Abstract Macrophages represent a major immune cell type in tumor microenvironments, they exist in multiple functional states and are of a strong interest for therapeutic reprogramming. While signaling cascades defining pro-inflammatory macrophages are better characterized, pathways that drive polarization in immunosuppressive macrophages are incompletely mapped. Here, we performed an in-depth characterization of signaling events in primary human macrophages in different functional states using mass spectrometry-based proteomic and phosphoproteomic profiling. Analysis of direct and indirect footprints of kinase activities has suggested PAK2 and PKCα kinases as important regulators of in vitro immunosuppressive macrophages (IL-4/IL-13 or IL-10 stimulated). Network integration of these data with the corresesponding transcriptome profiles has further highlighted FOS and NCOR2 as central transcription regulators in immunosuppressive states. Furthermore, we retrieved single cell sequencing datasets for tumors from cancer patients and found that the unbiased signatures identified here through proteomic analysis were able to successfully separate pro-inflammatory macrophage populations in a clinical setting and could thus be used to expand state-specific markers. This study contributes to in-depth multi-omics characterizations of macrophage phenotypic landscapes, which could be valuable for assisting future interventions that therapeutically alter immune cell compartments. Abstract Figure Highlights Global proteomic characterization of primary human macrophages in different states Mapping of main signaling events through in-depth data analysis PKCα and PAK2 kinases are important regulators of immunosuppressive macrophages Proteomic signatures enable accurate detection of pro-inflammatory macrophages in patient tumors

ABSTRACT Gleason grading is an important prognostic indicator for prostate adenocarcinoma and is crucial for patient treatment decisions. However, intermediate-risk patients diagnosed in Gleason Grade Groups (GG) 2 and GG3 can harbour either aggressive or non-aggressive disease, resulting in under- or over-treatment of a significant number of patients. Here, we performed proteomic, differential expression, machine learning, and survival analyses for 1,348 matched tumour and benign sample runs from 278 patients. Three proteins (F5, TMEM126B and EARS2) were identified as candidate biomarkers in patients with biochemical recurrence. Multivariate Cox regression yielded 18 proteins, from which a risk score was constructed to dichotomise prostate cancer patients into low- and high-risk groups. This 18-protein signature is prognostic for the risk of biochemical recurrence and completely independent of the intermediate GG. Our results suggest that markers generated by computational proteomic profiling have the potential for clinical applications including integration into prostate cancer management.

Summary It is a general assumption of molecular biology that the ensemble of expressed molecules, their activities and interactions determine biological processes, cellular states and phenotypes. Quantitative abundance of transcripts, proteins and metabolites are now routinely measured with considerable depth via an array of “OMICS” technologies, and recently a number of methods have also been introduced for the parallel analysis of the abundance, subunit composition and cell state specific changes of protein complexes. In comparison to the measurement of the molecular entities in a cell, the determination of their function remains experimentally challenging and labor-intensive. This holds particularly true for determining the function of protein complexes, which constitute the core functional assemblies of the cell. Therefore, the tremendous progress in multi-layer molecular profiling has been slow to translate into increased functional understanding of biological processes, cellular states and phenotypes. In this study we describe PCfun, a computational framework for the systematic annotation of protein complex function using Gene Ontology (GO) terms. This work is built upon the use of word embedding— natural language text embedded into continuous vector space that preserves semantic relationships— generated from the machine reading of 1 million open access PubMed Central articles. PCfun leverages the embedding for rapid annotation of protein complex function by integrating two approaches: (1) an unsupervised approach that obtains the nearest neighbor (NN) GO term word vectors for a protein complex query vector, and (2) a supervised approach using Random Forest (RF) models trained specifically for recovering the GO terms of protein complex queries described in the CORUM protein complex database. PCfun consolidates both approaches by performing the statistical test for the enrichment of the top NN GO terms within the child terms of the predicted GO terms by RF models. Thus, PCfun amalgamates information learned from the gold-standard protein-complex database, CORUM, with the unbiased predictions obtained directly from the word embedding, thereby enabling PCfun to identify the potential functions of putative protein complexes. The documentation and examples of the PCfun package are available at https://github.com/sharmavaruns/PCfun . We anticipate that PCfun will serve as a useful tool and novel paradigm for the large-scale characterization of protein complex function.