Abstract Human N -myristoyltransferases (NMTs) catalyze N-terminal protein myristoylation, a modification regulating membrane trafficking and interactions of >100 proteins. NMT is a promising target in cancer, but a mechanistic rationale for targeted therapy remains poorly defined. Here, large-scale cancer cell line screens against a panel of NMT inhibitors (NMTi) were combined with systems-level analyses to reveal that NMTi is synthetic lethal with deregulated MYC. Synthetic lethality is mediated by post-transcriptional failure in mitochondrial respiratory complex I protein synthesis concurrent with loss of myristoylation and degradation of complex I assembly factor NDUFAF4, followed by mitochondrial dysfunction specifically in MYC-deregulated cancer cells. NMTi eliminated MYC-deregulated tumors in vivo without overt toxicity, providing a new paradigm in which targeting a constitutive co-translational protein modification is synthetically lethal in MYC-deregulated cancers. One-sentence summary N -myristoyltransferase inhibition leads to post-transcriptional complex I failure and cell death in MYC-deregulated cancers

Abstract Osteoarthritis (OA) is characterised by loss of articular cartilage, synovial membrane dysfunction and subchondral sclerosis. Few studies have used a global approach to stratify equine synovial fluid (SF) molecular profiles according to OA severity. SF was collected from 58 metacarpophalangeal (MCP) and metatarsophalangeal joints of racing Thoroughbred horses (Hong Kong Jockey Club; HKJC) and 83 MCP joints of mixed breed horses from an abattoir and equine hospital (biobank). Joints were histologically and macroscopically assessed for OA severity. For proteomic analysis, native SF and SF loaded onto ProteoMiner™ equalisation columns, to deplete high abundant proteins, were analysed using liquid chromatography-tandem mass spectrometry (LC-MS/MS) and label-free quantification. Validation of selected differentially expressed proteins was undertaken using clinical SF collected during diagnostic investigations. Native SF metabolites were analysed using 1D 1 H Nuclear Magnetic Resonance (NMR). 1,834 proteins and 40 metabolites were identified in equine SF. Afamin levels decreased with synovitis severity and four uncharacterised proteins decreased with OA severity. Gelsolin and lipoprotein binding protein decreased with OA severity and apolipoprotein A1 levels increased for mild and moderate OA. Within the biobank, glutamate levels decreased with OA severity and for the HKJC cohort, 2-aminobutyrate, alanine and creatine increased with severity. Proteomic and metabolomic integration was undertaken using linear regression via Lasso penalisation modelling, incorporating 29 variables (R 2 =0.82) with principal component 2 able to discriminate advanced OA from earlier stages, predominantly driven by H9GZQ9, F6ZR63 and alanine. Combining biobank and HKJC datasets, discriminant analysis of principal components modelling prediction was good for mild OA (90%). This study has stratified equine OA using both metabolomic and proteomic SF profiles and identified a panel of markers of interest which may be applicable to grading OA severity. This is also the first study to undertake computational integration of NMR metabolomic and LC-MS/MS proteomic datasets of any biological system.

Estrogen receptor-positive (ER+) breast tumours are often treated with anti-estrogen (AE) therapies but frequently develop resistance. Cancer Stem Cells (CSCs) with high aldehyde dehydrogenase (ALDH) activity (ALDH+ cells) are reported to be enriched following AE treatment. Here we perform in vitro and in vivo functional CSC assays and gene expression analysis to characterise the ALDH+ population in AE resistant metastatic patient samples and an ER+ cell line. We show that the IL1β signalling pathway is activated in ALDH+ cells and data from single cells reveals that AE treatment selects for IL1R1-expressing ALDH+ cells. Importantly, we demonstrate that increased expression of IL1R1 is observed in the tumours of patients treated with AE therapy and predicts for treatment failure. Single-cell gene expression analysis revealed that at least 2 sub-populations exist within the ALDH+ population, one proliferative and one quiescent. Following AE therapy, the quiescent ALDH+IL1R1+ population is expanded, which suggests CSC dormancy as an adaptive strategy that facilitates treatment resistance. Supporting this, analysis of AE resistant dormant tumours reveals significantly increased expression of ALDH1A1 , ALDH1A3 and IL1R1 genes. Thus, we propose that targeting of ALDH+IL1R1+ cells will reverse AE resistance, including in patients with minimal residual disease.

Abstract Background Machine Learning (ML) plays a crucial role in biomedical research. Nevertheless, it still has limitations in data integration and irreproducibility. To address these challenges, robust methods are needed. Pancreatic ductal adenocarcinoma (PDAC), a highly aggressive cancer with low early detection rates and survival rates, is used as a case study. PDAC lacks reliable diagnostic biomarkers, especially metastatic biomarkers, which remains an unmet need. In this study, we propose an ML-based approach for discovering disease biomarkers, apply it to the identification of a PDAC metastatic composite biomarker candidate, and demonstrate the advantages of harnessing data resources. Methods We utilised primary tumour RNAseq data from five public repositories, pooling samples to maximise statistical power and integrating data by correcting for technical variance. Data were split into train and validation sets. The train dataset underwent variable selection via a 10-fold cross-validation process that combined three algorithms in 100 models per fold. Genes found in at least 80% of models and five folds were considered robust to build a consensus multivariate model. A random forest model was constructed using selected genes from the train dataset and tested in the validation set. We also assessed the goodness of prediction by recalibrating a model using only the validation data. The biological context and relevance of signals was explored through enrichment and pathway analyses using QIAGEN Ingenuity Pathway Analysis and GeneMANIA. Results We developed a pipeline that can detect robust signatures to build composite biomarkers. We tested the pipeline in PDAC, exploiting transcriptomics data from different sources, proposing a composite biomarker candidate comprised of fifteen genes consistently selected that showed very promising predictive capability. Biological contextualisation revealed links with cancer progression and metastasis, underscoring their potential relevance. All code is available in GitHub. Conclusion This study establishes a robust framework for identifying composite biomarkers across various disease contexts. We demonstrate its potential by proposing a plausible composite biomarker candidate for PDAC metastasis. By reusing data from public repositories, we highlight the sustainability of our research and the wider applications of our pipeline. The preliminary findings shed light on a promising validation and application path.

Abstract Equine osteoarthritis is a heterogeneous, degenerative disease of the musculoskeletal system with multifactorial causation, characterised by a joint metabolic imbalance. Extracellular vesicles are nanoparticles involved in intracellular communication. Mesenchymal stem cell (MSC) therapy is a form of regenerative medicine that utilises their properties to repair damaged tissues. Despite its wide use in veterinary practice, the exact mechanism of action of MSCs is not fully understood. The aim of this study was to determine the synovial fluid extracellular vesicle protein cargo following integrin α10β1-selected mesenchymal stem cell treatment in an experimental model of equine osteoarthritis with longitudinal sampling. Adipose tissue derived, integrin α10-MSCs were injected into the osteoarthritis afflicted joint after 18 days post surgery. Sixty-nine synovial fluid samples were collected via aseptic arthrocentesis at day 0, 18, 21, 28, 35, and 70. Synovial fluid was hyaluronidase treated and extracellular vesicles isolated using differential ultracentrifugation. Extracellular vesicles were characterised using the Exoview human tetraspanin chip. Extracellular vesicle concentration, surface marker identification, fluorescent microscopy and tetraspanin colocalization analysis was undertaken, in conjunction with nanoparticle tracking analysis. For proteomics, extracellular vesicle pellets were suspended in urea lysis buffer. Samples were reduced, alkylated and digested on SP3 beads with trypsin/LysC. A data independent acquisition mode was utilised for nano liquid chromatography tandem mass spectrometry analysis on a Triple TOF 6600 mass spectrometer. A total of 442 proteins were identified across all samples, with 48 proteins differentially expressed (FDR≤ 0.05) between control and osteoarthritis treated with MSCs.. The most significant pathways following functional enrichment analysis of the differentially abundant protein dataset were serine endopeptidase activity (p=0.023), complement activation (classical pathway) (p=0.023), and collagen containing extracellular matrix (p=0.034). To date this is the first study to quantify the global extracellular vesicle proteome in synovial fluid following MSC treatment of osteoarthritis. Changes in the proteome of the synovial fluid-derived EVs following MSC injection suggest EVs may play a role in mediating the effect of cell therapy through altered joint homeostasis and an improved phenotype.