ABSTRACT The development of computational tools for the systematic prediction of metabolic vulnerabilities of cancer cells constitutes a central question in systems biology. Here, we present gMCStool , a freely accessible and online tool that allows us to carry out this task in a simple, efficient and intuitive environment. gMCStool exploits the concept of genetic Minimal Cut Sets (gMCSs), a theoretical approach to synthetic lethality based on genome-scale metabolic networks, including a unique database of thousands of synthetic lethals computed from Human1, the most recent metabolic reconstruction of human cells. Based on RNA-seq data, gMCStool extends and improves our previously developed algorithms to predict, visualize and analyze metabolic essential genes in cancer, demonstrating a superior performance than competing algorithms in both accuracy and computational performance. A detailed illustration of gMCStool is presented for multiple myeloma (MM), an incurable hematological malignancy. gMCStool could identify a synthetic lethal that explains the dependency on CTP Synthase 1 (CTPS1) in a sub-group of MM patients. We provide in vitro experimental evidence that supports this hypothesis, which opens a new research area to treat MM.

Abstract Motivation With the frenetic growth of high-dimensional datasets in different biomedical domains, there is an urgent need to develop predictive methods able to deal with this complexity. Feature selection is a relevant strategy in machine learning to address this challenge. Results We introduce a novel feature selection algorithm for linear regression called BOSO (Bilevel Optimization Selector Operator). We conducted a benchmark of BOSO with key algorithms in the literature, finding a superior performance in highdimensional datasets. Proof-of-concept of BOSO for predicting drug sensitivity in cancer is presented. A detailed analysis is carried out for methotrexate, a well-studied drug targeting cancer metabolism. Availability A Matlab implementation of BOSO is available as a Supplementary Material. Contact fplanes@tecnun.es Supplementary Information Supplementary data are available at Bioinformatics online.

ABSTRACT Motivation The identification of minimal genetic interventions that modulate metabolic processes constitutes one of the most relevant applications of genome-scale metabolic models (GEMs). The concept of Minimal Cut Sets (MCSs) and its extension at the gene level, genetic Minimal Cut Sets (gMCSs), have attracted increasing interest in the field of Systems Biology to address this task. Different computational tools have been developed to calculate MCSs and gMCSs using both commercial and open-source software. Results Here, we present gMCSpy , an efficient Python package to calculate gMCSs in GEMs using both commercial and non-commercial optimization solvers. We show that gMCSpy substantially overperforms our previous computational tool GMCS, which exclusively relied on commercial software. Moreover, we compared gMCSpy with recently published competing algorithms in the literature, finding significant improvements in both accuracy and computation time. All these advances make gMCSpy an attractive tool for researchers in the field of Systems Biology for different applications in health and biotechnology. Availability and Implementation The Python package g MCSpy can be accessed at: https://github.com/PlanesLab/gMCSpy Contact fplanes@tecnun.es Supplementary Information

Abstract Synthetic lethality (SL) is a promising concept in cancer research. A wide array of computational tools has been developed to predict and exploit synthetic lethality for the identification of tumour-specific vulnerabilities. Previously, we introduced the concept of genetic Minimal Cut Sets (gMCSs), a theoretical approach to SL for genome-scale metabolic networks. The major challenge in our gMCS framework is to go beyond metabolic networks and extend existing algorithms to more complex protein-protein interactions. We present here a novel computation approach that adapts our previous gMCS formulation to incorporate linear regulatory pathways. Our novel approach is applied to calculate gMCSs in integrated metabolic and regulatory models of human cells. In particular, we integrate the most recent genome-scale metabolic network, Human1, with 3 different regulatory network databases: Omnipath, Dorothea and TRRUST. Based on the computed gMCSs and transcriptomic data, we detail new essential genes and their associated synthetic lethals for different cancer cell lines. The performance of the different integrated models is assessed with available large-scale in-vitro gene silencing data. Finally, we discuss the most relevant gene essentiality predictions based on published literature in cancer research.