Abstract Rheumatoid arthritis (RA) is an autoimmune disease characterized by joint inflammation, strongly associated with the activity of autoreactive CD4+ T cells. DNMT3A mutations are the most common somatic mutations found in the hematopoietic system of patients with rheumatoid arthritis. However, the role of DNMT3A in CD4+ T cells and CD4+ T follicular helper (Tfh) cells is poorly understood. Since somatic mutations are not identified in standard genome-wide association studies, somatic mutations’ impact on the etiology of diseases could be underestimated. Here, we thoroughly characterized and used the KRN+ splenocyte transfer model of autoimmune joint inflammation and inactivated Dnmt3a using CRISPR-Cas9 and standard Cre/loxP approaches. Experiments with competitive bone marrow (BM) chimeras identified a positive role for Dnmt3a in Tfh differentiation, which was validated by comparing mice with Dnmt3a mutations in CD4+ cells to animals with WT Dnmt3a . In conclusion, We identify that Dnmt3a mutations limit normal and autoreactive Tfh differentiation. Key findings – Dnmt3a mutations limit Tfh differentiation, which could contribute to reduced immune responses in individuals with somatic DNMT3A mutations. – Deep characterization of the KRN+ splenocyte transfer model defines a dynamic process leading to reproducible autoimmune joint inflammation. – The immuno-CRISPR (iCR) methodology can be used to test the role of candidate genes in disease models.

Abstract Aldehyde oxidase (AOX) is a molybdoenzyme that is primarily expressed in the liver and is involved in the metabolism of drugs and other xenobiotics. AOX-mediated metabolism can result in unexpected outcomes, such as the production of toxic metabolites and high metabolic clearance, which can lead to the clinical failure of novel therapeutic agents. Computational models can assist medicinal chemists in rapidly evaluating the AOX metabolic risk of compounds during the early phases of drug discovery and provide valuable clues for manipulating AOX-mediated metabolism liability. In this study, we developed a novel graph neural network called AOMP for predicting AOX-mediated metabolism. AOMP integrated the tasks of metabolic substrate/non-substrate classification and metabolic site prediction, while utilizing transfer learning from 13C nuclear magnetic resonance data to enhance its performance on both tasks. AOMP significantly outperformed the benchmark methods in both cross-validation and external testing. Using AOMP, we systematically assessed the AOX-mediated metabolism of common fragments in kinase inhibitors and successfully identified four new scaffolds with AOX metabolism liability, which were validated through in vitro experiments. Furthermore, for the convenience of the community, we established the first online service for AOX metabolism prediction based on AOMP, which is freely available at https://aomp.alphama.com.cn .

Microbial inorganic nitrogen (N) immobilization constitutes an important mechanism for soil N retention. However, the immobilization rates of inorganic N by fungi and bacteria, the dominant microorganisms in soil, are still unavailable due to the high diversity and complexity of soil microorganisms. Here we propose a mathematical framework, based on measurable gross inorganic N immobilization rate and proxies of fungal and bacterial inorganic N immobilization rates, to quantify the respective immobilization rates of inorganic N by fungal and bacterial communities in soil. Our approach may help to further unravel retention mechanisms for bioavailable nitrogen in soils.

Complex neuropsychiatric diseases such as schizophrenia require drugs that can target multiple G protein-coupled receptors (GPCRs) to modulate complex neuropsychiatric functions. Here, we report an automated system comprising a deep recurrent neural network (RNN) and a multitask deep neural network (MTDNN) to design and optimize multitargeted antipsychotic drugs. The system successfully generates novel molecule structures with desired multiple target activities, among which high-ranking compound 3 was synthesized, and demonstrated potent activities against dopamine D2, serotonin 5-HT1A and 5-HT2A receptors. Hit expansion based on the MTDNN was performed, 6 analogs of compound 3 were evaluated experimentally, among which compound 8 not only exhibited specific polypharmacology profiles but also showed antipsychotic effect in animal models with low potential for sedation and catalepsy, highlighting their suitability for further preclinical studies. The approach can be an efficient tool for designing lead compounds with multitarget profiles to achieve the desired efficacy in the treatment of complex neuropsychiatric diseases.