Abstract Isotopic labeling with deuterium oxide (D 2 O) is a common technique for estimating in vivo protein turnover, but its use has been limited by two long-standing problems: (1) identifying non-monoisotopic peptides; and (2) estimating protein turnover rates in the presence of dynamic amino acid enrichment. In this paper, we present a novel experimental and analytical framework for solving these two problems. Peptides with high probabilities of labeling in many amino acids present fragmentation spectra that frequently do not match the theoretical spectra used in standard identification algorithms. We resolve this difficulty using a modified search algorithm we call Conditional Ion Distribution Search (CIDS). Increased identifications from CIDS along with direct measurement of amino acid enrichment and statistical modeling that accounts for heterogeneous information across peptides, dramatically improves the accuracy and precision of half-life estimates. We benchmark the approach in cells, where near-complete labeling is possible, and conduct an in vivo experiment revealing, for the first time, differences in protein turnover between mice and naked mole-rats commensurate with their disparate longevity.

We present an approach for inferring genome-wide regulatory causality and demonstrate its application on a yeast dataset constructed by independently inducing hundreds of transcription factors and measuring timecourses of the resulting gene expression responses. We discuss the regulatory cascades in detail for a single transcription factor, Aft1; however, we have 201 TF induction timecourses that include >100,000 signal-containing dynamic responses. From a single TF induction timecourse we can often discriminate the direct from the indirect effects of the induced TF. Across our entire dataset, however, we find that the majority of expression changes are indirectly driven by unknown regulators. By integrating all timecourses into a single whole-cell transcriptional model, potential regulators of each gene can be predicted without incorporating prior information. In doing so, the indirect effects of a TF are understood as a series of direct regulatory predictions that capture how regulation propagates over time to create a causal regulatory network. This approach, which we call CANDID ( Causal Attribution Networks Driven by Induction Dynamics ), resulted in the prediction of multiple transcriptional regulators that were validated experimentally.