Early pathological upregulation of adenosine A2A receptors (A2ARs), one of the caffeine targets, by neurons is thought to be involved in the development of synaptic and memory deficits in Alzheimer's disease (AD) but mechanisms remain ill-defined. To tackle this question, we promoted a neuronal upregulation of A2AR in the hippocampus of APP/PS1 mice developing AD-like amyloidogenesis. Our findings revealed that the early upregulation of A2AR in the presence of an ongoing amyloid pathology exacerbates memory impairments of APP/PS1 mice. These behavioural changes were not linked to major change in the development of amyloid pathology but rather associated with increased phosphorylated tau at neuritic plaques. Moreover, proteomic and transcriptomic analyses coupled with quantitative immunofluorescence studies indicated that neuronal upregulation of the receptor promoted both neuronal and non-neuronal autonomous alterations, i.e. enhanced neuroinflammatory response but also loss of excitatory synapses and impaired neuronal mitochondrial function, presumably accounting for the detrimental effect on memory. Overall, our results provide compelling evidence that neuronal A2AR dysfunction, as seen in the brain of patients, contributes to amyloid-related pathogenesis and underscores the potential of A2AR as a relevant therapeutic target for mitigating cognitive impairments in this neurodegenerative disorder.

SUMMARY Molecular heterogeneities are a key feature of glioblastoma (GBM) pathology impeding patient’s stratification and leading to high discrepancies between patients mean survivals. Here, we established a molecular classification of GBM tumors using a pan-proteomic analysis. Then, we identified, from our proteomic data, 2 clusters of biomarkers associated with good or bad patient survival from 46 IDH wild-type GBMs. Three molecular groups have been identified and associated with systemic biology analyses. Group A tumors exhibit neurogenesis characteristics and tumorigenesis. Group B shows a strong immune cell signature and express poor prognosis markers while group C tumors are characterized by an anti-viral signature and tumor growth proteins. 124 proteins were found statistically different based on patient’s survival times, of which 10 are issued from alternative AltORF or non-coding RNA. After statistical analysis, a panel of markers associated to higher survival (PPP1R12A, RPS14, HSPD1 and LASP1) and another panel associated to lower survival (ALCAM, ANXA11, MAOB, IP_652563 and IGHM) has been validated by immunofluorescence. Taken together, our data will guide GBM prognosis and help to improve the current GBM classification by stratifying the patients and may open new opportunities for therapeutic development. Significance Glioblastoma are very heterogeneous tumors with median survivals usually inferior to 20 months. We conducted a pan-proteomics analysis of glioblastoma (GBM) in order to stratify GBM based on the molecular contained. Forty-six GBM cases were classified into three groups where proteins are involved in specific pathways i.e. the first group has a neurogenesis signature and is associated with a better prognosis while the second group of patients has an immune profile with a bad prognosis. The third group is more associated to tumorigenesis. We correlated these results with the TCGA data. Finally, we have identified 28 new prognostic markers of GBM and from these 28, a panel of 4 higher and 5 lower survival markers were validated. With these 9 markers in hand, now pathologist can stratify GBM patients and can guide the therapeutic decision. Highlights A novel stratification of glioblastoma based on mass spectrometry was established. Three groups with different molecular features and survival were identified. This new classification could improve prognostication and may help therapeutic options. 8 prognosis markers for oncologist therapeutic decision have been validated.

Rapid and accurate clinical diagnosis of pathological conditions remains highly challenging. A very important component of diagnosis tool development is the design of effective classification models with Mass spectrometry (MS) data. Some popular Machine Learning (ML) approaches have been investigated for this purpose but these ML models require time-consuming preprocessing steps such as baseline correction, denoising, and spectrum alignment to remove non-sample-related data artifacts. They also depend on the tedious extraction of handcrafted features, making them unsuitable for rapid analysis. Convolutional Neural Networks (CNNs) have been found to perform well under such circumstances since they can learn efficient representations from raw data without the need for costly preprocessing. However, their effectiveness drastically decreases when the number of available training samples is small, which is a common situation in medical applications. Transfer learning strategies extend an accurate representation model learnt usually on a large dataset containing many categories, to a smaller dataset with far fewer categories. In this study, we first investigate transfer learning on a 1D-CNN we have designed to classify MS data, then we develop a new representation learning method when transfer learning is not powerful enough, as in cases of low-resolution or data heterogeneity. What we propose is to train the same model through several classification tasks over various small datasets in order to accumulate generic knowledge of what MS data are, in the resulting representation. By using rat brain data as the initial training dataset, a representation learning approach can have a classification accuracy exceeding 98% for canine sarcoma cancer cells, human ovarian cancer serums, and pathogenic microorganism biotypes in 1D clinical datasets. We show for the first time the use of cumulative representation learning using datasets generated in different biological contexts, on different organisms, in different mass ranges, with different MS ionization sources, and acquired by different instruments at different resolutions. Our approach thus proposes a promising strategy for improving MS data classification accuracy when only small numbers of samples are available as a prospective cohort. The principles demonstrated in this work could even be beneficial to other domains (astronomy, archaeology...) where training samples are scarce.

ABSTRACT Ovarian cancer is the leading cause of death from gynecologic cancer worldwide; however, the origin of ovarian tumors, particularly for high-grade serous carcinoma (HGSC), is still debated. Accumulated evidence converges towards the involvement of the preneoplastic lesions observed in the fimbriated end of the fallopian tubes. In this study, we propose to carry out an in-depth proteomics analysis of these epithelial lesions (p53 signature, serous tubal intraepithelial carcinoma-STIC and serous tubal intraepithelial lesions-STIL) based on spatially resolved proteomic guided by IHC technique. We identified specific clusters related to each preneoplastic lesions, specific protein mutations based on Cosmic database and a Ghost proteome translated from non-coding RNAs and alternative ORFs, using the OpenProt database. Protein networks have been constructed from each cluster utilizing systems biology platform. Generated data were used to confirm the potentially dormant character of the STIL lesion and the more aggressive profile of the STIC which appears closer to HGSC than other lesions. In summary, our results established the chronological mechanisms and genesis of different ovarian cancer phenotypes but also identified the early diagnostic markers of HCSC guiding an adapted therapy and a better patient care.

Abstract Expansion microscopy is an emerging approach for morphological examination of biological specimens at nanoscale resolution using conventional optical microscopy. To achieve physical separation of cell structures, tissues are embedded in a swellable polymer and expanded several folds in an isotropic manner. This work shows the development and optimization of physical tissue expansion as a new method for spatially resolved large scale proteomics. Herein, we established a novel method to enlarge the tissue section to be compatible with manual microdissection on regions of interest and to carry out MS-based proteomic analysis. A major issue in the Expansion microscopy is the loss of proteins information during the mechanical homogenization phase due to the use of Proteinase K. For isotropic expansion, different homogenization agents are investigated, both to maximize protein identification and to minimize protein diffusion. Better results are obtained with SDS. From a tissue section enlarge more than 3-fold, we have been able to manually cut out regions of 1mm in size, equivalent to 300µm in their real size. We identified up to 655 proteins from a region corresponding to an average of 940 cells. This approach can be performed easily without any expensive sampling instrument. We demonstrated the compatibility of sample preparation for expansion microscopy and proteomic study in a spatial context. Abstract graphic