Abstract Drug-induced liver injury (DILI) remains the main reason of drug development attritions largely due to poor mechanistic understanding. Toxicogenomics to interrogate the mechanism of DILI has been broadly performed. Gene network-based transcriptome analysis is a bioinformatics approach that potentially contributes to improving mechanistic interpretation of toxicogenomics data. In this current study, we performed an extensive concentration time course response-toxicogenomics study in the HepG2 cell line exposed to various DILI compounds, reference compounds for stress response pathways, cytokine receptors, and growth factor receptors. We established > 500 conditions subjected to whole transcriptome targeted RNA sequences and applied weighted gene co-regulated network analysis (WGCNA) to the transcriptomics data followed by identification of gene networks (modules) that were strongly modulated upon the exposure of DILI compounds. Preservation analysis on the module responses of HepG2 and PHH demonstrated highly preserved adaptive stress responses gene networks. We correlated gene network with cell death as the progressive cellular outcomes. Causality of the target genes of these modules was evaluated using RNA interference validation experiments. We identified that GTPBP2, HSPA1B, IRF1, SIRT1 and TSC22D3 exhibited strong causality towards cell death. Altogether, we demonstrate the application of large transcriptome datasets combined with network-based analysis and biological validation to uncover the candidate determinants of DILI.

Abstract Mechanism-based risk assessment is urged to advance and fully permeate into current safety assessment practices, possibly at early phases of drug safety testing. Toxicogenomics is a promising source of comprehensive and mechanisms-revealing data, but analysis tools to interpret mechanisms of toxicity and specific for the testing systems (e.g. hepatocytes) are lacking. In this study we present the TXG-MAPr webtool (available at https://txg-mapr.eu/WGCNA_PHH/TGGATEs_PHH/ ), an R-Shiny-based implementation of weighted gene co-expression networks (WGCNA) obtained from the Primary Human Hepatocytes (PHH) TG-GATEs dataset. Gene co-expression networks (modules) were annotated with functional information (pathway enrichment, transcription factor) to reveal their mechanistic interpretation. Several well-known stress response pathways were captured in the modules, are perturbed by specific stressors and show preserved in rat systems (rat primary hepatocytes and rat in vivo liver), highlighting stress responses that translate across species/testing systems. The TXG-MAPr tool was successfully applied to investigate the mechanism of toxicity of TG-GATEs compounds and using external datasets obtained from different hepatocyte cells and microarray platforms. Additionally, we suggest that module responses can be calculated from targeted RNA-seq data therefore imputing biological responses from a limited gene. By analyzing 50 different PHH donors’ responses to a common stressor, tunicamycin, we were able to suggest modules associated with donor’s traits, e.g. pre-existing disease state, therefore connected to donors’ variability. In conclusion, we demonstrated that gene co-expression analysis coupled to an interactive visualization environment, the TXG-MAPr, is a promising approach to achieve mechanistic relevant, cross-species and cross-platform evaluation of toxicogenomic data.

Toxicogenomic data represent a valuable source of biological information at molecular and cellular level to understand unanticipated organ toxicities. Weighted gene co-expression networks analysis can reduce the complexity of gene-level transcriptomic data to a set of biological response-networks useful for providing insights into mechanisms of drug-induced adverse outcomes. In this study, we have built co-regulated gene networks (modules) from the TG-GATEs rat kidney datasets consisting of time- and dose-response data for 41 compounds, including nephrotoxicants. Data from the 347 modules were incorporated into the rat kidney TXG-MAPr web tool, a user-friendly interface that enables visualization and analysis of module perturbations, quantified by a module eigengene score (EGS) for each treatment condition. Several modules annotated for cellular stress, renal injury and inflammation were statistically associated with concurrent renal pathologies, including modules that contain both well-known and novel renal biomarker genes. In addition, many rat kidney modules contain well annotated, robust gene networks that are preserved in other transcriptome datasets, suggesting that these biological networks translate to other (drug-induced) kidney injury cases. Moreover, preservation analysis of human kidney transcriptomic data provided a quantitative metric to assess the likelihood that rat kidney modules, and the associated biological interpretation, translate from non-clinical species to human. In conclusion, the rat kidney TXG-MAPr enables uploading and analysis of kidney gene expression data in the context of rat kidney co-expression networks, which could identify possible safety liabilities and/or mechanisms that can lead to adversity for chemical or drug candidates.