Background The welding process releases potentially hazardous gases and fumes, mainly composed of metallic oxides, fluorides and silicates. Long term welding fume (WF) inhalation is a recognized health issue that carries a risk of developing chronic health problems, particularly respiratory system diseases (RSDs). Aside from general airway irritation, WF exposure may drive direct cellular responses in the respiratory system which increase risk of RSD, but these are not well understood.Methods We developed a quantitative framework to identify gene expression effects of WF exposure that may affect RSD development. We analyzed gene expression microarray data from WF-exposed tissues and RSD-affected tissues, including chronic bronchitis (CB), asthma (AS), pulmonary edema (PE), lung cancer (LC) datasets. We built disease-gene (diseasome) association networks and identified dysregulated signaling and ontological pathways, and protein-protein interaction sub-network using neighborhood-based benchmarking and multilayer network topology.Results We observed many genes with altered expression in WF-exposed tissues were also among differentially expressed genes (DEGs) in RSD tissues; for CB, AS, PE and LC there were 34, 27, 50 and 26 genes respectively. DEG analysis, using disease association networks, pathways, ontological analysis and protein-protein interaction sub-network suggest significant links between WF exposure and the development of CB, AS, PE and LC.Conclusions Our network-based analysis and investigation of the genetic links of WFs and RSDs confirm a number of genes and gene products are plausible participants in RSD development. Our results are a significant resource to identify causal influences on the development of RSDs, particularly in the context of WF exposure.

Identification of genes whose regulation of expression is similar in both brain and blood cells could enable monitoring of significant neurological traits and disorders by analysis of blood samples. We thus employed transcriptional analysis of pathologically affected tissues, using agnostic approaches to identify overlapping gene functions and integrating this transcriptomic information with expression quantitative trait loci (eQTL) data. Here, we estimate the correlation of genetic expression in the top-associated cis-eQTLs of brain tissue and blood cells in Parkinson’s (PD).We introduced quantitative frameworks to reveal the complex relationship of various biasing genetic factors in PD, a neurodegenerative disease. We examined gene expression microarray and RNA-Seq datasets from human brain and blood tissues from PD-affected and control individuals. Differentially expressed genes (DEG) were identified for both brain and blood cells to determine common DEG overlaps. Based on neighborhood-based bench-marking and multilayer network topology aproaches we then developed genetic associations of factors with PD.Overlapping DEG sets underwent gene enrichment using pathway analysis and gene ontology methods, which identified candidate common genes and pathways. We identified 12 significantly dysregulated genes shared by brain and blood cells, which were validated using dbGaP (gene SNP-disease linkage) database for gold-standard benchmarking of their significance in disease processes. Ontological and pathway analyses identified significant gene ontology and molecular pathways that indicate PD progression.In sum, we found possible novel links between pathological processes in brain and blood cells by examining cell pathway commonalities, corroborating these associations using well validated datasets. This demonstrates that for brain-related pathologies combining gene expression analysis and blood cell cis-eQTL is a potentially powerful analytical approach. Thus, our methodologies facilitate data-driven approaches that can advance knowledge of disease mechanisms and may enable prediction of neurological dysfunction using blood cell transcript profiling.

Background: Welding exposes different types of fumes, gases and radiant energy that can be potentially dangerous for unsafe welder's health. Welding fumes (WFs) are a significant problem among all those exposed. WFs are a complex mixture of metallic oxides, silicates and fluorides that may result in different health effects. If a welder inhales such fumes in large quantities over a long period of time, there is a risk of various neurodegenerative disease (NDGD) developments. Methods: We developed quantitative frameworks to identify the genetic relationship of WFs and NDGDs. We analyzed Gene Expression microarray data from WFs exposed tissues and NDGDs including Parkinson's disease (PD), Alzheimer's disease (AD), Lou Gehrig's disease (LGD), Epilepsy disease (ED), Multiple Sclerosis disease (MSD) datasets. We constructed relationship networks and identified dysregulated pathways, ontological pathways and protein-protein interaction sub-network using multilayer network topology and neighborhood-based benchmarking. Results: We observed that WFs shares 18, 16, 13, 19 and 19 differentially expressed genes with PD, AD, LGD, ED and MSD respectively. Gene expression dysregulation along with relationship networks, pathways and ontologic analysis showed that WFs are responsible for the progression of PD, AD, LGD, ED and MSD neurodegenerative diseases. Conclusion: Our developed network-based approach to analysis and investigate the genetic effects of welding fumes on PD, AD, LGD, ED and MSD neurodegenerative diseases could be helpful to understand the causal influences of WF exposure for the progression of the NDGDs.

Schizophrenia is a heterogeneous spectrum disorder of unknown etiology that is going to be a public concern around the world. The molecular association between the pathophysiology of schizophrenia (SP) and bipolar disorder (BD) is still not clear enough. To address this gap, we developed an integrated bioinformatics approach to identify common molecular signatures and possible interactive pathways that are common in the molecular pathogenic process between SP and BD. We employed pluripotent stem cell (iPSC)-derived cortical interneuron transcriptomic data and post-mortem brain transcriptomic data from patients with SP and BD, respectively. Twenty common differentially expressed genes (DEGs) were identified between SP and BD. Positive regulation of cyclic AMP (cAMP)-mediated signaling and regulation of the metabolic process were found to be common biological pathways between these two disorders. Protein-protein interactions and transcriptional regulatory interactions identified with hub-bottleneck proteins (LY6G5B, DLGAP2, DXO, EGR3, BAG6, DL-GAP2, SKIV2L, CSNK2B and RXRB), regulatory transcription factors (FOXC1, GATA2, RELA and ELK4), and regulatory microRNAs (hsa-mir-34a-5p, hsa-mir23b-3p, hsa-mir-146a-5p, hsa-mir-27a-3p, and hsa-mir-1-3p) are as key molecular signatures between SP and BD. Protein-chemical and protein-drug interactions revealed valproic acid, antirheumatic agents, trichostatin A, aarsenic, and 4-(5-benzo (1,3) dioxol-5-yl-4-pyridin-2yl-1H-imidazole-2-yl) benzamide and isopropyl alcohol compounds could be used as a potential therapeutic target molecule against SP and BD. The research findings would be used in wet lab-based research to further clarify potential therapeutic targets for the treatment of SP and BP disorders.

Breast cancer is an alarming global health concern, including a vast and varied set of illnesses with different molecular characteristics. The fusion of sophisticated computational methodologies with extensive biological datasets has emerged as an effective strategy for unravelling complex patterns in cancer oncology. This research delves into breast cancer staging, classification, and diagnosis by leveraging the comprehensive dataset provided by the The Cancer Genome Atlas (TCGA). By integrating advanced machine learning algorithms with bioinformatics analysis, it introduces a cutting-edge methodology for identifying complex molecular signatures associated with different subtypes and stages of breast cancer. This study utilizes TCGA gene expression data to detect and categorize breast cancer through the application of machine learning and systems biology techniques. Researchers identified differentially expressed genes in breast cancer and analyzed them using signaling pathways, protein-protein interactions, and regulatory networks to uncover potential therapeutic targets. The study also highlights the roles of specific proteins (MYH2, MYL1, MYL2, MYH7) and microRNAs (such as hsa-let-7d-5p) that are the potential biomarkers in cancer progression founded on several analyses. In terms of diagnostic accuracy for cancer staging, the random forest method achieved 97.19%, while the XGBoost algorithm attained 95.23%. Bioinformatics and machine learning meet in this study to find potential biomarkers that influence the progression of breast cancer. The combination of sophisticated analytical methods and extensive genomic datasets presents a promising path for expanding our understanding and enhancing clinical outcomes in identifying and categorizing this intricate illness.