The specificity of interferon effectors across an expanded range of viruses is studied, with results indicating that positive-sense single-stranded RNA viruses are more susceptible to interferon-stimulated gene activity than negative-sense RNA or DNA viruses; in addition, the DNA sensor cGAS is shown to have an unappreciated role in RNA virus inhibition. This study reports the use of cell culture models to scan an extensive interferon-stimulated gene (ISG) library for activity against a broad spectrum of viruses. The scan reveals that positive-sense single-stranded (ss)RNA viruses are more susceptible to ISG activities than negative-sense ssRNA viruses or a DNA virus. The DNA sensor cyclic GMP-AMP synthase (cGAS) is shown to inhibit several RNA viruses. The authors also generated cGAS knockout mice and showed an in vivo requirement for cGAS in antiviral responses. The type I interferon (IFN) response protects cells from viral infection by inducing hundreds of interferon-stimulated genes (ISGs), some of which encode direct antiviral effectors1,2,3. Recent screening studies have begun to catalogue ISGs with antiviral activity against several RNA and DNA viruses4,5,6,7,8,9,10,11,12,13. However, antiviral ISG specificity across multiple distinct classes of viruses remains largely unexplored. Here we used an ectopic expression assay to screen a library of more than 350 human ISGs for effects on 14 viruses representing 7 families and 11 genera. We show that 47 genes inhibit one or more viruses, and 25 genes enhance virus infectivity. Comparative analysis reveals that the screened ISGs target positive-sense single-stranded RNA viruses more effectively than negative-sense single-stranded RNA viruses. Gene clustering highlights the cytosolic DNA sensor cyclic GMP-AMP synthase (cGAS, also known as MB21D1) as a gene whose expression also broadly inhibits several RNA viruses. In vitro, lentiviral delivery of enzymatically active cGAS triggers a STING-dependent, IRF3-mediated antiviral program that functions independently of canonical IFN/STAT1 signalling. In vivo, genetic ablation of murine cGAS reveals its requirement in the antiviral response to two DNA viruses, and an unappreciated contribution to the innate control of an RNA virus. These studies uncover new paradigms for the preferential specificity of IFN-mediated antiviral pathways spanning several virus families.

Abstract Pancreatic ductal adenocarcinoma (PDAC) has an extremely poor prognosis. Understanding the multiple mechanisms by which the tumour evades immune control, and how these mechanisms may be disrupted is critical to developing targeted immunotherapies. Previous studies have shown that higher lymphocyte infiltration is associated with better survival, and here we investigated what mediates these differences. We performed a comprehensive analysis of PDAC-associated immune cells using single cell multi-omics coupled with re-analysis of public PDAC scRNA-seq datasets. We introduce novel single-cell and repertoire analyses that have uncoupled diverse roles and contributions of various immune cell populations within different tumour microenvironments (TMEs). They revealed clear distinctions in the clonal characteristics among different patient groups, provided valuable insights into the mechanisms of immune cell migration and tissue adaptation underlying these disparities. These results point to differential CD4 polarisation of intra-tumoural T cells, differential B cell differentiation, GC reactions, antigen presentation pathways, and distinct cell-cell communication between the myeloid-enriched and adaptive-enriched groups. Overall, we identified two major distinct themes for future immune intervention within PDAC patients between those with higher adaptive versus myeloid immune cell infiltration.

Abstract While the past decade has seen meaningful improvements in clinical outcomes for multiple myeloma patients, a subset of patients do not benefit from current therapeutics for unclear reasons. Many gene expression-based models of risk have been developed, but each model uses a different combination of genes and often involve assaying many genes making them difficult to implement. We organized the Multiple Myeloma DREAM Challenge, a crowdsourced effort to develop models of rapid progression in newly diagnosed myeloma patients and to benchmark these against previously published models. This effort lead to more robust predictors and found that incorporating specific demographic and clinical features improved gene expression-based models of high risk. Furthermore, post challenge analysis identified a novel expression-based risk marker and histone modifier, PHF19 , which featured prominently in several independent models. Lastly, we show that a simple four feature predictor composed of age, International Staging System stage (ISS), and expression of PHF19 and MMSET performs similarly to more complex models with many more gene expression features included. Key points Most comprehensive and unbiased assessment of prognostic biomarkers in MM resulting in a robust and parsimonious model. Identification of PHF19 as the expression based biomarker most strongly associated with rapid progression in MM patients.

Abstract Avadomide is a cereblon E3 ligase modulator and a potent antitumor and immunomodulatory agent. Avadomide trials are challenged by neutropenia as a major adverse event and a dose-limiting toxicity. Intermittent dosing schedules supported by preclinical data provide a strategy to reduce frequency and severity of neutropenia, however the identification of optimal dosing schedules remains a clinical challenge. Quantitative Systems Pharmacology (QSP) modeling offers opportunities for virtual screening of efficacy and toxicity levels produced by alternative dose and schedule regimens, thereby supporting decision-making in translational drug development. We formulated a QSP model to capture the mechanism of avadomide-induced neutropenia, which involves cereblon-mediated degradation of transcription factor Ikaros, resulting in a maturation block of the neutrophil lineage. The neutropenia model was integrated with avadomide-specific pharmacokinetic and pharmacodynamic models to capture dose-dependent effects. Additionally, we generated a disease-specific virtual patient population to represent the variability in patient characteristics and response to treatment observed for a diffuse large B-cell lymphoma trial cohort. Model utility was demonstrated by simulating avadomide effect in the virtual population for various dosing schedules and determining the incidence of high-grade neutropenia, its duration, and the probability of recovery to low grade-neutropenia.

Living systems have a complex hierarchical organization that can be viewed as a set of dynamically interacting subsystems. Thus, to simulate the internal nature and dynamics of the whole biological system we should use the iterative way for a model reconstruction, which is a consistent composition and combination of its elementary subsystems. In accordance with this bottom-up approach, we have developed MAMMOTh (MAthematical Models of bioMOlecular sysTems) database that allows integrating manually curated mathematical models of biomolecular systems, which are fit to the experimental data. The database entries are organized as building blocks in a way that the model parts can be used in different combinations to describe systems with higher organizational level (metabolic pathways and/or transcription regulatory networks). The database supports export of single model or their combinations in SBML or Mathematica standards. The database currently contains more than 100 mathematical models for Escherichia coli elementary subsystems (enzymatic reactions and gene expression regulatory processes) that can be combined in at least 5100 complex/sophisticated models concerning such biological processes as: de novo nucleotide biosynthesis, aerobic/anaerobic respiration, and nitrate/nitrite utilization in E. coli. All current models are functionally interconnected and sufficiently complement public model resources.

The R47H variant in the microglial TREM2 receptor is a strong risk factor for Alzheimer's disease (AD). Loss-of-function mutations in TREM2 or its adaptor TYROBP cause polycystic lipomembranous osteodysplasia with sclerosing leukoencephalopathy, a systemic disease with early onset dementia. To characterize processes affected by the R47H we performed integrative network analysis of genes expressed in brains of AD patients with TREM2 R47H and sporadic AD without the TREM2 variant. In AD patients with TREM2 R47H we identified upregulation of interferon type I response and pro-inflammatory pathways, accompanied by induction of NKG2D stress ligands. In contrast, sporadic AD brains had few perturbed microglial and immune genes. In a human myeloid cell line, THP1, overexpression of normal TREM2 or its knockout revealed a profound effect of TREM2 dosage on gene networks. The effect of TREM2 R47H was complex, consistent with a partial loss of activity in conjunction with some dominant effect on pathways related to vasculature and angiogenesis. Changing the dosage of normal TREM2 in THP1 cells affected the IFN type 1 response signature, however, overexpression of TREM2 R47H was not sufficient to stimulate this pathway. We conclude that TREM2 is involved in control of the IFN type I response in myeloid cells and that its activation in TREM2 R47H AD brains is likely due to a reduced dosage of the normal TREM2 allele. Our findings indicate existence of a microglia-driven AD subtype caused by malfunction of TREM2 and possibly other genes of its network that is distinguished by gene expression phenotype.

Failure to clear antigens causes CD8+ T cells to become increasingly hypo-functional, a state known as exhaustion. We combined manually extracted information from published literature with gene expression data from diverse model systems to infer a set of molecular regulatory interactions that underpin exhaustion. Topological analysis and simulation modeling of the network suggests CD8+ T cells undergo 2 major transitions in state following stimulation. The time cells spend in the earlier proliferative/pro-memory (PP) state is a fixed and inherent property of the network structure. Transition to the second state is necessary for exhaustion. Combining insights from network topology analysis and simulation modeling, we predict the extent to which each node in our network drives cells towards an exhausted state. We demonstrate the utility of our approach by experimentally testing the prediction that drug-induced interference with EZH2 function increases the proportion of proliferative/pro-memory cells in the early days post-activation.

Abstract The maintenance and function of tissues in health and disease depends on cell-cell communication. This work shows how high-level features, representing cell-cell communication, can be defined and used to associate certain signaling ‘axes’ with clinical outcomes. Using cell-sorted gene expression data, we generated a scaffold of cell-cell interactions and define a probabilistic method for creating per-patient weighted graphs based on gene expression and cell deconvolution results. With this method, we generated over 9,000 graphs for TCGA patient samples, each representing likely channels of intercellular communication in the tumor microenvironment. It was shown that particular edges were strongly associated with disease severity and progression, in terms of survival time and tumor stage. Within individual tumor types, there are predominant cell types and the collection of associated edges were found to be predictive of clinical phenotypes. Additionally, genes associated with differentially weighted edges were enriched in Gene Ontology terms associated with tissue structure and immune response. Code, data, and notebooks are provided to enable the application of this method to any expression dataset ( https://github.com/IlyaLab/Pan-Cancer-Cell-Cell-Comm-Net ).

Cell growth is a complex phenotype widely used in systems biology to gauge the impact of genetic and environmental perturbations. Due to the magnitude of genome-wide studies, resolution is often sacrificed in favor of throughput, creating a demand for scalable, time-resolved, quantitative methods of growth assessment. We present ODELAY (One-cell Doubling Evaluation by Living Arrays of Yeast), an automated and scalable growth analysis platform. High measurement density and single cell resolution provide a powerful tool for large-scale multiparameter growth analysis based on the modeling of microcolony expansion on solid media. Pioneered in yeast but applicable to other colony forming organisms, ODELAY extracts the three key growth parameters (lag time, doubling time, and carrying capacity) that define microcolony expansion from single cells, simultaneously permitting the assessment of population heterogeneity. The utility of ODELAY is illustrated using yeast mutants, revealing a spectrum of phenotypes arising from single and combinatorial growth parameter perturbations.

Immune cell infiltration of tumors can be an important component for determining patient outcomes, e.g. by inferring immune cell presence by deconvolving gene expression data drawn from a heterogenous mix of cell types. One particularly powerful family of deconvolution techniques uses signature matrices of genes that uniquely identify each cell type as determined from cell type purified gene expression data. Many methods of this type have been recently published, often including new signature matrices appropriate for a single purpose, such as investigating a specific type of tumor. The package ADAPTS helps users make the most of this expanding knowledge base by introducing a framework for cell type deconvolution. ADAPTS implements modular tools for customizing signature matrices for new tissue types by adding custom cell types or building new matrices de novo , including from single cell RNAseq data. It includes a common interface to several popular deconvolution algorithms that use a signature matrix to estimate the proportion of cell types present in heterogenous samples. ADAPTS also implements a novel method for clustering cell types into groups that are hard to distinguish by deconvolution and then re-splitting those clusters using hierarchical deconvolution. We demonstrate that the techniques implemented in ADAPTS improve the ability to reconstruct the cell types present in a single cell RNAseq data set in a blind predictive analysis. ADAPTS is currently available for use in R on CRAN and GitHub.