Background Many prediction tools for microRNA (miRNA) targets have been developed, but inconsistent predictions were observed across multiple algorithms, which can make further analysis difficult. Moreover, the nomenclature of human miRNAs changes rapidly. To address these issues, we developed a web-based system, miRSystem, for converting queried miRNAs to the latest annotation and predicting the function of miRNA by integrating miRNA target gene prediction and function/pathway analyses. Results First, queried miRNA IDs were converted to the latest annotated version to prevent potential conflicts resulting from multiple aliases. Next, by combining seven algorithms and two validated databases, potential gene targets of miRNAs and their functions were predicted based on the consistency across independent algorithms and observed/expected ratios. Lastly, five pathway databases were included to characterize the enriched pathways of target genes through bootstrap approaches. Based on the enriched pathways of target genes, the functions of queried miRNAs could be predicted. Conclusions MiRSystem is a user-friendly tool for predicting the target genes and their associated pathways for many miRNAs simultaneously. The web server and the documentation are freely available at http://mirsystem.cgm.ntu.edu.tw/.

The study of high-throughput genomic profiles from a pharmacogenomics viewpoint has provided unprecedented insights into the oncogenic features modulating drug response. A recent study screened for the response of a thousand human cancer cell lines to a wide collection of anti-cancer drugs and illuminated the link between cellular genotypes and vulnerability. However, due to essential differences between cell lines and tumors, to date the translation into predicting drug response in tumors remains challenging. Recently, advances in deep learning have revolutionized bioinformatics and introduced new techniques to the integration of genomic data. Its application on pharmacogenomics may fill the gap between genomics and drug response and improve the prediction of drug response in tumors. We proposed a deep learning model to predict drug response (DeepDR) based on mutation and expression profiles of a cancer cell or a tumor. The model contains three deep neural networks (DNNs), i) a mutation encoder pre-trained using a large pan-cancer dataset (The Cancer Genome Atlas; TCGA) to abstract core representations of high-dimension mutation data, ii) a pre-trained expression encoder, and iii) a drug response predictor network integrating the first two subnetworks. Given a pair of mutation and expression profiles, the model predicts IC50 values of 265 drugs. We trained and tested the model on a dataset of 622 cancer cell lines and achieved an overall prediction performance of mean squared error at 1.96 (log-scale IC50 values). The performance was superior in prediction error or stability than two classical methods (linear regression and support vector machine) and four analog DNN models of DeepDR, including DNNs built without TCGA pre-training, partly replaced by principal components, and built on individual types of input data. We then applied the model to predict drug response of 9059 tumors of 33 cancer types. Using per-cancer and pan-cancer settings, the model predicted both known, including EGFR inhibitors in non-small cell lung cancer and tamoxifen in ER+ breast cancer, and novel drug targets, such as vinorelbine for TTN-mutated tumors. The comprehensive analysis further revealed the molecular mechanisms underlying the resistance to a chemotherapeutic drug docetaxel in a pan-cancer setting and the anti-cancer potential of a novel agent, CX-5461, in treating gliomas and hematopoietic malignancies. Here we present, as far as we know, the first DNN model to translate pharmacogenomics features identified from in vitro drug screening to predict the response of tumors. The results covered both well-studied and novel mechanisms of drug resistance and drug targets. Our model and findings improve the prediction of drug response and the identification of novel therapeutic options.

Molecular Regulatory Pathways (MRPs) are crucial for understanding biological functions. Knowledge Graphs (KGs) have become vital in organizing and analyzing MRPs, providing structured representations of complex biological interactions. Current tools for mining KGs from biomedical literature are inadequate in capturing complex, hierarchical relationships and contextual information about MRPs. Large Language Models (LLMs) like GPT-4 offer a promising solution, with advanced capabilities to decipher the intricate nuances of language. However, their potential for end-to-end KG construction, particularly for MRPs, remains largely unexplored.

Abstract Six Transmembrane Epithelial Antigen of Prostate 2 (STEAP2) belongs to a family of metalloreductases, which indirectly aid in uptake of iron and copper ions. Its role in hepatocellular carcinoma (HCC) remains to be characterized. Here, we report that STEAP2 expression was upregulated in HCC tumors compared with paired adjacent non-tumor tissues by RNA sequencing, RT-qPCR, Western blotting, and immunostaining. Public HCC datasets demonstrated upregulated STEAP2 expression in HCC and positive association with tumor grade. Transient and stable knockdown (KD) of STEAP2 in HCC cell lines abrogated their malignant phenotypes in vitro and in vivo, while STEAP2 overexpression showed opposite effects. STEAP2 KD in HCC cells led to significant alteration of genes associated with extracellular matrix organization, cell adhesion/chemotaxis, negative enrichment of an invasiveness signature gene set, and inhibition of cell migration/invasion. STEAP2 KD reduced intracellular copper levels and activation of stress-activated MAP kinases including p38 and JNK. Treatment with copper rescued the reduced HCC cell migration due to STEAP2 KD and activated p38 and JNK. Furthermore, treatment with p38 or JNK inhibitors significantly inhibited copper-mediated cell migration. Thus, STEAP2 plays a malignant-promoting role in HCC cells by driving migration/invasion via increased copper levels and MAP kinase activities. Our study uncovered a novel molecular mechanism contributing to HCC malignancy and a potential therapeutic target for HCC treatment.

ABSTRACT Epitranscriptome is an exciting area that studies different types of modifications in transcripts and the prediction of such modification sites from the transcript sequence is of significant interest. However, the scarcity of positive sites for most modifications imposes critical challenges for training robust algorithms. To circumvent this problem, we propose MR-GAN, a generative adversarial network (GAN) based model, which is trained in an unsupervised fashion on the entire pre-mRNA sequences to learn a low dimensional embedding of transcriptomic sequences. MR-GAN was then applied to extract embeddings of the sequences in a training dataset we created for eight epitranscriptome modifications, including m 6 A, m 1 A, m 1 G, m 2 G, m 5 C, m 5 U, 2′- O -Me, Pseudouridine (Ψ) and Dihydrouridine (D), of which the positive samples are very limited. Prediction models were trained based on the embeddings extracted by MR-GAN. We compared the prediction performance with the one-hot encoding of the training sequences and SRAMP, a state-of-the-art m 6 A site prediction algorithm and demonstrated that the learned embeddings outperform one-hot encoding by a significant margin for up to 15% improvement. Using MR-GAN, we also investigated the sequence motifs for each modification type and uncovered known motifs as well as new motifs not possible with sequences directly. The results demonstrated that transcriptome features extracted using unsupervised learning could lead to high precision for predicting multiple types of epitranscriptome modifications, even when the data size is small and extremely imbalanced.

Abstract We consider cancer classification based on one single gene expression profile. We proposed CancerSiamese, a new one-shot learning model, to predict the cancer type of a query primary or metastatic tumor sample based on a support set that contains only one known sample for each cancer type. CancerSiamese receives pairs of gene expression profiles and learns a representation of similar or dissimilar cancer types through two parallel Convolutional Neural Networks joined by a similarity function. We trained CancerSiamese for both primary and metastatic cancer type predictions using samples from TCGA and MET500. Test results for different N -way predictions yielded an average accuracy improvement of 8% and 4% over the benchmark 1-Nearest Neighbor (1-NN) classifier for primary and metastatic tumors, respectively. Moreover, we applied the guided gradient saliency map and feature selection to CancerSiamese to identify and analyze the marker-gene candidates for primary and metastatic cancers. Our work demonstrated, for the first time, the feasibility of applying one-shot learning for expression-based cancer type prediction when gene expression data of cancer types are limited and could inspire new and ingenious applications of one-shot and few-shot learning solutions for improving cancer diagnosis, treatment planning, and our understanding of cancer.

Cardiac non-myocytes comprise a diverse and crucial cell population in the heart that plays dynamic roles in cardiac wound healing and growth. Non-myocytes broadly fall into four cell types: endothelium, fibroblasts, leukocytes, and pericytes. Here we characterize the diversity of the non-myocytes in vivo and in vitro using mass cytometry. By leveraging single-cell RNA sequencing we inform the design of a mass cytometry panel. To aid in annotation of the mass cytometry datasets, we utilize data integration with a neural network. We introduce approximately 460,000~ single cell proteomes of non-myocytes as well as 5,000~ CD31 negative single cell transcriptomes. Using our data, as well as previously reported datasets, we characterize cardiac non-myocytes with high depth in six mice, characterizing novel surface markers (CD9, CD200, Notch3, and FolR2). Further, we find that extended cell culture promotes the proliferation of CD45+CD11b+FolR2+IAIE- myeloid cells in addition to fibroblasts.

Abstract Large-scale genetic and pharmacologic dependency maps are generated to reveal genetic vulnerabilities and drug sensitivities of cancer. However, user-friendly software is needed to systematically link such maps. Here we present DepLink, an R Shiny server to identify genetic and pharmacologic perturbations that induce similar effects on cell viability or molecular changes. DepLink integrates heterogeneous datasets of genome-wide CRISPR loss-of-function screens, high-throughput pharmacologic screens, and perturbation expression signatures. The datasets are systematically connected by four complementary modules tailored for different query scenarios. In summary, DepLink enables easy navigation, visualization, and linkage of rapidly evolving cancer dependency maps.