Comorbidity is an impactful medical problem that is attracting increasing attention in healthcare and biomedical research. However, little is known about the molecular processes leading to the development of a specific disease in patients affected by other conditions. We present a disease interaction network inferred from similarities in patients' molecular profiles, which significantly recapitulates epidemiologically documented comorbidities, providing the basis for their interpretation at a molecular level. Furthermore, expanding on the analysis of subgroups of patients with similar molecular profiles, our approach discovers comorbidity relations not previously described, implicates distinct genes in such relations, and identifies drugs whose side effects are potentially associated to the observed comorbidities.

Matrix Factorization (MF) is an established paradigm for large-scale biological data analysis with tremendous potential in computational biology.We here challenge MF in depicting the molecular bases of epidemiologically described Disease-Disease (DD) relationships. As use case, we focus on the inverse comorbidity association between Alzheimer’s disease (AD) and lung cancer (LC), described as a lower than expected probability of developing LC in AD patients. To the day, the molecular mechanisms underlying DD relationships remain poorly explained and their better characterization might offer unprecedented clinical opportunities.To this goal, we extend our previously designed MF-based framework for the molecular characterization of DD relationships. Considering AD-LC inverse comorbidity as a case study, we highlight multiple molecular mechanisms, among which the previously identified immune system and mitochondrial metabolism. We then discriminate mechanisms specific to LC from those shared with other cancers through a pancancer analysis. Additionally, new candidate molecular players, such as Estrogen Receptor (ER), CDH1 and HDAC, are pinpointed as factors that might underlie the inverse relationship, opening the way to new investigations. Finally, some lung cancer subtype-specific factors are also detected, suggesting the existence of heterogeneity across patients also in the context of inverse comorbidity.* AD : Alzheimer’s disease LC : Lung Cancer RBH : Reciprocal Best Hit DD : Disease-Disease

Epidemiological and clinical evidence points to cancer as a comorbidity in people with autism spectrum disorders (ASD). A significant overlap of genes and biological processes between both diseases has also been reported. Here, for the first time, we compared the gene expression profiles of ASD frontal cortex tissues and 22 cancer types obtained by differential expression meta-analysis. Four cancer types (brain, thyroid, kidney, and pancreatic cancers) presented a significant overlap in gene expression deregulations in the same direction as ASD whereas two cancer types (lung and prostate cancers) showed differential expression profiles significantly deregulated in the opposite direction from ASD. Functional enrichment and LINCS L1000 based drug set enrichment analyses revealed the implication of several biological processes and pathways that were affected jointly in both diseases, including impairments of the immune system, and impairments in oxidative phosphorylation and ATP synthesis among others. Our data also suggest that brain and kidney cancer have patterns of transcriptomic dysregulation in the PI3K/AKT/MTOR axis that are similar to those found in ASD. These shared transcriptomic alterations could help explain epidemiological observations suggesting direct and inverse comorbid associations between ASD and particular cancer types.