One of the most important challenges in network science is to quantify the information encoded in complex network structures. Disentangling randomness from organizational principles is even more demanding when networks have a multiplex nature. Multiplex networks are multilayer systems of [Formula: see text] nodes that can be linked in multiple interacting and co-evolving layers. In these networks, relevant information might not be captured if the single layers were analyzed separately. Here we demonstrate that such partial analysis of layers fails to capture significant correlations between weights and topology of complex multiplex networks. To this end, we study two weighted multiplex co-authorship and citation networks involving the authors included in the American Physical Society. We show that in these networks weights are strongly correlated with multiplex structure, and provide empirical evidence in favor of the advantage of studying weighted measures of multiplex networks, such as multistrength and the inverse multiparticipation ratio. Finally, we introduce a theoretical framework based on the entropy of multiplex ensembles to quantify the information stored in multiplex networks that would remain undetected if the single layers were analyzed in isolation.

Abstract Identification of host factors contributing to replication of viruses and resulting disease progression remains a promising approach for development of new therapeutics. Here, we evaluated 6710 clinical and preclinical compounds targeting 2183 host proteins by immunocytofluorescence-based screening to identify SARS-CoV-2 infection inhibitors. Computationally integrating relationships between small molecule structure, dose-response antiviral activity, host target and cell interactome networking produced cellular networks important for infection. This analysis revealed 389 small molecules, >12 scaffold classes and 813 host targets with micromolar to low nanomolar activities. From these classes, representatives were extensively evaluated for mechanism of action in stable and primary human cell models, and additionally against Beta and Delta SARS-CoV-2 variants and MERS-CoV. One promising candidate, obatoclax, significantly reduced SARS-CoV-2 viral lung load in mice. Ultimately, this work establishes a rigorous approach for future pharmacological and computational identification of novel host factor dependencies and treatments for viral diseases.

Abstract Maintenance of cellular function requires highly coordinated communication between trillions of biomolecules. However, over time, communication deteriorates, thereby disrupting effective information flow and compromising cellular health. To quantify the age-related loss of molecular communication, we applied information theory to quantify communication efficiency between transcription factors (TF) and corresponding target genes (TGs). Using single cell RNA-seq data from the limb muscle of young, middle-aged, and aged mice, we found that the precision with which TFs regulate TGs diminished with age, but that information transfer was preferentially preserved in a subset of gene pairs associated with homeostasis—a phenomenon we termed “age-based canalization”. Collectively, these data suggest that aging may be accompanied by a reallocation of resources that favor messages crucial to maintenance of stability and survival. One sentence summary As communication efficiency in the regulatory network diminishes, aged cells prioritize homeostatic over adaptive functions.

Abstract Untargeted metabolomics can detect hundreds of biochemicals in food, yet without standards, it cannot quantify them. Here we show that we can take advantage of the universal scaling of nutrient concentrations to estimate the concentration of all biochemicals detected by untargeted metabolomics. We validate our method on 20 raw foods, finding an excellent agreement between the predicted and the experimentally observed concentrations.

Abstract Given the important role food plays in health and well-being, the past decades have seen considerable experimental efforts dedicated to mapping the chemical composition of food ingredients. As the composition of raw food is genetically predetermined, here we ask, to what degree can we rely on genome-associated metabolic annotations to predict the chemical composition of natural ingredients? To that end, we developed an approach to unveil the chemical composition of 75 edible plants’ genomes, finding that genome-associated functional annotations substantially increase the number of compounds linked to specific plants. To account for the gap between the metabolic potential represented by functional annotations and the compounds likely to be accumulated and detected experimentally, we employed a predictive thermodynamic feasibility approach to systematically identify compounds that are likely to accumulate in plants. To quantify the accuracy of our predictions, we performed untargeted metabolomics on 13 plants, allowing us to experimentally confirm the detectability of the predicted compounds. For example, we observed 59 potentially novel compounds predicted and experimentally detected in corn. Our study shows that the application of genome-associated functional annotations can lead to an integrated metabologenomics platform capable of unveiling the chemical composition of edible plants and the biochemical pathways responsible for the observed compounds. Author Summary Nutrition and well-being take a central role in today’s high pace life, but how much do we really know about the food we eat? Here, we harness existing metabolic knowledge encrypted in staple food ingredients’ genome to help us explore the composition of raw edible plants. We first show the benefit and value of looking into genome-associated functional annotations on a wide scale. Next, we rely on new experimental data to develop a framework that helps us reveal new, potentially bioactive compounds in staple food ingredients. This has significance in, first, extending current food composition knowledge and second in discovering newly detected bioactive compounds, shedding light on the potential impacts of common food ingredients beyond their nutritional value as described in food labels. Finally, we show that staple foods that are already included in our daily diets might have the potential to contribute to our well-being.

We characterize different tumour types in the search for multi-tumour drug targets, in particular aiming for drug repurposing or novel drug combinations. Starting from 11 tumour types from The Cancer Genome Atlas, we obtain three clusters based on transcriptomic correlation profiles. A network-based analysis, integrating gene expression profiles and protein interactions of cancer-related genes, allowed us to define three cluster-specific signatures, with genes belonging to NF-κB signaling, chromosomal instability, ubiquitin-proteasome system, DNA metabolism, and apoptosis biological processes. These signatures have been characterized by different approaches based on mutational, pharmacological and clinical evidences, demonstrating the validity of our selection. Moreover, we defined new pharmacological strategies validated by in vitro experiments that showed inhibition of cell growth in two tumour cell lines, with significant synergistic effect. Our study thus provides a list of genes and pathways with the potential to be used, singularly or in combination, for the design of novel treatment strategies.

The binding interactions between small molecules and proteins share the basis of cellular functions. Yet, experimental data available regarding compound-protein interaction is not harmonized into a single entity but rather scattered across multiple institutions, each maintaining databases with different formats. Extracting information from these multiple sources remains challenging due to data heterogeneity. Here, we present CPIExtract (Compound-Protein Interaction Extract), a tool to interactively extract experimental binding interaction data from multiple databases, perform filtering, and harmonize the resulting information, thus providing a gain of compound-protein interaction data. When compared to a single source, DrugBank, we show that it can collect more than 10 times the amount of annotations. The end-user can apply custom filtering to the aggregated output data and save it in any generic tabular file suitable for further downstream tasks such as network medicine analyses for drug repurposing and cross-validation of deep learning models. Availability: CPIExtract is an open-source Python package under an MIT license. CPIExtract can be downloaded from https://github.com/menicgiulia/CPIExtract and https://pypi.org/project/cpiextract. The package can run on any standard desktop computer or computing cluster.

Abstract Studying human dietary intake may help us identify effective measures to treat or prevent many chronic diseases whose natural histories are influenced by nutritional factors. Here, by examining five cohorts with dietary intake data collected on different time scales, we show that the food intake profile varies substantially across individuals and over time, while the nutritional intake profile appears fairly stable. We refer to this phenomenon as ‘nutritional redundancy’ and attribute it to the nested structure of the food-nutrient network. This network enables us to quantify the level of nutritional redundancy for each diet assessment of any individual. Interestingly, this nutritional redundancy measure does not strongly correlate with any classical healthy diet scores, but its performance in predicting healthy aging shows comparable strength. Moreover, after adjusting for age, we find that a high nutritional redundancy is associated with lower risks of cardiovascular disease and type 2 diabetes.

Summary: Network medicine leverages the quantification of information flow within sub-cellular networks to elucidate disease etiology and comorbidity, as well as to predict drug efficacy and identify potential therapeutic targets. However, current Network Medicine toolsets often lack computationally efficient data processing pipelines that support diverse scoring functions, network distance metrics, and null models. These limitations hamper their application in large-scale molecular screening, hypothesis testing, and ensemble modeling. To address these challenges, we introduce NetMedPy, a highly efficient and versatile computational package designed for comprehensive Network Medicine analyses. Availability: NetMedPy is an open-source Python package under an MIT license. Source code, documentation, and installation instructions can be downloaded from https://github.com/menicgiulia/NetMedPy and https://pypi.org/project/NetMedPy. The package can run on any standard desktop computer or computing cluster.