Blockade of the interaction between programmed cell death ligand-1 (PD-L1) and its receptor PD-1 has shown great success in cancer immunotherapy. Peptides possess unique characteristics that give them significant advantages as immune checkpoint inhibitors. However, unfavorable physicochemical properties and proteolytic stability profiles limit the translation of bioactive peptides as therapeutic agents. Studies have revealed that cyclization improves the biological activity and stability of linear peptides. In this study, we report the use of macrocyclization scanning for the discovery of cyclic anti-PD-L1 peptides with improved bioactivity. The cyclic peptides demonstrated up to a 34-fold improvement in the PD-1/PD-L1 blocking activity and significant in vivo anti-tumor activity. Our results demonstrate that macrocyclization scanning is an effective way to improve the serum stability and bioactivity of the anti-PD-L1 linear peptide. This strategy can be employed in the optimization of other bioactive peptides, particularly those for protein–protein interaction modulation.

Immunotherapy using monoclonal antibodies targeting the PD-1/PD-L1 interaction has shown enormous success for various cancers. Despite their encouraging results in clinics, antibody-based checkpoint inhibitors have several limitations, such as poor tumor penetration. To address these limitations of monoclonal antibodies, there is a growing interest in developing low-molecular-weight checkpoint inhibitors, such as antibody fragments. Several antibody fragments targeting PD-1/PD-L1 were recently discovered using phage libraries from camel or alpaca. However, animal-derived antibody fragments may elicit unwanted immune responses, which limit their therapeutic applications. For the first time, we used a human domain antibody phage library and discovered anti-human PD-L1 human single-domain antibodies (dAbs) that block the PD-1/PD-L1 interaction. Among them, the CLV3 dAb shows the highest affinity to PD-L1. The CLV3 dAb also exhibits the highest blocking efficacy of the PD-1/PD-L1 interaction. Moreover, the CLV3 dAb significantly inhibits tumor growth in mice implanted with CT26 colon carcinoma cells. These results suggest that CLV3 dAb can be potentially used as an anti-PD-L1 inhibitor for cancer immunotherapy.

Abstract Multi-omic data, i.e., genomics, epigenomics, transcriptomics, proteomics, characterize cellular complex signaling systems from multi-level and multi-view and provide a holistic view of complex cellular signaling pathways. However, it remains challenging to integrate and interpret multi-omics data. Graph neural network (GNN) AI models have been widely used to analyze graph-structure datasets and are ideal for integrative multi-omics data analysis because they can naturally integrate and represent multi-omics data as a biologically meaningful multi-level signaling graph and interpret multi-omics data by node and edge ranking analysis for signaling flow/cascade inference. However, it is non-trivial for graph-AI model developers to pre-analyze multi-omics data and convert them into graph-structure data for individual samples, which can be directly fed into graph-AI models. To resolve this challenge, we developed mosGraphGen (multi-omics signaling graph generator), a novel computational tool that generates multi-omics signaling graphs of individual samples by mapping the multi-omics data onto a biologically meaningful multi-level background signaling network. With mosGraphGen, AI model developers can directly apply and evaluate their models using these mos-graphs. We evaluated the mosGraphGen using both multi-omics datasets of cancer and Alzheimer’s disease (AD) samples. The code of mosGraphGen is open-source and publicly available via GitHub: https://github.com/Multi-OmicGraphBuilder/mosGraphGen

Abstract Recently, large-scale scRNA-seq datasets have been generated to understand the complex and poorly understood signaling mechanisms within microenvironment of Alzheimer’s Disease (AD), which are critical for identifying novel therapeutic targets and precision medicine. Though a set of targets have been identified, however, it remains a challenging to infer the core intra- and inter-multi-cell signaling communication networks using the scRNA-seq data, considering the complex and highly interactive background signaling network. Herein, we introduced a novel graph transformer model, PathFinder, to infer multi-cell intra- and inter-cellular signaling pathways and signaling communications among multi-cell types. Compared with existing models, the novel and unique design of PathFinder is based on the divide-and-conquer strategy, which divides the complex signaling networks into signaling paths, and then score and rank them using a novel graph transformer architecture to infer the intra- and inter-cell signaling communications. We evaluated PathFinder using scRNA-seq data of APOE4-genotype specific AD mice models and identified novel APOE4 altered intra- and inter-cell interaction networks among neurons, astrocytes, and microglia. PathFinder is a general signaling network inference model and can be applied to other omics data-driven signaling network inference.

Abstract Generative pretrained models represent a significant advancement in natural language processing and computer vision, which can generate coherent and contextually relevant content based on the pre-training on large general datasets and fine-tune for specific tasks. Building foundation models using large scale omic data is promising to decode and understand the complex signaling language patterns within cells. Different from existing foundation models of omic data, we build a foundation model, mosGraphGPT , for multi-omic signaling (mos) graphs, in which the multi-omic data was integrated and interpreted using a multi-level signaling graph. The model was pretrained using multi-omic data of cancers in The Cancer Genome Atlas (TCGA), and fine-turned for multi-omic data of Alzheimer’s Disease (AD). The experimental evaluation results showed that the model can not only improve the disease classification accuracy, but also is interpretable by uncovering disease targets and signaling interactions. And the model code are uploaded via GitHub with link: https://github.com/mosGraph/mosGraphGPT

Background: The five-year survival for non-metastatic non-small cell lung cancer (NSCLC) patients undergoing curative surgery remains poor at ~50% that is due to locoregional and/or distant metastatic recurrences. Patient-derived tumor organoids (PDTOs) have high potential as clinically relevant high-throughput drug testing platforms to personalize and improve treatment of NSCLC patients. We aimed to develop PDTOs from non-metastatic NSCLC patients to assess their suitability to study tumor heterogeneities and personalized drug responses. Methods: Ten non-metastatic (stage I-IIIA) NSCLC patients undergoing curative surgical resection were prospectively enrolled. PDTOs were established from resected lung tumor tissues and were compared with matched primary tumors by histopathology, immunohistochemistry, whole exome and whole transcriptome sequencing analysis. PDTO responses to standard of care carboplatin/paclitaxel chemotherapy were determined by measuring organoid growth using bright-field 3D imaging. Transcriptomic differential gene expression analysis identified molecular targets for drug repurposing to overcome chemoresistance. Results: NSCLC PDTOs were successfully generated from all 10 (100%) primary tumors with a median time of 12 days (range 4-16 days). All 10 PDTOs could be grown from cryopreserved tumor tissues or reconstituted from frozen PDTOs (living biobank). PDTOs retained histopathological, immunohistochemical protein expression and mutational landscape of the matched primary tumors. Microenvironment cell population analysis revealed epithelial cell signatures of the PDTOs that matched the patients lung tumor tissues. Treatment responses of PDTOs to carboplatin/paclitaxel were determined by growth differences versus vehicle control group. 5/10 (50%) PDTOs were chemo-sensitive, whereas 5/10 (50%) were chemo-resistant. Upregulation of aldo-keto reductases (AKR1B10/15) was observed in chemoresistant PDTOs by differential gene expression analysis and confirmed by real-time PCR and immunohistochemistry in PDTOs and tumor tissues. Epalrestat, an anti-diabetic AKR1B10 inhibitory drug, was repurposed to effectively sensitize PDTOs to carboplatin/paclitaxel. Conclusions: PDTOs can be established from resected NSCLC primary tumor tissues with high success rates and conserve cellular, molecular and genomic characteristics of the matched NSCLC tumors. PDTOs can serve as clinically applicable and relevant personalized drug screening platforms to evaluate the therapeutic efficacy of drugs, including repurposed drugs, to overcome chemoresistance.

Abstract Multi-omic data can better characterize complex cellular signaling pathways from multiple views compared to individual omic data. However, integrating multi-omic data to rank key disease biomarkers and infer core signaling pathways remains an open problem. Compared to other AI models, graph AI can integrate multi-omic data with large-scale signaling networks and rank biomarkers and signaling interactions using attention mechanisms. In this study, we present a novel graph AI model, mosGraphFlow , and apply it on multi-omic datasets of Alzheimer’s disease (AD). The comparison results show that the proposed model not only achieves the best classification accuracy but also identifies important AD disease biomarkers and signaling interactions. Moreover, the signaling sources are highlighted at specific omic levels to facilitate the understanding of the pathogenesis of AD. The proposed model can also be applied and expanded for other studies using multi-omic data. And the model code are uploaded via GitHub with link: https://github.com/mosGraph/mosGraphFlow

Transforming Growth Factor beta; (TGF-beta)-induced fibroblast activation is a key pathological event during tissue fibrosis. Long noncoding RNA (LncRNA) is a class of versatile gene regulators participating in various cellular and molecular processes. However, the function of lncRNA in fibroblast activation is still poorly understood. In this study, we identified growth arrest-specific transcript 5 (GAS5) as a novel regulator for TGF-beta-induced fibroblast activation. GAS5 expression was downregulated in cultured fibroblasts by TGF-beta; and in resident fibroblasts isolated from bleomycin-treated skin tissues. Overexpression of GAS5 suppressed TGF-beta;-induced fibroblast to myofibroblast differentiation. Mechanistically, GAS5 directly bound Smad3 and promoted Smad3 bindin to PPM1A, a Smad3 dephosphatase, and thus accelerated Smad3 dephosphorylation in TGF-beta-treated fibroblasts. GAS5 also inhibited fibroblast proliferation. Importantly, local delivery of GAS5 via adenoviral vector suppressed bleomycin-induced skin fibrosis in mice. Collectively, our data revealed that GAS5 suppresses fibroblast activation and fibrogenesis through inhibiting TGF-beta/Smad3 signaling, which provides a rationale for developing an LncRNA-based therapy to treat fibrotic diseases.### Competing Interest StatementThe authors have declared no competing interest.

Systemic treatments given to non-small cell lung cancer (NSCLC) patients are often ineffective due to drug resistance. In the present study, we investigated patient-derived tumor organoids (PDTOs) and matched tumor tissues from surgically treated NSCLC patients to identify drug repurposing targets to overcome resistance towards standard-of-care platinum-based doublet chemotherapy.