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.

Low melatonin levels are a frequent finding in autism spectrum disorder (ASD) patients. Melatonin is important for normal neurodevelopment and embryonic growth and highly effective in protecting DNA from oxidative damage. Melatonin deficiency, possibly due to low CYP1A2 activity, could be an etiologic factor. As the fetus does not produce melatonin, low maternal melatonin levels should be involved. We measured 6-sulfatoxymelatonin in urine of 60 mothers of a child with ASD that attended our sleep clinic for people with an intellectual disability (ID), and asked for coffee consumption habits, as these are known to be related to CYP1A2 activity. 6-Sulfatoxymelatonin levels were significantly lower in mothers than in controls (p = 0.005), as well as evening coffee consumption (p = 0.034).

Being comprehensive knowledge bases of cellular metabolism, Genome-scale metabolic models (GEMs) serve as mathematical tools for studying cellular flux states in various organisms. However, analysis of large-scale (human) GEMs, still presents considerable challenges with respect to objective selection and reaction flux constraints. In this study, we introduce a model-based method, ComMet (Comparison of Metabolic states), for comprehensive analysis of large metabolic flux spaces and comparison of various metabolic states. ComMet allows (a) an in-depth characterisation of achievable flux states, (b) comparison of flux spaces from several conditions of interest and (c) identification and visualization of metabolically distinct network modules. As a proof-of-principle, we employed ComMet to extract the biochemical differences in the human adipocyte network (iAdipocytes1809) arising due to unlimited/blocked uptake of branched-chain amino acids. Our study opens avenues for exploring several metabolic conditions of interest in both microbe and human models. ComMet is open-source and is available at https://github.com/macsbio/commet .