatographic and data analysis method. While both methods yielded informative data, the common method improved chromatographic reproducibility and resulted in detection of more shared features between labs. Spectral search against the LipidBlast in silico library enabled identification of over 2,000 unique lipids. Further examination of LC-MS/MS and ion mobility data, aided by hybrid search and spectral networking analysis, revealed spectral and chromatographic patterns useful for classification of unknown features, a subset of which were highly reproducible between labs. Overall, our method offers enhanced compound identification performance compared to targeted lipidomics, demonstrates the potential of harmonized methods to improve inter-site reproducibility for quantitation and feature alignment, and can serve as a reference to aid future annotation of untargeted lipidomics data.

Early stages of type 1 diabetes (T1D) are characterized by local autoimmune inflammation and progressive loss of insulin-producing pancreatic β cells. We show here that exposure to pro-inflammatory cytokines unmasks a marked plasticity of the β-cell regulatory landscape. We expand the repertoire of human islet regulatory elements by mapping stimulus-responsive enhancers linked to changes in the β-cell transcriptome, proteome and 3D chromatin structure. Our data indicates that the β cell response to cytokines is mediated by the induction of novel regulatory regions as well as the activation of primed regulatory elements pre-bound by islet-specific transcription factors. We found that T1D-associated loci are enriched of the newly mapped cis-regulatory regions and identify T1D-associated variants disrupting cytokine-responsive enhancer activity in human β cells. Our study illustrates how β cells respond to a pro-inflammatory environment and implicate a role for stimulus-response islet enhancers in T1D.

Gas chromatography-mass spectrometry (GC-MS) represents an analytical technique with significant practical societal impact. Spectral deconvolution is an essential step for interpreting GC-MS data. No public GC-MS repositories that also enable repository-scale analysis exist, in part because deconvolution requires significant user input. We therefore engineered a scalable machine learning workflow for the Global Natural Product Social Molecular Networking (GNPS) analysis platform to enable the mass spectrometry community to store, process, share, annotate, compare, and perform molecular networking of GC-MS data. The workflow performs auto-deconvolution of compound fragmentation patterns via unsupervised non-negative matrix factorization, using a Fast Fourier Transform-based strategy to overcome scalability limitations. We introduce a "balance score" that quantifies the reproducibility of fragmentation patterns across all samples. We demonstrate the utility of the platform with breathomics analysis applied to the early detection of oesophago-gastric cancer, and by creating the first molecular spatial map of the human volatilome.

Metabolites have essential roles in microbial communities, including as mediators of nutrient and energy exchange, cell-to-cell communication, and antibiosis. However, detecting and quantifying metabolites and other chemicals in samples having extremes in salt or mineral content using liquid chromatography-mass spectrometry (LC-MS)-based methods remains a significant challenge. Here we report a facile method based on in situ chemical derivatization followed by extraction for analysis of metabolites and other chemicals in hypersaline samples, enabling for the first time direct LC-MS-based exo-metabolomics analysis in sample matrices containing up to 2 molar total dissolved salts. The method, MetFish, is applicable to molecules containing amine, carboxylic acid, carbonyl, or hydroxyl functional groups, and can be integrated into either targeted or untargeted analysis pipelines. In targeted analyses, MetFish provided limits of quantification as low as 1 nM, broad linear dynamic ranges (up to 5-6 orders of magnitude) with excellent linearity, and low median inter-day reproducibility (e.g. 2.6%). MetFish was successfully applied in targeted and untargeted exo-metabolomics analyses of microbial consortia, quantifying amino acid dynamics in the exo-metabolome during community succession; in situ in a native prairie soil, whose exo-metabolome was isolated using a hypersaline extraction; and in input and produced fluids from a hydraulically fractured well, identifying dramatic changes in the exo-metabolome over time in the well.

Mass spectrometry (MS)-based lipidomics is revolutionizing lipid research with high throughput identification and quantification of hundreds to thousands of lipids with the goal of elucidating lipid metabolism and function. Estimates of statistical confidence in lipid identification are essential for downstream data interpretation in a biological context. In the related field of proteomics, a variety of methods for estimating false-discovery are available, and understanding the statistical confidence of identifications is typically required for data analysis and hypothesis testing. However, there is no current method for estimating the false discovery rate (FDR) or statistical confidence for MS-based lipid identifications. This has slowed the adoption of MS-based lipidomics research, as all identifications require manual inspection and validation to ensure their accuracy. We present here the first generalizable method for FDR estimation, a target/decoy approach, that allows those conducting MS-based lipidomics research to confidently adjust spectral score thresholds to minimize false discovery and to enable full automation of data analysis.

Bile acids are metabolic links between hosts and their gut microbiomes, yet little is known about the roles they play in microbe-to-microbe interactions. Here we present a study designed to investigate the effect that a common probiotic, Lactobacillus acidophilus, has on microbial interactions that lead to formation of secondary bile acids. A model microbial consortium was built from three human gut isolates, Clostridium scindens, Collinsella aerofaciens, and Blautia obeum, and cultured under different bile acid and probiotic treatments. A multi-omics platform that included mass spectrometry-based metabolomics and activity-based proteomic probes was used to produce two major results. The first, was that an uncommon secondary bile acid, ursocholate, was produced by a multi-species chemical synthesis pathway. This result highlights a new microbe-to-microbe interaction mediated by bile acids. The second finding was that the probiotic strain, L. acidophilus, quenched the observed interactions and effectively halted consortial synthesis of ursocholate. Little is known about the role that ursocholate plays in human health and development. However, we did discover that a decrease in ursocholate abundance corresponded with successful weight loss in patients after gastric bypass surgery versus those who did not lose weight after surgery. Hence, this study uncovered basic knowledge that may aid future designs of custom probiotic therapies to combat obesity.

Targeted proteomics experiments based on selected reaction monitoring (SRM) have gained wide adoption in clinical biomarker, cellular modeling and numerous other biological experiments due to their highly accurate and reproducible quantification. The quantitative accuracy in targeted proteomics experiments is reliant on the stable-isotope, heavy-labeled peptide standards which are spiked into a sample and used as a reference when calculating the abundance of endogenous peptides. Therefore, the quality of measurement for these standards is a critical factor in determining whether data acquisition was successful. With improved MS instrumentation that enables the monitoring of hundreds of peptides in hundreds to thousands of samples, quality assessment is increasingly important and cannot be performed manually. We present Q4SRM, a software tool that rapidly checks the signal from all heavy labeled peptides and flags those that fail quality control metrics. Using four metrics, the tool detects problems both with individual SRM transitions and the collective group of transitions that monitor a single peptide. The programs speed enables its use at the point of data acquisition and can be ideally run immediately upon the completion of an LC-SRM-MS analysis.

Abstract A comprehensive understanding of host dependency factors for SARS-CoV-2 remains elusive. We mapped alterations in host lipids following SARS-CoV-2 infection using nontargeted lipidomics. We found that SARS-CoV-2 rewires host lipid metabolism, altering 409 lipid species up to 64-fold relative to controls. We correlated these changes with viral protein activity by transfecting human cells with each viral protein and performing lipidomics. We found that lipid droplet plasticity is a key feature of infection and that viral propagation can be blocked by small-molecule glycerolipid biosynthesis inhibitors. We found that this inhibition was effective against the main variants of concern (alpha, beta, gamma, and delta), indicating that glycerolipid biosynthesis is a conserved host dependency factor that supports this evolving virus.

Zika virus (ZIKV), an arbovirus of global concern, remodels intracellular membranes to form replication sites. How ZIKV dysregulates lipid networks to allow this, and consequences for disease, is poorly understood. Here, we performed comprehensive lipidomics to create a lipid network map during ZIKV infection. We found that ZIKV significantly alters host lipid composition, with the most striking changes seen within subclasses of sphingolipids. Ectopic expression of ZIKV NS4B protein resulted in similar changes, demonstrating a role for NS4B in modulating sphingolipid pathways. Disruption of sphingolipid biosynthesis in various cell types, including human neural progenitor cells, blocked ZIKV infection. Additionally, the sphingolipid ceramide redistributes to ZIKV replication sites and increasing ceramide levels by multiple pathways sensitizes cells to ZIKV infection. Thus, we identify a sphingolipid metabolic network with a critical role in ZIKV replication and show that ceramide flux is a key mediator of ZIKV infection.

Lipids have been implicated as mediators of insulitis and β-cell death in type 1 diabetes development, but it is poorly understood how islet lipid profiles are changed in response to the signaling pathways triggered by insulitis. Here, we investigated the changes in islet/β-cell lipid composition using three models of insulitis and type 1 diabetes progression: isolated human islets and EndoC-βH1 β-cells treated with the proinflammatory cytokines IL-1β and IFN-γ, and islets from non-obese diabetic (NOD) mice isolated before the onset of diabetes. Lipidomic analyses of these three models showed a consistent change in abundance of the lysophosphatidylcholine, phosphatidylcholine and triacylglycerol species. Immunohistochemistry and fluorescence in-situ hybridization showed an enrichment of lysophosphatidylcholine biosynthetic enzyme PLA2G6 in mouse islets. These results were consistent with the lipid profiles obtained using mass spectrometry imaging, which showed an enrichment of lysophosphatidylcholine in mouse islets. Furthermore, we determined that the ADP-ribosyl-acceptor glycohydrolase ARH3 is regulated by cytokines downstream of PLA2G6 and that this regulation may represent a negative feedback mechanism that reduces cytokine-induced apoptosis. Overall, these data show the importance of lipid metabolism in regulating β-cell death in type 1 diabetes.