Abstract Understanding the molecular characteristics and changes of the tumor microenvironment (TME) associated with aggressive prostate cancer (PCa) is essential for precise diagnosis and treatment. We interrogated spatially resolved integrated transcriptomics and metabolomics data to build molecular strafiers discriminating patients with aggressive, potentially relapsing, and metastasizing PCa. We report a relapse associated (RA) gene expression signature characterized by upregulated immune response related gene expression scoring high in cancer, stroma, and glandular tissue of relapsing patients. Further, we identified a signature specific to a distinct sub-group of morphologically non-cancerous glands in prostate tissue from patients with relapsing cancer. This signature, named chemokine-enriched-gland (CEG) signature, was characterized by upregulated gene expression of pro-inflammatory chemokines. Glands with a high CEG score were enriched for club-like cells and surrounding stroma was infiltrated by immune cells. Tissue regions scoring high for both CEG and RA signatures were associated with reduced levels of citrate and zinc and loss of normal prostate secretory gland functions via reduced expression of genes necessary for citrate secretion. In summary we report that aggressive PCa is associated with an increased inflammatory status linked to chemokine production and club-like cell enrichment in potentially pre-cancerous prostate glands displaying an aberrant metabolism.

Abstract Breast cancer (BC) is a leading cause of cancer-related death worldwide. The diverse nature and heterogeneous biology of BC pose challenges for survival prediction, as patients with similar diagnoses often respond differently to treatment. Clinically relevant BC intrinsic subtypes have been established through gene expression profiling and are implemented in the clinic. While these intrinsic subtypes show a significant association with clinical outcomes, their long-term survival prediction beyond 5 years often deviates from expected clinical outcomes. This study aimed to identify naturally occurring long-term prognostic subgroups of BC based on an integrated multi-omics analysis. This study incorporates a clinical cohort of 335 untreated BC patients from the Oslo2 study with long-term follow-up (>12 years). Multi-Omics Factor Analysis (MOFA+) was employed to integrate transcriptomic, proteomic, and metabolomic data obtained from the tumor tissues. Our analysis revealed three prominent multi-omics clusters of BC patients with significantly different long-term prognoses ( p = 0.005). The multi-omics clusters were validated in two independent large cohorts, METABRIC and TCGA. Importantly, a lack of prognostic association to long-term follow-up above 12 years in the previously established intrinsic subtypes was shown for these cohorts. Through a systems-biology approach, we identified varying enrichment levels of cell-cycle and immune-related pathways among the prognostic clusters. Integrated multi-omics analysis of BC revealed three distinct clusters with unique clinical and biological characteristics. Notably, these multi-omics clusters displayed robust associations with long-term survival, outperforming the established intrinsic subtypes.

Abstract Prostate cancer treatment resistance is a significant challenge facing the field. Genomic and transcriptomic profiling have partially elucidated the mechanisms through which cancer cells escape treatment, but their relation toward the tumor microenvironment (TME) remains elusive. Here we present a comprehensive transcriptomic landscape of the prostate TME at multiple points in the standard treatment timeline employing single-cell RNA-sequencing and spatial transcriptomics data from 110 patients. We identify club-like cells as a key epithelial cell subtype that acts as an interface between the prostate and the immune system. Tissue areas enriched with club-like cells have depleted androgen signaling and upregulated expression of luminal progenitor cell markers. Club-like cells display a senescence-associated secretory phenotype and their presence is linked to increased polymorphonuclear myeloid-derived suppressor cell (PMN-MDSC) activity. Our results indicate that club-like cells partake in inducing myeloid inflammation previously associated with androgen deprivation therapy resistance, providing a rationale for their therapeutic targeting.

1. Abstract Protein-protein interactions (PPIs) are a vital phenomenon for every biological process. Prediction of PPI can be very helpful in the probing of protein functions which can further help in the development of new and powerful therapy designs for disease prevention. A lot of experimental studies have been done previously to study PPIs. However, lab-based experimental studies of PPI prediction are resource-extensive and time-consuming. In recent years, several high throughput, computational approaches to predict PPI have been developed but they could be fallible in terms of accuracy and false-positive rate. To overcome these shortcomings, we propose a novel approach AE-LGBM to predict the PPI more accurately. This method is based on the LightGBM classifier and utilizes the Autoencoder, which is an artificial neural network, to efficiently produce lower-dimensional, discriminative, and noise-free features. We incorporate conjoint triad (CT) features along with Composition-Transition-Distribution (CTD) features into the model and obtained promising results. The ten-fold cross-validation results indicate that the prediction accuracies obtained for Human and Yeast datasets are 98.7% and 95.4% respectively. This method was further evaluated on other datasets and has achieved excellent accuracies of 100%, 100%, 99.9%, 99.2% on E.coli, M.musculus, C.elegans, and H.sapiens respectively. We also executed AE-LGBM over three important PPI networks namely, single-core network (CD9), the multiple-core network (The Ras/Raf/MEK/ERK pathway), and the cross-connection network (Wnt Network). The method was successful in predicting the pathway with an impressive accuracy of 100%, 100%, and 98.9% respectively. These figures are significantly higher than previous methods that are based on state-of-the-art models and models including LightGBM or Autoencoder, proving AE-LGBM to be highly versatile, efficient, and robust.

Abstract Alzheimer’s disease (AD) is a progressive neurodegenerative disorder whose aetiology is currently unknown. Although numerous studies have attempted to identify the genetic risk factor(s) of AD, the interpretability and/or the prediction accuracies achieved by these studies remained unsatisfactory, reducing their clinical significance. Here, we employ the ensemble of random-forest and regularized regression model (LASSO) to the AD-associated microarray datasets from four brain regions - Prefrontal cortex, Middle temporal gyrus, Hippocampus, and Entorhinal cortex- to discover novel genetic biomarkers through a machine learning-based feature-selection classification scheme. The proposed scheme unrevealed the most optimum and biologically significant classifiers within each brain region, which achieved by far the highest prediction accuracy of AD in 5-fold cross-validation (99% average). Interestingly, along with the novel and prominent biomarkers including CORO1C, SLC25A46, RAE1, ANKIB1, CRLF3, PDYN, numerous non-coding RNA genes were also observed as discriminator, of which AK057435 and BC037880 are uncharacterized long non-coding RNA genes.

Abstract Over the last two decades, the pathogenic aggregation of TAR DNA-binding protein 43 (TDP-43) is found to be strongly associated with several fatal neurodegenerative diseases such as amyotrophic lateral sclerosis (ALS) and frontotemporal lobar degeneration (FTD), etc. While the mutations and truncation in TDP-43 protein have been suggested to be responsible for TDP-43 pathogenesis by accelerating the aggregation process, the effects of these mutations on the bio-mechanism of pathologic TDP-43 protein remained poorly understood. Investigating this at the molecular level, we formulized an integrated workflow of molecular dynamic simulation and machine learning models (MD-ML). By performing an extensive structural analysis of three disease-related mutations (i.e. I168A, D169G, and I168A-D169G) in the conserved RNA recognition motifs (RRMs) of TDP-43 and we observed that the I168A-D169G double mutant delineates the highest packing of the protein inner core as compared to the other mutations, which may indicate more stability and higher chances of pathogenesis. Moreover, through our MD-ML workflow, we identified the biological descriptors of TDP-43 which includes the interacting residue pairs and individual protein residues that influence the stability of the protein and could be experimentally evaluated to develop potential therapeutic strategies.