Abstract Global quantification of protein abundances in single cells would provide more direct information on cellular function phenotypes and complement transcriptomics measurements. However, single-cell proteomics (scProteomics) is still immature and confronts technical challenges, including limited proteome coverage, poor reproducibility, as well as low throughput. Here we describe a nested nanoPOTS (N2) chip to dramatically improve protein recovery, operation robustness, and processing throughput for isobaric-labeling-based scProteomics workflow. The N2 chip allows reducing cell digestion volume to <30 nL and increasing processing capacity to > 240 single cells in one microchip. In the analysis of ∼100 individual cells from three different cell lines, we demonstrate the N2 chip-based scProteomics platform can robustly quantify ∼1500 proteins and reveal functional differences. Our analysis also reveals low protein abundance variations (median CVs < 16.3%), highlighting the utility of such measurements, and also suggesting the single-cell proteome is highly stable for the cells cultured under identical conditions.

Abstract Unbiased single-cell proteomics (scProteomics) promises to advance our understanding of cell functions within complex biological systems. However, a major challenge for current methods is their ability to identify and provide accurate quantitative information for low abundance proteins. Herein, we describe an ion mobility-enhanced mass spectrometry acquisition and peptide identification method, TIFF (Transferring Identification based on FAIMS Filtering), designed to improve the sensitivity and accuracy of label-free scProteomics. TIFF significantly extends the ion accumulation times for peptide ions by filtering out singly charged background ions. The peptide identities are then assigned by a 3-dimensional MS1 feature matching approach (retention time, accurate mass, and FAIMS compensation voltage). The TIFF method enabled unbiased proteome analysis to a depth of >1,700 proteins in single HeLa cells with >1,100 proteins consistently quantified. As a demonstration, we applied the TIFF method to obtain temporal proteome profiles of >150 single murine macrophage cells during a lipopolysaccharide stimulation experiment and identified time-dependent proteome profiles.

Abstract Multiplexed bimolecular profiling of tissue microenvironment, or spatial omics, can provide deep insight into cellular compositions and interactions in healthy and diseased tissues. Proteome-scale tissue mapping, which aims to unbiasedly visualize all the proteins in a whole tissue section or region of interest, has attracted significant interest because it holds great potential to directly reveal diagnostic biomarkers and therapeutic targets. While many approaches are available, however, proteome mapping still exhibits significant technical challenges in both protein coverage and analytical throughput. Since many of these existing challenges are associated with mass spectrometry-based protein identification and quantification, we performed a detailed benchmarking study of three protein quantification methods for spatial proteome mapping, including label-free, TMT-MS2, and TMT-MS3. Our study indicates label-free method provided the deepest coverages of ∼3500 proteins at a spatial resolution of 50 µm and the highest quantification dynamic range, while TMT-MS2 method holds great benefit in mapping throughput at >125 pixels per day. The evaluation also indicates both label-free and TMT-MS2 provide robust protein quantifications in identifying differentially abundant proteins and spatially co-variable clusters. In the study of pancreatic islet microenvironment, we demonstrated deep proteome mapping not only enables the identification of protein markers specific to different cell types, but more importantly, it also reveals unknown or hidden protein patterns by spatial co-expression analysis.