Abstract Despite rapid adaptation of micro-electron diffraction (MicroED) for protein and small molecule structure determination to sub-angstrom resolution, the lack of automation tools for easy MicroED data processing remains a challenge for expanding to the broader scientific community. In particular, automation tools, which are novice user friendly, compatible with heterogenous datasets and can be run in unison with data collection to judge the quality of incoming data (similar to cryosparc LIVE for single particle cryoEM) do not exist. Here, we present AutoMicroED, a cohesive and semi-automatic MicroED data processing pipeline that runs through image conversion, indexing, integration and scaling of data, followed by merging of successful datasets that are pushed through phasing and final structure determination. AutoMicroED is compatible with both small molecule and protein datasets and creates a straightforward and reproducible method to solve single structures from pure samples, or multiple structures from mixed populations. The immediate feedback on data quality, data completeness and more parameters, aids users to identify whether they have collected enough data for their needs. Overall, AutoMicroED permits efficient structure elucidation for both novice and experienced users with comparable results to more laborious manual processing.

Abstract The protein artemin constitutes over 10% of all protein in Artemia cysts during diapause and acts as both an RNA and protein chaperone. However, its mechanistic details remain elusive since no high-resolution structure of artemin exists. Here we report the full-length structure of artemin at 2.04 Å resolution. The cryo-EM map contains density for an intramolecular disulfide bond between Cys22-Cys61 and resolves the entire C-terminus extending into the core of the assembled protein cage. We also provide data supporting the role of C-terminal helix F towards stabilizing the dimer form that is believed to be important for its chaperoning activity. We were able to destabilize this effect by placing a tag at the C-terminus to fully pack the internal cavity and cause limited steric hindrance.

Abstract Extracellular vesicles (EVs) carry diverse biomolecules derived from their parental cells, making their components excellent biomarker candidates. However, purifying EVs is a major hurdle in biomarker discovery since current methods require large amounts of samples, are time‐consuming and typically have poor reproducibility. Here we describe a simple, fast, and sensitive EV fractionation method using size exclusion chromatography (SEC) on a fast protein liquid chromatography (FPLC) system. Our method uses a Superose 6 Increase 5/150, which has a bed volume of 2.9 mL. The FPLC system and small column size enable reproducible separation of only 50 µL of human plasma in 15 min. To demonstrate the utility of our method, we used longitudinal samples from a group of individuals who underwent intense exercise. A total of 838 proteins were identified, of which, 261 were previously characterized as EV proteins, including classical markers, such as cluster of differentiation (CD)9 and CD81. Quantitative analysis showed low technical variability with correlation coefficients greater than 0.9 between replicates. The analysis captured differences in relevant EV proteins involved in response to physical activity. Our method enables fast and sensitive fractionation of plasma EVs with low variability, which will facilitate biomarker studies in large clinical cohorts.

Extracellular vesicles (EVs) carry diverse biomolecules derived from their parental cells, making their components excellent biomarker candidates. However, purifying EVs is a major hurdle in biomarker discovery since current methods require large amounts of samples, are time-consuming and typically have poor reproducibility. Here we describe a simple, fast, and sensitive EV fractionation method using size exclusion chromatography (SEC) on a fast protein liquid chromatography (FPLC) system. Our method uses a Superose 6 Increase 5/150, which has a bed volume of 2.9 mL. The FPLC system and small column size enable reproducible separation of only 50 microliters of human plasma in 15 minutes. To demonstrate the utility of our method, we used longitudinal samples from a group of individuals who underwent intense exercise. A total of 838 proteins were identified, of which, 261 were previously characterized as EV proteins, including classical markers, such as cluster of differentiation (CD)9 and CD81. Quantitative analysis showed low technical variability with correlation coefficients greater than 0.9 between replicates. The analysis captured differences in relevant EV proteins involved in response to physical activity. Our method enables fast and sensitive fractionation of plasma EVs with low variability, which will facilitate biomarker studies in large clinical cohorts.

Abstract There are three major classes of the enzyme Glutamine Synthetase (GS), denoted as GSI, GSII and GSIII in both prokaryotes and eukaryotes, that share widely conserved active-site residues but vary in average protein length, oligomeric assembly state and cofactor requirements. Key structures have been determined for all prokaryotic and eukaryotic GS classes except the GSIII class of eukaryotic origin, where even basic questions about its functional oligomeric state are unresolved. Here, we report the 3.2Å cryo-EM structure of eukaryotic GSIII from the ancient organism of green algal lineage Ostreococcus tauri . Using a combined structural and biochemical approach, we demonstrate that O. tauri GSIII self-assembles and functions exclusively as a single hexameric ring. This is unlike most GSs in other classes, where they form double-stacked ring assemblies instead. Major structural differences in the ring-ring stacking across the classes suggest evolutionary pressure may have favored higher-order interactions that might be beneficial but are not necessarily required for the catalytic GS performance.

Background: Physical frailty is highly prevalent in heart failure (HF), but we lack an understanding of the underlying pathophysiology. Proteomics evaluation of plasma samples may elucidate potential mechanisms and biomarkers of physical frailty in HF. Purpose: To identify plasma proteomic biomarkers that are differentially expressed between physically frail and non-physically frail adults with HF. Methods: This was a secondary analysis of a subset of data and plasma samples from a study of frailty among patients with New York Heart Association (NYHA) Functional Classification I-IV HF. Physical frailty was measured using the Frailty Phenotype Criteria. Propensity score matching was used to match pairs of physically frail (n = 20) vs. non-physically frail (n = 20) patients on clinical characteristics. Plasma samples were processed using a sensitive liquid chromatography mass spectrometry platform, utilizing a multiplexed tandem mass tag-labeled quantitative proteomics approach. Differentially expressed proteins were quantified individually using paired t tests with associated log2 fold change of 0.3 and using Fisher’s combined p values. Results: The sample (n = 40) was 62.8±16.9 years old, 58% female, and 55% NYHA class III/IV. The log2 fold changes for each of the 2684 proteins were compared with the corresponding -log10 p-values in a volcano plot ( Figure ), which identified 27 proteins significantly different (10 downregulated and 17 upregulated with physical frailty). Of these, 7 proteins were differentially expressed across all three plexes: matrix metalloproteinase-14 was downregulated in frailty, and copine-1, low affinity immunoglobulin gamma Fc region receptor III-A and III-B, probable non-functional immunoglobulin kappa variable 2D-24, glutathione S-transferase Mu 1, and argininosuccinate lyase were upregulated in frailty. Conclusions: Proteomic biomarkers related to the immune system, stress response, and detoxification were differentially expressed between physically frail and non-physically frail adults with HF. Patients with HF who are physically frail appear to be in a state of chronic immune and stress response upregulation coupled with downregulation of cellular activation.