Summary

 To elucidate the deregulated functional modules that drive clear cell renal cell carcinoma (ccRCC), we performed comprehensive genomic, epigenomic, transcriptomic, proteomic, and phosphoproteomic characterization of treatment-naive ccRCC and paired normal adjacent tissue samples. Genomic analyses identified a distinct molecular subgroup associated with genomic instability. Integration of proteogenomic measurements uniquely identified protein dysregulation of cellular mechanisms impacted by genomic alterations, including oxidative phosphorylation-related metabolism, protein translation processes, and phospho-signaling modules. To assess the degree of immune infiltration in individual tumors, we identified microenvironment cell signatures that delineated four immune-based ccRCC subtypes characterized by distinct cellular pathways. This study reports a large-scale proteogenomic analysis of ccRCC to discern the functional impact of genomic alterations and provides evidence for rational treatment selection stemming from ccRCC pathobiology.

To explore the biology of lung adenocarcinoma (LUAD) and identify new therapeutic opportunities, we performed comprehensive proteogenomic characterization of 110 tumors and 101 matched normal adjacent tissues (NATs) incorporating genomics, epigenomics, deep-scale proteomics, phosphoproteomics, and acetylproteomics. Multi-omics clustering revealed four subgroups defined by key driver mutations, country, and gender. Proteomic and phosphoproteomic data illuminated biology downstream of copy number aberrations, somatic mutations, and fusions and identified therapeutic vulnerabilities associated with driver events involving KRAS, EGFR, and ALK. Immune subtyping revealed a complex landscape, reinforced the association of STK11 with immune-cold behavior, and underscored a potential immunosuppressive role of neutrophil degranulation. Smoking-associated LUADs showed correlation with other environmental exposure signatures and a field effect in NATs. Matched NATs allowed identification of differentially expressed proteins with potential diagnostic and therapeutic utility. This proteogenomics dataset represents a unique public resource for researchers and clinicians seeking to better understand and treat lung adenocarcinomas.

Glioblastoma (GBM) is the most aggressive nervous system cancer. Understanding its molecular pathogenesis is crucial to improving diagnosis and treatment. Integrated analysis of genomic, proteomic, post-translational modification and metabolomic data on 99 treatment-naive GBMs provides insights to GBM biology. We identify key phosphorylation events (e.g., phosphorylated PTPN11 and PLCG1) as potential switches mediating oncogenic pathway activation, as well as potential targets for EGFR-, TP53-, and RB1-altered tumors. Immune subtypes with distinct immune cell types are discovered using bulk omics methodologies, validated by snRNA-seq, and correlated with specific expression and histone acetylation patterns. Histone H2B acetylation in classical-like and immune-low GBM is driven largely by BRDs, CREBBP, and EP300. Integrated metabolomic and proteomic data identify specific lipid distributions across subtypes and distinct global metabolic changes in IDH-mutated tumors. This work highlights biological relationships that could contribute to stratification of GBM patients for more effective treatment.

We report a comprehensive proteogenomics analysis, including whole-genome sequencing, RNA sequencing, and proteomics and phosphoproteomics profiling, of 218 tumors across 7 histological types of childhood brain cancer: low-grade glioma (n = 93), ependymoma (32), high-grade glioma (25), medulloblastoma (22), ganglioglioma (18), craniopharyngioma (16), and atypical teratoid rhabdoid tumor (12). Proteomics data identify common biological themes that span histological boundaries, suggesting that treatments used for one histological type may be applied effectively to other tumors sharing similar proteomics features. Immune landscape characterization reveals diverse tumor microenvironments across and within diagnoses. Proteomics data further reveal functional effects of somatic mutations and copy number variations (CNVs) not evident in transcriptomics data. Kinase-substrate association and co-expression network analysis identify important biological mechanisms of tumorigenesis. This is the first large-scale proteogenomics analysis across traditional histological boundaries to uncover foundational pediatric brain tumor biology and inform rational treatment selection.

Abstract Both SARS-CoV and SARS-CoV-2 use ACE2 receptors to enter epithelial cells in lung and many other tissues to cause human diseases. Genes and pathways that regulate ACE2 may facilitate/inhibit viral entry and replication, and genes and pathways that are controlled by ACE2 may be perturbed during infection, both affecting disease severity and outcomes. It is critical to understand how genes and pathways are associated with ACE2 in epithelial cells by leveraging proteomic data, but an accurate large-scale proteomic profiling at cellular resolution is not feasible at current stage. Therefore, we propose iProMix, a novel framework that decomposes bulk tissue proteomic data to identify epithelial cell component specific associations between ACE2 and other proteins. Unlike existing decomposition based association analyses, iProMix allows both predictors and outcomes to be impacted by cell type composition of the tissue and accounts for the impacts of decomposition variations and errors on hypothesis tests. It also builds in the functions to improve cell type estimation if estimates from existing literature are unsatisfactory. Simulations demonstrated that iProMix has well-controlled false discovery rate and large power in non-asymptotic settings with both correctly and mis-specified cell-type composition. We applied iProMix to the 110 adjacent normal tissue samples of patients with lung adenocarcinoma from Clinical Proteomic Tumor Analysis Consortium, and identified that interferon α and γ pathways were most significantly associated with ACE2 protein abundances in epithelial cells. Interestingly, the associations were sex-specific that the positive associations were only observed in men, while in women the associations were negative.

Spatially resolved transcriptomics (SRT) have enabled profiling spatial organization of cells and their transcriptome in situ. Various analytical methods have been developed to uncover cell-cell interaction processes using SRT data. To improve upon existing efforts, we developed a novel statistical framework called QuadST for the robust and powerful identification of interaction-changed genes (ICGs) for cell-type-pair specific interactions on a single-cell SRT dataset. QuadST is motivated by the idea that in the presence of cell-cell interaction, gene expression level can vary with cell-cell distance between cell type pairs, which can be particularly pronounced within and in the vicinity of cell-cell interaction distance. Specifically, QuadST infers ICGs in a specific cell type pair interaction based on a quantile regression model, which allows us to assess the strength of distance-expression association across entire distance quantiles conditioned on gene expression level. To identify ICGs, QuadST performs a hypothesis testing with an empirically estimated FDR, whose upper bound is determined by the ratio of cumulative associations at symmetrically smaller and larger distance quantiles simultaneously across all genes. Simulation studies illustrate that QuadST provides consistent FDR control and better power performance than other compared methods. Its application on SRT datasets profiled from mouse brains demonstrates that QuadST can identify ICGs presumed to play a role in specific cell type pair interactions (e.g., synaptic pathway genes among excitatory neuron cell interactions). These results suggest that QuadST can be a useful tool to discover genes and regulatory processes involved in specific cell type pair interactions.

Data identification of density logging is a crucial foundation for logging interpretation. Because of device and other external variables, noise will inevitably be mixed in data acquisition process. Moreover, as the main technique for identifying thin reservoirs, density logging exhibits a low resolution. In this study, a new de-noising and distinguish thin-layer method is proposed, namely VMD-CEEMDAN-ICWT method. The VMD-CEEMDAN-ICWT method is designed to combine an adaptive Improved-Continuous-Wavelet-Transform (ICWT) structure, Variational-Mode-Decomposition (VMD) wavelet decomposition structure, and Complete-Ensemble-Empirical-Mode-Decomposition with Adaptive-Noise (CEEMDAN) wavelet reconstruction structure with global denoising characteristics. It integrates the superiorities of VMD, CEEMDAN and ICWT method. Ultimately, empirical-mode-decomposition (EMD), discrete-wavelet-transform (DWT), continuous-wavelet-transform (CWT) and the proposed method are utilized to analyze real data. The findings indicate that the reconstructed density log by VMD-CEEMDAN-ICWT method shows higher vertical resolution. The density log resolution about thin layer increases from 25 cm to 12 cm. It makes density logging curves more capable of identifying reservoirs, which provides high-quality data for further exploration and exploitation of oil and gas.

Abstract Human bulk tissue samples comprise multiple cell types with diverse roles in disease etiology. Conventional transcriptome-wide association study (TWAS) approaches predict gene expression at the tissue level from genotype data, without considering cell-type heterogeneity, and test associations of the predicted tissue-level gene expression with disease. Here we develop MiXcan, a new TWAS approach that predicts cell-type-specific gene expression levels, identifies disease-associated genes via combination of cell-type-specific association signals for multiple cell types, and provides insight into the disease-critical cell type. We conducted the first cell-type-specific TWAS of breast cancer in 58,648 women and identified 12 transcriptome-wide significant genes using MiXcan compared with only eight genes using conventional approaches. Importantly, MiXcan identified genes with distinct associations in mammary epithelial versus stromal cells, including three new breast cancer susceptibility genes. These findings demonstrate that cell-type-specific TWAS can reveal new insights into the genetic and cellular etiology of breast cancer and other diseases.

The Clinical Proteomic Tumor Analysis Consortium (CPTAC) initiative has generated extensive multi-omics data resources of deep proteogenomic profiles for multiple cancer types. To enable the broader community of biological and medical researchers to intuitively query, explore, and download data and analysis results from various CPTAC projects, we built a prototype user-friendly web application called 'ProTrack' with the CPTAC clear cell renal cell carcinoma (ccRCC) data set (http://ccrcc.cptac-data-view.org). Here we describe the salient features of this application which provides a dynamic, comprehensive, and granular visualization of the rich proteogenomic data.