Abstract Motivation Alternative splicing, as an essential regulatory mechanism in normal mammalian cells, is frequently disturbed in cancer and other diseases. Switches in the expression of most dominant alternative isoforms can alter protein interaction networks of associated genes giving rise to a disease or disease progression. Here, we present CanIsoNet (disease-specific isoform interaction network), a database to view, browse and search these isoform switching events. CanIsoNet is the first webserver that incorporates isoform expression data with STRING interaction networks and ClinVar annotations to predict the pathogenic impact of isoform switching events in various diseases. Results Data in CanIsoNet can be browsed by disease or searched by genes or isoforms in annotation-rich data tables. Various annotations for 11,072 isoforms and 13,531 unique isoform switching events across 28 different tissue types are provided. The network density score for each disease-specific isoform, PFAM domain IDs of disrupted interactions, domain structure visualization of transcripts and expression data of switched isoforms for each sample are given. Additionally, the genes annotated in ClinVar are highlighted in the interactive interaction network. Availability CanIsoNet is freely available at https://caniso.net . The source codes can be found under a Creative Common License at https://github.com/kahramanlab/CanIsoNet_Web . Supplementary Information Supplementary data are available at Bioinformatics online.

ABSTRACT Due to its clinical relevance, modulation of functionally relevant amino acids in protein-protein complexes has attracted a great deal of attention. To this end, many approaches have been proposed to predict partner-selecting, i.e., specificity-determining positions in evolutionarily close complexes. These approaches can be grouped into sequence-based machine learning and structure-based energy-driven methods. In this work, we assessed these methods’ ability to map the specificity-determining positions of Axl, a receptor tyrosine kinase involved in cancer progression and immune-related diseases. For this, we used three sequence-based predictors – SDPred, Multi-RELIEF, and Sequence Harmony – and a structure-based approach by utilizing HADDOCK and extensive molecular dynamics simulations. As a result, we show that (i) sequence-based methods overpredict the number of specificity-determining positions for Axl complexes and that (ii) combining sequence-based approaches with HADDOCK provides the most coherent set of predictions. Our work lays out a critical study on the comparative performance specificity-determining position predictors. It also presents a combined sequence-structure-based approach, which can guide the development of therapeutic molecules capable of combatting Axl misregulation in different types of diseases.

Under normal conditions, cells of almost all tissue types express the same predominant canonical transcript isoform at each gene locus. In cancer, however, splicing regulation is often disturbed, leading to cancer-specific switches in the most dominant transcripts (MDT). But what is the pathogenic impact of these switches and how are they driving oncogenesis? To address these questions, we have analyzed isoform-specific protein-protein interaction disruptions in 1209 cancer samples covering 27 different cancer types from the Pan-Cancer Analysis of Whole Genomes (PCAWG) project of the International Cancer Genomics Consortium (ICGC). Our study revealed large variations in the number of cancer-specific MDT (cMDT) between cancer types. While carcinomas of the head and neck, or brain, had none or only a few cMDT, cancers of the female reproduction organs showed the highest number of cMDT. Interestingly, in contrast to the mutational load, the number of cMDT was tissue-specific, i.e. cancers arising from the same primary tissue had a similar number of cMDT. Some cMDT were found in 100% of all samples in a cancer type, making them candidates for diagnostic biomarkers. cMDT showed a tendency to fall at densely populated network regions where they disrupted protein interactions in the proximity of pathogenic cancer genes. A gene ontology enrichment analysis showed that these disruptions occurred mostly in enzyme signaling, protein translation, and RNA splicing pathways. Interestingly, no significant correlation between the number of cMDT and the number of coding or non-coding mutations could be identified. However, some transcript expressions correlated with mutations in non-coding splice-site and promoter regions of their genes. This work demonstrates for the first time the large extent of cancer-specific alterations in alternative splicing for 27 different cancer types. It highlights distinct and common patterns of cMDT and suggests novel pathogenic transcripts and markers that induce large network disruptions in cancers.

Abstract Splicing is often dysregulated in cancer, leading to alterations in the expression of canonical and alternative splice isoforms. This complex phenomenon can be revealed by an in-depth understanding of cellular heterogeneity at the single-cell level. Recent advances in single-cell long-read sequencing technologies enable comprehensive transcriptome sequencing at the single-cell level. In this study, we have generated single-cell long-read sequencing of Patient-Derived Organoid (PDO) cells of clear-cell Renal Cell Carcinoma (ccRCC), an aggressive and lethal form of cancer that arises in kidney tubules. We have used the Multiplexed Arrays Sequencing (MAS-ISO-Seq) protocol of PacBio to sequence full-length transcripts exceptionally deep across 2,599 single cells to obtain the most comprehensive view of the alternative landscape of ccRCC to date. On average, we uncovered 303,547 transcripts across PDOs, of which 40.5% were previously uncharacterized. In contrast to known transcripts, many of these novel isoforms appear to exhibit cell-specific expression. Nonetheless, 37.5% of these novel transcripts, expressed in more than three cells, were predicted to possess a complete protein-coding open reading frame. This finding suggests a biological role for these transcripts within kidney cells. Moreover, an analysis of the most dominant transcript switching revealed that many switching events were cell and sample-specific, underscoring the heterogeneity of alternative splicing events in ccRCC. Interestingly, one of the ccRCC organoids seemed to have a VHL-negative phenotype despite a VHL P25L mutation, underscoring the benign nature of the mutation. Overall, our research elucidates the intricate transcriptomic architecture of ccRCC, potentially exposing the mechanisms underlying its aggressive phenotype and resistance to conventional cancer therapies.

Abstract Single-cell RNA sequencing is used in profiling gene expression differences between cells. Short-read sequencing platforms provide high throughput and high-quality information at the gene-level, but the technique is hindered by limited read length, failing in providing an understanding of the cell heterogeneity at the isoform level. This gap has recently been addressed by the long-read sequencing platforms that provide the opportunity to preserve full-length transcript information during sequencing. To objectively evaluate the information obtained from both methods, we sequenced four samples of patient-derived organoid cells of clear cell renal cell carcinoma and one healthy sample of kidney organoid cells on Illumina Novaseq 6000 and PacBio Sequel IIe. For both methods, for each sample, the cDNA was derived from the same 10x Genomics 3’ single-cell gene expression cDNA library. Here we present the technical characteristics of both datasets and compare cell metrics and gene-level information. We show that the two methods largely overlap in the results but we also identify sources of variability which present a set of advantages and disadvantages to both methods.

ABSTRACT Protein kinases regulate various cell signaling events in a diverse range of species through phosphorylation. The phosphorylation occurs upon transferring the terminal phosphate of an ATP molecule to a designated target residue. Due to the central role of protein kinases in proliferative pathways, point mutations occurring within or in the vicinity of ATP binding pocket can render the enzyme overactive, leading to cancer. Combatting such mutation-induced effects with the available drugs has been a challenge, since these mutations usually happen to be drug resistant. Therefore, the functional study of naturally and/or artificially occurring kinase mutations have been at the center of attention in diverse biology-related disciplines. Unfortunately, rapid experimental exploration of the impact of such mutations remains to be a challenge due to technical and economical limitations. Therefore, the availability of kinase-ligand binding affinity prediction tools is of great importance. Within this context, we have tested six state-of-the-art web-based affinity predictors (DSX-ONLINE, KDEEP, HADDOCK2.2, PDBePISA, Pose&Rank, and PRODIGY-LIG) in assessing the impact of kinase mutations with their ligand interactions. This assessment is performed on our structure-based protein kinase mutation benchmark, BINDKIN. BINDKIN contains 23 wild type-mutant pairs of kinase-small molecule complexes, together with their corresponding binding affinity data (in the form of IC 50 , K d , and K i ). The web-server performances over BINDKIN show that the raw server predictions fail to produce good correlations with the experimental data. However, when we start looking in to the direction of change (whether a mutation improves/worsens the binding), we observe that over K i data, DSX-ONLINE achieves a Pearson’s R correlation coefficient of 0.97. When we used homology models instead of crystal structures, this correlation drops to 0.45. These results highlight that there is still room to improve the available web-based predictors to estimate the impact of protein kinase point mutations. We present our BINDKIN benchmark and all the related results online for the sake of aiding such improvement efforts. Our files can be reached at https://github.com/CSB-KaracaLab/BINDKIN