Abstract Artificial intelligence transforms drug discovery, with phenotype-based approaches emerging as a promising alternative to target-based methods, overcoming limitations like lack of well-defined targets. While chemical-induced transcriptional profiles offer a comprehensive view of drug mechanisms, inherent noise often obscures the true signal, hindering their potential for meaningful insights. Here, we highlight the development of TranSiGen, a deep generative model employing self-supervised representation learning. TranSiGen analyzes basal cell gene expression and molecular structures to reconstruct chemical-induced transcriptional profiles with high accuracy. By capturing both cellular and compound information, TranSiGen-derived representations demonstrate efficacy in diverse downstream tasks like ligand-based virtual screening, drug response prediction, and phenotype-based drug repurposing. Notably, in vitro validation of TranSiGen’s application in pancreatic cancer drug discovery highlights its potential for identifying effective compounds. We envisage that integrating TranSiGen into the drug discovery and mechanism research holds significant promise for advancing biomedicine.

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.

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.

ABSTRACT Background Immune checkpoint inhibitors (ICIs) have achieved great success; however, a subset of patients exhibits no response. Consequently, there is a critical need for reliable predictive biomarkers. Our focus is on CDC42, which stimulates multiple signaling pathways promoting tumor growth. We hypothesize that an impaired function of CDC42 may serve as an indicator of a patient's response to ICI therapy. Methods We consider CDC42 and its downstream binding and effector proteins as a gene set, as mutations in these components could lead to defective CDC42 function. To elucidate the biomarker function of mutations within the CDC42 gene set, we curated a comprehensive discovery dataset that included seven ICI treatment cohorts. And we curated two ICI treatment cohorts for validation. We explored the mechanism based on The Cancer Genome Atlas database. We also examined whether combining a CDC42 inhibitor with ICI could enhance ICI's efficacy. Results Mutations in the CDC42 gene set were associated with improved overall survival and progression‐free survival. Furthermore, our analysis of immune response landscapes among different statuses of the CDC42 gene set supports its role as a biomarker. Animal experiments also revealed that the combination of the CDC42 inhibitor (ML141) with anti‐PD‐1 blockade can additively reduce tumor growth. Conclusions Our study suggests that the CDC42 gene set mutations could potentially serve as a novel biomarker for the clinical response to ICI treatment. This finding also provides insights into the potential of combining ICI and CDC42 inhibitor use for more efficient patient treatment.

Abstract MicroRNAs (miRNAs) are critical regulators in various biological processes to cleave or repress translation of messenger RNAs (mRNAs). Accurately predicting miRNA targets is essential for developing miRNA-based therapies for diseases such as cancer and cardiovascular disease. Traditional miRNA target prediction methods often struggle due to incomplete knowledge of miRNA-target interactions and lack interpretability. To address these limitations, we propose miCGR, an end-to-end deep learning framework for predicting functional miRNA targets. MiCGR employs 2D convolutional neural networks alongside an enhanced Chaos Game Representation (CGR) of both miRNA sequences and their candidate target site (CTS) on mRNA. This advanced CGR transforms genetic sequences into informative 2D graphical representations based on sequence composition and subsequence frequencies, and explicitly incorporates important prior knowledge of seed regions and subsequence positions. Unlike one-dimensional methods based solely on sequence characters, this approach identifies functional motifs within sequences, even if they are distant in the original sequences. Our model outperforms existing methods in predicting functional targets at both the site and gene levels. To enhance interpretability, we incorporate Shapley value analysis for each subsequence within both miRNA sequences and their target sites, allowing miCGR to achieve improved accuracy, particularly with more lenient CTS selection criteria. Finally, two case studies demonstrate the practical applicability of miCGR, highlighting its potential to provide insights for optimizing artificial miRNA analogs that surpass endogenous counterparts.