Cellular processes often depend on stable physical associations between proteins. Despite recent progress, knowledge of the composition of human protein complexes remains limited. To close this gap, we applied an integrative global proteomic profiling approach, based on chromatographic separation of cultured human cell extracts into more than one thousand biochemical fractions that were subsequently analyzed by quantitative tandem mass spectrometry, to systematically identify a network of 13,993 high-confidence physical interactions among 3,006 stably associated soluble human proteins. Most of the 622 putative protein complexes we report are linked to core biological processes and encompass both candidate disease genes and unannotated proteins to inform on mechanism. Strikingly, whereas larger multiprotein assemblies tend to be more extensively annotated and evolutionarily conserved, human protein complexes with five or fewer subunits are far more likely to be functionally unannotated or restricted to vertebrates, suggesting more recent functional innovations.

Organs and organelles represent core biological systems in mammals, but the diversity in protein composition remains unclear. Here, we combine subcellular fractionation with exhaustive tandem mass spectrometry-based shotgun sequencing to examine the protein content of four major organellar compartments (cytosol, membranes [microsomes], mitochondria, and nuclei) in six organs (brain, heart, kidney, liver, lung, and placenta) of the laboratory mouse, Mus musculus. Using rigorous statistical filtering and machine-learning methods, the subcellular localization of 3274 of the 4768 proteins identified was determined with high confidence, including 1503 previously uncharacterized factors, while tissue selectivity was evaluated by comparison to previously reported mRNA expression patterns. This molecular compendium, fully accessible via a searchable web-browser interface, serves as a reliable reference of the expressed tissue and organelle proteomes of a leading model mammal.

One-third of the 4,225 protein-coding genes of Escherichia coli K-12 remain functionally unannotated (orphans). Many map to distant clades such as Archaea, suggesting involvement in basic prokaryotic traits, whereas others appear restricted to E. coli, including pathogenic strains. To elucidate the orphans' biological roles, we performed an extensive proteomic survey using affinity-tagged E. coli strains and generated comprehensive genomic context inferences to derive a high-confidence compendium for virtually the entire proteome consisting of 5,993 putative physical interactions and 74,776 putative functional associations, most of which are novel. Clustering of the respective probabilistic networks revealed putative orphan membership in discrete multiprotein complexes and functional modules together with annotated gene products, whereas a machine-learning strategy based on network integration implicated the orphans in specific biological processes. We provide additional experimental evidence supporting orphan participation in protein synthesis, amino acid metabolism, biofilm formation, motility, and assembly of the bacterial cell envelope. This resource provides a "systems-wide" functional blueprint of a model microbe, with insights into the biological and evolutionary significance of previously uncharacterized proteins.

We develop a statistical tool SNVer for calling common and rare variants in analysis of pooled or individual next-generation sequencing (NGS) data. We formulate variant calling as a hypothesis testing problem and employ a binomial–binomial model to test the significance of observed allele frequency against sequencing error. SNVer reports one single overall P-value for evaluating the significance of a candidate locus being a variant based on which multiplicity control can be obtained. This is particularly desirable because tens of thousands loci are simultaneously examined in typical NGS experiments. Each user can choose the false-positive error rate threshold he or she considers appropriate, instead of just the dichotomous decisions of whether to ‘accept or reject the candidates’ provided by most existing methods. We use both simulated data and real data to demonstrate the superior performance of our program in comparison with existing methods. SNVer runs very fast and can complete testing 300 K loci within an hour. This excellent scalability makes it feasible for analysis of whole-exome sequencing data, or even whole-genome sequencing data using high performance computing cluster. SNVer is freely available at http://snver.sourceforge.net/.

Summary Epithelial to mesenchymal transition (EMT) is a complex cellular program proceeding through a hybrid E/M state linked to cancer-associated stemness, migration and chemoresistance. Deeper molecular understanding of this dynamic physiological landscape is needed to define events which regulate the transition and entry into and exit from the E/M state. Here, we quantified >60,000 molecules across ten time points and twelve omic layers in human mammary epithelial cells undergoing TGFβ-induced EMT. Deep proteomic profiles of whole cells, nuclei, extracellular vesicles, secretome, membrane and phosphoproteome defined state-specific signatures and major transition points. Parallel metabolomics showed metabolic reprogramming preceded changes in other layers, while single-cell RNA sequencing identified transcription factors controlling entry into E/M. Covariance analysis exposed unexpected discordance between the molecular layers. Integrative causal modeling revealed co-dependencies governing entry into E/M that were verified experimentally using combinatorial inhibition. Overall, this dataset provides an unprecedented resource on TGFβ signaling, EMT and cancer.

SUMMARY Early childhood caries (ECC) is influenced by microbial and host factors, including social, behavioral, and oral health. In this cross-sectional study, we analyzed interkingdom dynamics in the dental plaque microbiome and its association with host variables. The samples collected from the preschool children underwent 16S rRNA and ITS1 rRNA gene sequencing. The questionnaire data were analyzed for social determinants of oral health. The results indicated a significant enrichment of Streptococcus mutans and Candida dubliniensis in ECC samples, in contrast to Neisseria oralis in caries-free children. Our interkingdom correlation analysis revealed that Candida dubliniensis was strongly correlated with both Neisseria bacilliformis and Prevotella veroralis in ECC. Additionally, ECC showed significant associations with host variables, including oral health status, age, place of residence, and mode of childbirth. This study provides empirical evidence associating the oral microbiome with socioeconomic and behavioral factors in relation to ECC, offering insights for developing targeted prevention strategies. HIGHLIGHTS Characterized interkingdom association between cariogenic species of genus Neisseria and Candida Both bacterial and fungal species are important for caries status prediction using artificial intelligence Socioeconomic index is associated with caries status and caries-associated microbial markers

Aim: We examined methylation changes in cell-free DNA (cfDNA) in metastatic castration resistant prostate cancer (mCRPC) during treatment. Materials and Methods: Genome-wide methylation analysis of sequentially collected cfDNA samples derived from mCRPC patients undergoing androgen-targeting therapy was performed. Results: Alterations in methylation states previously implicated in prostate cancer progression were observed and patients that maintained methylation changes throughout therapy tended to have a longer time to clinical progression (TTP). Importantly, we also report that markers associated with a highly aggressive form of the disease, Neuroendocrine-CRPC, were associated with a faster TTP. Conclusion: Our findings highlight the potential of monitoring cfDNA methylome during therapy in mCRPC, which may serve as predictive markers of response to androgen-targeting agents.### Competing Interest StatementThe authors have declared no competing interest.

Spatial transcriptomics has gained popularity over the past decade due to its ability to evaluate transcriptome data while preserving spatial information. Cell segmentation is a crucial step in spatial transcriptomic analysis, as it enables the avoidance of unpredictable tissue disentanglement steps. Although high-quality cell segmentation algorithms can aid in the extraction of valuable data, traditional methods are frequently non-spatial, do not account for spatial information efficiently, and perform poorly when confronted with the problem of spatial transcriptome cell segmentation with varying shapes. In this study, we propose ST-CellSeg, an image-based machine learning method for spatial transcriptomics that uses manifold for cell segmentation and is novel in its consideration of multi-scale information. We first construct a fully connected graph which acts as a spatial transcriptomic manifold. Using multi-scale data, we then determine the low-dimensional spatial probability distribution representation for cell segmentation. Using the adjusted Rand index (ARI), normalized mutual information (NMI), and Silhouette coefficient (SC) as model performance measures, the proposed algorithm significantly outperforms baseline models in selected datasets and is efficient in computational complexity.

Abstract The composition of cell-type is a key indicator of health. Advancements in bulk gene expression data curation, single cell RNA-sequencing technologies, and computational deconvolution approaches offer a new perspective to learn about the composition of different cell types in a quick and affordable way. In this study, we developed a quantile regression and deep learning-based method called Neural Network Immune Contexture Estimator (NNICE) to estimate the cell type abundance and its uncertainty by automatically deconvolving bulk RNA-seq data. The proposed NNICE model was able to successfully recover ground-truth cell type fraction values given unseen bulk mixture gene expression profiles from the same dataset it was trained on. Compared with baseline methods, NNICE achieved better performance on deconvolve both pseudo-bulk gene expressions (Pearson correlation R = 0.9) and real bulk gene expression data (Pearson correlation R = 0.9) across all cell types. In conclusion, NNICE combines statistic inference with deep learning to provide accurate and interpretable cell type deconvolution from bulk gene expression.