Abstract Despite the global impact of macrophage activation in vascular disease, the underlying mechanisms remain obscure. Here we show, with global proteomic analysis of macrophage cell lines treated with either IFNγ or IL-4, that PARP9 and PARP14 regulate macrophage activation. In primary macrophages, PARP9 and PARP14 have opposing roles in macrophage activation. PARP14 silencing induces pro-inflammatory genes and STAT1 phosphorylation in M(IFNγ) cells, whereas it suppresses anti-inflammatory gene expression and STAT6 phosphorylation in M(IL-4) cells. PARP9 silencing suppresses pro-inflammatory genes and STAT1 phosphorylation in M(IFNγ) cells. PARP14 induces ADP-ribosylation of STAT1, which is suppressed by PARP9. Mutations at these ADP-ribosylation sites lead to increased phosphorylation. Network analysis links PARP9–PARP14 with human coronary artery disease. PARP14 deficiency in haematopoietic cells accelerates the development and inflammatory burden of acute and chronic arterial lesions in mice. These findings suggest that PARP9 and PARP14 cross-regulate macrophage activation.

Recent studies suggest that cardiac amyloidosis (CA) is significantly underdiagnosed. For rare diseases like CA, the optimal selection of cases and controls for artificial intelligence model training is unknown and can significantly impact model performance. This study evaluates the performance of electrocardiogram (ECG) waveform-based artificial intelligence models for CA screening and assesses impact of different criteria for defining cases and controls. Using a primary cohort of ∼1.3 million ECGs from 341,989 patients, models were trained using different case and control definitions. Case definitions included ECGs from patients with an amyloidosis diagnosis by International Classification of Diseases-9/10 code, patients with CA, and patients seen in CA clinic. Models were then tested on test cohorts with identical selection criteria as well as a Cedars-Sinai general patient population cohort. In matched held-out test data sets, different model AUCs ranged from 0.660 (95% CI: 0.642-0.736) to 0.898 (95% CI: 0.868-0.924). However, algorithms exhibited variable generalizability when tested on a Cedars-Sinai general patient population cohort, with AUCs dropping to 0.467 (95% CI: 0.443-0.491) to 0.898 (95% CI: 0.870-0.923). Models trained on more well-curated patient cases resulted in higher AUCs on similarly constructed test cohorts. However, all models performed similarly in the overall Cedars-Sinai general patient population cohort. A model trained with International Classification of Diseases 9/10 cases and population controls matched for age and sex resulted in the best screening performance. Models performed similarly in population screening, regardless of stringency of cases used during training, showing that institutions without dedicated amyloid clinics can train meaningful models on less curated CA cases. Additionally, AUC or other metrics alone are insufficient in evaluating deep learning algorithm performance. Instead, evaluation in the most clinically meaningful population is key.

Unraveling the human interactome to understand biological processes and uncover disease-specific patterns hinges on accurate protein-protein interaction (PPI) predictions. However, challenges persist in machine learning (ML) models due to a scarcity of quality hard negative samples, shortcut learning, and limited generalizability to novel proteins. Here, we introduce ComPPlete (Completing the Protein-Protein Interaction Network), a novel ML pipeline utilizing PPI network topology for strategic sampling of protein-protein non-interactions (PPNIs) by leveraging higher-order network characteristics that capture the inherent complementarity-driven mechanisms of PPIs. Integrating unsupervised pre-training in protein representation learning with topological PPNI samples, ComPPlete improves PPI prediction generalizability and interpretability, particularly in identifying potential binding sites locations on amino acid sequences. ComPPlete strengthens the prioritization of screening assays, facilitates the transferability of ML predictions across protein families and homodimers. ComPPlete establishes the foundation for a fundamental negative sampling methodology in graph machine learning by integrating insights from network topology.