Summary

 Lamellipodia are sheet-like, leading edge protrusions in firmly adherent cells that contain Arp2/3-generated dendritic actin networks. Although lamellipodia are widely believed to be critical for directional cell motility, this notion has not been rigorously tested. Using fibroblasts derived from Ink4a/Arf-deficient mice, we generated a stable line depleted of Arp2/3 complex that lacks lamellipodia. This line shows defective random cell motility and relies on a filopodia-based protrusion system. Utilizing a microfluidic gradient generation system, we tested the role of Arp2/3 complex and lamellipodia in directional cell migration. Surprisingly, Arp2/3-depleted cells respond normally to shallow gradients of PDGF, indicating that lamellipodia are not required for fibroblast chemotaxis. Conversely, these cells cannot respond to a surface-bound gradient of extracellular matrix (haptotaxis). Consistent with this finding, cells depleted of Arp2/3 fail to globally align focal adhesions, suggesting that one principle function of lamellipodia is to organize cell-matrix adhesions in a spatially coherent manner.

ABSTRACT The functions of protein kinases have been widely studied and over 60 kinase inhibitors are FDA-approved drugs. Membership in the human kinome is nonetheless subject to multiple overlapping and inconsistent definitions and is unevenly studied, complicating functional genomics and chemical genetics. We describe objective criteria for refining the definition of the human kinome to comprise an extended set of 710 kinase domains and a more narrowly curated set of 557 protein kinase like (PKL) domains. An online tool ( www.kinome.org ) makes it possible to sort these sets on multiple structural and functional criteria. Focusing on the least studied one-third of the kinome we find that many proteins are differentially expressed, essential in multiple cell lines, and mutated in the Cancer Genome Atlas. We show that some understudied kinases are high affinity off-targets of clinical-grade compounds and approved drugs and we describe an optimized small molecule library making use of this information for selective kinome perturbation. We conclude that the understudied kinome contains physiologically important proteins, including possible targets for future drug discovery campaigns.

ABSTRACT Numerous aspects of cellular signaling are regulated by the kinome – the network of over 500 protein kinases that guides and modulates information transfer throughout the cell. The key role played by both individual kinases and assemblies of kinases organized into functional subnetworks leads to kinome dysregulation being a key driver of many diseases, particularly cancer. In the case of pancreatic ductal adenocarcinoma (PDAC), a variety of kinases and associated signaling pathways have been identified for their key role in the establishment of disease as well as its progression. However, the identification of additional relevant therapeutic targets has been slow and is further confounded by interactions between the tumor and the surrounding tumor microenvironment. Fundamentally, it is an open question as to the degree to which knowledge of the state of the kinome at the protein level is able to provide insight into the downstream phenotype of the cell. In this work, we attempt to link the state of the kinome, or kinotype, with cell viability in representative PDAC tumor and stroma cell lines. Through the application of both regression and classification models to independent kinome perturbation and kinase inhibitor cell screen data, we find that the inferred kinotype of a cell has a significant and predictive relationship with cell viability. While regression models perform poorly, we find that classification approaches are able to predict drug viability effects. We further find that models are able to identify a set of kinases whose behavior in response to perturbation drive the majority of viability responses in these cell lines. Using the models to predict new compounds with cell viability effects and not in the initial data set, we conducted a validation screen that confirmed the accuracy of the models. These results suggest that characterizing the state of the protein kinome provides significant opportunity for better understanding signaling behavior and downstream cell phenotypes, as well as providing insight into the broader design of potential therapy design for PDAC.

Abstract Protein kinases play a vital role in a wide range of cellular processes and compounds that inhibit kinase activity have emerged as a primary focus for targeted therapy development in cancer. This has inspired work that characterizes the spectrum of kinases targeted by specific inhibitors and the inclusion of these inhibitors in large-scale cell viability screening efforts. Previous work with smaller datasets have used baseline profiling of cell lines and limited kinome profiling data to attempt to predict small molecule effects on cell viability, but these efforts did not use multi-dose kinase profiles and achieved low accuracy with very limited external validation. This work focuses on two primary data types, kinase inhibitor profiles and gene expression, to predict the results of cell viability screening. We describe the process by which we combined these data sets, examined their properties in relation to cell viability and finally developed a set of computational models that achieve reasonable prediction accuracy (R 2 of 0.78 and RMSE of 0.154). Using these models, we identified a set of kinases, several of which are understudied, that are strongly influential in the cell viability prediction models. In addition, we also tested to see if a wider range of multiomics data sets could improve the model results. Finally, we validated a small subset of the model predictions in several triple-negative and HER2 positive breast cancer cell lines demonstrating that the model performs well with compounds and cell lines that were not included in the training data set. Overall, this result demonstrates that generic knowledge of the kinome is predictive of very specific cell phenotypes, and has the potential to be integrated into targeted therapy development pipelines.

Protein kinases represent one ofthe largest gene families in eukaryotes and play roles in a wide range of cell signaling processes and human diseases, making them attractive targets for drug development. The human kinome is extensively featured inhigh-throughput studiesgenerating genomic, proteomic, and kinase profiling data. Current tools for visualizing kinase data in the context of the human kinome superfamily are limited to encoding data through the addition of nodes to a low-resolution image of the kinome tree. We present Coral, a user-friendly interactive webapplication for visualizing both quantitative and qualitative data. Unlike previous tools, Coral can encode data in three features (node color, node size, and branchcolor), allowsthreemodesofkinomevisualization (the traditional kinome tree as well as radial and dynamic-force networks) and generates high-resolution scalable vector graphic files suitable for publication without the need for refinement in graphic editing software. Due to its user-friendly, interactive, and highly customizable design, Coral is broadly applicable to high-throughput studies of the human kinome. The source code and web application are available at github.com/dphansti/Coral. html and phanstiel-lab.med.unc.edu/Coral respectively.

Abstract Protein kinase activity forms the backbone of cellular information transfer, acting both individually and as part of a broader network, the kinome. Correspondingly, their central role in signaling implicates kinome dysfunction as a common driver of cancer, where numerous kinases have been identified as having a causal or modulating role in cancer development and progression. Driven by their importance, the development of therapies targeting kinases has rapidly grown, with over 70 kinase inhibitors approved for use in the clinic and over double this number currently in clinical trials. Given the growing importance of kinase-targeted therapies, linking the relationship between kinase inhibitor treatment and their effects on downstream cellular phenotype is of clear importance for understanding treatment mechanisms and streamlining compound screening in therapy development. In this work, we combine two large-scale kinome profiling data sets and use them to link inhibitor-kinome interactions with cell line treatment responses (AUC/IC50). We then built computational models on this data set that achieve a high degree of prediction accuracy (R 2 of 0.7 and RMSE of 0.9), and were able to identify a set of well-characterized and understudied kinases that significantly affect cell responses. Further, we validated these models experimentally by testing predicted effects in breast cancer cell lines, and extended the model scope by performing additional validation in patient-derived pancreatic cancer cell lines. Overall, these results demonstrate that broad quantification of kinome inhibition state is highly predictive of downstream cellular phenotypes.

Molecular tension sensors have contributed to a growing understanding of mechanobiology. However, the limited dynamic range and inability to specify the mechanical sensitivity of these sensors has hindered their widespread use in diverse contexts. Here, we systematically examine the components of tension sensors that can be altered to improve their functionality. Guided by the development of a first principles model describing the mechanical behavior of these sensors, we create a collection of sensors that exhibit predictable sensitivities and significantly improved performance in cellulo. Utilized in the context of vinculin mechanobiology, a trio of these new biosensors with distinct force- and extension-sensitivities reveal that an extension-based control paradigm regulates vinculin loading. To enable the rational design of molecular tension sensors appropriate for diverse applications, we predict the mechanical behavior, in terms of force and extension, of additional 1020 distinct designs.

Protein kinases are a primary focus in targeted therapy development for cancer, owing to their role as regulators in nearly all areas of cell life. Kinase inhibitors are one of the fastest growing drug classes in oncology, but resistance acquisition to kinase-targeting monotherapies is inevitable due to the dynamic and interconnected nature of the kinome in response to perturbation. Recent strategies targeting the kinome with combination therapies have shown promise, such as the approval of Trametinib and Dabrafenib in advanced melanoma, but similar empirical combination design for less characterized pathways remains a challenge. Computational combination screening is an attractive alternative, allowing in-silico screening prior to in-vitro or in-vivo testing of drastically fewer leads, increasing efficiency and effectiveness of drug development pipelines. In this work, we generate combined kinome inhibition states of 40,000 kinase inhibitor combinations from kinobeads-based kinome profiling across 64 doses. We then integrated these with baseline transcriptomics from CCLE to build robust machine learning models to predict cell line sensitivity from NCI-ALMANAC across nine cancer types, with model accuracy R