The recent identification of the minimal bacterial genome revealed that nearly one third (149) of the 473 encoded genes were of unknown function, demonstrating our limited understanding of the essential functions of life. Application of state of the art in silico methods for functional annotation demonstrated that these proteins of unknown function lack orthologs, known protein domains, and templates to model their structure. Combination of the results from different complementary approaches enabled functions to be assigned to 94 of the 149 proteins, although often with general terms such as transporter or DNA binding. 22 likely transporter proteins were identified indicating the importance of nutrient uptake into and waste disposal out of the minimal bacterial cell, where many metabolic enzymes have been removed. These results advance our understanding of the minimal bacterial genome and therefore aid synthetic biology and its application to biotechnology.

The Critical Assessment of Functional Annotation (CAFA) is an ongoing, global, community-driven effort to evaluate and improve the computational annotation of protein function. Here we report on the results of the third CAFA challenge, CAFA3, that featured an expanded analysis over the previous CAFA rounds, both in terms of volume of data analyzed and the types of analysis performed. In a novel and major new development, computational predictions and assessment goals drove some of the experimental assays, resulting in new functional annotations for more than 1000 genes. Specifically, we performed experimental whole-genome mutation screening in Candida albicans and Pseudomonas aureginosa genomes, which provided us with genome-wide experimental data for genes associated with biofilm formation and motility P. aureginosa only). We further performed targeted assays on selected genes in Drosophila melanogaster, which we suspected of being involved in long-term memory. We conclude that, while predictions of the molecular function and biological process annotations have slightly improved over time, those of the cellular component have not. Term-centric prediction of experimental annotations remains equally challenging; although the performance of the top methods is significantly better than expectations set by baseline methods in C. albicans and D. melanogaster, it leaves considerable room and need for improvement. We finally report that the CAFA community now involves a broad range of participants with expertise in bioinformatics, biological experimentation, biocuration, and bio-ontologies, working together to improve functional annotation, computational function

Abstract Here, we introduce a novel set of drug-adapted triple-negative breast cancer (TNBC) cell lines consisting of the parental cell lines MDA-MB-468, HCC38, and HCC1806 and their sublines adapted to cisplatin, doxorubicin, eribulin, paclitaxel, gemcitabine, or 5-fluorouracil. Whole exome sequencing in combination with the analysis of TCGA-derived patient data resulted in the identification of 135 biomarker candidates for the guidance of personalized TNBC therapies for further investigation, including 58 novel ones that had not been associated with drug resistance before. The analysis of exome sequencing data showed remarkably few overlaps among the resistant sublines, suggesting that each resistance formation process follows an individual, unpredictable route. This complexity was confirmed by cancer cell line drug sensitivity profiles to cytotoxic anti-cancer drugs and DNA damage repair inhibitors. Drug-adapted sublines of the same parental cell line and sublines adapted to the same drug substantially differed in their drug response patterns. Cross-resistance levels were lowest for the CHK2 inhibitor CCT241533, the PLK1 inhibitor SBE13, and the RAD51 recombinase inhibitor B02, making CHK2, PLK1, and RAD51 promising drug targets for therapy-refractory TNBC. In conclusion, we present novel preclinical models of acquired drug resistance in TNBC and 58 novel candidate biomarkers for further investigation. Whole exome data and drug sensitivity profiles showed that each cancer cell line adaptation process follows an unpredictable route, which reflects recent findings on cancer cell evolution in patients, supporting the relevance of drug-adapted cancer cell lines as preclinical models of acquired resistance.