Abstract Multi-scale models integrating biomolecular data from genetic, transcriptional, and translational levels, coupled with extracellular microenvironments can assist in decoding the complex mechanisms underlying system-level diseases such as cancer. To investigate the emergent properties and clinical translation of such cancer models, we present Theatre for in silico Systems Oncology (TISON, https://tison.lums.edu.pk ), a next-generation web-based multi-scale modeling and simulation platform for in silico systems oncology. TISON provides a “zero-code” environment for multi-scale model development by seamlessly coupling scale-specific information from biomolecular networks, microenvironments, cell decision circuits, in silico cell lines, and organoid geometries. To compute the temporal evolution of multi-scale models, a simulation engine and data analysis features are also provided. Furthermore, TISON integrates patient-specific gene expression data to evaluate patient-centric models towards personalized therapeutics. Several literature-based case studies have been developed to exemplify and validate TISON’s modeling and analysis capabilities. TISON provides a cutting-edge multi-scale modeling pipeline for scale-specific as well as integrative systems oncology that can assist in drug target discovery, repositioning, and development of personalized therapeutics.

The advent of single-cell profiling technologies has revolutionized our understanding of the cellular and molecular states that underpin disease states and response to therapies. However, current computational tools cannot recover both known and novel mechanistic insights at distinct layers of biological regulation in an unbiased manner. Here, we present Decipher, a novel computational pipeline that builds integrated cell signalling networks from single-cell profiles in a context-specific, data-driven manner and identifies the key cellular and molecular events that drive disease. We benchmarked Decipher against existing tools and found it could recover known, experimentally determined cytokine signalling pathways with high accuracy, whilst maintaining the flexibility to detect novel pathways and context-specific effects. Notably, Decipher reports a manageable set of interactions that can be aggregated into global cell-to-cell signalling maps that are interpretable. In addition, we utilised Decipher to unveil the cellular and molecular mechanisms driving a novel population of inflammatory monocytes enriched with interferon stimulated genes that is markedly increased in frequency following secondary immunization with the Pfizer-BioNTech COVID-19 mRNA vaccine. Taken together, our findings demonstrate that Decipher can decode signalling pathways and report on ligand-receptor mediated transcription factor-target gene networks that underlie processes in homeostasis and disease, as well as cellular responses to therapies. We present Decipher as an invaluable new tool for the discovery of novel therapeutic targets and the development of new medicines.

With the expansion in recent power systems, the boost in renewable energy resources with multiple interconnections, overloading of existing power networks, increased load growth, and equipment failures, power system transient instability issues have exponentially increased. Transient stability in power systems is of particular importance even while performing the steady state analysis of a power system. Power system transient stability assessment is mandatory regularly for power system operation and has a major impact on power system planning. Potential risks of blackouts and failures in power systems can be avoided or minimized with the prompt prediction of transient instability. This research work presents a predictive approach for power system transient instability. The case study is a 735kV, 29-bus, 7-powerplant network involving precise modeling of generators. In particular, the proposed method is represented by different machine learning models through extraction and regression, in which the variables of the power-generating units are used as primary sources/features. Data cleaning and sorting out techniques are being used for refining data. Feature extraction has also been implemented for further cleansing of the data. The result is in the form of concrete and robust classifier models that can overcome power systems' instability concerns through prompt prediction.