Abstract The amount of public proteomics data is increasing at an extraordinary rate. Hundreds of datasets are submitted each month to ProteomeXchange repositories, representing many types of proteomics studies, focusing on different aspects such as quantitative experiments, post-translational modifications, protein-protein interactions, or subcellular localization, among many others. For every proteomics dataset, two levels of data are captured: the dataset description, and the data files (encoded in different file formats). Whereas the dataset description and data file formats are supported by all ProteomeXchange partner repositories, there is no standardized format to properly describe the sample metadata and their relationship with the dataset files in a way that fully allows their understanding or re-analysis. It is left to the user’s choice whether to provide or not an ad hoc document containing this information. Therefore, in many cases, understanding the study design and data requires going back to the associated publication. This can be tedious and may be restricted in the case of non-open access publications. In many cases, this problem limits the generalization and reuse of public proteomics data. Here we present a standard representation for sample metadata tailored to proteomics datasets produced by the HUPO Proteomics Standards Initiative and supported by ProteomeXchange resources. We repurposed the existing data format MAGE-TAB used routinely in the transcriptomics field to represent and annotate proteomics datasets. MAGETAB-Proteomics defines a set of annotation rules that the datasets submitted to ProteomeXchange should follow, ranging from sample properties to data analysis protocols. We also introduce a crowdsourcing project that enabled the manual curation of over 200 public datasets using MAGE-TAB-Proteomics. In addition, we describe an ecosystem of tools and libraries that were developed to validate and submit sample metadata-related information to ProteomeXchange. We expect that these tools will improve the reproducibility of published results and facilitate the reanalysis and integration of public proteomics datasets.

Abstract Motivation Automatic cell type identification in scRNA-seq datasets is an essential method to alleviate a key bottleneck in scRNA-seq data analysis. While most existing tools show good sensitivity and specificity in classifying cell types, they often fail to adequately not-classify cells that are not present in the used reference. Results scClassifR is a novel R package that provides a complete framework to automatically classify cells in scRNA-seq datasets. It supports both Seurat and Bioconductor’s SingleCellExperiment and is thereby compatible with the vast majority of R-based analysis workflows. scClassifR uses hierarchically organised SVMs to distinguish a specific cell type versus all others. It shows comparable or even superior sensitivity and specificity compared to existing tools while being robust in not-classifying unknown cell types. As a unique feature, it reports ambiguous cell assignments, including the respective probabilities. Finally, scClassifR provides dedicated functions to train and evaluate classifiers for additional cell types. Availability and Implementation scClassifR is freely available on GitHub ( https://github.com/grisslab/scClassifR ).

The hair follicle stem cell niche is an immune-privileged microenvironment, characterised by suppressed antigen presentation, thus shielding against permanent immune-mediated tissue damage. In this study, we demonstrate the protective role of hair follicle-specific epidermal growth factor receptor (EGFR) from scarring hair follicle degeneration. Mechanistically, disruption of EGFR signalling generates a cell intrinsic hypersensitivity within the JAK-STAT1 pathway, compromising the immune privilege in the context of CD8 T cell and NK cell-mediated inflammation. Genetic depletion of either JAK1/2 or STAT1 or topical therapeutic inhibition of JAK1/2 restores the immune privilege and activates stem cells to resume hair growth in mouse models of epidermal and hair follicle specific EGFR deletion. Skin biopsies from EGFR inhibitor-treated and from EGFR-independent cicatricial alopecia patients indicate active STAT1 signalling within the hair follicles. Notably, a case study of folliculitis decalvans, characterised by progressive hair loss, scaling and perifollicular erythema, demonstrates successful treatment with systemic JAK1/2 inhibition. Our findings offer mechanistic insights and present a therapeutic strategy for addressing scarring hair follicle destruction associated with EGFR-inhibitor therapy and cicatricial alopecia.

Reproducibility has become a major concern in biomedical research. In proteomics, bioinformatic workflows can quickly consist of multiple software tools each with its own set of parameters. Their usage involves the definition of often hundreds of parameters as well as data operations to ensure tool interoperability. Hence a manuscript's methods section is often insufficient to completely describe and reproduce a data analysis workflow. Here we present IsoProt: A complete and reproducible bioinformatic workflow deployed on a portable container environment to analyse data from isobarically-labeled, quantitative proteomics experiments. The workflow uses only open source tools and provides a user-friendly and interactive browser interface to configure and execute the different operations. Once the workflow is executed, the results including the R code to perform statistical analyses can be downloaded as an HTML or PDF document providing a complete record of the performed analyses. IsoProt therefore represents a reproducible bioinformatics workflow that will yield identical results on any computer platform.

Tumor associated inflammation predicts response to immune checkpoint blockade in human melanoma. Established mechanisms that underlie therapy response and resistance center on anti-tumor T cell responses. Here we show that tumor-associated B cells are vital to tumor associated inflammation. Autologous B cells were directly induced by melanoma conditioned medium, expressed pro- and anti-inflammatory factors, and differentiated towards a plasmablast-like phenotype in vitro. We could identify this phenotype as a distinct cluster of B cells in an independent public single-cell RNA-seq dataset from melanoma tumors. There, plasmablast-like tumor-associated B cells showed expression of CD8+T cell-recruiting chemokines such as CCL3, CCL4, CCL5 and CCL28. Depletion of tumor associated B cells in metastatic melanoma patients by anti-CD20 immunotherapy decreased overall inflammation and CD8+T cell numbers in the human melanoma TME. Conversely, the frequency of plasmablast-like B cells in pretherapy melanoma samples predicted response and survival to immune checkpoint blockade in two independent cohorts. Tumor-associated B cells therefore orchestrate and sustain tumor inflammation, recruit CD8+ T effector cells and may represent a predictor for response and survival to immune checkpoint blockade in human melanoma.

Abstract Spectrum clustering is a powerful strategy to minimize redundant mass spectral data by grouping highly similar mass spectra corresponding to repeatedly measured analytes. Based on spectrum similarity, near-identical spectra are grouped in clusters, after which each cluster can be represented by its so-called consensus spectrum for downstream processing. Although several algorithms for spectrum clustering have been adequately benchmarked and tested, the influence of the consensus spectrum generation step is rarely evaluated. Here, we present an implementation and benchmark of common consensus spectrum algorithms, including spectrum averaging, spectrum binning, the most similar spectrum, and the best-identified spectrum. We have analyzed diverse public datasets using two different clustering algorithms (spectra-cluster and MaRaCluster) to evaluate how the consensus spectrum generation procedure influences downstream peptide identification. The BEST and BIN methods were found the most reliable methods for consensus spectrum generation, including for datasets with post-translational modifications (PTM) such as phosphorylation. All source code and data of the present study are freely available on GitHub at https://github.com/statisticalbiotechnology/representative-spectra-benchmark .

Prostate cancer (PCa) has a broad spectrum of clinical behaviour, hence biomarkers are urgently needed for risk stratification. We previously described the protective effect of STAT3 in a prostate cancer mouse model. By utilizing a gene co-expression network in addition to laser microdissected proteomics from human and murine prostate FFPE samples, we describe STAT3-induced downregulation of the TCA cycle/OXPHOS in PCa on transcriptomic and proteomic level. We identify pyruvate dehydrogenase kinase 4 (PDK4), a key regulator of the TCA cycle, as a promising independent prognostic marker in PCa. PDK4 predicts disease recurrence independent of diagnostic risk factors such as grading, staging and PSA level. Furthermore, PDK4 expression is causally linked to type 2 diabetes mellitus, which is known to have a protective effect on PCa. We conclude that this effect is related to PDK4 expression and that PDK4 loss could serve as a biomarker for PCa with dismal prognosis.

Motivation Spectrum clustering has been used to enhance proteomics data analysis: some originally unidentified spectra can potentially be identified and individual peptides can be evaluated to find potential mis-identifications by using clusters of identified spectra. The Phoenix Enhancer provides an infrastructure to analyze tandem mass spectra and the corresponding peptides in the context of previously identified public data. Based on PRIDE Cluster data and a newly developed pipeline, four functionalities are provided: i) evaluate the original peptide identifications in an individual dataset, to find low confidence peptide spectrum matches (PSMs) which could correspond to mis-identifications; ii) provide confidence scores for all originally identified PSMs, to help users evaluate their quality (complementary to getting a global false discovery rate); iii) identify potential new PSMs for originally unidentified spectra; and iv) provide a collection of browsing and visualization tools to analyze and export the results. In addition to the web based service, the code is open-source and easy to re-deploy on local computers using Docker containers.Availability The service of Phoenix Enhancer is available at . All source code is freely available in GitHub ( ) and can be deployed in the Cloud and HPC architectures.Contact baimz{at}cqupt.edu.cnSupplementary information Supplementary data are available online.

Abstract Cancer-associated fibroblasts (CAFs) play a key role in cancer progression and treatment outcome. Here, we elucidate the yet unresolved intra-tumoral CAF variety in three skin cancer types at molecular and spatial single-cell resolution in a large cohort. We show that two out of three CAF subtypes contribute to tumor immune surveillance with distinct mechanisms. Matrix CAFs (mCAFs), a previously unknown subtype present in early-stage tumors, ensheath tumor nests and synthesize extracellular-matrix to prevent T cell invasion. Immuno CAFs (iCAFs), which express proinflammatory and immunomodulatory factors, are only detected in high abundance in aggressive tumors. Strikingly, iCAFs but not tumor cells are the exclusive celltype producing chemokines and, thus, play a key role in immune cell recruitment and activation. Mechanistically, we show that cancer cells transform adjacent healthy fibroblasts into cytokine-expressing iCAFs, which subsequently recruit immune cells and modulate the immune response. In conclusion, targeting CAF variants holds promise for improved efficacy of immunotherapy. Statement of significance: While it is accepted that fibroblasts affect cancer progression, the underlying molecular programs remain unclear. We unravel a multi-step cascade demonstrating that tumor cells transform healthy fibroblasts into CAFs, which critically impact immune surveillance via iCAFs being the exclusive source of chemokines and mCAFs promoting T cell exclusion.