Abstract The SARS-CoV-2 pandemic recently entered an alarming new phase with the emergence of the variants of concern (VOC) and understanding their biology is paramount to predicting future ones. Current efforts mainly focus on mutations in the spike glycoprotein (S), but changes in other regions of the viral proteome are likely key. We analyzed more than 900,000 SARS-CoV-2 genomes with a computational systems biology approach including a haplotype network and protein structural analyses to reveal lineage-defining mutations and their critical functional attributes. Our results indicate that increased transmission is promoted by epistasis, i.e., combinations of mutations in S and other viral proteins. Mutations in the non-S proteins involve immune-antagonism and replication performance, suggesting convergent evolution. Furthermore, adaptive mutations appear in geographically disparate locations, suggesting that either independent, repeat mutation events or recombination among different strains are generating VOC. We demonstrate that recombination is a stronger hypothesis, and may be accelerating the emergence of VOC by bringing together cooperative mutations. This emphasizes the importance of a global response to stop the COVID-19 pandemic.

Abstract Cancer-associated fibroblast (CAF) subpopulations in pancreatic ductal adenocarcinoma (PDAC) have been identified using single-cell RNA sequencing (scRNAseq) with divergent characteristics, but their clinical relevance remains unclear. We translate scRNAseq-derived CAF cell-subpopulation-specific marker genes to bulk RNAseq data, and develop a single- sample classifier, DeCAF, for the classification of clinically rest raining and perm issive CAF subtypes. We validate DeCAF in 19 independent bulk transcriptomic datasets across four tumor types (PDAC, mesothelioma, bladder and renal cell carcinoma). DeCAF subtypes have distinct histology features, immune landscapes, and are prognostic and predict response to therapy across cancer types. We demonstrate that DeCAF is clinically replicable and robust for the classification of CAF subtypes in patients for multiple tumor types, providing a better framework for the future development and translation of therapies against permissive CAF subtypes and preservation of restraining CAF subtypes. Significance We introduce a replicable and robust classifier, DeCAF, that delineates the significance of the role of permissive and restraining CAF subtypes in cancer patients. DeCAF is clinically tractable, prognostic and predictive of treatment response in multiple cancer types and lays the translational groundwork for the preclinical and clinical development of CAF subtype specific therapies.

To assess the utility of tumor-intrinsic and cancer-associated fibroblast (CAF) subtypes of pancreatic ductal adenocarcinoma (PDAC) in predicting response to neoadjuvant therapy (NAT) and overall survival.

Leveraging the use of multiplex multi-omic networks, key insights into genetic and epigenetic mechanisms supporting biofuel production have been uncovered. Here, we introduce RWRtoolkit, a multiplex generation, exploration, and statistical package built for R and command line users. RWRtoolkit enables the efficient exploration of large and highly complex biological networks generated from custom experimental data and/or from publicly available datasets, and is species agnostic. A range of functions can be used to find topological distances between biological entities, determine relationships within sets of interest, search for topological context around sets of interest, and statistically evaluate the strength of relationships within and between sets. The command-line interface is designed for parallelisation on high performance cluster systems, which enables high throughput analysis such as permutation testing. Several tools in the package have also been made available for use in reproducible workflows via the KBase web application.