Abstract Intra-tumor heterogeneity is one of the biggest challenges in cancer treatment today. Here we investigate tissue-wide gene expression heterogeneity throughout a multifocal prostate cancer using the spatial transcriptomics (ST) technology. Utilizing a novel approach for deconvolution, we analyze the transcriptomes of nearly 6750 tissue regions and extract distinct expression profiles for the different tissue components, such as stroma, normal and PIN glands, immune cells and cancer. We distinguish healthy and diseased areas and thereby provide insight into gene expression changes during the progression of prostate cancer. Compared to pathologist annotations, we delineate the extent of cancer foci more accurately, interestingly without link to histological changes. We identify gene expression gradients in stroma adjacent to tumor regions that allow for re-stratification of the tumor microenvironment. The establishment of these profiles is the first step towards an unbiased view of prostate cancer and can serve as a dictionary for future studies.

Abstract Emerging data demonstrate homologous recombination (HR) defects in castration-resistant prostate cancers, rendering these tumours sensitive to PARP inhibition. Here we demonstrate a direct requirement for the androgen receptor (AR) to maintain HR gene expression and HR activity in prostate cancer. We show that PARP-mediated repair pathways are upregulated in prostate cancer following androgen-deprivation therapy (ADT). Furthermore, upregulation of PARP activity is essential for the survival of prostate cancer cells and we demonstrate a synthetic lethality between ADT and PARP inhibition in vivo. Our data suggest that ADT can functionally impair HR prior to the development of castration resistance and that, this potentially could be exploited therapeutically using PARP inhibitors in combination with androgen-deprivation therapy upfront in advanced or high-risk prostate cancer.

Abstract A key problem in systems biology is the discovery of regulatory mechanisms that drive phenotypic behaviour of complex biological systems in the form of multi-level networks. Modern multi-omics profiling techniques probe these fundamental regulatory networks but are often hampered by experimental restrictions leading to missing data or partially measured omics types for subsets of individuals due to cost restrictions. In such scenarios, in which missing data is present, classical computational approaches to infer regulatory networks are limited. In recent years, approaches have been proposed to infer sparse regression models in the presence of missing information. Nevertheless, these methods have not been adopted for regulatory network inference yet. In this study, we integrated regression-based methods that can handle missingness into KiMONo, a K nowledge gu I ded M ulti- O mics N etw o rk inference approach, and benchmarked their performance on commonly encountered missing data scenarios in single- and multi-omics studies. Overall, two-step approaches that explicitly handle missingness performed best for a wide range of random- and block-missingness scenarios on imbalanced omics-layers dimensions, while methods implicitly handling missingness performed best on balanced omics-layers dimensions. Our results show that robust multi-omics network inference in the presence of missing data with KiMONo is feasible and thus allows users to leverage available multi-omics data to its full extent. Juan Henao is a 3rd year PhD candidate at Computational Health Center at Helmholtz Center Munich working on multi-omics and clinical data integration using both, bulk and single-cell data. Michael Lauber is a PhD Candidate at the Chair of Experimental Bioinformatics at the Technical University Munich. Currently, he is working on an approach for inference of reprogramming transcription factors for trans-differentiation. Manuel Azevedo is a Master’s student at the Technical University of Munich in Mathematics with a focus on Biomathematics and Biostatistics. Currently, he is working as a Student Assistant at Helmholtz Munich, where he is also doing his master’s thesis. Anastasiia Grekova is a Master’s student of bioinformatics at the Technical University of Munich and the Ludwig-Maximilians-University Munich, working on multi-omics data integration in Marsico Lab at HMGU. Fabian Theis is the Head of the Institute of Computational Biology and leading the group for Machine Learning at Helmholtz Center Munich. He also holds the chair of ‘Mathematical modelling of biological systems’, Department of Mathematics, Technical University of Munich as an Associate Professor. Markus List obtained his PhD at the University of Southern Denmark and worked as a postdoctoral fellow at the Max Planck Institute for Informatics before starting his group Big Data in BioMedicine at the Technical University of Munich. Christoph Ogris holds a PostDoc position in the Marsico Lab at Helmholtz-Center Munich. His research focuses on predicting and exploiting multi-modal biological networks to identify disease-specific cross-omic interactions. Benjamin Schubert obtained his PhD at the University of Tübingen and worked as a postdoctoral fellow at Harvard Medical School and Dana-Farber Cancer Institute USA before starting his group for Translational Immmunomics at the Helmholtz Center Munich.

ABSTRACT The liver has a remarkable capacity to regenerate and thus compensates for repeated injuries through toxic chemicals, drugs, alcohol or malnutrition for decades. However, largely unknown is how and when alterations in the liver occur due to tolerable damaging insults. To that end, we induced repeated liver injuries over ten weeks in a mouse model injecting carbon tetrachloride (CCl 4 ) twice a week. We lost 10% of the study animals within the first six weeks, which was accompanied by a steady deposition of extracellular matrix (ECM) regardless of metabolic activity of the liver. From week six onwards, all mice survived, and in these mice ECM deposition was rather reduced, suggesting ECM remodeling as a liver response contributing to better coping with repeated injuries. The data of time-resolved paired transcriptome and proteome profiling of 18 mice was subjected to multi-level network inference, using Knowledge guided Multi-Omics Network inference (KiMONo), identified multi-level key markers exclusively associated with the injury-tolerant liver response. Interestingly, pathways of cancer and inflammation were lighting up and were validated using independent data sets compiled of 1034 samples from publicly available human cohorts. A yet undescribed link to lipid metabolism in this damage-tolerant phase was identified. Immunostaining revealed an unexpected accumulation of small lipid droplets (microvesicular steatosis) in parallel to a recovery of catabolic processes of the liver to pre-injury levels. Further, mild inflammation was experimentally validated. Taken together, we identified week six as a critical time point to switch the liver response program from an acute response that fosters ECM accumulation to a tolerant “survival” phase with pronounced deposition of small lipid droplets in hepatocytes potentially protecting against the repetitive injury with toxic chemicals. Our data suggest that microsteatosis formation plus a mild inflammatory state represent biomarkers and probably functional liver requirements to resist chronic damage. Graphical abstract The datasets generated via transcriptomics, proteomics as well as blood, histopathological and biochemical analysis were analyzed in an independent and integrative manner. The independent analysis was performed via state-of-the-art statistical approaches i.e. differential and consistently regulated genes and proteins. Combining the results identified three fibrosis phases. Using the KiMONo algorithm, a fibrosis specific multi-omic network was inferred. Within this network we identified several nodes connecting phase III specific features forming 13 distinct multi-omic modules suggesting a tolerance scheme. Some of these modules were experimentally validated and compared to 11 independent human studies of various liver diseases.

Constantly decreasing costs of high-throughput profiling on many molecular levels generate vast amounts of so-called multi-omics data. Studying one biomedical question on two or more omic levels provides deeper insights into underlying molecular processes or disease pathophysiology. For the majority of multi-omics data projects, the data analysis is performed level-wise, followed by a combined interpretation of results. Few exceptions exist, for example the pairwise integration for quantitative trait analysis. However, the full potential of integrated data analysis is not leveraged yet, presumably due to the complexity of the data and the lacking toolsets. Here we propose a versatile approach, to perform a multi-level integrated analysis: The Knowledge guIded Multi-Omics Network inference approach, KiMONo. KiMONo performs network inference using statistical modeling on top of a powerful knowledge-guided strategy exploiting prior information from biological sources. Within the resulting network, nodes represent features of all input types and edges refer to associations between them, e.g. underlying a disease. Our method infers the network by combining sparse grouped-LASSO regression with a genomic position-confined Biogrid protein-protein interaction prior. In a comprehensive evaluation, we demonstrate that our method is robust to noise and still performs on low-sample size data. Applied to the five-level data set of the publicly available Pan-cancer collection, KiMONO integrated mutation, epigenetics, transcriptomics, proteomics and clinical information, detecting cancer specific omic features. Moreover, we analysed a four-level data set from a major depressive disorder cohort, including genetic, epigenetic, transcriptional and clinical data. Here we demonstrated KiMONo's analytical power to identify expression quantitative trait methylation sites and loci and show it's advantage to state-of-the-art methods. Our results show the general applicability to the full spectrum multi-omics data and demonstrating that KiMONo is a powerful approach towards leveraging the full potential of data sets. The method is freely available as an R package (https://github.com/cellmapslab/kimono).

ABSTRACT Metabolic rewiring is essential to enable cancer onset and progression. One important metabolic pathway that is often hijacked by cancer cells is the one-carbon cycle, in which the third carbon of serine is oxidized to formate. We have previously shown that formate production in cancer cells often exceeds the anabolic demand, resulting in formate overflow. Furthermore, we observed that high extracellular formate promotes the in vitro invasiveness of glioblastoma (GBM) cells. However, additional data supporting this in vitro observation and mechanistic details remained elusive so far. In the present study, we now demonstrate that inhibition of formate overflow results in a decreased invasiveness of GBM cells ex vivo and in vivo . Additionally, we observed that exposure to exogeneous formate can induce a transiently stable pro-invasive phenotype that results in increased metastasis formation in vivo . All in all, these results suggest that a local formate increase within the tumor microenvironment may be one factor that can promote cancer cell motility and dissemination. Mechanistically, we uncover a previously undescribed interplay where formate acts as a trigger to alter fatty acid metabolism and matrix metalloproteinase (MMP) activity which in turn impacts cancer cell invasiveness. We thus highlight the role of formate as a pro-invasive metabolite. Gaining a deeper understanding of formate overflow and how it promotes invasion in cancer, may open new therapeutic opportunities to prevent cancer cell dissmination.