The current pandemic has highlighted the need for methodologies that can quickly and reliably prioritize clinically approved compounds for their potential effectiveness for SARS-CoV-2 infections. In the past decade, network medicine has developed and validated multiple predictive algorithms for drug repurposing, exploiting the sub-cellular network-based relationship between a drug's targets and disease genes. Here, we deployed algorithms relying on artificial intelligence, network diffusion, and network proximity, tasking each of them to rank 6,340 drugs for their expected efficacy against SARS-CoV-2. To test the predictions, we used as ground truth 918 drugs that had been experimentally screened in VeroE6 cells, and the list of drugs under clinical trial, that capture the medical community's assessment of drugs with potential COVID-19 efficacy. We find that while most algorithms offer predictive power for these ground truth data, no single method offers consistently reliable outcomes across all datasets and metrics. This prompted us to develop a multimodal approach that fuses the predictions of all algorithms, showing that a consensus among the different predictive methods consistently exceeds the performance of the best individual pipelines. We find that 76 of the 77 drugs that successfully reduced viral infection do not bind the proteins targeted by SARS-CoV-2, indicating that these drugs rely on network-based actions that cannot be identified using docking-based strategies. These advances offer a methodological pathway to identify repurposable drugs for future pathogens and neglected diseases underserved by the costs and extended timeline of de novo drug development.

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 Stomata are pores on plant aerial surfaces, each bordered by a pair of guard cells. They control gas exchange vital for plant survival. Understanding how guard cells respond to environmental signals such as atmospheric carbon dioxide (CO 2 ) levels is not only insightful to fundamental biology but also relevant to real-world issues of crop productivity under global climate change. In the past decade, multiple important signaling elements for stomatal closure induced by elevated CO 2 have been identified. Yet, there is no comprehensive understanding of high CO 2 induced stomatal closure. In this work we assemble a cellular signaling network underlying high CO 2 -induced stomatal closure by integrating evidence from a comprehensive literature analysis. We further construct a Boolean dynamic model of the network, which allows in silico simulation of the stomatal closure response to high CO 2 in wild-type Arabidopsis thaliana plants and in cases of pharmacological or genetic manipulation of network nodes. Our model has a 91% accuracy in capturing known experimental observations. We perform network-based logical analysis and reveal a feedback core of the network, which dictates cellular decisions in closure response to high CO 2 . Based on these analyses, we predict and experimentally confirm that applying nitric oxide (NO) induces stomatal closure in ambient CO 2 and causes hypersensitivity to elevated CO 2 . Moreover, we predict a negative regulatory relationship between NO and the protein phosphatase ABI2 and find experimentally that NO inhibits ABI2 phosphatase activity. The experimental validation of these model predictions demonstrates the effectiveness of network-based modeling and highlights the decision-making role of the feedback core of the network in signal transduction. We further explore the model’s potential in predicting targets of signaling elements not yet connected to the CO 2 network. Our combination of network science, in silico model simulation, and experimental assays demonstrates an effective interdisciplinary approach to understanding system-level biology.