Abstract Functional analysis of high throughput experiments using pathway analysis is now ubiquitous. Though powerful, these methods often produce thousands of redundant results owing to knowledgebase redundancies upstream. This scale of results hinders extensive exploration by biologists and often leads to investigator biases due to previous knowledge and expectations. To address this issue, we present vissE, a flexible network-based analysis method that summarises redundancies into biological themes and provides various analytical modules to characterise and visualise them with respect to the underlying data, thus providing a comprehensive view of the biological system. We demonstrate vissE’s versatility by applying it to three different technologies: bulk, single-cell and spatial transcriptomics. Applying vissE to a factor analysis of a breast cancer spatial transcriptomic data, we identified stromal phenotypes that support tumour dissemination. Its adaptability allows vissE to enhance all existing gene-set enrichment and pathway analysis workflows, removing investigator bias from molecular discovery. Abstract Figure

Abstract Understanding complex cellular niches and neighborhoods are giving us new insights into tissue biology. Accurate neighborhood identification is crucial, yet existing methodologies often struggle to detect mixed neighborhoods and generate cell-specific neighborhood profiles. To address these limitations, we introduce hoodscanR, a Bioconductor package designed for neighborhood identification and downstream analyses using spatial data. Applying hoodscanR to breast and lung cancer datasets, we showcase its efficacy in conducting detailed neighborhood analyses and identify subtle transcriptional changes in tumor cells from different neighborhoods. Such analyses can help researchers gain valuable insights into disease mechanisms and potential therapeutic targets.

Cellular membranes feature dynamic submicrometer-scale lateral membrane domainsvariously referred to as lipid rafts, membrane rafts or glycosphingolipid-enriched microdomains (GEM). In order to understand the molecular functions of lipid rafts, numerous studies have utilized various biochemical methods to isolate and examine the protein composition of membrane rafts. However, interpretation of individual raft proteomics studies are confounded by the limitations of isolation methods and the dynamic nature of rafts. Knowledge-based approaches can facilitate biological data interpretation by integrating experimental evidence from existing studies. To this end, we previously developed RaftProt (http://lipid-raft-database.di.uq.edu.au/), a searchable database of mammalian lipid raft-associated proteins. Despite being a valuable and highly used resource, improvements in search capabilities and visualisation were still needed. Here, we present RaftProt V2 (http://raftprot.org), an improved update of RaftProt, enabling interrogation and integration of datasets at the cell/tissue type and UniRef/Gene level. Besides the addition of new datasets and re-mapping of all entries to both UniProt and UniRef IDs, we have annotated the level of experimental evidence for each protein entry. The search engine now allows for multiple protein or experiment searches where correlations, interactions or overlaps can be investigated. The web-interface has been completely re-designed and offers new interactive tools for data and subset selection, correlation analysis and network visualization. Overall, RaftProt aims to advance our understanding of lipid raft function by revealing the proteomes and pathways that are associated with membrane microdomains in diverse tissue and conditions. Database URL: http://raftprot.org

Background Multiple myeloma (MM) is a hematological malignancy characterized by the clonal expansion of malignant plasma cells. Though durable remissions are possible, MM is considered incurable, with relapse occurring in almost all patients. There has been limited data reported on the lipid metabolism changes in plasma cells during MM progression. Here, we evaluated the feasibility of concurrent lipidomics and proteomics analyses from patient plasma cells, and report these data on a limited number of patient samples, demonstrating the feasibility of the method, and establishing hypotheses to be evaluated in the future.Methods Plasma cells were purified from fresh bone marrow aspirates using CD138 microbeads. Proteins and lipids were extracted using a bi-phasic solvent system with methanol, methyl tert-butyl ether, and water. Untargeted proteomics, untargeted and targeted lipidomics were performed on 7 patient samples using liquid chromatography-mass spectrometry. Two comparisons were conducted: high versus low risk; relapse versus newly diagnosed. Proteins and pathways enriched in the relapsed group was compared to a public transcriptomic dataset from Multiple Myeloma Research Consortium reference collection (n=222) at gene and pathways level.Results From one million purified plasma cells, we were able to extract material and complete untargeted (∼6000 and ∼3600 features in positive and negative mode respectively) and targeted lipidomics (313 lipids), as well as untargeted proteomics analysis (∼4100 reviewed proteins). Comparative analyses revealed limited differences between high and low risk groups (according to the standard clinical criteria), hence we focused on drawing comparisons between the relapsed and newly diagnosed patients. Untargeted and targeted lipidomics indicated significant down-regulation of phosphatidylcholines (PCs) in relapsed MM. Although there was limited overlap of the differential proteins/transcripts, 76 significantly enriched pathways in relapsed MM were common between proteomics and transcriptomics data. Further evaluation of transcriptomics data for lipid metabolism network revealed enriched correlation of PC, ceramide, cardiolipin, arachidonic acid and cholesterol metabolism pathways to be exclusively correlated among relapsed but not in newly-diagnosed patients.Conclusions This study establishes the feasibility and workflow to conduct integrated lipidomics and proteomics analyses on patient-derived plasma cells. Potential lipid metabolism changes associated with MM relapse warrant further investigation.* AA : arachidonic acid FA : fatty acid logFC : log fold change MM : multiple myeloma MTBE : methyl tert-butyl ether NDMM : newly diagnosed multiple myeloma PC : phosphatidylcholine PE : phosphatidylethanolamines R-ISS : Revised International Staging System RRMM : relapsed/refractory multiple myeloma SM : sphingomyelin

Abstract T-cells are critical components of the adaptive immune system. Upon activation, they acquire effector functions through a complex interplay between mRNA transcripts and proteins, the landscape of which remains to be fully elucidated. In this resource article, we present an integrative temporal proteomic and transcriptomic analysis of primary human CD4 + and CD8 + T-cells following ex vivo activation with anti-CD3/CD28 Dynabeads. Our data reveal a time-dependent dissociation between the T-cell transcriptome and proteome during activation. A transient downregulation of GLUT1, the central glucose transporter in T-cells, marked the onset of reprogramming in both CD4 + and CD8 + T-cells. At late activation, CD4 + T-cells upregulated enzymes associated with degradation of fatty acids while CD8 + T-cells preferentially upregulated enzymes in the metabolism of cofactors and vitamins. Surprisingly, we found that activated CD4 + and CD8 + T-cells became transcriptionally more divergent at the same time their proteome became more similar. In addition to the metabolic reprogramming highlighted in our analysis, this dataset provides a public resource for understanding temporal molecular changes governing the acquisition of effector functions by T-cells.

ABSTRACT To gain a better understanding of the complexity of gene expression in normal and diseased tissues it is important to account for the spatial context and identity of cell in situ . State-of-the-art spatial profiling technologies, such as the Nanostring GeoMx Digital Spatial Profiler (DSP), now allow quantitative spatially resolved measurement of the transcriptome in tissues. However, the bioinformatics pipelines currently used to analyse GeoMx data often fail to successfully account for the technical variability within the data and the complexity of experimental designs, thus limiting the accuracy and reliability of subsequent analysis. Carefully designed quality control workflows, that include in-depth experiment-specific investigations into technical variation and appropriate adjustment for such variation can address this issue. Here we present standR , a R/Bioconductor package that enables an end-to-end analysis of GeoMx DSP data. With four case studies from previously published experiments, we demonstrate how the standR workflow can enhance the statistical power of GeoMx DSP data analysis and how application of standR enables scientists to develop in-depth insights into the biology of interest.