Abstract The holistic nature of omics studies makes them ideally suited to generate hypotheses on health and disease. Sequencing-based genomics and mass spectrometry (MS)-based proteomics are linked through epigenetic regulation mechanisms. However, epigenomics is currently mainly focused on DNA methylation status using sequencing technologies, while studying histone posttranslational modifications (hPTMs) using MS is lagging, partly because reuse of raw data is impractical. Yet, targeting hPTMs using epidrugs is an established promising research avenue in cancer treatment. Therefore, we here present the most comprehensive MS-based preprocessed hPTM atlas to date, including 21 T-cell acute lymphoblastic leukemia (T-ALL) cell lines. We present the data in an intuitive and browsable single licensed Progenesis QIP project and provide all essential quality metrics, allowing users to assess the quality of the data, edit individual peptides, try novel annotation algorithms and export both peptide and protein data for downstream analyses, exemplified by the PeptidoformViz tool. This data resource sets the stage for generalizing MS-based histone analysis and provides the first reusable histone dataset for epidrug development.

Abstract Histone-based chromatin organization enabled eukaryotic genome complexity. This epigenetic control mechanism allowed for the differentiation of stable gene-expression and thus the very existence of multicellular organisms. This existential role in biology makes histones one of the most complexly modified molecules in the biotic world, which makes these key regulators notoriously hard to analyze. We here provide a roadmap to enable fast and informed selection of a bottom-up mass spectrometry sample preparation protocol that matches a specific research question. We therefore propose a two-step assessment procedure: (i) visualization of the coverage that is attained for a given workflow and (ii) direct alignment-between-runs to assess potential pitfalls at the ion level. To illustrate the applicability, we compare four different sample preparation protocols, while adding a new enzyme to the toolbox, i.e., RgpB (GingisREX ® , Genovis), an endoproteinase that selectively and efficiently cleaves at the c-terminal end of arginine residues. Raw data is available via ProteomeXchange with identifier PXD024423.

In the last decade, a revolution in liquid chromatography-mass spectrometry (LC-MS) based proteomics was unfolded with the introduction of dozens of novel instruments that incorporate additional data dimensions through innovative acquisition methodologies, in turn inspiring specialized data analysis pipelines. Simultaneously, a growing number of proteomics datasets have been made publicly available through data repositories such as ProteomeXchange, Zenodo and Skyline Panorama. However, developing algorithms to mine this data and assessing the performance on different platforms is currently hampered by the lack of a single benchmark experimental design. Therefore, we acquired a hybrid proteome mixture on different instrument platforms and in all currently available families of data acquisition. Here, we present a comprehensive Data-Dependent and Data-Independent Acquisition (DDA/DIA) dataset acquired using several of the most commonly used current day instrumental platforms. The dataset consists of over 700 LC-MS runs, including adequate replicates allowing robust statistics and covering over nearly 10 different data formats, including scanning quadrupole and ion mobility enabled acquisitions. Datasets are available via ProteomeXchange (PXD028735).

Data-independent acquisition (DIA) mass spectrometry (MS) has introduced deter-ministic, periodic and simultaneous acquisition of all fragment ions. Despite the chimeric side-effects associated with this unprecedented data integrity, DIA data analysis approaches still use conventional spectra and extracted ion chromatograms (XICs) that represent individual precursors and fragments. Here, we introduce ion-networks, an alternative data format wherein nodes correspond to reproducible fragment ions from multiple runs and edges correspond to consistent co-elution. Each ion-network represents a complete experiment and computationally eliminates chimericy based on reproducibility without sacrificing data integrity.* t D : drift time t R : retention time m/z : mass-to-charge ratio cRAP : common repository of adventitious proteins CV : coefficient of variation DDA : data-dependent acquisition DIA : data-independent acquisition diaPASEF : parallel accumulation – serial fragmentation combined with data-independent acquisition FDR : false discovery rate HDMS e : high definition Mse HE : high energy IMS : ion mobility separation IQR : interquartile range LC : liquid chromatography LE : low energy logFC : logarithmic fold change MRM : multiple-reaction-monitoring MS : mass spectrometry PIM : peptide-fragment-to-ion-neighborhood match ppm : parts per million PSM : peptide-to-spectrum match QC : quality control RANSAC : random sample consensus SNR : signal-to-noise ratio SONAR : scanning quadrupole DIA SWATH : sequential window acquisition of all theoretical mass spectra SWIM : single window ion mobility ToF : time of flight XIC : extracted ion chromatogram

Data-Independent Acquisition (DIA) generates comprehensive yet complex mass spectrometric data, which imposes the use of data-dependent acquisition (DDA) libraries for deep peptide-centric detection. We here show that DIA can be redeemed from this dependency by combining predicted fragment intensities and retention times with narrow window DIA. This eliminates variation in library building and omits stochastic sampling, finally making the DIA workflow fully deterministic. Especially for clinical proteomics, this has the potential to facilitate inter-laboratory comparison.Significance of the Study Data-independent acquisition (DIA) is quickly developing into the most comprehensive strategy to analyse a sample on a mass spectrometer. Correspondingly, a wave of data analysis strategies has followed suit, improving the yield from DIA experiments with each iteration. As a result, a worldwide wave of investments in DIA is already taking place in anticipation of clinical applications. Yet, there is considerable confusion about the most useful and efficient way to handle DIA data, given the plethora of possible approaches with little regard for compatibility and complementarity. In our manuscript, we outline the currently available peptide-centric DIA data analysis strategies in a unified graphic called the DIAmond DIAgram. This leads us to an innovative and easily adoptable approach based on predicted spectral information. Most importantly, our contribution removes what is arguably the biggest bottleneck in the field: the current need for Data Dependent Acquisition (DDA) prior to DIA analysis. Fractionation, stochastic data acquisition, processing and identification all introduce bias in the library. By generating libraries through data independent, i.e. deterministic acquisition, stochastic sampling in the DIA workflow is now fully omitted. This is a crucial step towards increased standardization. Additionally, our results demonstrate that a proteome-wide predicted spectral library can surrogate an exhaustive DDA Pan-Human library that was built based on 331 prior DDA runs.