ABSTRACT Molecular adaptations are prevalent in carnivorous plants in response to habitat and environmental stress. We used the chloroplast genome and characterized the specific adaptations in the photosystem genes and their interacting partners in Nepenthes khasiana , a carnivorous pitcher plant. When compared with the carnivorous and non-carnivorous groups across Caryophyllales, Lamiales, Poales, Ericales, and Oxalidales, we found Nepenthes -specific changes in psaA, psaB, psaC and psaH. Of these, only a single amino acid change each, G147 in the protein psaA and R40 in the protein ndhD, impacted the three-dimensional structural conformation of the corresponding proteins. Modeling the interaction between the psaA and the ndhD proteins identified group-specific changes between the models between Nepentheceae versus others. The least distance between the structure-impacting residues of psaA and ndhD was 25.9 Å for Nepenthes and 19.4 Å for non- Nepenthes models. Given that the chloroplast ndh and photosystem I subunits form a large super-complex with the light-harvesting carrier proteins from the nucleus to mediate cyclic electron transport, our observations may indicate specific adaptations in the cyclic electron transport arm of the photosynthetic machinery in the Nepenthes species.

Oral tongue squamous cell carcinomas (OTSCC) are a homogenous group of tumors characterized by aggressive behavior, early spread to lymph nodes and a higher rate of regional failure. Additionally, the incidence of OTSCC among younger population (<50yrs) is on a rise; many of who lack the typical associated risk factors of alcohol and/or tobacco exposure. We present data on SNVs, indels, regions with LOH, and CNVs from fifty-paired oral tongue primary tumors and link the significant somatic variants with clinical parameters, epidemiological factors including HPV infection and tumor recurrence. Apart from the frequent somatic variants harbored in TP53, CASP8, RASA1, NOTCH and CDKN2A genes, significant amplifications and/or deletions were detected in chromosomes 6-9, and 11 in the tumors. Variants in CASP8 and CDKN2A were mutually exclusive. CDKN2A, PIK3CA, RASA1 and DMD variants were exclusively linked to smoking, chewing, HPV infection and tumor stage. We also performed whole-genome gene expression study that identified matrix metalloproteases to be highly expressed in tumors and linked pathways involving arachidonic acid and NF-κ-B to habits and distant metastasis, respectively. Functional knockdown studies in cell lines demonstrated the role of CASP8 in HPV-negative OTSCC cell line. Finally, we identified a 38-gene minimal signature that predicts tumor recurrence using an ensemble machine learning method. Taken together, this study is unique in linking genetic signatures to various clinical and epidemiological factors in a homogeneous tumor population with a relatively high HPV prevalence.

Abstract Molecular subtyping is essential to infer tumor aggressiveness and predict prognosis. In practice, tumor profiling requires in-depth knowledge of bioinformatics tools involved in the processing and analysis of the generated data. Additionally, data incompatibility (e.g., microarray vs. RNA sequencing data) and technical and uncharacterized biological variance between training and test data can pose challenges in classifying individual samples. In this article, we provide a roadmap for implementing bioinformatics frameworks for molecular profiling of human cancers in a clinical diagnostic setting. We describe a framework for integrating several methods for quality control, normalization, batch correction, classification, and reporting and a use case of the framework in breast cancer.

Neem (Azadirachta indica A. Juss.), an evergreen tree of the Meliaceae family, is known for its medicinal, cosmetic, pesticidal and insecticidal properties. We had previously sequenced and published the draft genome of the plant, using mainly short read sequencing data. In this report, we present an improved genome assembly generated using additional short reads from Illumina and long reads from Pacific Biosciences SMRT sequencer. We assembled short reads and error corrected long reads using Platanus, an assembler designed to perform well for heterozygous genomes. The updated genome assembly (v2.0) yielded 3- and 3.5-fold increase in N50 and N75, respectively; 2.6-fold decrease in the total number of scaffolds; 1.25-fold increase in the number of valid transcriptome alignments; 13.4-fold less mis-assembly and 1.85-fold increase in the percentage repeat, over the earlier assembly (v1.0). The current assembly also maps better to the genes known to be involved in the terpenoid biosynthesis pathway. Together, the data represents an improved assembly of the A. indica genome. The raw data described in this manuscript are submitted to the NCBI Short Read Archive under the accession numbers SRX1074131, SRX1074132, SRX1074133, and SRX1074134 (SRP013453).

RNA sequencing (RNA-seq) is a powerful technology for identification of novel transcripts (coding, non-coding and splice variants), understanding of transcript structures and estimation of gene and/or allelic expression. There are specific challenges that biologists face in determining the number of replicates to use, total number of sequencing reads to generate for detecting marginally differentially expressed transcripts and the number of lanes in a sequencing flow cell to use for the production of right amount of information. Although past studies attempted answering some of these questions, there is a lack of accessible and biologist-friendly mobile applications to answer these questions. Keeping this in mind, we have developed RNAtor, a mobile application for Android platforms, to aid biologists in correctly designing their RNA-seq experiments. The recommendations from RNAtor are based on simulations and real data. Availability and Implementation The Android version of RNAtor is available on Google Play Store and the code from GitHub (https://github.com/binaypanda/RNAtor).

Plant-derived secondary metabolites play a vital role in the food, pharmaceutical, agrochemical and cosmetic industry. Metabolite concentrations are measured after extraction, biochemistry and analyses, requiring time, access to expensive equipment, reagents and specialized skills. Additionally, metabolite concentration often varies widely among plants, even within a small area. A quick method to estimate the metabolite concentration class (high or low) will significantly help in selecting trees yielding high metabolites for the metabolite production process. Here, we demonstrate a deep learning approach to estimate the concentration class of an intracellular metabolite, azadirachtin, using models built with images of leaves and fruits collected from randomly selected Azadirachta indica (neem) trees in an area spanning >500,000 sqkms and their corresponding biochemically measured metabolite concentrations. We divided the input data randomly into training- and test-sets ten times to avoid sampling bias and to optimize the model parameters during cross-validation. The training-set contained >83,000 fruit and >86,000 leaf images. The best models yielded prediction errors of 19.13% and 15.11% (for fruit), and 8% and 26.67% (for leaf), each, for low and high metabolite classes, respectively. We further validated the fruit model using independently collected fruit images from different locations spanning nearly 130,000 sqkms, with 70% accuracy. We developed a desktop application to scan offline image(s) and a mobile application for real-time utility to predict the metabolite content class. Our work demonstrates the use of a deep learning method to estimate the concentration class of an intracellular metabolite using images, and has broad applications and utility.

Tumor suppression by the extracts of Azadirachta indica (neem) works via anti-proliferation, cell cycle arrest, and apoptosis, demonstrated previously using cancer cell lines and live animal models. However, very little is known about the molecular targets and pathways that the neem extracts and the associated compounds act through. Here, we address this using a genome-wide functional pooled shRNA screen on head and neck squamous cell carcinoma cell line treated with crude neem leaf extracts, known for their anti-tumorigenic activity. By analyzing differences in global clonal sizes of the shRNA-infected cells cultured under no treatment and treatment with neem leaf extract conditions, assayed using next-generation sequencing, we found 225 genes affected the cancer cell growth in the shRNA-infected cells treated with neem extract. Pathway enrichment analyses of whole-genome gene expression data from cells temporally treated with neem extract revealed important roles played by the TGF-β pathway and HSF-1-related gene network. Our results indicate that neem extract simultaneously affects various important molecular signaling pathways in head and neck cancer cells, some of which may be therapeutic targets for this devastating tumor.

Purpose The prevalence of human papillomavirus (HPV) in oral cavity squamous cell carcinoma (OSCC) varies significantly based on assay sensitivity and patient geography. Accurate detection is essential to understand the role of HPV in disease prognosis and management of patients with OSCC. Methods We generated and integrated data from multiple analytes (HPV DNA, HPV RNA, and p16), assays (immunohistochemistry, PCR, qPCR and digital PCR) and molecular changes (somatic mutations and DNA methylation) from 153 OSCC patients to correlate p16 expression, HPV DNA, and HPV RNA with HPV incidence and patient survival. Results High prevalence (33-58%) of HPV16 and HPV18 DNA did not correlate with the presence of transcriptionally active viral genomes (15%) in tumors. Eighteen percent of the tumors were p16 positive and only 6% were both HPV DNA and RNA positive. Most tumors with relatively high-copy HPV DNA, and/or HPV RNA, but not with HPV DNA alone (irrespective of copy number), were wild-type for TP53 and CASP8 genes. In our study, p16 protein, HPV DNA and HPV RNA, either alone or in combinations, did not correlate with patient survival. Nine HPV-associated genes stratified the virus positive from the negative tumor group with high confidence (p < 0.008) when HPV DNA copy number and/or HPV RNA were considered to define HPV positivity and not HPV DNA alone irrespective of their copy number (p < 0.2).

Background: Selection of the right reference gene(s) is crucial in the analysis and interpretation of gene expression data. In head and neck cancer, studies evaluating the efficacy of internal reference genes are rare. Here, we present data for a minimal set of candidates as internal control genes for gene expression studies in head and neck cancer. Methods: We analyzed data from multiple sources (in house whole-genome gene expression microarrays, n=21; TCGA RNA-seq, n=42, and published gene expression studies in head and neck tumors from literature) to come up with a set of genes (discovery set) for their stable expression across tumor and normal tissues. We then performed independent validation of their expression using qPCR in 14 tumor:normal pairs. Genes in the discovery set were ranked using four different algorithms (BestKeeper, geNorm, NormFinder, and comparative delta Ct) and a web-based comparative tool, RefFinder, for their stability and variance in expression across tissues. Results: Our analyses resulted in 18 genes (discovery set) that had lowest variance and high level of expression across tumor and normal samples. Independent experimental validation and analyses with multiple tools resulted in top ranked five genes (RPL30, RPL27, PSMC5, OAZ1 and MTCH1) out of which, RPL30 (60S ribosomal protein L30) and RPL27 (60S ribosomal protein L27), performed best and were abundantly expressed across tumor and normal tissues. Conclusions: RPL30 and RPL27 are stably expressed in HNSCC and should be used as internal control genes in gene expression in head and neck tumors studies.

Abstract Fruits produce a wide variety of secondary metabolites of great economic value. Analytical measurement of secondary metabolites is tedious, time-consuming and expensive. Additionally, metabolite concentration varies greatly from tree to tree, making it difficult to choose trees for fruit collection. The current study tested whether deep learning-based models can be developed using fruit and leaf images alone to predict a metabolite’s concentration class ( high or low ). We collected fruits and leaves ( n = 1045 ) from neem trees grown in the wild across 0.6 million sq km, imaged those, measured concentration of five metabolites (azadirachtin, deacetyl-salannin, salannin, nimbin and nimbolide) using high-performance liquid chromatography and used those to train deep learning models for metabolite class prediction. The best model out of the seven tested ( YOLOv5 , GoogLeNet , InceptionNet , EfficientNet _ B0 , Resnext _ 50 , Resnet18 , and SqueezeNet ) provided a validation F1 score of 0.93 and a test F1 score of 0.88. The sensitivity and specificity of the fruit model alone in the test set were 83.52 ± 6.19 and 82.35 ± 5.96 and 79.40 ± 8.50 and 85.64 ± 6.21, for the low and the high class, respectively. The sensitivity was further boosted to 92.67± 5.25 for the low class and 88.11 ± 9.17 for the high class and the specificity to 100% for both classes, using a multi-analyte framework. We incorporated the model in an Android mobile App Fruit-In-Sight that uses fruit and leaf images to decide whether to ‘pick’ or ‘not pick’ the fruits from a specific tree based on the metabolite concentration class. Our study provides evidence that images of fruits and leaves alone can predict the concentration class of a secondary metabolite without using extensive analytical laboratory procedures and equipment and makes the process of choosing the right tree for fruit collection easy and free of equipment and additional cost.