ABSTRACT A set of increasingly powerful approaches are enabling spatially resolved measurements of growing numbers of molecular features in biological samples. While important insights can be derived from the two-dimensional data that many of these technologies generate, it is clear that extending these approaches into the third and fourth dimensions will magnify their impact. Realizing biological insights from datasets where thousands to millions of cells are annotated with tens to hundreds of parameters in space will require the development of new computational and visualization strategies. Here, we describe Theia, a virtual reality-based platform, which enables exploration and analysis of either volumetric or segmented, molecularly-annotated, three-dimensional datasets, with the option to extend the analysis to time-series data. We also describe our pipeline for generating annotated 3D models of breast cancer and supply several datasets to enable users to explore the utility of Theia for understanding cancer biology in three dimensions.

Abstract With the aim of producing a 3D representation of tumours, IMAXT uses a large variety of modalities in order to acquire tumour samples and produce a map of every cell in the tumour and its host environment. With the large volume and variety of data produced in the project we develop automatic data workflows and analysis pipelines and introduce a research methodology where scientists connect to a cloud environment to perform analysis close to where data are located instead of bringing data to their local computers. Here we present the data and analysis infrastructure, discuss the unique computational challenges and describe the analysis chains developed and deployed to generate molecularly annotated tumour models. Registration is achieved by use of a novel technique involving spherical fiducial marks that are visible in all imaging modalities used within IMAXT.

Abstract Sub-cellular localisation of proteins is an essential post-translational regulatory mechanism that can be assayed using high-throughput mass spectrometry (MS). These MS-based spatial proteomics experiments enable us to pinpoint the sub-cellular distribution of thousands of proteins in a specific system under controlled conditions. Recent advances in high-throughput MS methods have yielded a plethora of experimental spatial proteomics data for the cell biology community. Yet, there are many third-party data sources, such as immunofluorescence microscopy or protein annotations and sequences, which represent a rich and vast source of complementary information. We present a unique transfer learning classification framework that utilises a nearest-neighbour or support vector machine system, to integrate heterogeneous data sources to considerably improve on the quantity and quality of sub-cellular protein assignment. We demonstrate the utility of our algorithms through evaluation of five experimental datasets, from four different species in conjunction with four different auxiliary data sources to classify proteins to tens of sub-cellular compartments with high generalisation accuracy. We further apply the method to an experiment on pluripotent mouse embryonic stem cells to classify a set of previously unknown proteins, and validate our findings against a recent high resolution map of the mouse stem cell proteome. The methodology is distributed as part of the open-source Bioconductor pRoloc suite for spatial proteomics data analysis. Abbreviations LOPIT Localisation of Organelle Proteins by Isotope Tagging PCP Protein Correlation Profiling ML Machine learning TL Transfer learning SVM Support vector machine PCA Principal component analysis GO Gene Ontology CC Cellular compartment iTRAQ Isobaric tags for relative and absolute quantitation TMT Tandem mass tags MS Mass spectrometry

Analysis of the spatial sub-cellular distribution of proteins is of vital importance to fully understand context specific protein function. Some proteins can be found with a single location within a cell, but up to half of proteins may reside in multiple locations, can dynamically re-localise, or reside within an unknown functional compartment. These considerations lead to uncertainty in associating a protein to a single location. Currently, mass spectrometry (MS) based spatial proteomics relies on supervised machine learning algorithms to assign proteins to sub-cellular locations based on common gradient profiles. However, such methods fail to quantify uncertainty associated with sub-cellular class assignment. Here we reformulate the framework on which we perform statistical analysis. We propose a Bayesian generative classifier based on Gaussian mixture models to assign proteins probabilistically to sub-cellular niches, thus proteins have a probability distribution over sub-cellular locations, with Bayesian computation performed using the expectation-maximisation (EM) algorithm, as well as Markov-chain Monte-Carlo (MCMC). Our methodology allows proteome-wide uncertainty quantification, thus adding a further layer to the analysis of spatial proteomics. Our framework is flexible, allowing many different systems to be analysed and reveals new modelling opportunities for spatial proteomics. We find our methods perform competitively with current state-of-the art machine learning methods, whilst simultaneously providing more information. We highlight several examples where classification based on the support vector machine is unable to make any conclusions, while uncertainty quantification using our approach provides biologically intriguing results. To our knowledge this is the first Bayesian model of MS-based spatial proteomics data.

Filopodia are finger-like actin-rich protrusions that extend from the cell surface and are important for cell-cell communication and pathogen internalization. The small size and transient nature of filopodia combined with shared usage of actin regulators within cells confounds attempts to identify filopodial proteins. Here, we used phage display phenotypic screening to isolate antibodies that alter the actin morphology of filopodia-like structures in vitro . We found that all of the antibodies that cause shorter FLS interact with SNX9, an actin regulator that binds phosphoinositides during endocytosis and in invadopodia. In cells, we discover SNX9 at specialised filopodia in Xenopus development and that SNX9 is an endogenous component of filopodia that are hijacked by Chlamydia entry. We show the use of antibody technology to identify proteins used in filopodia-like structures, and a role for SNX9 in filopodia.