Background:

 Ianalumab (VAY736) is an afucosylated monoclonal antibody targeting the B cell activating factor receptor (BAFFR). It depletes B cells by enhanced cellular elimination via antibody dependent cellular cytotoxicity and blockade of the BAFF:BAFFR pathway and maintains B cell suppression by blocking BAFF-R-mediated survival and differentiation. 

Objectives:

 Here we assessed changes in B-cell subsets, whole blood transcriptome and antibodies against extractable nuclear antigens (ENA) in patients with systemic lupus erythematosus (SLE) pre- and post-treatment with ianalumab to characterize pharmacodynamic (PD) biomarkers and biological pathways linked to mechanism of action and clinical response. 

Methods:

 A phase 2 clinical trial (NCT03656562) evaluated the PD and preliminary clinical efficacy of ianalumab in patients with moderate to severe SLE; a multicenter randomized, parallel group, double blind, placebo-controlled trial with patients on monthly s.c. injection of ianalumab 300 mg or placebo. Blood samples were collected from placebo and ianalumab treated patients at baseline through to week 28 (double-blind treatment) and up to week 52 (open label treatment) and week 68 (safety follow up) post treatment. Targeted cellular analysis was performed by flow cytometry, whole blood transcriptome analysis was performed using an Illumina Stranded kit, and (ENA) autoantibodies were analyzed using an established assay (FIDIS™ system Connective assay panel, Theradiag^©). Treatment and placebo groups were compared over time using multivariate linear regression models to identify cellular markers, autoantibodies and transcripts that were differentially modulated by ianalumab. 

Results:

 Analysis of circulating immune cell subsets demonstrated a statistically significant reduction of CD19+ B cell counts by ianalumab by week 28, with absence of measurable B cell subsets such as transitional, naïve and memory B cells as well as plasmablasts/plasma cells (Figure 1). Transcriptome analysis of whole blood samples corroborated the cellular analysis findings demonstrating profound reduction in B cell related genes at week 28, correlating with decreases in B cell subsets as measured by flow cytometry. Reductions in autoantibody titers e.g. anti-dsDNA, anti-C1q, anti-ENAs were also observed from week 12 through to week 68 with ianalumab treatment compared with placebo. U1RNP kinetics are provided as an example of consistent reductions observed across the different autoantibodies represented in the Theradiag panel for ianalumab-treated patients (Figure 2). Finally, ianalumab treated patients achieving a composite of SRI-4 response and corticosteroid responder status at week 28 demonstrated a within normal range decrease in neutrophil cell counts and a decrease in the interferon gene signature (IFNGS) over time compared to non-responders. 

Conclusion:

 Ianalumab treatment of patients with SLE led to a profound B cell depletion, as confirmed by flow cytometry and transcriptomic assessments and a concomitant reduction in autoantibodies. Initial evidence suggests that reductions in B cell numbers and autoantibodies levels seen in patients treated with ianalumab were accompanied by a within normal range decrease in neutrophil cell counts and a decrease in the IFNGS specifically in composite SRI-4 responders at w28. Further biomarker analyses are ongoing to characterize the effects of ianalumab on these patients. 

REFERENCES:

 NIL. 

Acknowledgements:

 NIL. 

Disclosure of Interests:

 Thomas Dörner AbbVie, Celgene, Eli Lilly, EMD MerckSerono, GSK, Janssen, Novartis, and Roche (Grants and consultancy fees); UCB, Sanofi, Deutsche Forschungsgemeinschaft, and EU Horizon2020 HarmonicSS (Grants); Gilead/Galapagos (Consultancy fees), Aida Santos da Costa Holds Novartis shares, Novartis employee, Alexandre Avrameas Holds Novartis shares, Novartis employee, Ulrike Sommer Holds Novartis shares, Novartis employee, Rainer Hillenbrand Holds Novartis shares, Novartis employee, Valeria De Luca Holds Novartis shares, Novartis employee, Enrico Ferrero Holds Novartis shares, Novartis employee, Andre da Costa Holds Novartis shares, Novartis employee, Carole Sips Holds Novartis shares, Novartis employee, Claire Bonal Holds Novartis shares, Novartis employee, Marianna Rowlands Holds Novartis shares, Novartis employee, Isabelle Isnardi Holds Novartis shares, Novartis employee, Stephen Oliver Holds Novartis shares, Novartis employee.

Spatiotemporal regulation of gene expression is controlled by transcription factor (TF) binding to regulatory elements, resulting in a plethora of cell types and cell states from the same genetic information. Due to the importance of regulatory elements, various sequencing methods have been developed to localise them in genomes, for example using ChIP-seq profiling of the histone mark H3K27ac that marks active regulatory regions. Moreover, multiple tools have been developed to predict TF binding to these regulatory elements based on DNA sequence. As altered gene expression is a hallmark of disease phenotypes, identifying TFs driving such gene expression programs is critical for the identification of novel drug targets. In this study, we curated 84 chromatin profiling experiments (H3K27ac ChIP-seq) where TFs were perturbed through e.g., genetic knockout or overexpression. We ran nine published tools to prioritize TFs using these real-world data sets and evaluated the performance of the methods in identifying the perturbed TFs. This allowed the nomination of three frontrunner tools, namely RcisTarget, MEIRLOP and monaLisa. Our analyses revealed opportunities and commonalities of tools that will help to guide further improvements and developments in the field.

Macrophages are heterogeneous multifunctional leukocytes which are regulated in a tissue- and disease-specific context. Many different studies have been published using in vitro macrophage models to study disease. Here, we aggregated public expression data to define consensus expression profiles for eight commonly-used in vitro macrophage models. Altogether, we observed well-known but also novel markers for different macrophage subtypes. Using these data we subsequently built the classifier macIDR, capable of distinguishing macrophage subsets with high accuracy (>0.95). This classifier was subsequently applied to transcriptional profiles of tissue-isolated and disease-associated macrophages to specifically define macrophage characteristics in vivo. Classification of these in vivo macrophages showed that alveolar macrophages displayed high resemblance to interleukin-10 activated macrophages, whereas macrophages from patients with chronic obstructive pulmonary disease patients displayed a drop in interferon-γ signature. Adipose tissue-derived macrophages were classified as unstimulated macrophages, but resembled LPS-activated macrophages more in diabetic-obese patients. Finally, rheumatoid arthritic synovial macrophages showed characteristics of both interleukin-10 or interferon-γ signatures. Altogether, our results suggest that macIDR is capable of identifying macrophage-specific changes as a result of tissue- and disease-specific stimuli and thereby can be used to better define and model populations of macrophages that contribute to disease.

The midbody is an organelle assembled at the intercellular bridge that connects the two daughter cells at the end of mitosis. It is composed of a multitude of proteins, organized in a precise and stereotyped pattern, that control the final separation of the daughter cells and prevent incorrect genome segregation. Furthermore, recent evidence indicates that the midbody is involved in many other important processes, including cell fate, pluripotency, apical-basal polarity, tissue organization, and cilium and lumen formation. Understanding the regulation and interactions of midbody proteins is therefore essential to unravel how this organelle executes its multiple functions. Here, we report the first experimentally-based characterization of the intricate midbody protein-protein interaction network (interactome), which identifies a plethora of novel interactions and provides an extremely valuable resource for dissecting the multiple roles of the midbody. Initial analysis of this interactome already revealed that PP1β-MYPT1 phosphatase regulates microtubule dynamics in late cytokinesis and de-phosphorylates the kinesin component MKLP1/KIF23 of the centralspindlin complex, a key cytokinesis regulator. This de-phosphorylation antagonizes Aurora B kinase in order to modify the functions of centralspindlin and its interactions in late cytokinesis. Our findings expand the repertoire of PP1 functions during mitosis and indicate that spatiotemporal changes in the distribution of kinases and counteracting phosphatases finely tune the activity of cytokinesis proteins.

Deep learning, which describes a class of machine learning algorithms, has recently showed impressive results across a variety of domains. Biology and medicine are data rich, but the data are complex and often ill-understood. Problems of this nature may be particularly well-suited to deep learning techniques. We examine applications of deep learning to a variety of biomedical problems - patient classification, fundamental biological processes, and treatment of patients - and discuss whether deep learning will transform these tasks or if the biomedical sphere poses unique challenges. We find that deep learning has yet to revolutionize or definitively resolve any of these problems, but promising advances have been made on the prior state of the art. Even when improvement over a previous baseline has been modest, we have seen signs that deep learning methods may speed or aid human investigation. More work is needed to address concerns related to interpretability and how to best model each problem. Furthermore, the limited amount of labeled data for training presents problems in some domains, as do legal and privacy constraints on work with sensitive health records. Nonetheless, we foresee deep learning powering changes at both bench and bedside with the potential to transform several areas of biology and medicine.

Latent factor modelling applied to single-cell RNA-sequencing (scRNA-seq) data is a useful approach to discover gene signatures associated with cell states. However, it is often unclear what method is best suited for specific tasks and how latent factors should be interpreted from a biological perspective. Here, we compare four state-of-the-art methods and explore their stability, predictive power and coverage of known biology. We then propose an approach that leverages the derived latent factors to directly assign pathway activities to specific cell subsets. By applying this framework to scRNA-seq datasets from biopsies of rheumatoid arthritis and systemic lupus erythematosus patients, we discover both known and novel disease-relevant gene signatures in specific cellular subsets in a fully unsupervised way. Focusing on rheumatoid arthritis, we identify an inflammatory Oncostatin M receptor signalling signature active in a subset of synovial fibroblasts and dysregulation of the GAS6 - MERTK axis in a subset of synovial monocytes with efferocytic function. Overall, we provide insights into strengths and weaknesses of latent factors models for the analysis of scRNA-seq data, we develop a framework to identify cell subtypes in a function- or phenotype-driven way and use it to identify novel pathways dysregulated in rheumatoid arthritis.