Three-component systems are often more complex than their two-component counterparts. Although the reversible association of three components in solution is critical for a vast array of chemical and biological processes, no general physical picture of such systems has emerged. Here we have developed a general, comprehensive framework for understanding ternary complex equilibria, which relates directly to familiar concepts such as EC50 and IC50 from simpler (binary complex) equilibria. Importantly, application of our model to data from the published literature has enabled us to achieve new insights into complex systems ranging from coagulation to therapeutic dosing regimens for monoclonal antibodies. We also provide an Excel spreadsheet to assist readers in both conceptualizing and applying our models. Overall, our analysis has the potential to render complex three-component systems—which have previously been characterized as "analytically intractable"—readily comprehensible to theoreticians and experimentalists alike.

Most antiviral agents are designed to target virus-specific proteins and mechanisms rather than the host cell proteins that are critically dysregulated following virus-mediated reprogramming of the host cell transcriptional state. To overcome these limitations, we propose that elucidation and pharmacologic targeting of host cell Master Regulator proteins-whose aberrant activities govern the reprogramed state of coronavirus-infected cells-presents unique opportunities to develop novel mechanism-based therapeutic approaches to antiviral therapy, either as monotherapy or as a complement to established treatments. Specifically, we propose that a small module of host cell Master Regulator proteins (ViroCheckpoint) is hijacked by the virus to support its efficient replication and release. Conventional methodologies are not well suited to elucidate these potentially targetable proteins. By using the VIPER network-based algorithm, we successfully interrogated 12h, 24h, and 48h signatures from Calu-3 lung adenocarcinoma cells infected with SARS-CoV, to elucidate the time-dependent reprogramming of host cells and associated Master Regulator proteins. We used the NYS CLIA-certified Darwin OncoTreat algorithm, with an existing database of RNASeq profiles following cell perturbation with 133 FDA-approved and 195 late-stage experimental compounds, to identify drugs capable of virtually abrogating the virus-induced Master Regulator signature. This approach to drug prioritization and repurposing can be trivially extended to other viral pathogens, including SARS-CoV-2, as soon as the relevant infection signature becomes available.

SUMMARY The Columbia Cancer Target Discovery and Development (CTD 2 ) Center has developed PANACEA (PANcancer Analysis of Chemical Entity Activity), a collection of dose-response curves and perturbational profiles for 400 clinical oncology drugs in cell lines selected to optimally represent 19 cancer subtypes. This resource, developed to study tumor-specific drug mechanism of action, was instrumental in hosting a DREAM Challenge to assess computational models for de novo drug polypharmacology prediction. Dose-response and perturbational profiles for 32 kinase inhibitors were provided to 21 participating teams, who did not know the identity or nature of the compounds, and they were asked to predict high-affinity binding among ~1,300 possible protein targets. Best performing methods leveraged both gene expression profile similarity analysis, and deep-learning methodologies trained on individual datasets. This study lays the foundation for future integrative analyses of pharmacogenomic data, reconciliation of polypharmacology effects in different tumor contexts, and insights into network-based assessment of context-specific drug mechanism of action.

ABSTRACT Organoids are 3-dimensional (3D) stem cell-derived cell culture lines that offer a variety of technical advantages compared to traditional 2-dimensional (2D) cell cultures. Although murine models have proved useful in biomedical research, rodent models often fail to adequately mimic human physiology and disease progression, resulting in poor preclinical prediction of therapeutic drug efficacy and toxicity. With the advent of organoid technology, many of these challenges can be overcome. Previously, the use of canine organoids in drug testing and disease modeling was limited to organoids originating from the intestine, liver, kidney, lung, and urinary bladder. Here, we report the cultivation, maintenance, and molecular characterization of two novel adult-stem cell-derived canine organoid cell lines, including the endometrium and pancreas, in addition to previously reported bladder, lung, and liver organoids from two genetically related canines. Five tissues and organoid lines from each donor were characterized using bulk RNA-seq, allowing for a unique, multi-organ comparison between these two individuals and identification of specific cell types such as glandular epithelial cells in endometrial organoids.

Abstract At present, prioritizing cancer treatments at the individual patient level remains challenging, and performing co-clinical studies using patient-derived models in real-time is often not feasible. To circumvent these challenges, we introduce OncoLoop, a precision medicine framework to predict and validate drug sensitivity in human tumors and their pre-existing high-fidelity ( cognate ) model(s) by leveraging perturbational profiles of clinically-relevant oncology drugs. As proof-of-concept, we applied OncoLoop to prostate cancer (PCa) using a series of genetically-engineered mouse models (GEMMs) that recapitulate a broad spectrum of disease states, including castration-resistant, metastatic, and neuroendocrine prostate cancer. Interrogation of published cohorts using Master Regulator (MR) conservation analysis revealed that most patients were represented by at least one cognate GEMM-derived tumor (GEMM-DT). Drugs predicted to invert MR activity in patients and their cognate GEMM-DTs were successfully validated, including in two cognate allografts and one cognate patient-derived xenograft (PDX). OncoLoop is a highly generalizable framework that can be extended to other cancers and potentially other diseases. Significance Statement OncoLoop is a transcriptomic-based experimental and computational framework that can support rapid-turnaround co-clinical studies to identify and validate drugs for individual patients, which can then be readily adapted to clinical practice. This framework should be applicable in many cancer contexts for which appropriate models and drug perturbation data are available.

Abstract The Mechanism of Action (MoA) of a drug is generally represented as a small, non-tissue-specific repertoire of high-affinity binding targets. Yet, drug activity and polypharmacology are increasingly associated with a broad range of off-target and tissue-specific effector proteins. To address this challenge, we have implemented an efficient integrative experimental and computational framework leveraging the systematic generation and analysis of drug perturbational profiles representing >700 FDA-approved and experimental oncology drugs, in cell lines selected as high-fidelity models of 23 aggressive tumor subtypes. Protein activity-based analyses revealed highly reproducible, drug-mediated modulation of tissue-specific targets, leading to generation of a proteome-wide polypharmacology map, characterization of MoA-related drug clusters and off-target effects, and identification and experimental validation of novel, tissue-specific inhibitors of undruggable oncoproteins. The proposed framework, which is easily extended to elucidating the MoA of novel small-molecule libraries, could help support more systematic and quantitative approaches to precision oncology.

We and others have shown that transition and maintenance of biological states is controlled by master regulator protein, which can be inferred by interrogating tissue-specific regulatory models (interactomes) with transcriptional signatures, using the VIPER algorithm. Yet, some tissues may lack molecular profiles necessary for interactome inference (orphan tissues), or, as for single cells isolated from heterogeneous samples, their tissue context may be undetermined. To address this problem, we introduce metaVIPER, a novel algorithm designed to assess protein activity in tissue-independent by integrative analysis of multiple, non-tissue-matched interactomes. This assumes that transcriptional targets of each protein will be recapitulated by one or more available interactome. We confirmed the algorithm's value in assessing protein dysregulation induced by somatic mutations, as well as in assessing protein activity in orphan tissues and, most critically, in single cells, thus allowing transformation of noisy and potentially biased RNA-Seq signatures into reproducible protein-activity signatures.

Despite considerable pan-cancer efforts, the link between genomics and transcriptomics in cancer remains relatively weak and mostly based on statistical rather than mechanistic principles. By performing integrative analysis of transcriptomic and mutational profiles on a sample-by-sample basis, via regulatory/signaling networks, we identified a repertoire of 407 Master-Regulator proteins responsible for canalizing the genetics of 20 TCGA cohorts into 112 transcriptionally- distinct tumor subtypes. Further analysis highlighted a highly-recurrent regulatory architecture (oncotecture) with Master-Regulators organized into 24 modular MR-Blocks, regulating highly-specific tumor-hallmark functions and predictive of patient outcome. Critically, >50% of the somatic alterations identified in individual samples were in proteins affecting Master-Regulator activity, thus yielding novel insight into mechanisms linking tumor genetics and transcriptional identity and establishing novel non-oncogene dependencies. Experimental validation of functional mutations upstream of the most conserved MR-Block confirmed their ability to affect MR-protein activity, suggesting that the proposed methodology may effectively complement and extend current pan-cancer knowledge.