Determining protein levels in each tissue and how they compare with RNA levels is important for understanding human biology and disease as well as regulatory processes that control protein levels. We quantified the relative protein levels from over 12,000 genes across 32 normal human tissues. Tissue-specific or tissue-enriched proteins were identified and compared to transcriptome data. Many ubiquitous transcripts are found to encode tissue-specific proteins. Discordance of RNA and protein enrichment revealed potential sites of synthesis and action of secreted proteins. The tissue-specific distribution of proteins also provides an in-depth view of complex biological events that require the interplay of multiple tissues. Most importantly, our study demonstrated that protein tissue-enrichment information can explain phenotypes of genetic diseases, which cannot be obtained by transcript information alone. Overall, our results demonstrate how understanding protein levels can provide insights into regulation, secretome, metabolism, and human diseases.

A central remaining question in the post-genomic era is how genes interact to form biological pathways. Measurements of gene dependency across hundreds of cell lines have been used to cluster genes into ‘co-essential’ pathways, but this approach has been limited by ubiquitous false positives. Here, we develop a statistical method that enables robust identification of gene co-essentiality and yields a genome-wide set of functional modules. This almanac recapitulates diverse pathways and protein complexes and predicts the functions of 102 uncharacterized genes. Validating top predictions, we show that TMEM189 encodes plasmanylethanolamine desaturase, the long-sought key enzyme for plasmalogen synthesis. We also show that C15orf57 binds the AP2 complex, localizes to clathrin-coated pits, and enables efficient transferrin uptake. Finally, we provide an interactive web tool for the community to explore the results (coessentiality.net). Our results establish co-essentiality profiling as a powerful resource for biological pathway identification and discovery of novel gene functions.

Determining protein levels in each tissue and how they compare with RNA levels is important for understanding human biology and disease as well as regulatory processes that control protein levels. We quantified the relative protein levels from 12,627 genes across 32 normal human tissue types prepared by the GTEx project. Known and new tissue specific or enriched proteins (5,499) were identified and compared to transcriptome data. Many ubiquitous transcripts are found to encode highly tissue specific proteins. Discordance in the sites of RNA expression and protein detection also revealed potential sites of synthesis and action of protein signaling molecules. Overall, these results provide an extraordinary resource, and demonstrate that understanding protein levels can provide insights into metabolism, regulation, secretome, and human diseases.Summary Quantitative proteome study of 32 human tissues and integrated analysis with transcriptome data revealed that understanding protein levels could provide in-depth knowledge to post transcriptional or translational regulations, human metabolism, secretome, and diseases.

In the analysis of proteomics data from mass spectrometry (MS), normalization is an important preprocessing step to correct sample-level variation and make abundance measurements for each specific protein comparable across different samples. Under heterogenous samples such as in the Phase I study of the Enhancing Genotype-Tissue Expression (eGTEx) project (Jiang, et al., 2019), the samples coming from 32 different tissues, and without prior housekeeping protein information or spike-ins, how to robustly correct the bias but keep tissue internal variations becomes a challenging question. Majority of previous normalization methods cannot guarantee a robust and tissue adaptive correction. This motivates us to develop a data-driven robust normalization method in MS platform to adapt tissue sample heterogeneities. To robustly estimate the sample effect, we take use of the density power weight to down weigh the outliers and extend the one-dimensional robust fitting in (Windham, 1995) and (Fujisawa and Eguchi, 2008) to our structured data. We construct our robust criterion and build the algorithm to get our robust normalization (RobNorm). We focus our comparison to the PQN a widely used normalization method in MS. In the simulation studies and real data application, we conclude that our robust normalization method to estimate the sample effect performs better than PQN especially when the regulation magnitude and proportion are large and strong. We also discuss some limitations in our method.