Abstract Sepsis is the major cause of mortality across intensive care units globally, yet details of accompanying pathological molecular events remains unclear. This knowledge gap has resulted in ineffective development of sepsis-specific biomarkers and therapies, and suboptimal treatment regimens to prevent or reverse organ damage. Here, we used pharmacoproteomics to score treatment effects in a murine Escherichia coli sepsis model based on changes in the organ, cell, and plasma proteome landscapes. A combination of pathophysiological read-outs and time-resolved proteome maps of organs and blood enabled us to define time-dependent and organotypic proteotypes of dysfunction and damage upon administration of several combinations of the broad-spectrum beta-lactam antibiotic meropenem (Mem) and/or the immunomodulatory glucocorticoid methylprednisolone (Gcc). Three distinct response patterns were identified, defined as intervention-specific reversions, non-reversions, and specific intervention-induced effects, which depended on the underlying proteotype and varied significantly across organs. In the later stages of the disease, Gcc enhanced some positive treatment effects of Mem with superior reduction of the inflammatory response in the kidneys and partial restoration of sepsis-induced metabolic dysfunction. Unexpectedly, Mem introduced sepsis-independent perturbations in the mitochondrial proteome that were to some degree counteracted by Gcc. In summary, this study provides a pharmacoproteomic resource describing the time-resolved septic organ failure landscape across organs and blood, coupled to a novel scoring strategy that captures unintended secondary drug effects as an important criterion to consider when assessing therapeutic efficacy. Such information is critical for quantitative, objective, and organotypic assessment of benefits and unintended effects of candidate treatments in relationship to dosing, timing, and potential synergistic combinations in murine sepsis models.

Abstract The statistical validation of peptide and protein identifications in mass spectrometry proteomics is a critical step in the analytical workflow. This is particularly important in discovery experiments to ensure only confident identifications are accumulated for downstream analysis and biomarker consideration. However, the inherent nature of discovery proteomics experiments leads to scenarios where the search space will inflate substantially due to the increased number of potential proteins that are being queried in each sample. In these cases, issues will begin to arise when the machine learning algorithms that are trained on an experiment specific basis cannot accurately distinguish between correct and incorrect identifications and will struggle to accurately control the false discovery rate. Here, we propose an alternative validation algorithm trained on a curated external data set of 2.8 million extracted peakgroups that leverages advanced machine learning techniques to create a generalizable peakgroup scoring (GPS) method for data independent acquisition (DIA) mass spectrometry. By breaking the reliance on the experimental data at hand and instead training on a curated external dataset, GPS can confidently control the false discovery rate while increasing the number of identifications and providing more accurate quantification in different search space scenarios. To first test the performance of GPS in a standard experimental environment and to provide a benchmark against other methods, a novel spike-in data set with known varying concentrations was analyzed. When compared to existing methods GPS increased the nunmber of identifications by 5-18% and was able to provide more accurate quantification by increasing the number of ratio validated identifications by 24-74%. To evaluate GPS in a larger search space, a novel data set of 141 blood plasma samples from patients developing acute kidney injury after sepsis was searched with a human tissue spectral library (10000+ proteins). Using GPS, we were able to provide a 207-377% increase in the number of candidate differentially abundant proteins compared to the existing methods while maintaining competitive numbers of global identifications. Finally, using an optimized human tissue library and workflow we were able to identify 1205 proteins from the 141 plasma samples and increase the number of candidate differentially abundant proteins by 70.87%. With the addition of machine learning aided differential expression, we were able to identify potential new biomarkers for stratifying subphenotypes of acute kidney injury in sepsis. These findings suggest that by using a generalized model such as GPS in tandem with a massive scale spectral library it is possible to expand the boundaries of discovery experiments in DIA proteomics. GPS is open source and freely available on github at ( https://github.com/InfectionMedicineProteomics/gscore ).

Abstract Infectious diseases are characterized by a complex interplay between host and pathogen, but how these interactions impact the host proteome is unclear. Here we applied a novel mass spectrometry based proteomics strategy to investigate how the human proteome is transiently modified by the pathogen Streptococcus pyogenes , with a particular focus on bacterial cleavage of IgG in vivo . In invasive diseases, S. pyogenes evokes a massive host response in blood, whereas superficial diseases are characterized by a local leakage of several blood plasma proteins at the site of infection including IgG. S. pyogenes produces IdeS, a protease cleaving IgG in the lower hinge region and we find highly effective IdeS-cleavage of IgG in samples from local IgG poor microenvironments. The results show that IdeS contributes to the adaptation of S. pyogenes to its normal ecological niches. Additionally, the work identifies novel clinical opportunities for in vivo pathogen detection.

Streptococcus pyogenes (Group A streptococcus, GAS) is an important human pathogen responsible for a wide variety of diseases from uncomplicated tonsillitis to life-threatening invasive infections. GAS secretes EndoS, an endoglycosidase able to specifically cleave the conserved N-glycan on human IgG antibodies. In vitro, removal of this glycan impairs IgG effector functions but its relevance to GAS infection in vivo is unclear. Using targeted mass spectrometry, we were able to characterize the effects of EndoS on host IgG glycosylation during the course of natural infections in human patients. We found substantial IgG glycan hydrolysis locally at site of infection as well as systemically in the most severe cases. Using these findings we were able to set up appropriate model systems to demonstrate decreased resistance to phagocytic killing of GAS lacking EndoS in vitro, as well as decreased virulence in a mouse model of invasive infection. This study represents the first described example of specific bacterial IgG glycan hydrolysis during infection and highlights the importance of IgG glycan hydrolysis for streptococcal pathogenesis. We thereby offer new insights into the mechanism of immune evasion employed by this pathogen with clear implications for treatment of severe GAS infections and future efforts at vaccine development.

Abstract The plasma proteome is maintained by the influx and efflux of proteins from surrounding organs and cells. To quantify the extent different organs and cells contribute to the plasma proteome composition, we developed a mass spectrometry-based proteomics strategy to infer the origin of proteins detected in human plasma in health and disease. First, we constructed an extensive human proteome atlas from 18 vascularized organs and the most abundant cell types in blood. Second, the atlas was interfaced with previous RNA/protein atlases to objectively define proteome wide protein-organ associations to enable both the inference of origin and the reproducible quantification of organ-specific proteins in plasma. We demonstrate that the resource can determine disease-specific quantitative changes of organ-enriched protein panels in three separate patient cohorts with infection, pancreatitis, and myocardial injury. The strategy can be extended to other diseases to advance our understanding of the processes contributing to plasma proteome dynamics.

Abstract Vascular dysfunction and organ failure are two distinct, albeit highly interconnected clinical outcomes linked to morbidity and mortality in human sepsis. The mechanisms driving vascular and parenchymal damage are dynamic and display significant molecular crosstalk between organs and tissues. Therefore, assessing their individual contribution to disease progression is technically challenging. Here, we hypothesize that dysregulated vascular responses predispose the organism to organ failure. To address this hypothesis, we have evaluated four major organs in a murine model of S. aureus sepsis by combining in vivo labeling of the endothelial proteome, data-independent acquisition (DIA) mass spectrometry, and an integrative computational pipeline. The data reveal, with unprecedented depth and throughput, that a septic insult evokes organ-specific proteome responses that are highly compartmentalized, synchronously coordinated, and significantly correlated with the progression of the disease. Vascular proteome changes were found to precede bacterial invasion and leukocyte infiltration into the organs, as well as to precede changes in various well-established cellular and biochemical correlates of systemic coagulopathy and tissue dysfunction. Importantly, our data suggests a potential role for the vascular proteome as a determinant of the susceptibility of the organs to undergo failure during sepsis.