Abstract Background Representing biological networks as graphs is a powerful approach to reveal underlying patterns, signatures, and critical components from high-throughput biomolecular data. However, graphs do not natively capture the multi-way relationships present among genes and proteins in biological systems. Hypergraphs are generalizations of graphs that naturally model multi-way relationships and have shown promise in modeling systems such as protein complexes and metabolic reactions. In this paper we seek to understand how hypergraphs can more faithfully identify, and potentially predict, important genes based on complex relationships inferred from genomic expression data sets. Results We compiled a novel data set of transcriptional host response to pathogenic viral infections and formulated relationships between genes as a hypergraph where hyperedges represent significantly perturbed genes, and vertices represent individual biological samples with specific experimental conditions. We find that hypergraph betweenness centrality is a superior method for identification of genes important to viral response when compared with graph centrality. Conclusions Our results demonstrate the utility of using hypergraphs to represent complex biological systems and highlight central important responses in common to a variety of highly pathogenic viruses.

Abstract The emergence of SARS-CoV-2 variants that evade host immune responses has prolonged the COVID-19 pandemic. Thus, the development of an efficacious, variant-agnostic therapeutic for the treatment of early SARS-CoV-2 infection would help reduce global health and economic burdens. Visible light therapy has the potential to fill these gaps. In this study, visible blue light centered around 425 nm efficiently inactivated SARS-CoV-2 variants in cell-free suspensions and in a translationally relevant well-differentiated tissue model of the human large airway. Specifically, 425 nm light inactivated cell-free SARS-CoV-2 variants Alpha, Beta, Delta, Gamma, Lambda, and Omicron by up to 99.99% in a dose-dependent manner, while the monoclonal antibody bamlanivimab did not neutralize the Beta, Delta, and Gamma variants. Further, we observed that 425 nm light reduced virus binding to host ACE-2 receptor and limited viral entry to host cells in vitro . Further, the twice daily administration of 32 J/cm 2 of 425 nm light for three days reduced infectious SARS-CoV-2 Beta and Delta variants by >99.99% in human airway models when dosing began during the early stages of infection. In more established infections, logarithmic reductions of infectious Beta and Delta titers were observed using the same dosing regimen. Finally, we demonstrated that the 425 nm dosing regimen was well-tolerated by the large airway tissue model. Our results indicate that blue light therapy has the potential to lead to a well-tolerated and variant-agnostic countermeasure against COVID-19.

ABSTRACT Innate immunity is protective against viruses, but also can facilitate pathological infection responses. Despite intensive research, our understanding of the mechanisms that regulate innate immunity in virus infection remains incomplete. Systems biology-based data-driven modeling approaches hold substantial promise toward discovery of crucial innate immune signaling regulators, yet model-derived predictions are almost completely unexplored. Here, we carried out systematic experimental validation of candidate regulators predicted by a transcriptional association network model of influenza virus-infected cells. We identified dozens of novel innate immune signaling regulators with potent effects on the replication of influenza and other viruses, and importantly, we established the biological relevance of a validated regulator in vivo . Collectively, these findings aid in clarifying mechanisms of influenza virus pathogenicity and might lead to innovative approaches for treating influenza virus disease. Similar data-driven modeling strategies may be applicable for the study of other pathogen systems or immunological disorders.