Abstract Complex signaling pathways/networks are believed to be responsible for drug resistance in cancer therapy. Drug combinations inhibiting multiple signaling targets within cancer-related signaling networks have the potential to reduce drug resistance. Deep learning models have been reported to predict drug combinations. However, these models are hard to be interpreted in terms of mechanism of synergy (MoS), and thus cannot well support the human-AI based clinical decision making. Herein, we proposed a novel computational model, DeepSignalingFlow , which seeks to address the preceding two challenges. Specifically, a graph convolutional network (GCN) was developed based on a core cancer signaling network consisting of 1584 genes, with gene expression and copy number data derived from 46 core cancer signaling pathways. The novel up-stream signaling-flow (from up-stream signaling to drug targets), and the down-stream signaling-flow (from drug targets to down-stream signaling), were designed using trainable weights of network edges. The numerical features (accumulated information due to the signaling-flows of the signaling network) of drug nodes that link to drug targets were then used to predict the synergy scores of such drug combinations. The model was evaluated using the NCI ALMANAC drug combination screening data. The evaluation results showed that the proposed DeepSignalingFlow model can not only predict drug combination synergy score, but also interpret potentially interpretable MoS of drug combinations.

Neuro-inflammation signaling has been identified as an important hallmark of Alzheimer's disease (AD) in addition to amyloid β plaques (Aβ) and neurofibrillary tangles (NFTs). However, our knowledge of neuro-inflammation is very limited; and the core signaling pathways associated with neuro-inflammation are missing. From a novel perspective, i.e., investigating weakly activated molecular signals (rather than the strongly activated molecular signals), in this study, we uncovered the core neuro-inflammation signaling pathways in AD. Our novel hypothesis is that weakly activated neuro-inflammation signaling pathways can cause neuro-degeneration in a chronic process; whereas, strongly activated neuro-inflammation often cause acute disease progression like in COVID-19. Using the two large-scale genomics datasets, i.e., Mayo Clinic (77 control and 81 AD samples) and RosMap (97 control and 260 AD samples), our analysis identified 7 categories of signaling pathways implicated on AD and related to virus infection: immune response, x-core signaling, apoptosis, lipid dysfunctional, biosynthesis and metabolism, and mineral absorption signaling pathways. More interestingly, most of genes in the virus infection, immune response and x-core signaling pathways, are associated with inflammation molecular functions. Specifically, the x-core signaling pathways were defined as a group of 9 signaling proteins: MAPK, Rap1, NF-kappa B, HIF-1, PI3K-Akt, Wnt, TGF-beta, Hippo and TNF, which indicated the core neuro-inflammation signaling pathways responding to the low-level and weakly activated inflammation and hypoxia, and leading to the chronic neuro-degeneration. The core neuro-inflammation signaling pathways can be used as novel therapeutic targets for effective AD treatment and prevention.

Abstract The risk of Alzheimer’s disease (AD) in women is about 2 times greater than in men. The estrogen hypothesis is being accepted as the essential sex factor causing the sex difference in AD. Also, the recent meta-analysis using large-scale medical records data indicated estrogen replacement therapy. However, the underlying molecular targets and mechanisms explaining this sex difference in AD disease development remain unclear. In this study, we identified that estrogen treatment can strongly inhibition of neuro-inflammation signaling targets, using the systems pharmacology model; and identified ESR1/ESR2 (the receptors of estrogen) are topologically close to the neuroinflammation biomarker genes using signaling network analysis. Moreover, the estrogen level in women decreased to an extremely lower level than in men after age 55. Pooling together the multiple pieces of evidence, it is concluded that the loss of estrogen unleashing neuro-inflammation increases the women’s risk of Alzheimer’s disease. These analysis results provide novel supporting evidence explaining the potential mechanism of the anti-neuroinflammation role of estrogen causing the sex difference of AD. Medications boosting the direct downstream signaling of ESR1/ESR2, or inhibiting upstream signaling targets of neuroinflammation, like JAK2 inhibitors, on the signaling network can be potentially effective or synergistic combined with estrogen for AD prevention and treatment.

Abstract Uncovering signaling links or cascades among proteins that potentially regulate tumor development and drug response is one of the most critical and challenging tasks in cancer molecular biology. Inhibition of the targets on the core signaling cascades can be effective as novel cancer treatment regimens. However, signaling cascades inference remains an open problem, and there is a lack of effective computational models. The widely used gene co-expression network (no-direct signaling cascades) and shortest-path based protein-protein interaction (PPI) network analysis (with too many interactions, and did not consider the sparsity of signaling cascades) were not specifically designed to predict the direct and sparse signaling cascades. To resolve the challenges, we proposed a novel deep learning model, deepSignalingLinkNet , to predict signaling cascades by integrating transcriptomics data and copy number data of a large set of cancer samples with the protein-protein interactions (PPIs) via a novel deep graph neural network model. Different from the existing models, the proposed deep learning model was trained using the curated KEGG signaling pathways to identify the informative omics and PPI topology features in the data-driven manner to predict the potential signaling cascades. The validation results indicated the feasibility of signaling cascade prediction using the proposed deep learning models. Moreover, the trained model can potentially predict the signaling cascades among the new proteins by transferring the learned patterns on the curated signaling pathways. The code was available at: https://github.com/fuhaililab/deepSignalingPathwayPrediction .

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 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

Alzheimer's disease (AD) is highly heterogenous, with significant variations in both clinical presentation and neurobiology. To explore this, we used normative modelling on multimodal neuroimaging data to index spatial patterns of neuroanatomical and neuropathological variability in AD participants. Furthermore, we quantify group differences in between-participant dissimilarity for each modality. Finally, we proposed a disease severity index based on outlier deviations, assessed the relationships between the severity index and cognitive function and examined whether the disease index was predictive of disease progression.Multimodal regional brain data were obtained in the form of gray matter volumes from T1-weighted MRI scans, amyloid SUVR (Standardized Uptake Value Ratio) from Florbetapir 18F AV45 amyloid PET and tau SUVR from Florbetapir 18F AV1451 tau PET scans respectively. A multimodal variational autoencoder-based normative model, adjusted on age and sex, was trained on cognitively unimpaired subjects (Clinical Dementia Rating [CDR®] = 0 and without amyloid positivity). The trained model was subsequently used to estimate regional Z-scores brain map for each individual with AD, measuring the deviation from the norm for each modality. Finally, statistical outliers were identified and a disease severity index was calculated for each AD participant.Subjects in the advanced AD stages (a) have more morphological and pathological brain changes, (b) have more within-group heterogeneity and (c) have a higher proportion of outlier regional deviations than people with preclinical AD and healthy controls. It was also observed that subject-level heterogeneity in MRI atrophy (neuroanatomical heterogeneity) and amyloid and tau deposition (neuropathological heterogeneity) are (a) significantly associated with cognitive performance and (b) can be potential markers to predict survival time before AD progression to advanced CDR stages.Individualized normative maps of brain atrophy, amyloid and tau loading highlight the heterogeneous effect of AD on the brain. The disease severity index based on regional outlier estimates can be potentially used to track an individual's disease progression or treatment response in clinical trials.

Abstract The integration and interpretation of multi-omics data play a crucial role in systems biology for prioritizing vital molecular targets and deciphering core signaling pathways of complex diseases, such as cancer, COVID-19 and Alzheimer’s disease. However, it remains a challenge that has not been adequately addressed. Graph neural networks (GNN) have emerged as powerful artificial intelligence models for analyzing data with a graphical structure. Nevertheless, GNN models have not been sufficiently designed for integrative and interpretable multi-omics data analysis. In this study, we propose a novel multi-scale multi-hop multi-omics GNN model, M3NetFlow , to integrate and interpret multi-omics data to rank key targets and infer core signaling pathways. Specifically, we applied the M3NetFlow model to infer cell-line-specific core signaling networks explaining drug combination response. The evaluation and comparison results on drug combination prediction showed that the M3NetFlow model achieved significantly higher prediction accuracy than existing GNN models. Furthermore, M3NetFlow can predict key targets and infer essential signaling networks regulating drug combination response. It is critical for guiding the development of personalized precision medicine for patients with drug resistance. This model can be applied to general multi-omics data-driven research. Aside from that, we developed the visualization tool, NetFlowVis , the better analysis of targets and signaling pathways of drugs and drug combinations.

ABSTRACT Objective Accurately identifying clinical phenotypes from Electronic Health Records (EHRs) provides additional insights into patients’ health, especially when such information is unavailable in structured data. This study evaluates the application of OpenAI’s transformer-based Generative Pre-trained Transformer (GPT)-4 model to identify clinical phenotypes from EHR text in non-small cell lung cancer (NSCLC) patients. The goal is to identify disease stages, treatments and progression utilizing GPT-4, and compare its performance against GPT-3.5-turbo, and two rule-based and machine learning-based methods, namely, scispaCy and medspaCy. Materials and Methods Phenotypes such as initial cancer stage, initial treatment, evidence of cancer recurrence, and affected organs during recurrence were identified from 13,646 records for 63 NSCLC patients from Washington University in St. Louis, Missouri. The performance of the GPT-4 model is evaluated against GPT-3.5-turbo, medspaCy and scispaCy by comparing precision, recall, and weighted F1 scores. Results GPT-4 achieves higher F1 score, precision, and recall compared to medspaCy and scispaCy’s models. GPT-3.5-turbo performs similar to that of GPT-4. GPT models are not constrained by explicit rule requirements for contextual pattern recognition. SpaCy models rely on predefined patterns, leading to their suboptimal performance. Discussion and Conclusion GPT-4 improves clinical phenotype identification due to its robust pre-training and remarkable pattern recognition capability on the embedded tokens. It demonstrates data-driven effectiveness even with limited context in the input. While rule-based models remain useful for some tasks, GPT models offer improved contextual understanding of the text, robust clinical phenotype extraction, and improved ability to provide better care to the patients.

Karyotype data are the most common form of genetic data that is regularly used clinically. They are collected as part of the standard of care in many diseases, particularly in pediatric and cancer medicine contexts. Karyotypes are represented in a unique text-based format, with a syntax defined by the International System for human Cytogenetic Nomenclature (ISCN). While human-readable, ISCN is not intrinsically machine-readable. This limitation has prevented the full use of complex karyotype data in discovery science use cases. To enhance the utility and value of karyotype data, we developed a tool named CytoGPS. CytoGPS first parses ISCN karyotypes into a machine-readable format. It then converts the ISCN karyotype into a binary Loss-Gain-Fusion (LGF) model, which represents all cytogenetic abnormalities as combinations of loss, gain, or fusion events, in a format that is analyzable using modern computational methods. Such data is then made available for comprehensive "downstream" analyses that previously were not feasible.