Lung adenocarcinoma (LUAD) has been observed to have significant sex differences in incidence, prognosis, and response to therapy. However, the molecular mechanisms responsible for these disparities have not been investigated extensively.

Advances in omics technologies have allowed spatially resolved molecular profiling of single cells, providing a window not only into the diversity and distribution of cell types within a tissue, but also into the effects of interactions between cells in shaping the transcriptional landscape. Cells send chemical and mechanical signals which are received by other cells, where they can subsequently initiate context-specific gene regulatory responses. These interactions and their responses shape the individual molecular phenotype of a cell in a given microenvironment. RNAs or proteins measured in individual cells together with the cells’ spatial distribution provide invaluable information about these mechanisms and the regulation of genes beyond processes occurring independently in each individual cell. “SpaCeNet” is a method designed to elucidate both the intracellular molecular networks (how molecular variables affect each other within the cell) and the intercellular molecular networks (how cells affect molecular variables in their neighbors). This is achieved by estimating conditional independence relations between captured variables within individual cells and by disentangling these from conditional independence relations between variables of different cells. A python implementation of SpaCeNet is publicly available at https://github.com/sschrod/SpaCeNet .

Abstract Multivariate biological data are often modeled using networks in which nodes represent a biological variable (e.g., genes) and edges represent associations (e.g., coexpression). A Gaussian graphical model (GGM), or partial correlation network, is an undirected graphical model in which a weighted edge between two nodes represents the magnitude of their partial correlation, and the absence of an edge indicates zero partial correlation. A GGM provides a roadmap of direct dependencies between variables, providing a valuable systems-level perspective. Many methods exist for estimating GGMs; estimated GGMs are typically highly sensitive to choice of method, posing an outstanding statistical challenge. We address this challenge by developing SpiderLearner, a tool that combines a range of candidate GGM estimation methods to construct an ensemble estimate as a weighted average of results from each candidate. In simulation studies, SpiderLearner performs better than or comparably to the best of the candidate methods. We apply SpiderLearner to estimate a GGM for gene expression in a publicly available dataset of 260 ovarian cancer patients. Using the community structure of the GGM, we develop a network-based risk score which we validate in six independent datasets. The risk score requires only seven genes, each of which has important biological function. Our method is flexible, extensible, and has demonstrated potential to identify de novo biomarkers for complex diseases. An open-source implementation of our method is available at https://github.com/katehoffshutta/SpiderLearner .

Abstract Background Chronic stress may affect metabolism of amino acids, lipids, and other small molecule metabolites, but these alterations may differ depending on tissue evaluated. We examined metabolomic changes in plasma and ovarian tissue samples from female mice due to chronic stress exposure. Methods At 12 weeks old, healthy, female, C57 black mice were randomly assigned to three weeks of chronic stress using daily restraint (2 hours/day; n=9) or normal care (n=10). Metabolomic profiling was conducted on plasma and ovarian tissues. Using the Wilcoxon Rank Test, Metabolite Set Enrichment Analysis, and Differential Network Analysis we identified metabolomic alterations occurring in response to restraint stress. All p-values were corrected for multiple testing using the false discovery rate approach. Results In plasma, individual lysophosphatidylcholines (positively) and the metabolite classes carnitines (positively), diacylglycerols and triacylglycerols (inversely) were associated with restraint stress (adjusted-p’s<0.2). In contrast, diacylglycerols and triacylglycerols were increased while carnitines were decreased in ovarian tissue from stressed mice (adjusted-p’s<0.2). However, several metabolites (cholesteryl esters, phosphatidylcholines/ phosphatidylethanolamines plasmalogens and multiple amino acids) were consistently inversely associated with restraint stress in plasma and ovarian tissue (adjusted-p’s<0.2). Conclusion We identified differences in multiple lipid and amino acid metabolites in plasma and ovarian tissue of female mice after exposure to chronic stress. Some affected metabolites (primarily triacylglycerols and diacylglycerols) exhibited opposite associations with chronic stress in plasma (a marker of systemic influences) versus in ovarian tissue (representing local changes), suggesting research to understand the biological impact of chronic stress needs to consider both systemic and tissue-specific alterations.

Advances in omics technologies have allowed spatially resolved molecular profiling of single cells, providing a window not only into the diversity and distribution of cell types within a tissue but also into the effects of interactions between cells in shaping the transcriptional landscape. Cells send chemical and mechanical signals which are received by other cells, where they can subsequently initiate context-specific gene regulatory responses. These interactions and their responses shape the individual molecular phenotype of a cell in a given microenvironment. RNAs or proteins measured in individual cells, together with the cells' spatial distribution, provide invaluable information about these mechanisms and the regulation of genes beyond processes occurring independently in each individual cell. SpaCeNet is a method designed to elucidate both the intracellular molecular networks (how molecular variables affect each other within the cell) and the intercellular molecular networks (how cells affect molecular variables in their neighbors). This is achieved by estimating conditional independence relations between captured variables within individual cells and by disentangling these from conditional independence relations between variables of different cells.

Aging is the primary risk factor for many individual cancer types, including lung adenocarcinoma (LUAD). To understand how aging-related alterations in the regulation of key cellular processes might affect LUAD risk and survival outcomes, we built individual (person)-specific gene regulatory networks integrating gene expression, transcription factor protein-protein interaction, and sequence motif data, using PANDA/LIONESS algorithms, for both non-cancerous lung tissue samples from the Genotype Tissue Expression (GTEx) project and LUAD samples from The Cancer Genome Atlas (TCGA). In GTEx, we found that pathways involved in cell proliferation and immune response are increasingly targeted by regulatory transcription factors with age; these aging-associated alterations are accelerated by tobacco smoking and resemble oncogenic shifts in the regulatory landscape observed in LUAD and suggests that dysregulation of aging pathways might be associated with an increased risk of LUAD. Comparing normal adjacent samples from individuals with LUAD with healthy lung tissue samples from those without LUAD, we found that aging-associated genes show greater aging-biased targeting patterns in younger individuals with LUAD compared to their healthy counterparts of similar age, a pattern suggestive of age acceleration. This implies that an accelerated aging process may be responsible for tumor incidence in younger individuals. Using drug repurposing tool CLUEreg, we found small molecule drugs with potential geroprotective effects that may alter the accelerating aging profiles we found. We also observed that, in contrast to chronological age, a network-informed aging signature was associated with survival and response to chemotherapy in LUAD.

Gene regulatory networks (GRNs) are effective tools for inferring complex interactions between molecules that regulate biological processes and hence can provide insights into drivers of biological systems. Inferring co expression networks is a critical element of GRN inference as the correlation between expression patterns may indicate that genes are coregulated by common factors. However, methods that estimate co-expression networks generally derive an aggregate network representing the mean regulatory properties of the population and so fail to fully capture population heterogeneity. To address these concerns, we introduce BONOBO (Bayesian Optimized Networks Obtained By assimilating Omics data), a scalable Bayesian model for deriving individual sample-specific co-expression networks by recognizing variations in molecular interactions across individuals. For every sample, BONOBO assumes a Gaussian distribution on the log-transformed centered gene expression and a conjugate prior distribution on the sample-specific co-expression matrix constructed from all other samples in the data. Combining the sample-specific gene expression with the prior distribution, BONOBO yields a closed-form solution for the posterior distribution of the sample-specific co-expression matrices, thus making the method extremely scalable. We demonstrate the utility of BONOBO in several contexts, including analyzing gene regulation in yeast transcription factor knockout studies, prognostic significance of miRNA-mRNA interaction in human breast cancer subtypes, and sex differences in gene regulation within human thyroid tissue. We find that BONOBO outperforms other sample-specific co-expression network inference methods and provides insight into individual differences in the drivers of biological processes.

Gene regulatory networks (GRNs) are effective tools for inferring complex interactions between molecules that regulate biological processes and hence can provide insights into drivers of biological systems. Inferring coexpression networks is a critical element of GRN inference, as the correlation between expression patterns may indicate that genes are coregulated by common factors. However, methods that estimate coexpression networks generally derive an aggregate network representing the mean regulatory properties of the population and so fail to fully capture population heterogeneity. BONOBO (Bayesian Optimized Networks Obtained By assimilating Omics data) is a scalable Bayesian model for deriving individual sample-specific coexpression matrices that recognizes variations in molecular interactions across individuals. For each sample, BONOBO assumes a Gaussian distribution on the log-transformed centered gene expression and a conjugate prior distribution on the sample-specific coexpression matrix constructed from all other samples in the data. Combining the sample-specific gene coexpression with the prior distribution, BONOBO yields a closed-form solution for the posterior distribution of the sample-specific coexpression matrices, thus allowing the analysis of large datasets. We demonstrate BONOBO's utility in several contexts, including analyzing gene regulation in yeast transcription factor knockout studies, the prognostic significance of miRNA-mRNA interaction in human breast cancer subtypes, and sex differences in gene regulation within human thyroid tissue. We find that BONOBO outperforms other methods that have been used for sample-specific coexpression network inference and provides insight into individual differences in the drivers of biological processes.

Inference and analysis of cellular biological networks requires software tools that integrate multi-omic data from various sources. The Network Zoo (netZoo; netzoo.github.io) is an open-source software suite to model biological networks, including context-specific gene regulatory networks and multi-omics partial correlation networks, to conduct differential analyses, estimate community structure, and model the transitions between biological states. The netZoo builds on our ongoing development of network methods, harmonizing the implementations in various computing languages (R, Python, MATLAB, and C) and between methods to allow a better integration of these tools into analytical pipelines. To demonstrate the value of this integrated toolkit, we analyzed the multi-omic data from the Cancer Cell Line Encyclopedia (CCLE) by inferring gene regulatory networks for each cancer cell line and associating network features with other phenotypic attributes such as drug sensitivity. This allowed us to identify transcription factors that play a critical role in both drug resistance and cancer development in melanoma. We also used netZoo to build a pan-cancer, multi-tiered CCLE map and used it to identify known metabolic hallmarks of cancer and to estimate novel context-specific elements that mediate post-transcriptional regulation. Because the netZoo tools are open-source and there is a growing community of both users and developers, we built an ecosystem to support community contributions, share use cases, and visualize networks online. As additional data types become available and our suite of methods grows, we will expand 'the zoo' to incorporate an increasingly sophisticated collection of tools for network inference and analysis.

Compared to men, women often develop COPD at an earlier age with worse respiratory symptoms despite lower smoking exposure. However, most preventive, and therapeutic strategies ignore biological sex differences in COPD. Our goal was to better understand sex-specific gene regulatory processes in lung tissue and the molecular basis for sex differences in COPD onset and severity. We analyzed lung tissue gene expression and DNA methylation data from 747 individuals in the Lung Tissue Research Consortium (LTRC), and 85 individuals in an independent dataset. We identified sex differences in COPD-associated gene regulation using gene regulatory networks. We used linear regression to test for sex-biased associations of methylation with lung function, emphysema, smoking, and age. Analyzing gene regulatory networks in the control group, we identified that genes involved in the extracellular matrix (ECM) have higher transcriptional factor targeting in females than in males. However, this pattern is reversed in COPD, with males showing stronger regulatory targeting of ECM-related genes than females. Smoking exposure, age, lung function, and emphysema were all associated with sex-specific differential methylation of ECM-related genes. We identified sex-based gene regulatory patterns of ECM-related genes associated with lung function and emphysema. Multiple factors including epigenetics, smoking, aging, and cell heterogeneity influence sex-specific gene regulation in COPD. Our findings underscore the importance of considering sex as a key factor in disease susceptibility and severity.