Abstract The emergence of perturbation transcriptomics provides a new perspective and opportunity for drug discovery, but existing analysis methods suffer from inadequate performance and limited applicability. In this work, we present PertKGE, a method designed to improve compound-protein interaction with knowledge graph embedding of perturbation transcriptomics. PertKGE incorporates diverse regulatory elements and accounts for multi-level regulatory events within biological systems, leading to significant improvements compared to existing baselines in two critical “cold-start” settings: inferring binding targets for new compounds and conducting virtual ligand screening for new targets. We further demonstrate the pivotal role of incorporating multi- level regulatory events in alleviating dataset bias. Notably, it enables the identification of ectonucleotide pyrophosphatase/phosphodiesterase-1 as the target responsible for the unique anti- tumor immunotherapy effect of tankyrase inhibitor K-756, and the discovery of five novel hits targeting the emerging cancer therapeutic target, aldehyde dehydrogenase 1B1, with a remarkable hit rate of 10.2%. These findings highlight the potential of PertKGE to accelerate drug discovery by elucidating mechanisms of action and identifying novel therapeutic compounds.

With the advancement of high-throughput RNA sequencing technologies, the use of chemical-induced transcriptional profiling has greatly increased in biomedical research. However, the usefulness of transcriptomics data is limited by inherent random noise and technical artefacts that may cause systematical biases. These limitations make it challenging to identify the true signal of perturbation and extract knowledge from the data. In this study, we propose a deep generative model called Transcriptional Signatures Generator (TranSiGen), which aims to denoise and reconstruct transcriptional profiles through self-supervised representation learning. TranSiGen uses cell basal gene expression and compound molecular structure representation to infer the chemical-induced transcriptional profile. Results demonstrate the effectiveness of TranSiGen in learning and predicting differential expression genes. The representation derived from TranSiGen can also serve as an alternative phenotype information, with applications in ligand-based virtual screening, drug response prediction, and phenotype-based drug repurposing. We envisage that integrating TranSiGen into the drug discovery and mechanism research pipeline will promote the development of biomedicine.

Plasmids orchestrate bacterial adaptation across diverse environments and facilitate lateral gene transfer within bacterial communities. Their presence can perturb host metabolism, creating a competitive advantage for plasmid-free cells. Plasmid stability hinges on efficient replication and partition mechanisms. While plasmids commonly encode histone-like nucleoid-structuring (H-NS) family proteins, the precise influence of plasmid-encoded H-NS proteins on stability remains elusive. In this study, we examined the conjugative plasmid pMBL6842, harboring the hns gene, and observed its positive regulation of parAB transcription, critical for plasmid segregation. Deletion of hns led to rapid plasmid loss, which was remedied by hns complementation. Further investigations unveiled adverse effects of hns overexpression on the bacterial host. Transcriptome analysis revealed hns's role in regulating numerous bacterial genes, impacting both host growth and swimming motility in the presence of the hns gene. Therefore, our study unveils the multifaceted roles of H-NS in both plasmid stability and host physiology, underscoring its biological significance and paving the way for future inquiries into the involvement of H-NS in horizontal gene transfer events.