Abstract Drug combinations targeting multiple targets/pathways are believed to be able to reduce drug resistance. Computational models are essential for novel drug combination discovery. In this study, we proposed a new simplified deep learning model, DeepSignalingSynergy , for drug combination prediction. Compared with existing models that use a large number of chemical-structure and genomics features in densely connected layers, we built the model on a small set of cancer signaling pathways, which can mimic the integration of multi-omics data and drug target/mechanism in a more biological meaningful and explainable manner. The evaluation results of the model using the NCI ALMANAC drug combination screening data indicated the feasibility of drug combination prediction using a small set of signaling pathways. Interestingly, the model analysis suggested the importance of heterogeneity of the 46 signaling pathways, which indicates that some new signaling pathways should be targeted to discover novel synergistic 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 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 Survival analysis and prediction are important in cancer studies. In addition to the Cox proportional hazards model, recently deep learning models have been proposed to integrate the multi-omics data for survival prediction. Cancer signaling pathways are important and interpretable concepts that define the signaling cascades regulating cancer development and drug resistance. Thus, it is interesting and important to investigate the relevance to patients’ survival of individual signaling pathways. In this exploratory study, we propose to investigate the relevance and difference of a small set of core cancer signaling pathways in the survival analysis of cancer patients. Specifically, we built a biologically meaningful and simplified deep neural network, DeepSigSurvNet, for survival prediction. In the model, the gene expression and copy number data of 1648 genes from 46 major signaling pathways are used. We applied the model on 4 types of cancer and investigated the relevance and difference of the 46 signaling pathways among the 4 types of cancer. Interestingly, the interpretable analysis identified the distinct patterns of these signaling pathways, which are helpful to understand the relevance of the signaling pathways in terms of their association with cancer survival time. These highly relevant signaling pathways can be novel targets, combined with other essential signaling pathways inhibitors, for drug and drug combination prediction to improve cancer patients’ survival time.

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

Medulloblastoma (MB) is the most common malignant brain tumor in children. Despite aggressive therapy, about one-third of patients with MB still die, and survivors suffer severe long-term side effects due to the treatments. The poor post-treatment outcomes are tightly linked to unpredictable drug resistance. Therefore, before developing robust single drug or drug combination recommendation algorithms, uncovering the underlying protein-protein interaction (PPI) network patterns that accurately explain and predict drug resistances for MB subtypes is essential and important. In this study, we hypothesize that the loop sub-structure within the PPI network can explain and predict drug resistance. Both static and dynamic models are built to evaluate this hypothesis for three MB subtypes. Specifically, a static model is created to first validate that many reported therapeutic targets are located topologically on highly deregulated loop sub-structure and then to characterize the loop for tumors without treatment. Next, with the after-treatment time-series genomics data, a dynamic hidden Markov model (HMM) with newly designed initialization scheme estimates the successful and unsuccessful occurrence probabilities for each given PPI and then re-delineates the loop for post-treatment tumors. Finally, the comparison of loop structures pre- and post- treatment distinguishes effective and ineffective treatment options, demonstrating that the loop sub-structure is capable of interpreting the mechanism of drug resistance. In summary, effective treatments show much stronger inhibition of cell cycle and DNA replication proteins when compared to ineffective treatments after considering the cross talk of multiple pathways (the loop).

Cancers are complex diseases that are regulated by multiple signaling pathways. Patients often acquire resistance to single drug treatment. Use of drug combinations that target multiple parallel pathways is a promising strategy to reduce the drug resistance. Pharmacogenomics big data are being generated to uncover complex signaling mechanisms of cancers and correlate cancer-specific signaling with diverse drug responses. Thus, converting pharmacogenomics big data into knowledge can help the discovery of synergistic drug combination. However, it is challenging and remains an open problem due to the enormous number of combination possibilities and noise of genomics data.

Abstract With the advent of sequencing technology, large-scale multi-omics data have been generated to understand the diversity and heterogeneity of genetic targets and associated complex signaling pathways at multiple levels in diseases, which are critical targets to guide the development of personalized precision medicine. However, it remains a challenging task to computationally mine a few essential targets and pathways from a large number of variables characterized by the multi-level multi-omics data. In this study, we proposed a novel interpretable k-hop graph attention network model, k-hop GAT, to integrate the multi-omics data to infer the essential targets and related signaling networks. We evaluated the proposed model using the multi-omics data, i.e., genetic mutation, copy number variation, methylation, gene expression data, of 332 cancer lines; and the experimentally identified essential targets. The validation and comparison results indicated that the proposed model outperformed the GAT and graph convolutional network (GCN) models.

Abstract Heart failure is a major cause of mortality. In these recent studies, novel evidence, using single-cell transcriptomic data, was reported to indicate that macrophages and fibroblasts play important roles in heart failure. The involvement of macrophages in inflammation and the relationship between inflammation and fibrosis has been established. However, the underlying molecular targets and signaling pathways mediating signaling interactions among macrophages, fibroblasts, and cardiomyocytes remain unclear. In this study, analyzing the scRNA-seq datasets using deep learning models, we ranked the cell-type specific molecular targets; and uncovered the dysfunctional intra- and inter-cellular signaling pathways that are potentially associated with heart failure. The signaling targets and pathways could be helpful in identifying effective medications for heart disease inflammation management to prevent heart failure.