SUMMARY The ongoing pandemic caused by Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) is currently affecting millions of lives worldwide. Large retrospective studies indicate that an elevated level of inflammatory cytokines and pro-inflammatory factors are associated with both increased disease severity and mortality. Here, using multidimensional epigenetic, transcriptional, in vitro and in vivo analyses, we report that Topoisomerase 1 (Top1) inhibition suppresses lethal inflammation induced by SARS-CoV-2. Therapeutic treatment with two doses of Topotecan (TPT), a FDA-approved Top1 inhibitor, suppresses infection-induced inflammation in hamsters. TPT treatment as late as four days post-infection reduces morbidity and rescues mortality in a transgenic mouse model. These results support the potential of Top1 inhibition as an effective host-directed therapy against severe SARS-CoV-2 infection. TPT and its derivatives are inexpensive clinical-grade inhibitors available in most countries. Clinical trials are needed to evaluate the efficacy of repurposing Top1 inhibitors for COVID-19 in humans.

ABSTRACT A Synthetic Lethal (SL) interaction is a functional relationship between two genes or functional entities where the loss of either entity is viable but the loss of both is lethal. Such pairs can be used to develop targeted anticancer therapies with fewer side effects and reduced overtreatment. However, finding clinically actionable SL interactions remains challenging. Leveraging unified gene expression data of both disease-free and cancerous samples, we design a new technique based on statistical hypothesis testing, called ASTER, to identify SL pairs. We empirically find that the patterns of mutually exclusivity ASTER finds using genomic and transcriptomic data provides a strong signal of SL. For large-scale multiple hypothesis testing, we develop an extension called ASTER++ that can utilize additional input gene features within the hypothesis testing framework. Our extensive experiments demonstrate the efficacy of ASTER in identifying SL pairs with potential therapeutic benefits. CCS CONCEPTS • Applied computing → Computational genomics ; Health informatics ; • Mathematics of computing → Hypothesis testing and confidence interval computation . ACM Reference Format Herty Liany, Anand Jeyasekharan, and Vaibhav Rajan. 2021. ASTER: A Method to Predict Clinically Actionable Synthetic Lethal Genetic Interactions. In Proceedings of ACM Conference . ACM, New York, NY, USA, 10 pages. https://doi.org/10.1145/nnnnnnn.nnnnnnn

Abstract TIP60, a lysine acetyltransferase and H2AZ, a histone H2A variant are involved in transcription and DNA repair. Recent studies suggest that H2AZ acetylation is dependent on TIP60. Here, we show that TIP60 acetylates both isoforms of H2AZ in vitro and in cells. Utilizing ChIP-seq and RNA-seq to identify the genes regulated by TIP60-dependent acetylation of H2AZ, we find that TIP60-dependent acetylation of H2AZ correlates with the expression of genes involved in DNA damage repair, amongst several other pathways. In line with this, TIP60-depleted cells exhibit increased sensitivity to the DNA damage-inducing drug doxorubicin. Restoring the expression level of RAD51 , one of the genes involved in the DNA damage repair pathway, partially rescues the doxorubicin sensitivity due to TIP60 depletion. Overall, our study uncovers a role for TIP60 in regulating doxorubicin-induced DNA damage sensitivity in a manner dependent on RAD51 transcription.

Abstract Inhibitors of the mitotic kinase PLK1 yield objective responses in a subset of refractory cancers. However, PLK1 overexpression in cancer does not correlate with drug sensitivity, and the clinical development of PLK1 inhibitors has been hampered by the lack of patient selection marker. Using a high-throughput chemical screen, we discovered that cells deficient for the tumor suppressor ARID1A are highly sensitive to PLK1 inhibition. Interestingly this sensitivity was unrelated to canonical functions of PLK1 in mediating G2-M cell cycle transition. Instead, a whole-genome CRISPR screen revealed PLK1 inhibitor sensitivity in ARID1A deficient cells to be dependent on the mitochondrial translation machinery. We find that ARID1A knocked-out (KO) cells have an unusual mitochondrial phenotype with aberrant biogenesis, increased oxygen consumption/ expression of oxidative phosphorylation genes, but without increased ATP production. Using expansion microscopy and biochemical fractionation, we see that a subset of PLK1 localizes to the mitochondria in interphase cells. Inhibition of PLK1 in ARID1A KO cells further uncouples oxygen consumption from ATP production, with subsequent membrane depolarization and apoptosis. Knockdown of a key subunit of the mitochondrial ribosome reverses PLK1-inhibitor induced apoptosis in ARID1A deficient cells, confirming specificity of the phenotype. Together, these findings highlight a novel interphase role for PLK1 in maintaining mitochondrial fitness under metabolic stress, and a strategy for therapeutic use of PLK1 inhibitors. To translate these findings, we describe a quantitative microscopy assay for assessment of ARID1A protein loss, which could offer a novel patient selection strategy for the clinical development of PLK1 inhibitors in cancer. Statement of significance Currently, no predictive biomarkers have been identified for PLK1 inhibitors in cancer treatment. We show that ARID1A loss sensitizes cells to PLK1 inhibitors through a previously unrecognized vulnerability in mitochondrial oxygen metabolism.

Abstract Identifying tumor suppressor genes is predicted to inform on the development of novel strategies for cancer therapy. To identify new tumor driving processes we have used a genome-wide CRISPR/Cas9 knockout screen in Eµ-Myc;Cas9 transgenic hematopoietic stem and progenitor cells in vivo . We uncovered that loss of either of the GATOR1 complex components - NPRL3, DEPDC5, NPRL2 - significantly accelerated c-MYC-driven lymphoma development in mice, indeed to an extent comparable to loss of p53. In human lymphomas mutations or low expression of the GATOR1 complex genes were mutually exclusive with defects in p53 and correlated with poor survival outcomes for patients with high MYC-expressing cancers. Lymphomas lacking GATOR1 were highly sensitive to mTOR inhibitors, both in vitro and in vivo . These findings identify inhibition of mTORC1 as a potent tumor suppressive mechanism in c-MYC-driven lymphomagenesis, and suggest a new avenue for therapeutic intervention in GATOR1-deficient lymphomas through mTOR inhibition. Statement of Significance Our in vivo CRISPR/Cas9 whole genome knockout screens identified the GATOR1 complex as a potent suppressor in c-MYC-driven lymphomagenesis. GATOR1 deficiency obviates the pressure to lose p53 during c-MYC driven lymphoma development and primes these malignant cells for heightened sensitivity to mTOR inhibition, suggesting a novel therapeutic approach.

Abstract Advances in next-generation sequencing technologies have led to the development of personalized genomic profiles in diagnostic panels that inform oncologists of alterations in clinically relevant genes. While targeted therapies for some alterations may be found, an effective therapeutic strategy should consider multiple and dependent genetic interactions that affect cancer progression, a task which remains challenging. There are ongoing efforts to profile cancer cells in-vitro, both to catalog their genomic information and study their sensitivity to various drugs. There is a need for tools that can interpret the personalized genomic profile of a patient in light of information from these biological and pre-clinical studies and recommend potentially useful drugs. To address this need, we develop a new algorithmic framework called DruID, to effectively combine drug efficacy predictions from a deep neural network model with information, such as drug sensitivity, drug-drug interactions and genetic dependencies, from multiple publicly available databases. We empirically evaluate DruID on cancer cell line data on which efficacy of many drugs have been experimentally determined. We find that DruID outperforms competing approaches and promises to be a useful tool in clinical decision-making.

DNA replication stress (RS) is a widespread phenomenon in carcinogenesis, causing genomic instability and extensive chromatin alterations. DNA damage leads to activation of innate immune signaling, but little is known about transcriptional regulators mediating such signaling upon RS. Using a chemical screen, we identified protein arginine methyltransferase 5 (PRMT5) as a key mediator of RS-dependent induction of interferon-stimulated genes (ISGs). This response is also associated with reactivation of endogenous retroviruses (ERVs). Using quantitative mass spectrometry, we identify proteins with PRMT5-dependent symmetric dimethylarginine (SDMA) modification induced upon RS. Among these, we show that PRMT5 targets and modulates the activity of ZNF326, a zinc finger protein essential for ISG response. Our data demonstrate a role for PRMT5-mediated SDMA in the context of RS-induced transcriptional induction, affecting physiological homeostasis and cancer therapy.

A synthetic lethal (SL) interaction is a relationship between two functional entities where the loss of either one of the entities is viable but the loss of both entities is lethal to the cell. Such pairs can be used as drug targets in targeted anticancer therapies, and so, many methods have been developed to identify potential candidate SL pairs. However, these methods use only a subset of available data from multiple platforms, at genomic, epigenomic and transcriptomic levels; and hence are limited in their ability to learn from complex associations in heterogeneous data sources. In this paper we develop techniques that can seamlessly integrate multiple heterogeneous data sources to predict SL interactions. Our approach obtains latent representations by collective matrix factorization based techniques, which in turn are used for prediction through matrix completion. Our experiments, on a variety of biological datasets, illustrate the efficacy and versatility of our approach, that outperforms state-of-the-art methods for predicting SL interactions and can be used with heterogeneous data sources with minimal feature engineering.

Study of pairwise genetic interactions such as mutual exclusivity or synthetic lethality has led to the development of targeted anticancer therapies, and mining the network of such interactions is a common approach used to obtain deeper insights into the mechanism of cancer. A number of useful graph clustering-based tools exist to mine interaction networks. These tools find subgraphs or groups of genes wherein each gene belongs to a single subgraph. However, a gene may be present in multiple groups – for instance, a gene can be involved in multiple signalling pathways. We develop a new network mining algorithm, that does not impose this constraint and can provide a novel pathway-centric view. Our approach is based on finding edge-disjoint bipartite subgraphs of highest weights in an input network of genes, where edge weights indicate the significance of the interaction and each set of nodes in every bipartite subgraph is constrained to belong to a single pathway. This problem is NP-hard and we develop an Integer Linear Program to solve this problem. We evaluate our algorithm on breast and stomach cancer data. Our algorithm mines dense between-pathway interactions that are known to play important roles in cancer and are therapeutically actionable. Our algorithm complements existing network mining tools and can be useful to study the mutational landscape of cancer and inform therapy development.