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.

CD4+ T cells, which provide adaptive immunity against pathogens and abnormal cells, are also associated with various immune related diseases. CD4+ T cells metabolism is dysregulated in these pathologies and represents an opportunity for drug discovery and development. However, we currently lack clear view of the target space in this area. Genome-scale metabolic modeling offers an opportunity to accelerate drug discovery by providing high-quality information about possible target space in the context of a modeled disease. Here, we develop genome-scale models of naive, Th1, Th2 and Th17 CD4+ T cell subtypes to map metabolic perturbations in three autoimmune disease, rheumatoid arthritis, multiple sclerosis, and primary biliary cholangitis. We subjected these models to in silico simulations for drug response analysis of existing FDA-approved drugs, and compounds. Integration of disease-specific differentially expressed genes with altered reactions in response to metabolic perturbations identified 68 drug targets for the three autoimmune diseases. Modulation of forty percent of these targets has been observed to lead to suppression of CD4+ T cells, further increasing their potential impact as therapeutic interventions.

Immune responses rely on a complex adaptive system in which the body and infections interact at multiple scales and in different compartments. We developed a modular model of CD4+ T cells which uses four modeling approaches to integrate processes taking place at three spatial scales in different tissues. In each cell, signal transduction and gene regulation are described by a logical model, metabolism by constraint-based models. Cell population dynamics are described by an agent-based model and systemic cytokine concentrations by ordinary differential equations. A Monte Carlo simulation algorithm allows information to flow efficiently between the four modules by separating the time scales. Such modularity improves computational performance and versatility, and facilitates data integration. Our technology helps capture emergent behaviors that arise from nonlinear dynamics interwoven across three scales. Multi-scale insights added to single-scale studies allowed us to identify switch-like and oscillatory behaviors of CD4+ T cells at the population level, which are both novel and immunologically important. We envision our model and the generic framework encompassing it to become the foundation of a more comprehensive model of the human immune system.

The human immune system, which protects against pathogens and diseases, is a complex network of cells and molecules. The effects of complex dynamical interactions of pathogens and immune cells on the immune response can be studied using computational models. However, a model of the entire immune system is still lacking. Here, we developed a comprehensive computational model that integrates innate and adaptive immune cells, cytokines, immunoglobulins, and nine common pathogens from different classes of virus, bacteria, parasites, and fungi. This model was used to investigate the dynamics of the immune system under two scenarios: (1) single infection with pathogens, and (2) various medically relevant pathogen coinfections. In coinfections, we found that the order of infecting pathogens has a significant impact on the dynamics of cytokines and immunoglobulins. Thus, our model provides a tool to simulate immune responses under different dosage of pathogens and their combinations, which can be further extended and used as a tool for drug discovery and immunotherapy. Furthermore, the model provides a comprehensive and simulatable blueprint of the human immune system as a result of the synthesis of the vast knowledge about the network-like interactions of various components of the system.

Abstract The COVID-19 Disease Map project is a large-scale community effort uniting 277 scientists from 130 Institutions around the globe. We use high-quality, mechanistic content describing SARS-CoV-2-host interactions and develop interoperable bioinformatic pipelines for novel target identification and drug repurposing. Community-driven and highly interdisciplinary, the project is collaborative and supports community standards, open access, and the FAIR data principles. The coordination of community work allowed for an impressive step forward in building interfaces between Systems Biology tools and platforms. Our framework links key molecules highlighted from broad omics data analysis and computational modeling to dysregulated pathways in a cell-, tissue- or patient-specific manner. We also employ text mining and AI-assisted analysis to identify potential drugs and drug targets and use topological analysis to reveal interesting structural features of the map. The proposed framework is versatile and expandable, offering a significant upgrade in the arsenal used to understand virus-host interactions and other complex pathologies.