ABSTRACT The mutual interactions of ER resident proteins in the ER maintain its functions, prompting the protein folding, modification, and transportation. Here, a new method, named YST-PPI (YESS-based Split fast TEV protease System for Protein-protein Interaction) was developed, targeting the characterization of protein interactions in ER. YST-PPI method integrated the YESS system, split-TEV technology and endoplasmic reticulum retention signal peptide (ERS) to provide an effective strategy for studying ER in situ PPIs in a fast and quantitative manner. The interactions among 15 ER resident proteins of S. cerevisiae were explored using the YST-PPI system, and their interaction network map was constructed, in which more than 74 interacting resident protein pairs were identified. Our studies also showed that Lhs1p plays a critical role in regulating the interactions of most of the ER resident proteins, expect the Sil1p, indicating its potential role in controlling the ER molecular chaperones. Moreover, the mutual interaction revealed by our studies further confirmed that the ER resident proteins perform their functions in a synergetic way and multimer complex might be formed during the process.

Abstract Halophilic proteins possess unique structural properties and exhibit high stability under extreme conditions. Such distinct characteristic makes them invaluable for applications in various aspects such as bioenergy, pharmaceuticals, environmental clean-up and energy production. Generally, halophilic proteins are discovered and characterized through labor-intensive and time-consuming wetlab experiments. Here, we introduced HPClas, a machine learning-based classifier developed using the catBoost ensemble learning technique to identify halophilic proteins. Extensive in silico calculations were conducted on a large public data set of 12574 samples and an independent test set of 200 sample pairs, on which HPClas achieved an AUROC of 0.877 and 0.845, respectively. The source code and curated data set of HPClas are publicly available at https://github.com/Showmake2/HPClas . In conclusion, HPClas can be explored as a promising tool to aid in the identification of halophilic proteins and accelerate their applications in different fields. Impact Statement In this study, we used a method based on prediction of proteins secreted by extreme halophilic bacteria to successfully extract a large number of halophilic proteins. Using this data, we have trained an accurate halophilic protein classifier that could determine whether an input protein is halophilic with a high accuracy of 84.5%. This research could not only promote the exploration and mining of halophilic proteins in nature, but also provide guidance for the generation of mutant halophilic enzymes.