Abstract Coronavirus disease 2019 (COVID-19) is caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection in humans. Despite several emerging vaccines, there remains no verifiable therapeutic targeted specifically to the virus. Here we present a highly effective siRNA therapeutic against SARS-CoV-2 infection using a novel lipid nanoparticle delivery system. Multiple small-interfering RNAs (siRNAs) targeting highly conserved regions of the SARS-CoV-2 virus were screened and three candidate siRNAs emerged that effectively inhibit virus by greater than 90% either alone or in combination with one another. We simultaneously developed and screened two novel lipid nanoparticle formulations for the delivery of these candidate siRNA therapeutics to the lungs, an organ that incurs immense damage during SARS-CoV-2 infection. Encapsulation of siRNAs in these LNPs followed by in vivo injection demonstrated robust repression of virus in the lungs and a pronounced survival advantage to the treated mice. Our LNP-siRNA approaches are scalable and can be administered upon the first sign of SARS-CoV-2 infection in humans. We suggest that an siRNA-LNP therapeutic approach could prove highly useful in treating COVID-19 disease as an adjunctive therapy to current vaccine strategies.

ABSTRACT The heterogeneity of liver non-parenchymal cells (NPCs) is essential for liver structure and function. However, the current understanding of liver NPCs, especially in different liver diseases, remains incompletely elucidated. Here, a single-cell transcriptome atlas of 171,814 NPCs from healthy and 5 typical liver disease mouse models, including alcoholic liver disease, nonalcoholic steatohepatitis (NASH), drug-induced liver injury, cholestatic, and ischemia-reperfusion liver injury is constructed. The inter- and intra-group heterogeneity of 12 types (and numerous subtypes) of NPCs involving endothelial cells, hepatic stellate cells (HSCs), neutrophils, T cells, and mononuclear phagocytes (MPs) are summarized. A protective subtype of neutrophils characterized by Chil3 high is validated and found significantly increasing only in drug-induced and cholestatic liver injury models. Transcriptional regulatory network analysis reveals disease-specific transcriptional reprogramming. Metabolic activity analysis indicates that fibrosis is accompanied by increases in glycolysis and retinol metabolism in activated HSCs and MPs. Moreover, we found that cell-cell interactions between cholangiocytes and immune cells contribute more to cholestatic liver fibrosis compared with NASH, while HSCs are more important for NASH fibrosis. Our atlas, together with an interactive website provides a systematic view of highly heterogeneous NPCs and a valuable resource to better understand pathological mechanisms underlying liver diseases.

ABSTRACT Target-based high-throughput compound screening dominates conventional one-drug-one-gene drug discovery process. However, the readout from the chemical modulation of a single protein is poorly correlated with phenotypic response of organism, leading to high failure rate in drug development. Chemical-induced gene expression profile provides an attractive solution to phenotype-based screening. However, the use of such data is currently limited by their sparseness, unreliability, and relatively low throughput. Several methods have been proposed to impute missing values for gene expression datasets. However, few existing methods can perform de novo chemical compound screening. In this study, we propose a mechanism-driven neural network-based method named DeepCE (Deep Chemical Expression) which utilizes graph convolutional neural network to learn chemical representation and multi-head attention mechanism to model chemical substructure-gene and gene-gene feature associations. In addition, we propose a novel data augmentation method which extracts useful information from unreliable experiments in L1000 dataset. The experimental results show that DeepCE achieves the superior performances not only in de novo chemical setting but also in traditional imputation setting compared to state-of-the-art baselines for the prediction of chemical-induced gene expression. We further verify the effectiveness of gene expression profiles generated from DeepCE by comparing them with gene expression profiles in L1000 dataset for downstream classification tasks including drug-target and disease predictions. To demonstrate the value of DeepCE, we apply it to patient-specific drug repurposing of COVID-19 for the first time, and generate novel lead compounds consistent with clinical evidences. Thus, DeepCE provides a potentially powerful framework for robust predictive modeling by utilizing noisy omics data as well as screening novel chemicals for the modulation of systemic response to disease.

ABSTRACT Liver transplantation (LT) is the standard therapy for patients with end-stage liver disease. Although LT technology has markedly progressed in recent decades, early allograft dysfunction (EAD) exacerbates the current organ shortage and impacts the prognosis of recipients. However, understanding of cellular characteristics and molecular events contributing to EAD is limited. Here, a large single-cell transcriptomic atlas of transplanted livers collected from four patients is constructed, including 58,243 cells, which are classified into 14 cell types and 29 corresponding subtypes with known markers, including liver parenchymal cells and non-parenchymal cells with different cell states. Compared to the pre-LT livers, graft remodeling is noted in the post-LT livers, with marked changes in several immune cells in either cell ratios or cell states. More importantly, an EAD-associated pathogenic cellular module is identified, consisting of mucosal-associated invariant T (MAIT) cells, granzyme B (GZMB) + granzyme K (GZMK) + natural killer (NK) cells, and S100A12 + neutrophils, all of which are elevated in EAD patient after LT. This cellular module is also verified in two independent datasets. Collectively, these results reveal the cellular characteristics of transplanted livers and the EAD-associated pathogenic cellular module at the single-cell level, offering new insights into the EAD occurrence after LT.

Abstract Intracerebral hemorrhage (ICH) is an acute cerebrovascular disease with high disability and mortality rates. Recombinant tissue plasminogen activator (rtPA) is commonly applied for hematoma evacuation in minimally invasive surgery (MIS) after ICH. However, rtPA may contact directly with brain tissue during MIS procedure, which makes it necessary to discuss the safety of rtPA. We found that, in the in vivo ICH model induced by VII-type collagenase, rtPA treatment improved the neurological function of ICH mice, alleviated the pathological damage and decreased the apoptosis and autophagy level of the peri-hematoma tissue. In the in-vitro model of ICH induced by hemin, the administration of rtPA down-regulated neuronal apoptosis, autophagy, and endoplasmic reticulum stress of neurons. Transcriptome sequencing analysis showed that rtPA treatment upregulated the PI3K/AKT/mTOR pathway in neurons, and PI3K inhibitor (LY294002) can reverse the protective effects of rtPA in inhibiting excessive apoptosis, autophagy and ER-stress. Epidermal growth factor receptor inhibitor (AG-1487) reversed the effect of rtPA on PI3K/AKT/mTOR pathway, which might indicate that the EGF domain played an important role in the activation of PI3K/AKT/mTOR pathway.

The newly-recognized somato-cognitive action network (SCAN) is posited to be important in movement coordination. Functional disruptions in Parkinson9s disease (PD) correspond with complex, non-effector-specific motor symptoms, indicating that SCAN dysfunction may underlie these symptoms. Along the same lines, the SCAN may link multiple neuromodulatory targets used for PD treatment. To investigate the role of the SCAN in PD, we leveraged resting-state precision functional mapping, analyzing data from 673 individuals across 6 independent datasets and 5 types of neuromodulation. Our findings revealed functional abnormalities within the SCAN in PD patients and the selective involvement of the SCAN in diverse neuromodulatory targets. Moreover, our data suggests causal links between SCAN connectivity changes and motor symptom alleviation following both invasive and non-invasive neuromodulation. Collectively, these findings underscore the critical role of the SCAN in the pathophysiology of PD and its brain stimulation treatments, and suggest the SCAN as a promising candidate target for neuromodulation.

MicroRNAs (miRNAs) are small noncoding RNAs that bind to the 3?-UTR of mRNAs and function mainly in post-transcriptional regulation. MiRNAs have been implicated to play roles in organ development, including that of the pancreas. Many miRNAs, such as miR-375, miR-124, miR-7, miR-21 and miR-221, have been shown to regulate insulin production as well as insulin secretion. However, it is not known whether miRNAs can regulate insulin secretion via the control of intracellular Ca2+ in pancreatic beta cells. In this research, expression profiles of miRNAs and mRNAs were investigated using RNA-sequencing and microarray analysis in chicken pancreatic nestin-positive progenitor cells and differentiated pancreatic beta cells. A number of miRNAs were up-regulated after differentiation of progenitors into beta cells, which regulate cell signaling pathways to control cell function. miR-223 and miR146a were shown to promote insulin secretion from pancreatic beta cells by regulating the concentration of intracellular Ca2+ via the down-regulation of their target genes.

Fibrolamellar hepatocellular carcinoma (FLHCC) is driven by J-PKAcα, a kinase fusion chimera of the J-domain of DnaJB1 with PKAcα, the catalytic subunit of Protein Kinase A (PKA). Here we report the crystal structures of the chimeric fusion RIα2:J-PKAcα2 holoenzyme formed by J-PKAcα and the PKA regulatory (R) subunit RIα, and the wild type (wt) RIα2:PKAcα2 holoenzyme. The chimeric and wt RIα holoenzymes have quaternary structures different from the previously solved wt RIβ and RIIβ holoenzymes. The chimeric holoenzyme shows an isoform-specific interface dominated by antiparallel interactions between the N3A-N3A motifs of RIα that serves as an anchor for RIα structural rearrangements during cAMP activation. The wt RIα holoenzyme showed the same configuration as well as a distinct second conformation. In the structure of the chimeric fusion RIα2:J-PKAcα2 holoenzyme, the presence of the J-domain does not prevent formation of the holoenzymes, and is positioned away from the symmetrical interface between the two RIα:J-PKAcα heterodimers in the holoenzyme. The J-domains have significantly higher temperature factors than the rest of the holoenzyme, implying a large degree of conformational flexibility. Furthermore molecular dynamics simulations were applied to analyze the conformational states of chimeric fusion and wt RIα holoenzymes, and showed an ensemble of conformations in the majority of which the J-domain was dynamic and rotated away from the R:J-PKAcα interface. Thus, rather than affecting the interactions with the regulatory subunits, the fusion of the J-domain to the PKAcα alters the conformational landscape of the chimeric fusion holoenzymes and potentially, as result, the interactions with other molecules. The structural and dynamic features of these holoenzymes enhance our understanding of the fusion chimera protein J-PKAcα that drives FLHCC as well as the isoform specificity of PKA.

Abstract De novo molecular design is a key challenge in drug discovery due to the complexity of chemical space. With the availability of molecular datasets and advances in machine learning, many deep generative models are proposed for generating novel molecules with desired properties. However, most of the existing models focus only on molecular distribution learning and target-based molecular design, thereby hindering their potentials in real-world applications. In drug discovery, phenotypic molecular design has advantages over target-based molecular design, especially in first-in-class drug discovery. In this work, we propose the first deep graph generative model (FAME) targeting phenotypic molecular design, in particular gene expression-based molecular design. FAME leverages a conditional variational autoencoder framework to learn the conditional distribution generating molecules from gene expression profiles. However, this distribution is difficult to learn due to the complexity of the molecular space and the noisy phenomenon in gene expression data. To tackle these issues, a gene expression denoising (GED) model that employs contrastive objective function is first proposed to reduce noise from gene expression data. FAME is then designed to treat molecules as the sequences of fragments and learn to generate these fragments in autoregressive manner. By leveraging this fragment-based generation strategy and the denoised gene expression profiles, FAME can generate novel molecules with a high validity rate and desired biological activity. The experimental results show that FAME outperforms existing methods including both SMILES-based and graph-based deep generative models for phenotypic molecular design. Furthermore, the effective mechanism for reducing noise in gene expression data proposed in our study can be applied to omics data modeling in general for facilitating phenotypic drug discovery.

Abstract Annotating ecological functions of environmental metagenomes is challenging due to a lack of specialized reference databases and computational barriers. Here we present the Eco logical Fun ction oriented M etagenomic A nalysis P ipeline (EcoFun-MAP) for efficient analysis of shotgun metagenomes in the context of ecological functions. We manually curated a reference database of EcoFun-MAP which is used for GeoChip design. This database included ∼1,500 functional gene families that were catalogued by important ecological functions, such as carbon, nitrogen, phosphorus, and sulfur cycling, metal homeostasis, stress responses, organic contaminant degradation, antibiotic resistance, microbial defense, electron transfer, virulence and plant growth promotion. EcoFun-MAP has five optional workflows from ultra-fast to ultra-conservative, fitting different research needs from functional gene exploration to stringent comparison. The pipeline is deployed on High Performance Computing (HPC) infrastructure with a highly accessible web-based interface. We showed that EcoFun-MAP is accurate and can process multi-million short reads in a minute. We applied EcoFun-MAP to analyze metagenomes from groundwater samples and revealed interesting insights of microbial functional traits in response to contaminations. EcoFun-MAP is available as a public web server at http://iegst1.rccc.ou.edu:8080/ecofunmap/ .