Abstract We describe a large-scale community effort to build an open-access, interoperable, and computable repository of COVID-19 molecular mechanisms - the COVID-19 Disease Map. We discuss the tools, platforms, and guidelines necessary for the distributed development of its contents by a multi-faceted community of biocurators, domain experts, bioinformaticians, and computational biologists. We highlight the role of relevant databases and text mining approaches in enrichment and validation of the curated mechanisms. We describe the contents of the Map and their relevance to the molecular pathophysiology of COVID-19 and the analytical and computational modelling approaches that can be applied for mechanistic data interpretation and predictions. We conclude by demonstrating concrete applications of our work through several use cases and highlight new testable hypotheses.

The timing and magnitude of the immune response (i.e., the immunodynamics) associated with the early innate immune response to viral infection display distinct trends across influenza A virus subtypes in vivo. Evidence shows that the timing of the type-I interferon response and the overall magnitude of immune cell infiltration are both correlated with more severe outcomes. However, the mechanisms driving the distinct immunodynamics between infections of different virus strains (strain-specific immunodynamics) remain unclear. Here, computational modeling and strain-specific immunologic data are used to identify the immune interactions that differ in mice infected with low-pathogenic H1N1 or high-pathogenic H5N1 influenza viruses. Computational exploration of free parameters between strains suggests that the production rate of interferon is the major driver of strain-specific immune responses observed in vivo, and points towards the relationship between the viral load and lung epithelial interferon production as the main source of variance between infection outcomes. A greater understanding of the contributors to strain-specific immunodynamics can be utilized in future efforts aimed at treatment development to improve clinical outcomes of high-pathogenic viral strains.

The position of host factors required for viral replication within a human protein-protein interaction (PPI) network can be exploited to identify drug targets that are robust to drug-mediated selective pressure. Host factors can physically interact with viral proteins, be a component of pathways regulated by viruses (where proteins themselves do not interact with viral proteins) or be required for viral replication but unregulated by viruses. Here, we demonstrate a method of combining a human PPI network with virus-host protein interaction data to improve antiviral drug discovery for influenza viruses by identifying target host proteins. Network analysis shows that influenza virus proteins physically interact with host proteins in network positions significant for information flow. We have isolated a subnetwork of the human PPI network which connects virus-interacting host proteins to host factors that are important for influenza virus replication without physically interacting with viral proteins. The subnetwork is enriched for signaling and immune processes. Selecting proteins based on network topology within the subnetwork, we performed an siRNA screen to determine if the subnetwork was enriched for virus replication host factors and if network position within the subnetwork offers an advantage in prioritization of drug targets to control influenza virus replication. We found that the subnetwork is highly enriched for target host proteins - more so than the set of host factors that physically interact with viral proteins. Our findings demonstrate that network positions are a powerful predictor to guide antiviral drug candidate prioritization.

Host factors of influenza virus replication are often found in key topological positions within protein-protein interaction networks. This work explores how protein states can be manipulated through controllability analysis: the determination of the minimum manipulation needed to drive the cell system to any desired state. Here, we complete a two-part controllability analysis of two protein networks: a host network representing the healthy cell state and an influenza A virus-host network representing the infected cell state. This knowledge can be utilized to understand disease dynamics and isolate proteins for study as drug target candidates. Both topological and controllability analyses provide evidence of wide-reaching network effects stemming from the addition of viral-host protein interactions. Virus interacting and driver host proteins are significant both topologically and in controllability, therefore playing important roles in cell behavior during infection. 24 proteins are identified as holding regulatory roles specific to the infected cell by measures of topology, controllability, and functional role. These proteins are recommended for further study as potential antiviral drug targets.

Severe influenza infections are often characterized as having unique host responses (e.g. early, severe hypercytokinemia). Neuraminidase inhibitors can be effective in controlling the severe symptoms of influenza but are often not administered until late in the infection. Several studies suggest that immune modulation may offer protection to high risk groups. Here, we review the current state of mathematical models of influenza-induced host responses. Selecting three models with conserved immune response components, we determine if the immune system components which most affect virus replication when perturbed are conserved across the models. We also test each models response to a pre-induction of interferon before the virus is administered. We find that each model emphasizes the importance of controlling the infected cell population to control viral replication. Moreover, our work shows that the structure of current models does not allow for significant responses to increased interferon concentrations. These results suggest that the current library of available published models of influenza infection does not adequately represent the complex interactions of the virus, interferon, and other aspects of the immune response. Specifically, the method used to model virus-resistant cells may need to be adapted in future work to more realistically represent the immune response to viral infection.