Significance The development of high-throughput technologies has allowed mapping a significant proportion of interactions between biochemical entities in the cell. However, it is unclear how much information is lost given the lack of measurements on the kinetic parameters governing the dynamics of these interactions. Using biochemical networks with experimentally measured kinetic parameters, we show that a knowledge of the network topology offers 65–80% accuracy in predicting the impact of perturbation patterns. In other words, we can use the increasingly accurate topological models to approximate perturbation patterns, bypassing expensive kinetic constant measurement. These results could open new avenues in modeling drug action and in identifying drug targets relying on the human interactome only.

Low vitamin D status in pregnancy was proposed as a risk factor of preeclampsia.We assessed the effect of vitamin D supplementation (4,400 vs. 400 IU/day), initiated early in pregnancy (10-18 weeks), on the development of preeclampsia. The effects of serum vitamin D (25-hydroxyvitamin D [25OHD]) levels on preeclampsia incidence at trial entry and in the third trimester (32-38 weeks) were studied. We also conducted a nested case-control study of 157 women to investigate peripheral blood vitamin D-associated gene expression profiles at 10 to 18 weeks in 47 participants who developed preeclampsia.Of 881 women randomized, outcome data were available for 816, with 67 (8.2%) developing preeclampsia. There was no significant difference between treatment (N = 408) or control (N = 408) groups in the incidence of preeclampsia (8.08% vs. 8.33%, respectively; relative risk: 0.97; 95% CI, 0.61-1.53). However, in a cohort analysis and after adjustment for confounders, a significant effect of sufficient vitamin D status (25OHD ≥30 ng/ml) was observed in both early and late pregnancy compared with insufficient levels (25OHD <30 ng/ml) (adjusted odds ratio, 0.28; 95% CI, 0.10-0.96). Differential expression of 348 vitamin D-associated genes (158 upregulated) was found in peripheral blood of women who developed preeclampsia (FDR <0.05 in the Vitamin D Antenatal Asthma Reduction Trial [VDAART]; P < 0.05 in a replication cohort). Functional enrichment and network analyses of this vitamin D-associated gene set suggests several highly functional modules related to systematic inflammatory and immune responses, including some nodes with a high degree of connectivity.Vitamin D supplementation initiated in weeks 10-18 of pregnancy did not reduce preeclampsia incidence in the intention-to-treat paradigm. However, vitamin D levels of 30 ng/ml or higher at trial entry and in late pregnancy were associated with a lower risk of preeclampsia. Differentially expressed vitamin D-associated transcriptomes implicated the emergence of an early pregnancy, distinctive immune response in women who went on to develop preeclampsia.ClinicalTrials.gov NCT00920621.Quebec Breast Cancer Foundation and Genome Canada Innovation Network. This trial was funded by the National Heart, Lung, and Blood Institute. For details see Acknowledgments.

Abstract Resource allocation is essential to the selection and implementation of innovative projects in science and technology. With large stakes involved in concentrating large fundings over a few promising projects, current “winner-take-all” models for grant applications are time-intensive endeavours that mobilise significant researcher time in writing extensive project proposals, and rely on the availability of a few time-saturated volunteer experts. Such processes usually carry over several months, resulting in high effective costs compared to expected benefits. Faced with the need for a rapid response to the Covid19 pandemic in 2020, we devised an agile “community review” system to allocate micro-grants for the fast prototyping of innovative solutions. Here we describe and evaluate the implementation of this community review across 147 projects from the “Just One Giant Lab’s OpenCOVID19 initiative” and “Helpful Engineering” open research communities. The community review process uses granular review forms and requires the participation of grant applicants in the review process. Within a year, we organised 7 rounds of review, resulting in 614 reviews from 201 reviewers, and the attribution of 48 micro-grants of up to 4,000 euros. We show that this system is fast, with a median process duration of 10 days, scalable, with a median of 4 reviewers per project independent of the total number of projects, and fair, with project rankings highly preserved after the synthetic removal of reviewers. We investigate the potential bias introduced by involving applicants in the process, and find that review scores from both applicants and non-applicants have a similar correlation of r=0.28 with other reviews within a project, matching previous observations using traditional approaches. Finally, we find that the ability of projects to apply to several rounds allows to both foster the further implementation of successful early prototypes, as well as provide a pathway to constructively improve an initially failing proposal in an agile manner. Overall, this study quantitatively highlights the benefits of a frugal, community review system acting as a due diligence for rapid and agile resource allocation in open research and innovation programs, with particular implications for decentralised communities.

Identifying genes underlying complex diseases remains a major challenge. Biomarkers are typically identified by comparing average levels of gene expression in populations of healthy and diseased individuals. However, genetic diversities may undermine the effort to uncover genes with significant but individual contribution to the spectrum of disease phenotypes within a population. Here we leverage the Hybrid Mouse Diversity Panel (HMDP), a model system of 100+ genetically diverse strains of mice exhibiting different complex disease traits, to develop a personalized differential gene expression analysis that is able to identify disease-associated genes missed by traditional population-wide methods. The population-level and personalized approaches are compared for isoproterenol(ISO)-induced cardiac hypertrophy and heart failure using pre- and post-ISO gene expression and phenotypic data. The personalized approach identifies 36 Fold-Change (FC) genes predictive of the severity of cardiac hypertrophy, and enriched in genes previously associated with cardiac diseases in human. Strikingly, these genes are either up- or down-regulated at the individual strain level, and are therefore missed when averaging at the population level. Using insights from the gene regulatory network and protein-protein interactome, we identify Hes1 as a strong candidate FC gene. We validate its role by showing that even a mild knockdown of 20-40% of Hes1 can induce a dramatic reduction of hypertrophy by 80-90% in rat neonatal cardiac cells. These findings emphasize the importance of a personalized approach to identify causal genes underlying complex diseases as well as to develop personalized therapies.

High-throughput technologies, offering unprecedented wealth of quantitative data underlying the makeup of living systems, are changing biology. Notably, the systematic mapping of the relationships between biochemical entities has fueled the rapid development of network biology, offering a suitable framework to describe disease phenotypes and predict potential drug targets. Yet, our ability to develop accurate dynamical models remains limited, due in part to the limited knowledge of the kinetic parameters underlying these interactions. Here, we explore the degree to which we can make reasonably accurate predictions in the absence of the kinetic parameters. We find that simple dynamically agnostic models are sufficient to recover the strength and sign of the biochemical perturbation patterns observed in 87 biological models for which the underlying kinetics is known. Surprisingly, a simple distance-based model achieves 65% accuracy. We show that this predictive power is robust to topological and kinetic parameters perturbations, and we identify key network properties that can increase up to 80% the recovery rate of the true perturbation patterns. We validate our approach using experimental data on the chemotactic pathway in bacteria, finding that a network model of perturbation spreading predicts with ~80% accuracy the directionality of gene expression and phenotype changes in knock-out and overproduction experiments. These findings show that the steady advances in mapping out the topology of biochemical interaction networks opens avenues for accurate perturbation spread modeling, with direct implications for medicine and drug development.

Probing the dynamic control features of biological networks represents a new frontier in capturing the dysregulated pathways in complex diseases. Here, using patient samples obtained from a pancreatic islet transplantation program, we constructed a tissue-specific gene regulatory network and used the control centrality (Cc) concept to identify the high control centrality (HiCc) pathways, which might serve as key pathobiological pathways for Type 2 Diabetes (T2D). We found that HiCc pathway genes were significantly enriched with modest GWAS p-values in the DIAbetes Genetics Replication And Meta-analysis (DIAGRAM) study. We identified variants regulating gene expression (expression quantitative loci, eQTL) of HiCc pathway genes in islet samples. These eQTL genes showed higher levels of differential expression compared to non-eQTL genes in low, medium and high glucose concentrations in rat islets. Among genes with highly significant eQTL evidence, NFATC4 belonged to four HiCc pathways. We asked if the expressions of T2D-associated candidate genes from GWAS and literature are regulated by Nfatc4 in rat islets. Extensive in vitro silencing of Nfatc4 in rat islet cells displayed reduced expression of 16, and increased expression of 4 putative downstream T2D genes. Overall, our approach uncovers the mechanistic connection of NFATC4 with downstream targets including a previously unknown one, TCF7L2, and establishes the HiCc pathways' relationship to T2D.

ABSTRACT Viruses manipulate central machineries of host cells to their advantage. They prevent host cell antiviral responses to create a favorable environment for their survival and propagation. Measles virus (MV) encodes two non-structural proteins MV-V and MV-C known to counteract the host interferon response and to regulate cell death pathways. Several molecular mechanisms underlining MV-V regulation of innate immunity and cell death pathways have been proposed, whereas MV-C host protein partners are less studied. We suggest that some cellular factors that are controlled by MV-C protein during viral replication could be components of innate immunity and the cell death pathways. To determine which host factors are targeted by MV-C, we captured both direct and indirect host protein partners of MV-C protein. For this, we used a strategy based on recombinant viruses expressing tagged viral proteins followed by affinity purification and a bottom-up mass spectrometry analysis. From the list of host proteins specifically interacting with MV-C protein in different cell lines we selected the host targets that belong to immunity and cell death pathways for further validation. Direct protein partners of MV-C were determined by applying protein complementation assay (PCA) and the bioluminescence resonance energy transfer (BRET) approach. As a result, we found that MV-C protein specifically interacts with p65/iASPP/p53 protein complex that controls both cell death and innate immunity pathways.

The polygenic nature of complex diseases offers potential opportunities to utilize network-based approaches that leverage the comprehensive set of protein-protein interactions (the human interactome) to identify new genes of interest and relevant biological pathways. However, the incompleteness of the current human interactome prevents it from reaching its full potential to extract network-based knowledge from gene discovery efforts, such as genome-wide association studies, for complex diseases like chronic obstructive pulmonary disease (COPD). Here, we provide a framework that integrates the existing human interactome information with new experimental protein-protein interaction data for FAM13A, one of the most highly associated genetic loci to COPD, to find a more comprehensive disease network module. We identified an initial disease network neighborhood by applying a random-walk method. Next, we developed a network-based closeness approach (CAB) that revealed 9 out of 96 FAM13A interacting partners identified by affinity purification assays were significantly close to the initial network neighborhood. Moreover, compared to a similar method (local radiality), the CAB approach predicts low-degree genes as potential candidates. The candidates identified by the network-based closeness approach were combined with the initial network neighborhood to build a comprehensive disease network module (163 genes) that was enriched with genes differentially expressed between controls and COPD subjects in alveolar macrophages, lung tissue, sputum, blood, and bronchial brushing datasets. Overall, we demonstrate an approach to find disease-related network components using new laboratory data to overcome incompleteness of the current interactome.

Conductances of ion channels and transporters controlling cardiac excitation may vary in a population of subjects with different cardiac gene expression patterns. However, the amount of variability and its origin are not quantitatively known. We propose a new computational method to predict this variability that consists of finding combinations of conductances generating a normal intracellular Ca2+ transient without any constraint on the action potential. Furthermore, we validate experimentally its predictions using the Hybrid Mouse Diversity Panel, a model system of genetically diverse mouse strains that allows us to quantify inter-subject versus intra-subject variability. The method predicts that conductances of inward Ca2+ and outward K+ currents compensate each other to generate a normal Ca2+ transient in good quantitative agreement with current measurements in ventricular myocytes from hearts of different isogenic strains. Our results suggest that a feedback mechanism sensing the aggregate Ca2+ transient of the heart suffices to regulate ionic conductances.

Understanding the connectivity patterns of genes in a localized disease neighborhood or disease module in a molecular interaction network (interactome) is a key step toward advancing the knowledge about molecular mechanisms underlying a complex disease. In this work, we introduce a framework that detects peripheral and core regions of a disease in the human interactome. We leverage gene expression data on 104 diseases and analyze the connectivity of differentially expressed genes (quantified by a p-value < 0.05) and their topological membership in the network to distinguish between peripheral and core genes. Per definition, peripheral and core genes are topologically different and we show that they also differ biologically. Core genes are more enriched for Genome-wide association study (GWAS) and Online Mendelian Inheritance in Man (OMIM) data, whereas peripheral genes are more shared across different disease states and their overlap helps predict disease proximity in the human interactome. Based on this observation, we propose a flower model to explain the organization of genes in the human interactome, with core genes of different diseases as the petals and the peripheral genes as the (shared) stem. We show that this network model is an important step towards finding novel drug targets and improving disease classification. Overall, we were able to demonstrate how perturbations percolate through the human interactome and contribute to peripheral and core regions, an important novel feature of the omnigenic model.