The biological determinants of the wide spectrum of COVID-19 clinical manifestations are not fully understood. Here, over 1400 plasma proteins and 2600 single-cell immune features comprising cell phenotype, basal signaling activity, and signaling responses to inflammatory ligands were assessed in peripheral blood from patients with mild, moderate, and severe COVID-19, at the time of diagnosis. Using an integrated computational approach to analyze the combined plasma and single-cell proteomic data, we identified and independently validated a multivariate model classifying COVID-19 severity (multi-class AUCtraining = 0.799, p-value = 4.2e-6; multi-class AUCvalidation = 0.773, p-value = 7.7e-6). Features of this high-dimensional model recapitulated recent COVID-19 related observations of immune perturbations, and revealed novel biological signatures of severity, including the mobilization of elements of the renin-angiotensin system and primary hemostasis, as well as dysregulation of JAK/STAT, MAPK/mTOR, and NF-κB immune signaling networks. These results provide a set of early determinants of COVID-19 severity that may point to therapeutic targets for the prevention of COVID-19 progression.

Background: Placental protein expression plays a crucial biological role during normal and complicated pregnancies. We hypothesized that: (1) circulating pregnancy-associated, placenta-related protein levels throughout gestation reflect the uncomplicated, full-term temporal progression of human gestation, and effectively estimates gestational ages (GAs); (2) pregnancies with underlying placental pathology, such as preeclampsia (PE), are associated with disruptions in this GA estimation in early gestation; (3) malfunctions of this GA estimation can be employed to identify impending PE. In addition, to explore the underlying biology and PE etiology, we set to compare protein gestational patterns of human and mouse, using pregnant heme oxygenase-1 (HO-1) heterozygote (Het) mice, a mouse model reflecting PE-like symptoms. Methods: Serum levels of circulating placenta-related proteins-leptin (LEP), chorionic somatomammotropin hormone like 1 (CSHL1), elabela (ELA), activin A, soluble fms-like tyrosine kinase 1 (sFlt-1), and placental growth factor (PlGF)-were quantified by ELISA in blood serially collected throughout human pregnancies (20 normal subjects with 66 samples, and 20 PE subjects with 61 samples). Linear multivariate analysis of the targeted serological protein levels was performed to estimate the normal GA. Logarithmic transformed mean-squared errors of GA estimations were used to identify impending PE. Then the human gestational protein patterns were compared to those in the pregnant HO-1 mice. Results: An elastic net (EN)-based gestational dating model was developed (R2 = 0.76) and validated (R2 = 0.61) using the serum levels of the 6 proteins at various GAs from women with normal uncomplicated pregnancies (n = 10 for training and n = 6 for validation). In pregnancies complicated by PE (n = 14), the EN model was not (R2 = -0.17) associated with GA at sampling in PE. Statistically significant deviations from the normal GA EN model estimations were observed in PE-associated pregnancies between GAs of 16-30 weeks (P = 0.01). The EN model developed with 5 proteins (ELA excluded due to the lack of robustness of the mouse ELA essay) performed similarly on normal human (R2 = 0.68) and WT mouse (R2 = 0.85) pregnancies. Disruptions of this model were observed in both human PE-associated (human: R2 = 0.27) and mouse HO-1 Het (mouse: R2 = 0.30) pregnancies. LEP out performed sFlt-1 and PlGF in differentiating impending PE at early human and late mouse gestations. Conclusions: As revealed in both human and mouse GA EN analyses, temporal serological placenta-related protein patterns are tightly regulated throughout normal human pregnancies and can be significantly disrupted in pathologic PE states. LEP changes earlier during gestation than the well-established late GA PE biomarkers (sFlt-1 and PlGF). Our HO-1 Het mouse analysis provides direct evidence of the causative action of HO-1 deficiency in LEP upregulation in a PE-like murine model. Therefore, longitudinal analyses of pregnancy-related protein patterns in sera, may not only help in the exploration of underlying PE pathophysiology but also provide better clinical utility in PE assessment.

The dense network of interconnected cellular signaling responses quantifiable in peripheral immune cells provide a wealth of actionable immunological insights. While high-throughput single-cell profiling techniques, including polychromatic flow and mass cytometry, have matured to a point that enables detailed immune profiling of patients in numerous clinical settings, limited cohort size together with the high dimensionality of data increases the possibility of false positive discoveries and model overfitting. We introduce a machine learning platform, the immunological Elastic-Net (iEN), which incorporates immunological knowledge directly into the predictive models. Importantly, the algorithm maintains the exploratory nature of the high-dimensional dataset, allowing for the inclusion of immune features with strong predictive power even if not consistent with prior knowledge. In three independent studies our method demonstrates improved predictive power for clinically-relevant outcomes from mass cytometry data generated from whole blood, as well as a large simulated dataset.