The transcription factor interferon regulatory factor 4 (IRF4) is crucial for the differentiation and fate determination of pro-inflammatory T helper (Th)17 and the functionally opposing group of immunomodulatory regulatory T (Treg) cells. However, molecular mechanisms of how IRF4 steers diverse transcriptional programs in Th17 and Treg cells are far from being definitive. To unveil IRF4-driven lineage determination in Th17 and Treg cells, we integrated data derived from affinity-purification and full mass spectrometry-based proteome analysis with chromatin immune precipitation sequencing (ChIP-Seq). This allowed the characterization of subtype-specific molecular programs and the identification of novel, previously unknown IRF4 interactors in the Th17/Treg context, such as RORγt, AHR, IRF8, BACH2, SATB1, and FLI1. Moreover, our data reveal that most of these transcription factors are recruited to IRF composite elements for the regulation of cell type-specific transcriptional programs providing a valuable resource for studying IRF4-mediated gene regulatory programs in pro- and anti-inflammatory immune responses.

Mass spectrometry is an important experimental technique in the field of proteomics. However, analysis of certain mass spectrometry data faces a combination of two challenges: First, even a single experiment produces a large amount of multi-dimensional raw data and, second, signals of interest are not single peaks but patterns of peaks that span along the different dimensions. The rapidly growing amount of mass spectrometry data increases the demand for scalable solutions. Existing approaches for signal detection are usually not well suited for processing large amounts of data in parallel or rely on strong assumptions concerning the signals properties. In this study, it is shown that locality-sensitive hashing enables signal classification in mass spectrometry raw data at scale. Through appropriate choice of algorithm parameters it is possible to balance false-positive and false-negative rates. On synthetic data, a superior performance compared to an intensity thresholding approach was achieved. The implementation scaled out up to 88 threads on real data. Locality-sensitive hashing is a desirable approach for signal classification in mass spectrometry raw data. Generated data and code are available at https://github.com/hildebrandtlab/mzBucket . Raw data is available at https://zenodo.org/record/5036526 .

Abstract The high throughput analysis of proteins with mass spectrometry (MS) is highly valuable for understanding human biology, discovering disease biomarkers, identifying therapeutic targets, and exploring pathogen interactions. To achieve these goals, specialized proteomics subfields – such as plasma proteomics, immunopeptidomics, and metaproteomics – must tackle specific analytical challenges, such as an increased identification ambiguity compared to routine proteomics experiments. Technical advancements in MS instrumentation can counter these issues by acquiring more discerning information at higher sensitivity levels, as is exemplified by the incorporation of ion mobility and parallel accumulation - serial fragmentation (PASEF) technologies in timsTOF instruments. In addition, AI-based bioinformatics solutions can help overcome ambiguity issues by integrating more data into the identification workflow. Here, we introduce TIMS 2 Rescore, a data-driven rescoring workflow optimized for DDA-PASEF data from timsTOF instruments. This platform includes new timsTOF MS 2 PIP spectrum prediction models and IM2Deep, a new deep learning-based peptide ion mobility predictor. Furthermore, to fully streamline data throughput, TIMS 2 Rescore directly accepts Bruker raw mass spectrometry data, and search results from ProteoScape and many other search engines, including MS Amanda and PEAKS. We showcase TIMS 2 Rescore performance on plasma proteomics, immunopeptidomics (HLA class I and II), and metaproteomics data sets. TIMS 2 Rescore is open-source and freely available at https://github.com/compomics/tims2rescore .

ABSTRACT The axolotl ( Ambystoma mexicanum ) is a caudate amphibian, which has an extraordinary ability to restore a wide variety of damaged structures by a process denominated epimorphosis. While the origin and potentiality of progenitor cells that take part during epimorphic regeneration are known to some extent, the metabolic changes experienced and their associated implications, remain unexplored. However, a circuit with a potential role as a modulator of cellular metabolism along regeneration is that formed by Lin28/let-7. In this study, we report two Lin28 paralogs and eight mature let-7 microRNAs encoded in the axolotl genome. Particularly, in the proliferative blastema stage amxLin28B is more abundant in the nuclei of blastemal cells, while the microRNAs amx-let-7c and amx-let-7a are most downregulated. Functional inhibition of Lin28 factors increase the levels of most mature let-7 microRNAs, consistent with an increment of intermediary metabolites of the Krebs cycle, and phenotypic alterations in the outgrowth of the blastema. In summary, we describe the primary components of the Lin28/let-7 circuit and their function during axolotl regeneration, acting upstream of metabolic reprogramming events.