Abstract Since 2019, severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) causing coronavirus disease 2019 (COVID-19) has infected ten millions of people across the globe, and massive mutations in virus genome have occurred during the rapid spread of this novel coronavirus. Variance in protein sequence might lead to change in protein structure and interaction, then further affect the viral physiological characteristics, which could bring tremendous influence on the pandemic. In this study, we investigated 18 non-synonymous mutations in SARS-CoV-2 genome which incidence rates were all ≥1% as of July 15 th , 2020, then modeled the mutated protein structures and compared them with the reference ones. The results showed that four types of mutations could cause dramatic changes in protein structures (RMSD ≥5.0 Å), which were Q57H and G251V in open reading frames 3a (ORF3a), S194L and R203K/G204R in nucleocapsid (N). Next, we found that these mutations could affect the binding affinity of intraviral protein interactions. In addition, the hot spots within these docking complexes were altered, among which the mutation Q57H was involved in both Orf3a-Orf8 and Orf3a-S protein interactions. Besides, these mutations were widely distributed all over the world, and their occurrences fluctuated as time went on. Notably, the incidences of R203K/G204R in N and Q57H in Orf3a were both over 50% in some countries. Overall, our findings suggest that SARS-CoV-2 mutations can change viral protein structure, binding affinity and hot spots of the interface, thereby may have impacts on SARS-CoV-2 transmission, diagnosis and treatment of COVID-19.

Abstract Since December 2019, the COVID-19 caused by SARS-CoV-2 has been widely spread all over the world. It is reported that SARS-CoV-2 infection affects a series of human tissues, including lung, gastrointestinal tract, kidney, etc. ACE2 has been identified as the primary receptor of the SARS-CoV-2 Spike (S) protein. The relatively low expression level of this known receptor in the lungs, which is the predominantly infected organ in COVID-19, indicates that there may be some other co-receptors or alternative receptors of SARS-CoV-2 to work in coordination with ACE2. Here, we identified twenty-one candidate receptors of SARS-CoV-2, including ACE2-interactor proteins and SARS-CoV receptors. Then we investigated the protein expression levels of these twenty-one candidate receptors in different human tissues and found that five of which CAT, MME, L-SIGN, DC-SIGN, and AGTR2 were specifically expressed in SARS-CoV-2 affected tissues. Next, we performed molecular simulations of the above five candidate receptors with SARS-CoV-2 S protein, and found that the binding affinities of CAT, AGTR2, L-SIGN and DC-SIGN to S protein were even higher than ACE2. Interestingly, we also observed that CAT and AGTR2 bound to S protein in different regions with ACE2 conformationally, suggesting that these two proteins are likely capable of the co-receptors of ACE2. Conclusively, we considered that CAT, AGTR2, L-SIGN and DC-SIGN were the potential receptors of SARS-CoV-2. Moreover, AGTR2 and DC-SIGN tend to be highly expressed in the lungs of smokers, which is consistent with clinical phenomena of COVID-19, and further confirmed our conclusion. Besides, we also predicted the binding hot spots for these putative protein-protein interactions, which would help develop drugs against SARS-CoV-2.

ABSTRACT Background Mass spectrometry imaging (MSI) derives spatial molecular distribution maps directly from clinical tissue specimens. This allows for spatial characterization of molecular compositions of different tissue types and tumor subtypes, which bears great potential for assisting pathologists with diagnostic decisions or personalized treatments. Unfortunately, progress in translational MSI is often hindered by insufficient quality control and lack of reproducible data analysis. Raw data and analysis scripts are rarely publicly shared. Here, we demonstrate the application of the Galaxy MSI tool set for the reproducible analysis of an urothelial carcinoma dataset. Methods Tryptic peptides were imaged in a cohort of 39 formalin-fixed, paraffin-embedded human urothelial cancer tissue cores with a MALDI-TOF/TOF device. The complete data analysis was performed in a fully transparent and reproducible manner on the European Galaxy Server. Annotations of tumor and stroma were performed by a pathologist and transferred to the MSI data to allow for supervised classifications of tumor vs. stroma tissue areas as well as for muscle-infiltrating and non-muscle invasive urothelial carcinomas. For putative peptide identifications, m/z features were matched to the MSiMass list. Results Rigorous quality control in combination with careful pre-processing enabled reduction of m/z shifts and intensity batch effects. High classification accuracy was found for both, tumor vs. stroma and muscle-infiltrating vs. non-muscle invasive tumors. Some of the most discriminative m/z features for each condition could be assigned a putative identity: Stromal tissue was characterized by collagen type I peptides and tumor tissue by histone and heat shock protein beta-1 peptides. Intermediate filaments such as cytokeratins and vimentin were discriminative between the tumors with different muscle-infiltration status. To make the study fully reproducible and to advocate the criteria of FAIR (findability, accessibility, interoperability, and reusability) research data, we share the raw data, spectra annotations as well as all Galaxy histories and workflows. Data are available via ProteomeXchange with identifier PXD026459 and Galaxy results via https://github.com/foellmelanie/Bladder_MSI_Manuscript_Galaxy_links . Conclusion Here, we show that translational MSI data analysis in a fully transparent and reproducible manner is possible and we would like to encourage the community to join our efforts.

Cardinal v3 is an open source software for reproducible analysis of mass spectrometry imaging experiments. A major update from its previous versions, Cardinal v3 supports most mass spectrometry imaging workflows. Its analytical capabilities include advanced data processing such as mass re-calibration, advanced statistical analyses such as single-ion segmentation and rough annotation-based classification, and memory-efficient analyses of large-scale multi-tissue experiments.