Abstract NGLY1 (N-glycanase 1) deficiency is a rare congenital recessive disorder of protein deglycosylation unaddressed by the current standard of care. Using combined metabolomics and proteomics profiling, we show that NGLY1 deficiency activates the immune response and disturbs lipid metabolism, biogenic amine synthesis, and glutathione metabolism. These alterations were also observed in NGLY1 deficient patient-derived induced pluripotent stem cells (iPSCs) and differentiated neural progenitor cells (NPCs), which serve as personalized cellular models of the disease. These findings provide molecular insight into the pathophysiology of NGLY1 deficiency and suggest potential therapeutic strategies.

Reproducibility and transparency have been longstanding but significant problems for the metabolomics field. Here, we present the tidyMass project ( https://www.tidymass.org/ ), a comprehensive computational framework that can achieve the shareable and reproducible workflow needs of data processing and analysis for LC-MS-based untargeted metabolomics. TidyMass was designed based on the following strategies to address the limitations of current tools: 1) Cross-platform utility. TidyMass can be installed on all platforms; 2) Uniformity, shareability, traceability, and reproducibility. A uniform data format has been developed, specifically designed to store and manage processed metabolomics data and processing parameters, making it possible to trace the prior analysis steps and parameters; 3) Flexibility and extensibility. The modular architecture makes tidyMass a highly flexible and extensible tool, so other users can improve it and integrate it with their own pipeline easily.

Synaptic vesicles are organelles with a precisely defined protein and lipid composition

Abstract Conventional environmental health studies primarily focused on limited environmental stressors at the population level, which lacks the power to dissect the complexity and heterogeneity of individualized environmental exposures. Here we integrated deep-profiled longitudinal personal exposome and internal multi-omics to systematically investigate how the exposome shapes an individual’s phenome. We annotated thousands of chemical and biological components in the personal exposome cloud and found they were significantly correlated with thousands of internal biomolecules, which was further cross validated using corresponding clinical data. In particular, our results showed that agrochemicals (e.g., carcinogenic pesticides, fungicides, and herbicides) and fungi predominated in the highly diverse and dynamic personal exposome, and the biomolecules and pathways related to the individual’s immune system, kidneys, and liver were highly correlated with the personal external exposome. Overall, our findings demonstrate dynamic interactions between the personal exposome and internal multi-omics and provide important insights into the impact of the environmental exposome on precision health.

SUMMARY There has been growing interest in identifying blood-borne factors that mediate tissue crosstalk and function as molecular effectors of physical activity. Although past studies have focused on an individual molecule or cell type, the organism-wide secretome response to physical activity has not been evaluated. Here, we use a cell type-specific proteomic approach to generate a 21-cell type, 10-tissue map of exercise-regulated secretomes in mice. Our dataset identifies >200 exercise-regulated cell type-secreted protein pairs, the majority of which have not been previously reported. Pdgfra -cre-labeled secretomes were the most responsive to exercise training. Elevated lactate levels can directly regulate protein secretion. Lastly, we establish an anti-obesity and anti-diabetic role for a proteoform of an intracellular carboxylesterase whose secretion from the liver is induced by exercise training. Together, our data uncover the dynamic remodeling of cell and tissue crosstalk by physical activity.

To understand dynamic interplay between the human microbiome and host during health and disease, we analyzed the microbial composition, temporal dynamics, and associations with host multi-omics, immune and clinical markers of microbiomes from four body sites in 86 participants over six years. We found that microbiome stability and individuality are body-site-specific and heavily influenced by the host. The stool and oral microbiome were more stable than the skin and nasal microbiomes, possibly due to their interaction with the host and environment. Also, we identified individual-specific and commonly shared bacterial taxa, with individualized taxa showing greater stability. Interestingly, microbiome dynamics correlated across body sites, suggesting systemic coordination influenced by host-microbial-environment interactions. Notably, insulin-resistant individuals showed altered microbial stability and associations between microbiome, molecular markers, and clinical features, suggesting their disrupted interaction in metabolic disease. Our study offers comprehensive views of multi-site microbial dynamics and their relationship with host health and disease.The stability of the human microbiome varies among individuals and body sites.Highly individualized microbial genera are more stable over time.At each of the four body sites, systematic interactions between the environment, the host and bacteria can be detected.Individuals with insulin resistance have lower microbiome stability, a more diversified skin microbiome, and significantly altered host-microbiome interactions.

Microbial communities exert a substantial influence on human health and have been unequivocally associated with a spectrum of human maladies, encompassing conditions such as anxiety1, depression2, hypertension3, cardiovascular diseases4, obesity4,5, diabetes6, inflammatory bowel disease7, and cancer8,9. This intricate interplay between microbiota community structures and host pathophysiology has kindled substantial interest and spurred active research endeavors across various scientific domains. Despite significant strides in sequencing technologies, which have unveiled the vast diversity of microbial populations across diverse ecosystems, the analysis of microbiome data remains a formidable challenge. The complexity inherent in such data, compounded by the absence of standardized data processing and analysis workflows, continues to pose substantial hurdles. The tidyverse paradigm, comprised of a suite of R packages meticulously crafted to facilitate efficient data manipulation and visualization, has garnered considerable acclaim within the data science community10. Its appeal stems from its innate simplicity and efficacy in organizing and processing data10. In recent times, a plethora of tools have been devised to address distinct omics data processing and analysis needs, including notable initiatives such as the tidymass project11, tidyomics project12, tidymicro13, and MicrobiotaProcess13,14. However, a conspicuous gap persists in the form of a standardized, tidyverse-based package for seamless and rigorous microbiome data processing and analysis. To address this burgeoning demand for standardized and reproducible microbiome data analysis, we introduce microbiomedataset, an R package that embraces the tidyverse ethos to furnish a structured framework for the organization and processing of microbiome data. Microbiomedataset offers a comprehensive, customizable solution for the management, structuring, and processing of microbiome data. Importantly, this package seamlessly integrates with established bioinformatics tools, facilitating its incorporation into existing analytical pipelines11,13,14,15. Within this manuscript, we proffer an in-depth overview of the microbiomedataset package, elucidating its multifarious functionalities. Moreover, we substantiate its utility through illustrative case studies employing a publicly available microbiome dataset. It is imperative to underscore that microbiomedataset constitutes an integral component of the larger tidymicrobiome project, accessible via www.tidymicrobiome.org. Tidymicrobiome epitomizes an ecosystem of R packages that share a coherent design philosophy, grammar, and data structure, collectively engendering a robust, reproducible, and object-oriented computational framework. This project9s development has been guided by several key tenets: (1) Cross-platform compatibility, (2) Uniformity, shareability, traceability, and reproducibility, and (3) Flexibility and extensibility. We further expound upon the advantages inherent in adopting a tidyverse-style framework for microbiome data analysis, underscoring the pronounced benefits in terms of standardization and reproducibility that microbiomedataset offers. In sum, microbiomedataset furnishes an accessible and efficient avenue for microbiome data analysis, catering to both neophyte and seasoned R users alike.

Abstract Summary One of the major challenges in LC-MS data (metabolome, lipidome, and exposome) is converting many metabolic feature entries to biological function information, such as metabolite annotation and pathway enrichment, which are based on the compound and pathway databases. Multiple online databases have been developed, containing lots of information about compounds and pathways. However, there is still no tool developed for operating all these databases for biological analysis. Therefore, we developed massDatabase , an R package that operates the online public databases and combines with other tools for streamlined compound annotation and pathway enrichment analysis. massDatabase is a flexible, simple, and powerful tool that can be installed on all platforms, allowing the users to leverage all the online public databases for biological function mining. A detailed tutorial and a case study are provided in the Supplementary Materials . Availability and implementation https://massdatabase.tidymass.org/ . Contact shenxt@stanford.edu and mpsnyder@stanford.edu Supplementary information Supplementary data are available at Bioinformatics online.

Abstract Pregnancy is a critical time that has long-term impacts on both maternal and fetal health. During pregnancy, the maternal metabolome undergoes dramatic systemic changes, although correlating longitudinal changes in maternal urine remain largely unexplored. We applied an LCMS-based untargeted metabolomics profiling approach to analyze 346 longitudinal maternal urine samples collected throughout pregnancy for 36 women from diverse ethnic backgrounds with differing clinical characteristics. We detected 20,314 metabolic peaks and annotated 875 metabolites. Altered metabolites include a broad panel of glucocorticoids, lipids, and amino acid derivatives, which revealed systematic pathway alterations during pregnancy. We also developed a machine-learning model to precisely predict gestational age (GA) at time of sampling using urine metabolites that provides a non-invasive method for pregnancy dating. This longitudinal maternal urine study demonstrates the clinical utility of using untargeted metabolomics in obstetric settings. One Sentence Summary Machine-learning based gestational age and due date using longitudinal urine samples of pregnancy.

Enrichment analysis contextualizes biological features in pathways to facilitate a systematic understanding of high-dimensional data and is widely used in biomedical research. The emerging method known as the reporter score-based analysis (RSA) shows more promising sensitivity, as it relies on p-values instead of raw values of features. However, RSA can only be applied to two-group comparisons and is often misused due to the lack of a convenient tool. We propose the Generalized Reporter Score-based Enrichment Analysis (GRSA) method for enrichment analysis of multi-group and longitudinal omics data. The GRSA is implemented in an R package, ReporterScore, integrating a powerful visualization module and updatable pathway databases. A comparison with other common pathway enrichment analysis methods, such as Fisher9s exact test and GSEA, reveals that GRSA exhibits increased sensitivity across multiple benchmark datasets. We applied GRSA to the microbiome, transcriptome, and metabolome data to show its versatility in discovering new biological insights in omics studies. Finally, we showcased the applicability of the GRSA method beyond functional enrichment using a custom taxonomy database. We believe the ReporterScore package will be an invaluable tool for broad biomedical research fields. The ReporterScore and a complete description of the usages are publicly available on GitHub (https://github.com/Asa12138/ReporterScore).