ABSTRACT The plasma cell cancer multiple myeloma (MM) varies significantly in genomic characteristics, response to therapy, and long-term prognosis. To investigate global interactions in MM, we combined a known protein interaction network with a large clinically annotated MM dataset. We hypothesized that an unbiased network analysis method based on large-scale similarities in gene expression, copy number aberration, and protein interactions may provide novel biological insights. Applying a novel measure of network robustness, Ollivier-Ricci Curvature, we examined patterns in the RNA-Seq gene expression and CNA data and how they relate to clinical outcomes. Hierarchical clustering using ORC differentiated high-risk subtypes with low progression free survival. Differential gene expression analysis defined 118 genes with significantly aberrant expression. These genes, while not previously associated with MM, were associated with DNA repair, apoptosis, and the immune system. Univariate analysis identified 8/118 to be prognostic genes; all associated with the immune system. A network topology analysis identified both hub and bridge genes which connect known genes of biological significance of MM. Taken together, gene interaction network analysis in MM uses a novel method of global assessment to demonstrate complex immune dysregulation associated with shorter survival. STATEMENT OF SIGNIFICANCE Multiple myeloma has heterogenous clinical outcomes which are not well predicted by current prognostic scoring systems. Global assessment of gene-protein interactions using Ollivier-Ricci Curvature produces clusters of patients with defined prognostic significance, with high-risk groups harboring complex gene dysregulation impacting immune function.

Abstract Melanoma response to immune-modulating therapy remains incompletely characterized at the molecular level. In this study, we assess melanoma immunotherapy response using a multi-scale network approach to identify gene modules with coordinated gene expression in response to treatment. Using gene expression data of melanoma before and after treatment with nivolumab, we modeled gene expression changes in a correlation network and measured a key network geometric property, dynamic Ollivier-Ricci curvature, to distinguish critical edges within the network and reveal multi-scale treatment-response gene communities. Analysis identified six distinct gene modules corresponding to sets of genes interacting in response to immunotherapy. One module alone, overlapping with the nuclear factor kappa-B pathway (NFKB), was associated with improved patient survival and a positive clinical response to immunotherapy. This analysis demonstrates the usefulness of dynamic Ollivier-Ricci curvature as a general method for identifying information-sharing gene modules in cancer.

Current state-of-the-art models for estimating the pharmacokinetic parameters do not account for intervoxel movement of the contrast agent (CA). We introduce an optimal mass transport (OMT) formulation that naturally handles intervoxel CA movement and distinguishes between advective and diffusive flows. Ten patients with head and neck squamous cell carcinoma (HNSCC) were enrolled in the study between June 2014 and October 2015 and under-went DCE MRI imaging prior to beginning treatment. The CA tissue concentration information was taken as the input in the data-driven OMT model. The OMT approach was tested on HNSCC DCE data that provides quantitative information for forward flux (Φ F ) and backward flux (Φ B ). OMT-derived Φ F was compared with the volume transfer constant for CA, K trans , derived from the Extended Tofts Model (ETM). The OMT-derived flows showed a consistent jump in the CA diffusive behavior across the images in accordance with the known CA dynamics. The mean forward flux was 0.0082 ± 0.0091 (min-1) whereas the mean advective component was 0.0052±0.0086 (min-1) in the HNSCC patients. The diffusive percentages in forward and backward flux ranged from 8.67–18.76% and 12.76–30.36%, respectively. The OMT model accounts for intervoxel CA movement and results show that the forward flux (Φ F ) is comparable with the ETM-derived K trans . This is a novel data-driven study based on optimal mass transport principles applied to patient DCE imaging to analyze CA flow in HNSCC.

The presence of advection in neuropil is contested and solute transport is claimed to occur by diffusion only. To address this controversy, we implemented a regularized version of the optimal mass transport (rOMT) problem, wherein the advection/diffusion equation is the only a priori assumption required. rOMT analysis with a Lagrangian perspective of glymphatic system (GS) transport revealed that solute speed was faster in cerebrospinal fluid (CSF) compared to grey and white matter. rOMT analysis also demonstrated 2-fold differences in regional particle speed within the brain parenchyma. Collectively, these results imply that advective transport dominates in CSF while diffusion and advection both contribute to transport in parenchyma. In rats with chronic hypertension, solute transport in perivascular spaces (PVS) and PVS-to-tissue transfer was slower compared to normotension. Thus, the analytical framework of rOMT provides novel insights in local variation and dynamics of GS transport that may have implications for neurodegenerative diseases.

Abstract In this work, we utilized network features of cancer gene interactomes to cluster pediatric sarcoma tumors and identify candidate therapeutic targets in an unsupervised manner. RNA-Seq data were mapped to protein-level interactomes to construct weighted networks for mathematical analysis. We employed a geometric approach centered on a discrete notion of curvature, which provides a measure of the functional association between genes in the context of their connectivity. Specifically, we adopted a recently proposed dynamic extension of graph curvature to extract features of the non-Euclidean, multiscale structure of genomic networks. We propose a hierarchical clustering approach to reveal preferential gene clustering according to their geometric cooperation which captured the characteristic EWSR1-FLI1 fusion in Ewing sarcoma. We also performed in silico edge perturbations to assess systemic response to simulated interventions quantified by changes in curvature. These results demonstrate that geometric network-based features can be useful for identifying non-trivial gene associations in an agnostic manner.

Abstract Purpose Network analysis methods can potentially quantify cancer disturbances in gene networks without introducing fitted parameters or variable selection. A new network curvature-based method is introduced to provide an integrated measure of variability within cancer gene networks. The method is applied to high grade serous ovarian cancers (HGSOCs) to predict response to immune checkpoint inhibitors (ICIs), and to rank key genes associated with prognosis. Methods Copy number alterations (CNAs) from targeted and whole exome sequencing data were extracted for HGSOC patients ( n = 45) treated with ICIs. CNAs at a gene level were represented on a protein-protein interaction network to define patient-specific networks with a fixed topology. A version of Ollivier-Ricci curvature was used to identify genes that play a potentially key role in response to immunotherapy and further to stratify patients at high risk of mortality. Overall survival (OS) was defined as the time from the start of ICI treatment to either death or last follow-up. Kaplan-Meier analysis with log-rank test was performed to assess OS between the high and low curvature classified groups. Results The network curvature analysis stratified patients at high risk of mortality with p=0.00047 in Kaplan-Meier analysis. Genes with high curvature were in accordance with CNAs relevant to ovarian cancer. Conclusion Network curvature using CNAs has the potential to be a novel predictor for OS in HGSOC patients treated with immunotherapy.