Background Systems biology has embraced computational modeling in response to the quantitative nature and increasing scale of contemporary data sets. The onslaught of data is accelerating as molecular profiling technology evolves. The Dialogue for Reverse Engineering Assessments and Methods (DREAM) is a community effort to catalyze discussion about the design, application, and assessment of systems biology models through annual reverse-engineering challenges. Methodology and Principal Findings We describe our assessments of the four challenges associated with the third DREAM conference which came to be known as the DREAM3 challenges: signaling cascade identification, signaling response prediction, gene expression prediction, and the DREAM3 in silico network challenge. The challenges, based on anonymized data sets, tested participants in network inference and prediction of measurements. Forty teams submitted 413 predicted networks and measurement test sets. Overall, a handful of best-performer teams were identified, while a majority of teams made predictions that were equivalent to random. Counterintuitively, combining the predictions of multiple teams (including the weaker teams) can in some cases improve predictive power beyond that of any single method. Conclusions DREAM provides valuable feedback to practitioners of systems biology modeling. Lessons learned from the predictions of the community provide much-needed context for interpreting claims of efficacy of algorithms described in the scientific literature.

Large-scale protein signalling networks are useful for exploring complex biochemical pathways but do not reveal how pathways respond to specific stimuli.Such specificity is critical for understanding disease and designing drugs.Here we describe a computational approach-implemented in the free CNO software-for turning signalling networks into logical models and calibrating the models against experimental data.When a literature-derived network of 82 proteins covering the immediate-early responses of human cells to seven cytokines was modelled, we found that training against experimental data dramatically increased predictive power, despite the crudeness of Boolean approximations, while significantly reducing the number of interactions.Thus, many interactions in literature-derived networks do not appear to be functional in the liver cells from which we collected our data.At the same time, CNO identified several new interactions that improved the match of model to data.Although missing from the starting network, these interactions have literature support.Our approach, therefore, represents a means to generate predictive, cell-type-specific models of mammalian signalling from generic protein signalling networks.

Abstract Motivation The analysis and comparison of compounds’ transcriptomic signatures can help elucidate a compound’s Mechanism of Action (MoA) in a biological system. In order to take into account the complexity of the biological system, several computational methods have been developed that utilize prior knowledge of molecular interactions to create a signaling network representation that best explains the compound’s effect. However, due to their complex structure, large scale datasets of compound-induced signaling networks and methods specifically tailored to their analysis and comparison are very limited. Our goal is to develop graph deep learning models that are optimized to transform compound-induced signaling networks into high-dimensional representations and investigate their relationship with their respective MoAs. Results We created a new dataset of compound-induced signaling networks by applying the CARNIVAL network creation pipeline on the gene expression profiles of the CMap dataset. Furthermore, we developed a novel unsupervised graph deep learning pipeline, called deepSNEM, to encode the information in the compound-induced signaling networks in fixed-length high-dimensional representations. The core of deepSNEM is a graph transformer network, trained to maximize the mutual information between whole-graph and sub-graph representations that belong to similar perturbations. By clustering the deepSNEM embeddings, using the k-means algorithm, we were able to identify distinct clusters that are significantly enriched for mTOR, topoisomerase, HDAC and protein synthesis inhibitors respectively. Additionally, we developed a subgraph importance pipeline and identified important nodes and subgraphs that were found to be directly related to the most prevalent MoA of the assigned cluster. As a use case, deepSNEM was applied on compounds’ gene expression profiles from various experimental platforms (MicroArrays and RNA sequencing) and the results indicate that correct hypotheses can be generated regarding their MoA. Availability and Implementation The source code and pre-trained deepSNEM models are available at https://github.com/BioSysLab/deepSNEM . Contact Email for correspondence: leo@mail.ntua.gr . Supplementary information Accompanying supplementary material are available online.

ABSTRACT Cellular stress evoked by immunogenic anticancer treatments engaging the unfolded protein response (UPR) can elicit inflammation with conflicting therapeutic outcomes. To define cell-autonomous mechanisms coupling the UPR to molecular mediators of inflammation, we profiled the transcriptome of cancer cells responding to immunogenic or weakly immunogenic-treatments. Bioinformatics-driven pathway analysis indicated that immunogenic treatments instigated NF-κB/AP-1-inflammatory pathways, which were abolished by the IRE1α-kinase inhibitor KIRA6. Cell-free fractions of chemotherapy and KIRA6 co-treated cancer cells were deprived of pro-inflammatory/chemoattractant factors and failed to mobilize innate immune cells. Strikingly, these potent KIRA6 anti-inflammatory effects were found to be independent of IRE1α. Generation of a KIRA6-clickable photoaffinity probe, mass spectrometry and co-immunoprecipitation analysis identified cytosolic HSP60 as a KIRA6 off-target in the NF-κB pathway. In sum, our study unravels that inflammation evoked by immunogenic treatments is curtailed by KIRA6 independently of IRE1α and further suggests great caution in interpreting the anti-inflammatory action of IRE1α chemical inhibitors.

Complex diseases such as Multiple Sclerosis (MS) cover a wide range of biological scales, from genes and proteins to cells and tissues, up to the full organism. We conducted a multilayer network analysis and deep phenotyping with multi-omics data (genomics, phosphoproteomics and cytomics), brain and retinal imaging, and clinical data, obtained from a multicenter prospective cohort of 328 patients and 90 healthy controls. Multilayer networks were constructed using mutual information, and Boolean simulations identified paths within and among all layers. The path more commonly found from the boolean simulations connects MP2K, with Th17 cells, the retinal nerve fiber layer (RNFL) thickness and the age related MS severity score (ARMSS). Combinations of several proteins (HSPB1, MP2K1, SR6, KS6B1, SRC, MK03, LCK and STAT6)) and immune cells (Th17, Th1 non-classic, CD8, CD8 Treg, CD56 neg, and B memory) were part of the paths explaining the clinical phenotype. Specific paths identified were subsequently analyzed by flow cytometry at the single-cell level.

The pathophysiology of osteoarthritis (OA) involves dysregulation of anabolic and catabolic processes associated with a broad panel of cytokines and other secreted proteins and ultimately lead to cartilage degradation. An increased understanding about the interactions of these proteins by means of systematic in vitro analyses may give new ideas regarding pharmaceutical candidates for treatment of OA and related cartilage degradation. Therefore, first an ex vivo tissue model of cartilage degradation was established by culturing full thickness tissue explants with bacterial collagenase II. Then responses of healthy and degrading cartilage were analyzed by measuring protein abundance in tissue supernatant with a 26-multiplex protein profiling assay, after exposing them to a panel of 55 protein stimulations present in synovial joints of OA patients. Multivariate data analysis including exhaustive pairwise variable subset selection was used to identify the most outstanding changes in the measured protein secretions. This revealed that the MMP9 response is outstandingly low in degraded compared to healthy cartilage and that there are several protein pairs like IFNG and MMP9 that can be used for successful discrimination between degraded and healthy samples. Taken together, the results show that the characteristic changes in protein responses discovered seem promising for accurate detection/diagnosis of degrading cartilage in general and OA in particular. More generally the employed ex vivo tissue model seems promising for drug discovery and development projects related to cartilage degradation, for example when trying to uncover the unknown interactions between secreted proteins in healthy and degraded tissues.

Knee osteoarthritis (OA) is a joint disease that affects several tissues: cartilage, synovium, meniscus and subchondral bone. The pathophysiology of this complex disease is still not completely understood and existing pharmaceutical strategies are limited to pain relief treatments. Therefore, a computational method was developed considering the diverse mechanisms and the multi-tissue nature of OA in order to suggest pharmaceutical compounds. Specifically, weighted gene co-expression network analysis (WGCNA) was utilized to identify gene modules that were preserved across four joint tissues. The driver genes of these modules were selected as an input for a network-based drug discovery approach. WGCNA identified two preserved modules that described functions related to extracellular matrix physiology and immune system responses. Compounds that affected various anti-inflammatory pathways and drugs targeted at coagulation pathways were suggested. 9 out of the top 10 compounds had a proven association with OA and significantly outperformed randomized approaches not including WGCNA. The method presented herein is a viable strategy to identify overlapping molecular mechanisms in multi-tissue diseases such as OA and employ this information for drug discovery and compound prioritization.

Signal transduction deregulation is a hallmark of many complex diseases, including Multiple Sclerosis (MS). Here, we performed ex vivo multiplexed phosphoproteomic assays upon perturbations with multiple drugs and ligands in primary immune cells from 169 MS patients and matched healthy controls. Patients were either untreated or treated with fingolimod, natalizumab, interferon-β, glatiramer acetate or the experimental therapy epigallocatechin gallate (EGCG). We generated for each donor a dynamic logic model by fitting a bespoke literature-derived network of MS-related pathways to the perturbation data. Analysis of the models uncovered features of healthy-, disease- and drug-specific signaling networks. We developed an approach based on network topology to identify deregulated interactions whose activity could be reverted to a "healthy-like" status by combination therapy. We predicted several combinations with approved MS drugs. Specifically, TAK1 kinase, involved in TGF-β, Toll-like receptor, B-cell receptor and response to inflammation pathways were found to be highly deregulated and co-druggable with all MS drugs studied. One of these predicted combinations, fingolimod with a TAK1 inhibitor, was validated in an animal model of MS. Our approach based on donor-specific signaling networks enables prediction of targets for combination therapy for MS and other complex diseases.

Resistance to BRAF and MAPK inhibitors is a significant challenge in melanoma treatment, driven by adaptive and acquired mechanisms that allow tumour cells to evade therapy. Here, we examined early signalling responses to single and combined BRAF and MAPK inhibition in a BRAFV600E, drug-sensitive melanoma cell line and a drug-resistant ARID1A-knockout (KO) derivative. ARID1A, frequently mutated in melanoma, is associated with resistance and immune evasion. Using an innovative systems biology approach that integrates transcriptomics, proteomics, phosphoproteomics, and functional kinomics through matrix factorization and network analysis, we identified key signalling alterations and resistance mechanisms. We found that ARID1A-KO cells exhibited transcriptional rewiring, sustaining MAPK1/3 and JNK activity post-treatment, bypassing feedback sensitivity observed in parental cells. This rewiring suppressed PRKD1 activation, increased JUN activity - a central resistance network node - and disrupted PKC dynamics through elevated basal RTKs (e.g., EGFR, ROS1) and Ephrin receptor activity post-treatment. ARID1A mutations also reduced HLA-related protein expression and enriched extracellular matrix components, potentially limiting immune infiltration and reducing immunotherapy efficacy. Our graph-theoretical multi-omics approach uncovered novel resistance-associated signalling pathways, identifying PRKD1, JUN, and NCK1 as critical nodes. While receptor activation redundancies complicate single-target therapies, they also present opportunities for combination strategies. This study highlights ARID1A's role in reshaping signalling and immune interactions, offering new insights into melanoma resistance mechanisms. By identifying actionable targets, including JUN and immune pathways, we provide a foundation for developing integrated therapeutic strategies to overcome resistance in BRAF/MAPK inhibitor-treated melanoma.

To develop efficient therapies and identify novel early biomarkers for chronic kidney disease an understanding of the molecular mechanisms orchestrating it is essential. We here set out to understand how differences in CKD origin are reflected in gene expression. To this end, we integrated publicly available human glomerular microarray gene expression data for nine kidney disease entities that account for a majority of CKD worldwide. We included data from five distinct studies and compared glomerular gene expression profiles to that of non-tumor parts of kidney cancer nephrectomy tissues. A major challenge was the integration of the data from different sources, platforms and conditions, that we mitigated with a bespoke stringent procedure. This allowed us to perform a global transcriptome-based delineation of different kidney disease entities, obtaining a landscape of their similarities and differences based on the genes that acquire a consistent differential expression between each kidney disease entity and nephrectomy tissue. Furthermore, we derived functional insights by inferring activity of signaling pathways and transcription factors from the collected gene expression data, and identified potential drug candidates based on expression signature matching. We validated representative findings by immunostaining in human kidney biopsies indicating e.g. that the transcription factor FOXM1 is significantly and specifically expressed in parietal epithelial cells in RPGN whereas not expressed in control kidney tissue. These results provide a foundation to comprehend the specific molecular mechanisms underlying different kidney disease entities, that can pave the way to identify biomarkers and potential therapeutic targets. To facilitate this, we provide our results as a free interactive web application: https://saezlab.shinyapps.io/ckd_landscape/.