Small-molecule protein kinase inhibitors are widely used to elucidate cellular signaling pathways and are promising therapeutic agents. Owing to evolutionary conservation of the ATP-binding site, most kinase inhibitors that target this site promiscuously inhibit multiple kinases. Interpretation of experiments that use these compounds is confounded by a lack of data on the comprehensive kinase selectivity of most inhibitors. Here we used functional assays to profile the activity of 178 commercially available kinase inhibitors against a panel of 300 recombinant protein kinases. Quantitative analysis revealed complex and often unexpected interactions between protein kinases and kinase inhibitors, with a wide spectrum of promiscuity. Many off-target interactions occur with seemingly unrelated kinases, revealing how large-scale profiling can identify multitargeted inhibitors of specific, diverse kinases. The results have implications for drug development and provide a resource for selecting compounds to elucidate kinase function and for interpreting the results of experiments involving kinase inhibitors.

DNA methylation is a major epigenetic mechanism for gene silencing. Whereas methyltransferases mediate cytosine methylation, it is less clear how unmethylated regions in mammalian genomes are protected from de novo methylation and whether an active demethylating activity is involved. Here, we show that either knockout or catalytic inactivation of the DNA repair enzyme thymine DNA glycosylase (TDG) leads to embryonic lethality in mice. TDG is necessary for recruiting p300 to retinoic acid (RA)-regulated promoters, protection of CpG islands from hypermethylation, and active demethylation of tissue-specific developmentally and hormonally regulated promoters and enhancers. TDG interacts with the deaminase AID and the damage response protein GADD45a. These findings highlight a dual role for TDG in promoting proper epigenetic states during development and suggest a two-step mechanism for DNA demethylation in mammals, whereby 5-methylcytosine and 5-hydroxymethylcytosine are first deaminated by AID to thymine and 5-hydroxymethyluracil, respectively, followed by TDG-mediated thymine and 5-hydroxymethyluracil excision repair.PaperClip/cms/asset/cea686de-7f90-4ea3-aa49-800519018a07/mmc2.mp3Loading ...(mp3, 2.64 MB) Download audio

The past two decades have witnessed significant advances in high-throughput “omics” technologies such as genomics, proteomics, metabolomics, transcriptomics and radiomics. These technologies have enabled simultaneous measurement of the expression levels of tens of thousands of features from individual patient samples and have generated enormous amounts of data that require analysis and interpretation. One specific area of interest has been in studying the relationship between these features and patient outcomes, such as overall and recurrence-free survival, with the goal of developing a predictive “omics” profile. Large-scale studies often suffer from the presence of a large fraction of censored observations and potential time-varying effects of features, and methods for handling them have been lacking. In this paper, we propose supervised methods for feature selection and survival prediction that simultaneously deal with both issues. Our approach utilizes continuum power regression (CPR) - a framework that includes a variety of regression methods - in conjunction with the parametric or semi-parametric accelerated failure time (AFT) model. Both CPR and AFT fall within the linear models framework and, unlike black-box models, the proposed prognostic index has a simple yet useful interpretation. We demonstrate the utility of our methods using simulated and publicly available cancer genomics data.

Introduction: Aberrant DNA methylation is frequently observed in colorectal cancer (CRC), but the underlying mechanisms are poorly understood. Ten-Eleven Translocation (TET) dioxygenases and DNA repair enzyme Thymine DNA Glycosylase (TDG) are involved in active DNA demethylation by generating and removing, respectively, novel oxidized cytosine species. Mutations of TET1 and TDG, and alterations of the levels of oxidized cytosine species have been identified in human CRC cases, but the biological significance of the TET-TDG demethylation axis in intestinal tumorigenesis is unclear. Material and Methods: We generated ApcMin mice with additional inactivation of Tet1 and/or Tdg, and characterized the methylome and transcriptome of intestinal adenomas by DREAM and RNA sequencing, respectively. Results: Tet1- and/or Tdg-deficient ApcMin mice show enhanced intestinal tumorigenesis in comparison to wild type Tet1 and Tdg ApcMin mice. Specifically, Tet1 and/or Tdg-deficient ApcMin adenomas manifested increased size or features of erosion and stroma activation. Methylome analysis revealed progressive loss of global DNA hypomethylation in colonic adenomas from Tet1- and Tdg-deficient ApcMin mice, and hypermethylation of CpG islands in Tet1-deficient ApcMin mice. In addition, RNA sequencing showed upregulation of genes in inflammatory and immune response pathways in Tet1- and Tdg-mutant colonic adenomas compared to control ApcMin adenomas. Conclusions: Taken together, these findings demonstrate the important role of active DNA demethylation mediated by TET-TDG in reducing intestinal tumor formation, by modulating the epigenome and inflammatory/immune responses. This study highlights a novel mechanism of epigenetic deregulation during intestinal tumorigenesis with diagnostic, therapeutic and prognostic implications.

Pancreatic ductal adenocarcinoma (PDAC) has a poor 5-year survival rate and lacks effective therapeutics. Therefore, it is of paramount importance to identify new targets. Using multi-plex data from patient tissue, three-dimensional co-culturing in vitro assays, and orthotopic murine models, we identified Netrin G1 (NetG1) and Netrin G1 ligand (NGL-1) as promoters of PDAC tumorigenesis. NetG1+ cancer-associated fibroblasts (CAFs) supported PDAC survival, through a NetG1/NGL-1 mediated effect on glutamate/glutamine metabolism. NetG1+ CAFs were intrinsically immunosuppressive and inhibited NK cell mediated killing of tumor cells. These functions were partially mediated by vesicular glutamate transporter 1 and glutamine synthetase. This study uncovered an important link between CAF driven metabolism and its immunosuppressive capacity, suggesting NetG1 and NGL-1 as potential targets in PDAC.Significance PDAC is a devastating disease lacking effective therapies. A major hallmark of PDAC is desmoplasia, characterized by the expansion of CAFs and their extracellular matrix, creating a unique microenvironment that limits blood-supplied nutrition and is highly immunosuppressive. A better understanding of the role of CAFs in PDAC may lead to the identification of new targets for therapeutic intervention. Here, we uncovered two potential targets, NetG1 in CAFs and its binding partner NGL-1 in tumor cells. NetG1 in CAFs was important for the metabolic support of PDAC cells and for the intrinsic immunosuppressive capacity of CAFs, while NGL-1 in PDAC cells drove tumorigenesis. Our results helped clarify the role that CAFs play in PDAC, by defining CAF phenotypes through NetG1 expression. Finally, we established a link between CAF driven metabolism and their intrinsic immunosuppressive capacity. Thus, NetG1/NGL-1 axis mediates cell reciprocal and cell autonomous functions in PDAC, representing new attractive targets for this aggressive disease.

Abstract Management of gastrointestinal stromal tumor (GIST) has been revolutionized by the identification of activating mutations in KIT and PDGFRA, and the clinical application of receptor tyrosine kinase (RTK) inhibitors in the advanced disease setting. Stratification of GIST into molecularly defined subsets provides insight into clinical behavior and response to approved targeted therapies. Although these RTK inhibitors are effective in the majority of GIST, resistance to these agents remains a significant clinical problem. Development of effective treatment strategies for refractory GIST subtypes requires identification of novel targets to provide additional therapeutic options. Global kinome profiling has the potential to identify critical signaling networks and reveal protein kinases that are essential in GIST. Using Multiplexed Inhibitor Beads and Mass Spectrometry, we explored the majority of the kinome in GIST specimens from the three most common molecular subtypes to identify novel kinase targets. Kinome profiling revealed distinct signatures in GIST subtypes and identified kinases that are universally activated in all GIST, as well as kinases that are unique to each subtype. Kinome profiling in combination with loss-of-function assays identified a significant role for the G2-M tyrosine kinase, Wee1, in GIST cell survival. In vitro and in vivo studies revealed significant efficacy of MK-1775 (Wee1 inhibitor) in combination with avapritinib in KIT and PDGFRA -mutant GIST cell lines, and notable efficacy of MK-1775 as a single agent in the PDGFRA -mutant line. These studies provide strong preclinical justification for the use of MK-1775 in GIST.

Abstract The majority of gastrointestinal stromal tumor (GIST) patients develop resistance to the first-line KIT inhibitor, imatinib mesylate (IM), through acquisition of secondary mutations in KIT or bypass signaling pathway activation. AKT is a relevant target for inhibition, in addition to KIT, since the PI3K/AKT pathway is crucial for IM-resistant GIST survival. We evaluated the activity of a novel pan-AKT inhibitor, MK-4440 (formerly ARQ 751), as monotherapy and in combination with IM in GIST cell lines and preclinical models with varying IM sensitivities. Dual inhibition of KIT and AKT demonstrated significant synergistic effects in IM-sensitive and -resistant GIST cell lines. Proteomic analyses revealed upregulation of the tumor suppressor, PDCD4, in combination treated cells. Enhanced PDCD4 expression correlated to cell cycle arrest and cell death. In vivo studies revealed superior efficacy of MK-4440/IM combination in an IM-sensitive preclinical model of GIST compared with either single agent. The combination demonstrated limited efficacy in two IM-resistant models, including a GIST patient-derived xenograft model possessing an exon 9 KIT mutation. These studies provide strong rationale for further use of AKT inhibition in combination with IM in primary GIST; however, alternative agents will need to be tested in combination with AKT inhibition in the resistant setting.

One of the major goals in large-scale genomic studies is to identify genes with a prognostic impact on time-to-event outcomes which provide insight into the disease process. With rapid developments in high-throughput genomic technologies in the past two decades, the scientific community is able to monitor the expression levels of tens of thousands of genes and proteins resulting in enormous data sets where the number of genomic features is far greater than the number of subjects. Methods based on univariate Cox regression are often used to select genomic features related to survival outcome; however, the Cox model assumes proportional hazards (PH), which is unlikely to hold for each feature. When applied to genomic features exhibiting some form of non-proportional hazards (NPH), these methods could lead to an under- or over-estimation of the effects. We propose a broad array of marginal screening techniques that aid in feature ranking and selection by accommodating various forms of NPH. First, we develop an approach based on Kullback-Leibler information divergence and the Yang-Prentice model that includes methods for the PH and proportional odds (PO) models as special cases. Next, we propose R2 indices for the PH and PO models that can be interpreted in terms of explained randomness. Lastly, we propose a generalized pseudo-R2 measure that includes PH, PO, crossing hazards and crossing odds models as special cases and can be interpreted as the percentage of separability between subjects experiencing the event and not experiencing the event according to feature expression. We evaluate the performance of our measures using extensive simulation studies and publicly available data sets in cancer genomics. We demonstrate that the proposed methods successfully address the issue of NPH in genomic feature selection and outperform existing methods.

Warehouse monitoring and management utilizes artificial intelligence to enhance efficiency in inventory tracking, stock counting, and database management. The system enables real-time updates to ensure accurate stock levels, allowing for quick adjustments based on incoming and outgoing goods. By automating stock counting, it reduces human error and speeds up the process, facilitating timely replenishments. The integration of a real-time database supports dynamic billing generation, streamlining the financial aspects of inventory management. Additionally, the system manages distributor and company databases, ensuring seamless communication and coordination among stakeholders. This AI-driven approach not only optimizes operational workflows but also improves overall productivity,making it an essential tool for modern warehouse management.

Abstract A problem that arises frequently in high-throughput biological studies is the assessment of technical reproducibility of data obtained under homogeneous experimental conditions. This is an important problem considering the significant growth in the number of high-throughput technologies that have become available to the researcher in the past decade. Although certain ad hoc and graphical methods for determining data quality have been in existence, these methods lack statistical rigor and are not broadly applicable across different technologies. There is an inherent need for the quantitative evaluation of the reproducibility of technical replicates from high-throughput compound and siRNA screening, next-generation sequencing and other modern “omics” studies. To this end, we have developed an approach that accounts for technical variability and potential asymmetry that arise naturally in the distribution of replicate data, and aids in the identification of outliers. Our methods for outlier detection rely on flexible statistical models, employ maximum likelihood methods for estimation and are broadly applicable to a variety of high-throughput biological studies. We discuss an adaptation of these methods when there are multiple replicates as well as current limitations to these techniques. We illustrate our methods using experimental data from high-throughput compound screening and protein expression studies as well as simulated data. Our methods are implemented in the R package replicateOutliers and are currently available at github.com/matthew-seth-smith/replicateOutliers.