Abstract Accumulating evidence suggests that gut-microbiota metabolites contribute to human disease pathophysiology, yet the host receptors that sense these metabolites are largely unknown. Here, we developed a systems pharmacogenomics framework that integrates machine learning (ML), AlphaFold2-derived structural pharmacology, and multi-omics to identify disease-relevant metabolites derived from gut-microbiota with non-olfactory G-protein-coupled receptors (GPCRome). Specifically, we evaluated 1.68 million metabolite-protein pairs connecting 408 human GPCRs and 516 gut metabolites using an Extra Trees algorithm-improved structural pharmacology strategy. Using genetics-derived Mendelian randomization and multi-omics (including transcriptomic and proteomic) analyses, we identified likely causal GPCR targets (C3AR, FPR1, GALR1 and TAS2R60) in Alzheimer’s disease (AD). Using three-dimensional structural fingerprint analysis of the metabolite-GPCR complexome, we identified over 60% of the allosteric pockets of orphan GPCR models for gut metabolites in the GPCRome, including AD-related orphan GPCRs (GPR27, GPR34, and GPR84). We additionally identified the potential targets (e.g., C3AR) of two AD-related metabolites (3-hydroxybutyric acid and Indole-3-pyruvic acid) and four metabolites from AD-related bacterium Eubacterium rectale , and also showed that tridecylic acid is a candidate ligand for orphan GPR84 in AD. In summary, this study presents a systems pharmacogenomics approach that serves to uncover the GPCR molecular targets of gut microbiota in AD and likely many other human diseases if broadly applied.

The paucity of selective agonists for TASK-3, a member of two-pore domain K+ (K2P) channels, has contributed to our limited understanding of its biological functions. By targeting a novel druggable transmembrane cavity using a structure-based drug design approach, we discovered a biguanide compound, CHET3, as a highly selective allosteric activator for TASK-3-containing K2P channels, including TASK-3 homomer and TASK-3/TASK-1 heteromer. CHET3 displayed unexpectedly potent analgesic effects in vivo in a variety of acute and chronic pain models in rodents that could be abolished by pharmacology or genetic ablation of TASK-3. We further found that TASK-3-containing channels anatomically define a unique subset population of small-sized, TRPM8, TRPV1 or tyrosine hydroxylase-positive nociceptive sensory neurons and functionally regulate their membrane excitability, supporting CHET3 analgesia in thermal hyperalgesia and mechanical allodynia under chronic pain. Overall, our proof-of-concept study reveals TASK-3-containing K2P channels as a novel druggable target for treating pain.One Sentence Summary Identification of a novel drug target and its new hit compounds for developing new-generation non-opioid analgesics.

Human genome sequencing studies have identified numerous loci associated with complex diseases. However, translating human genetic and genomic findings to disease pathobiology and therapeutic discovery remains a major challenge at multiscale interactome network levels. Here, we present a deep-learning-based ensemble framework, termed PIONEER (Protein-protein InteractiOn iNtErfacE pRediction), that accurately predicts protein binding partner-specific interfaces for all protein interactions in humans and seven other common model organisms. We demonstrate that PIONEER outperforms existing state-of-the-art methods. We further systematically validated PIONEER predictions experimentally through generating 2,395 mutations and testing their impact on 6,754 mutation-interaction pairs, confirming PIONEER-predicted interfaces are comparable in accuracy as experimentally determined interfaces using PDB co-complex structures. We show that disease-associated mutations are enriched in PIONEER-predicted protein-protein interfaces after mapping mutations from ~60,000 germline exomes and ~36,000 somatic genomes. We identify 586 significant protein-protein interactions (PPIs) enriched with PIONEER-predicted interface somatic mutations (termed oncoPPIs) from pan-cancer analysis of ~11,000 tumor whole-exomes across 33 cancer types. We show that PIONEER-predicted oncoPPIs are significantly associated with patient survival and drug responses from both cancer cell lines and patient-derived xenograft mouse models. We identify a landscape of PPI-perturbing tumor alleles upon ubiquitination by E3 ligases, and we experimentally validate the tumorigenic KEAP1-NRF2 interface mutation p.Thr80Lys in non-small cell lung cancer. We show that PIONEER-predicted PPI-perturbing alleles alter protein abundance and correlates with drug responses and patient survival in colon and uterine cancers as demonstrated by proteogenomic data from the National Cancer Institute's Clinical Proteomic Tumor Analysis Consortium. PIONEER, implemented as both a web server platform and a software package, identifies functional consequences of disease-associated alleles and offers a deep learning tool for precision medicine at multiscale interactome network levels.