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 Polyphenols, natural products present in plant-based foods, play a protective role against several complex diseases through their antioxidant activity and by diverse molecular mechanisms. Here we developed a network medicine framework to uncover the mechanistic roles of polyphenols on health by considering the molecular interactions between polyphenol protein targets and proteins associated with diseases. We find that the protein targets of polyphenols cluster in specific neighborhoods of the human interactome, whose network proximity to disease proteins is predictive of the molecule’s known therapeutic effects. The methodology recovers known associations, such as the effect of epigallocatechin 3-O-gallate on type 2 diabetes, and predicts that rosmarinic acid (RA) has a direct impact on platelet function, representing a novel mechanism through which it could affect cardiovascular health. We experimentally confirm that RA inhibits platelet aggregation and alpha granule secretion through inhibition of protein tyrosine phosphorylation, offering direct support for the predicted molecular mechanism. Our framework represents a starting point for mechanistic interpretation of the health effects underlying food-related compounds, allowing us to integrate into a predictive framework knowledge on food metabolism, bioavailability, and drug interaction.

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.

Abstract Transposons are genome components that account for the majority of genome size in many organisms, behaving as parasitic entities and interfering with the translation mechanism. Chromatin structure influences the activity of transposons, by coordinating genome accessibility for the expression and insertion of these sequences. As a case study, we show evidences of an evolutionary response of the chromatin structure to a variation in the activity of Long Interspersed Elements (LINEs) during mammals evolution, with focus on the murine radiation and primate evolution. LINEs activity was measured using a biophysical approach for modeling LINEs as an ecosystem, where different strains of transposons might reproduce, die and compete for access to the translational machinery of the host. The model, based on the discrete stochastic processes of amplification and deactivation of LINEs copies, has been adapted to the data using Bayesian statistics to estimate its main parameters: rate of growth of transposons copy number and rate of past competition between transposons variants. This approach allows to estimate the activity of ancient LINE strains still present in the genome as deactivated components, and the possible competition among different strains. We leverage these results to highlight how the change in the chromatin structure of the murine species seems to be following an increase of LINEs activity during the appearance of the murine specific strain Lx. On the contrary, a similar response is absent in primates evolution, which follows a decrease of LINEs activity during the amplication of primate specific LIMA/LPB strains.