Scholars, advertisers and political activists see massive online social networks as a representation of social interactions that can be used to study the propagation of ideas, social bond dynamics and viral marketing, among others. But the linked structures of social networks do not reveal actual interactions among people. Scarcity of attention and the daily rythms of life and work makes people default to interacting with those few that matter and that reciprocate their attention. A study of social interactions within Twitter reveals that the driver of usage is a sparse and hidden network of connections underlying the “declared” set of friends and followers.

The subject of collective attention is central to an information age where millions of people are inundated with daily messages. It is thus of interest to understand how attention to novel items propagates and eventually fades among large populations. We have analyzed the dynamics of collective attention among 1 million users of an interactive web site, digg.com, devoted to thousands of novel news stories. The observations can be described by a dynamical model characterized by a single novelty factor. Our measurements indicate that novelty within groups decays with a stretched-exponential law, suggesting the existence of a natural time scale over which attention fades.

Scholars, advertisers and political activists see massive online social networks as a representation of social interactions that can be used to study the propagation of ideas, social bond dynamics and viral marketing, among others. But the linked structures of social networks do not reveal actual interactions among people. Scarcity of attention and the daily rythms of life and work makes people default to interacting with those few that matter and that reciprocate their attention. A study of social interactions within Twitter reveals that the driver of usage is a sparse and hidden network of connections underlying the "declared" set of friends and followers.

We show through an analysis of a massive data set from YouTube that the productivity exhibited in crowdsourcing exhibits a strong positive dependence on attention, measured by the number of downloads. Conversely, a lack of attention leads to a decrease in the number of videos uploaded and the consequent drop in productivity, which in many cases asymptotes to no uploads whatsoever. Moreover, short-term contributors compare their performance to the average contributor’s performance while long-term contributors compare it to their own media.

Lysine acetylation has been discovered in thousands of non-histone human proteins, including most metabolic enzymes. Deciphering the functions of acetylation is key to understanding how metabolic cues mediate metabolic enzyme regulation and cellular signaling. Glucose-6-phosphate dehydrogenase (G6PD), the rate-limiting enzyme in the pentose phosphate pathway, is acetylated on multiple lysine residues. Using site-specifically acetylated G6PD, we show that acetylation can activate (AcK89) and inhibit (AcK403) G6PD. Acetylation-dependent inactivation is explained by structural studies showing distortion of the dimeric structure and active site of G6PD. We provide evidence for acetylation-dependent K95/97 ubiquitylation of G6PD and Y503 phosphorylation, as well as interaction with p53 and induction of early apoptotic events. Notably, we found that the acetylation of a single lysine residue coordinates diverse acetylation-dependent processes. Our data provide an example of the complex roles of acetylation as a posttranslational modification that orchestrates the regulation of enzymatic activity, posttranslational modifications, and apoptotic signaling.

Abstract Treatment and relevant targets for breast cancer (BC) remain limited, especially for triple-negative BC (TNBC). We quantified the proteomes of 76 human BC cell lines using data independent acquisition (DIA) based proteomics, identifying 6091 proteins. We then established a 24-protein panel distinguishing TNBC from other BC types. Integrating prior multi-omics datasets with the present proteomic results to predict the sensitivity of 90 drugs, we found that proteomics data improved drug sensitivity predictions. The sensitivity of the 90 drugs was mainly associated with cell cytoskeleton, signal transduction and mitochondrial function. We next profiled the proteome changes of nine cell lines (five TNBC cell lines, four non-TNBC cell lines) perturbated by EGFR/AKT/mTOR inhibitors. In the TNBC cell lines, metabolism pathways were dysregulated after EGFR/mTOR inhibitors treatment, while RNA modification and cell cycle pathways were dysregulated after AKT inhibitor treatment. Our study presents a systematic multi-omics and in-depth analysis of the proteome of BC cells. This work aims to aid in prioritization of potential therapeutic targets for TNBC as well as to provide insight into adaptive drug resistance in TNBC.

Regulated ER-to-Golgi trafficking is a fundamental cellular process that enables ER resident transcription factors to sense perturbations in the ER environment and activates transcriptional programs that restore ER and cellular homeostasis. Current models suggest sensor activation is initiated by dissociation from its ER-resident binding partners. Here we challenge this model by demonstrating that the unfolded protein sensor ATF6 is sorted to the Golgi as a newly synthesized peripheral membrane protein beyond the reach of its ER retainer, and translocon inhibition alone is sufficient to drive ATF6 activation. We identify ATF6 transmembrane domain and its C-terminus as the intrinsic factors that control membrane insertion efficiency and stress sensing capacity, and the BAG6 complex as the receptor that triages ATF6 between membrane insertion and Golgi sorting. Besides ATF6, we show that translocon inhibition expedites the activation of the cholesterol sensor SREBP2, and the catalytic domain of Golgi-bound S1P that processes both ATF6 and SREBP2 resides in the cytosol. Therefore, we propose an alternative, sensing-by-synthesis model, in which transcription factors are continuously synthesized, and perturbations to the ER environment are quantitatively sensed by the fraction of sensors that fail to be properly incorporated into ER membrane and sorted to Golgi for activation.

Abstract Geometric deep learning has recently achieved great success in non-Euclidean domains, and learning on 3D structures of large biomolecules is emerging as a distinct research area. However, its efficacy is largely constrained due to the limited quantity of structural data. Meanwhile, protein language models trained on substantial 1D sequences have shown burgeoning capabilities with scale in a broad range of applications. Nevertheless, no preceding studies consider combining these different protein modalities to promote the representation power of geometric neural networks. To address this gap, we make the foremost step to integrate the knowledge learned by well-trained protein language models into several state-of-the-art geometric networks. Experiments are evaluated on a variety of protein representation learning benchmarks, including protein-protein interface prediction, model quality assessment, protein-protein rigid-body docking, and binding affinity prediction, leading to an overall improvement of 20% over baselines and the new state-of-the-art performance. Strong evidence indicates that the incorporation of protein language models’ knowledge enhances geometric networks’ capacity by a significant margin and can be generalized to complex tasks.