TElevated production of collagen-rich extracellular matrix (ECM) is a hallmark of cancer associated fibroblasts (CAFs) and a central driver of cancer aggressiveness. How to target ECM production to oppose cancer is yet unclear, since targeting CAFs has been shown to restrain but also promote cancer progression. Metabolic rewiring is a hallmark of CAFs. Here we find that proline, which is a highly abundant amino acid in collagen proteins, is newly synthesised from glutamine to make tumour collagen in breast cancer xenografts, and that its production is elevated in breast cancer CAFs. PYCR1 is the rate-limiting enzyme for proline synthesis and is highly expressed in the tumour stroma of breast cancer patients and in CAFs. Reducing PYCR1 levels in CAFs is sufficient to reduce tumour collagen production, tumour growth and metastatic spread in vivo and cancer cell proliferation in vitro. PYCR1 and COL1A1 are overexpressed in patients with invasive ductal carcinoma with poor prognosis. Both collagen and glutamine-derived proline synthesis in CAFs are enhanced by increased pyruvate dehydrogenase-derived acetyl-CoA levels, via gene expression regulation through the epigenetic regulator histone acetyl transferase EP300. Altogether, our work unveils unprecedented roles of CAF metabolism to support pro-tumorigenic collagen production. PYCR1 is a recognised cancer cell vulnerability and potential target for therapy, hence, our work provides evidence that targeting PYCR1 in tumours may have the additional benefit of halting the production of pro-tumorigenic ECM.

Abstract While gene expression profiling is commonly used to gain an overview of cellular processes, the identification of upstream processes that drive expression changes remains a challenge. To address this issue, we introduce CARNIVAL, a causal network building tool which derives network architectures from gene expression footprints. CARNIVAL (CAusal Reasoning pipeline for Network identification using Integer VALue programming) integrates different sources of prior knowledge, including signed and directed protein-protein interactions, transcription factor targets, and pathway signatures. The use of prior knowledge in CARNIVAL allows the capture of a broad set of upstream cellular processes and regulators, which in turn delivered results with higher accuracy when benchmarked against related tools. Implementation as an integer linear programming (ILP) problem also guarantees efficient computation. As a case study, we applied CARNIVAL to contextualize signaling networks from gene expression data in IgA nephropathy, a chronic kidney disease. CARNIVAL identified specific signaling pathways and associated mediators with important bioactivity in IgAN including WNT and TGF-β, that we subsequently validated experimentally. In summary, we demonstrated how CARNIVAL generates hypotheses on potential upstream alterations that propagate through signaling networks, providing valuable insights into disease processes. CARNIVAL, freely available as an R-package at https://saezlab.github.io/CARNIVAL , can be applied to any field of biomedical research to contextualize signaling networks and identify the causal relationships between downstream gene expression and upstream regulators.

Abstract Despite a recent increase in the number of RNA-seq datasets investigating heart failure (HF), accessibility and usability remain critical issues for medical researchers. We present Magnetique ( https://shiny.dieterichlab.org/app/magnetique ), an interactive web application to explore the transcriptional signatures of heart failure. We reanalyzed the Myocardial Applied Genomics Network RNA-seq dataset, one of the largest publicly available datasets of left ventricular RNA-seq samples from patients with dilated (DCM) or hypertrophic (HCM) cardiomyopathy, as well as unmatched non-failing hearts from organ donors and patient characteristics that allowed us to model confounding factors. Focusing on the DCM versus HCM contrast, we identified 201 differentially expressed genes and associated pathway signatures. Moreover, we predict underlying signaling networks based on inferred transcription factor activities. To the best of our knowledge, Magnetique is the first online application to provide an interactive view of the HF transcriptome by analyzing differential transcript isoform usage. Finally, another graphical view on statistically predicted RNA-binding protein to target transcript interactions complements the Magnetique web application. The source code for both the analyses ( https://github.com/dieterich-lab/magnetiqueCode2022 ) and the web application ( https://github.com/AnnekathrinSilvia/magnetique ) is available to the public. We hope that our application will help users to uncover the molecular basis of heart failure.

Abstract Time-course multi-omics data of a murine model of progressive heart failure induced by transverse aortic constriction (TAC) provide insights into the molecular mechanisms that are causatively involved in contractile failure and structural cardiac remodelling. We employ Illumina-based transcriptomics, Nanopore sequencing, and mass spectrometry-based proteomics on samples from the left ventricle (LV) and right ventricle (RV, RNA only) of the heart at 1, 7, 21, and 56 days following TAC and Sham surgery. Here, we present TACOMA, as an interactive web-application that integrates and visualizes transcriptomics and proteomics data collected in a TAC time-course experiment. TACOMA enables users to visualize the expression profile of known and novel genes and protein products thereof. Importantly, we capture alternative splicing events by assessing differential transcript and exon usage as well. Co-expression-based clustering algorithms and functional enrichment analysis revealed overrepresented annotations of biological processes and molecular functions at the protein and gene levels. To enhance data integration, TACOMA synchronizes transcriptomics and proteomics profiles, enabling cross-omics comparisons. With TACOMA ( https://shiny.dieterichlab.org/app/tacoma ), we offer a rich web-based resource to uncover molecular events and biological processes implicated in contractile failure and cardiac hypertrophy. For example, we highlight: (i) changes in metabolic genes and proteins in the time course of hypertrophic growth and contractile impairment; (ii) identification of RNA splicing changes in the expression of Tpm2 isoforms between RV and LV; and (iii) novel transcripts and genes likely contributing to the pathogenesis of heart failure. We plan to extend these data with additional environmental and genetic models of heart failure to decipher common and distinct molecular changes in heart diseases of different aetiologies. Database URL https://shiny.dieterichlab.org/app/tacoma

Abstract Multi-omics datasets can provide molecular insights beyond the sum of individual omics. Diverse tools have been recently developed to integrate such datasets, but there are limited strategies to systematically extract mechanistic hypotheses from them. Here, we present COSMOS (Causal Oriented Search of Multi-Omics Space), a method that integrates phosphoproteomics, transcriptomics, and metabolics datasets. COSMOS combines extensive prior knowledge of signaling, metabolic, and gene regulatory networks with computational methods to estimate activities of transcription factors and kinases as well as network-level causal reasoning. COSMOS provides mechanistic hypotheses for experimental observations across multi-omics datasets. We applied COSMOS to a dataset comprising transcriptomics, phosphoproteomics, and metabolomics data from healthy and cancerous tissue from nine renal cell carcinoma patients. We used COSMOS to generate novel hypotheses such as the impact of Androgen Receptor on nucleoside metabolism and the influence of the JAK-STAT pathway on propionyl coenzyme A production. We expect that our freely available method will be broadly useful to extract mechanistic insights from multi-omics studies. Abstract Figure

A bstract The gene encoding tumor protein p53 ( TP53 ) is the most frequently mutated gene in human cancer. Mutations in both coding and non-coding regions of TP53 can disrupt the regulatory function of the transcription factor, but the functional impact of different somatic mutations on the global TP53 regulon is complex and poorly understood. To address this, we first proceed with a machine learning (ML) approach, and then propose an integrated computational network modelling approach that reconstructs signalling networks using a comprehensive collection of experimental and predicted regulons, and compares their topology. We evaluate both these approaches in a scrutinized pan-cancer analysis of matched genomics and transcriptomics data from 1,457 cell lines (22 cancer types) and 12,531 clinical samples (54 cancer sub-types). Using a ML approach based on penalized generalized linear regression we were able to predict TP53 mutation, but failed to resolve different mutation types. Thus, to infer the impact of different TP53 mutations we compared the topological characteristics of the optimized and reconstructed (upwards of twenty thousand) gene networks and extracted gene signatures for each mutation type using network analysis. We demonstrate that by accounting for TP53 mutation characteristics such as i) mutation type (e.g. missense, nonsense), ii) deleterious consequences of the mutation, or iii) mapping to previously identified hotspots, we can infer a much richer understanding of gene expression regulation, than when simply grouping samples based on their mutation/wild type or gene expression status. Our study highlights a powerful strategy exploiting signalling networks to systematically characterize the functional impact of the full spectrum of somatic mutations. This approach can be applied in general to genetic variation, with clear implications for, but not limited to, the biomedical domain and precision medicine.

Motivation: The molecular changes induced by perturbations such as drugs and ligands are highly informative of the intracellular wiring. Our capacity to generate large data-sets is increasing steadily as new experimental approaches are developed. A useful way to extract mechanistic insight from the data is by integrating them with a prior knowledge network of signalling to obtain dynamic models. Logic models scale better with network size than alternative kinetic models, while keeping the interpretation of the model simple, making them particularly suitable for large datasets. Results: CellNOpt is a collection of Bioconductor R packages for building logic models from perturbation data and prior knowledge of signalling networks. We have recently developed new components and refined the existing ones. These updates include (i) an Integer Linear Programming (ILP) formulation which guarantees efficient optimisation for Boolean models, (ii) a probabilistic logic implementation for semi-quantitative datasets and (iii) the integration of MaBoSS, a stochastic Boolean simulator. Furthermore, we introduce Dynamic-Feeder, a tool to identify missing links not present in the prior knowledge. We have also implemented systematic post-hoc analyses to highlight the key components and parameters of our models. Finally, we provide an R-Shiny tool to run CellNOpt interactively. Availability: R-package(s): https://github.com/saezlab/cellnopt