Abstract While gene expression profiling is commonly used to gain an overview of cellular processes, the identification of upstream processes that drive expression changes remains a challenge. To address this issue, we introduce CARNIVAL, a causal network building tool which derives network architectures from gene expression footprints. CARNIVAL (CAusal Reasoning pipeline for Network identification using Integer VALue programming) integrates different sources of prior knowledge, including signed and directed protein-protein interactions, transcription factor targets, and pathway signatures. The use of prior knowledge in CARNIVAL allows the capture of a broad set of upstream cellular processes and regulators, which in turn delivered results with higher accuracy when benchmarked against related tools. Implementation as an integer linear programming (ILP) problem also guarantees efficient computation. As a case study, we applied CARNIVAL to contextualize signaling networks from gene expression data in IgA nephropathy, a chronic kidney disease. CARNIVAL identified specific signaling pathways and associated mediators with important bioactivity in IgAN including WNT and TGF-β, that we subsequently validated experimentally. In summary, we demonstrated how CARNIVAL generates hypotheses on potential upstream alterations that propagate through signaling networks, providing valuable insights into disease processes. CARNIVAL, freely available as an R-package at https://saezlab.github.io/CARNIVAL , can be applied to any field of biomedical research to contextualize signaling networks and identify the causal relationships between downstream gene expression and upstream regulators.

Abstract Mechanism-based risk assessment is urged to advance and fully permeate into current safety assessment practices, possibly at early phases of drug safety testing. Toxicogenomics is a promising source of comprehensive and mechanisms-revealing data, but analysis tools to interpret mechanisms of toxicity and specific for the testing systems (e.g. hepatocytes) are lacking. In this study we present the TXG-MAPr webtool (available at https://txg-mapr.eu/WGCNA_PHH/TGGATEs_PHH/ ), an R-Shiny-based implementation of weighted gene co-expression networks (WGCNA) obtained from the Primary Human Hepatocytes (PHH) TG-GATEs dataset. Gene co-expression networks (modules) were annotated with functional information (pathway enrichment, transcription factor) to reveal their mechanistic interpretation. Several well-known stress response pathways were captured in the modules, are perturbed by specific stressors and show preserved in rat systems (rat primary hepatocytes and rat in vivo liver), highlighting stress responses that translate across species/testing systems. The TXG-MAPr tool was successfully applied to investigate the mechanism of toxicity of TG-GATEs compounds and using external datasets obtained from different hepatocyte cells and microarray platforms. Additionally, we suggest that module responses can be calculated from targeted RNA-seq data therefore imputing biological responses from a limited gene. By analyzing 50 different PHH donors’ responses to a common stressor, tunicamycin, we were able to suggest modules associated with donor’s traits, e.g. pre-existing disease state, therefore connected to donors’ variability. In conclusion, we demonstrated that gene co-expression analysis coupled to an interactive visualization environment, the TXG-MAPr, is a promising approach to achieve mechanistic relevant, cross-species and cross-platform evaluation of toxicogenomic data.

Toxicogenomic data represent a valuable source of biological information at molecular and cellular level to understand unanticipated organ toxicities. Weighted gene co-expression networks analysis can reduce the complexity of gene-level transcriptomic data to a set of biological response-networks useful for providing insights into mechanisms of drug-induced adverse outcomes. In this study, we have built co-regulated gene networks (modules) from the TG-GATEs rat kidney datasets consisting of time- and dose-response data for 41 compounds, including nephrotoxicants. Data from the 347 modules were incorporated into the rat kidney TXG-MAPr web tool, a user-friendly interface that enables visualization and analysis of module perturbations, quantified by a module eigengene score (EGS) for each treatment condition. Several modules annotated for cellular stress, renal injury and inflammation were statistically associated with concurrent renal pathologies, including modules that contain both well-known and novel renal biomarker genes. In addition, many rat kidney modules contain well annotated, robust gene networks that are preserved in other transcriptome datasets, suggesting that these biological networks translate to other (drug-induced) kidney injury cases. Moreover, preservation analysis of human kidney transcriptomic data provided a quantitative metric to assess the likelihood that rat kidney modules, and the associated biological interpretation, translate from non-clinical species to human. In conclusion, the rat kidney TXG-MAPr enables uploading and analysis of kidney gene expression data in the context of rat kidney co-expression networks, which could identify possible safety liabilities and/or mechanisms that can lead to adversity for chemical or drug candidates.

Motivation: The molecular changes induced by perturbations such as drugs and ligands are highly informative of the intracellular wiring. Our capacity to generate large data-sets is increasing steadily as new experimental approaches are developed. A useful way to extract mechanistic insight from the data is by integrating them with a prior knowledge network of signalling to obtain dynamic models. Logic models scale better with network size than alternative kinetic models, while keeping the interpretation of the model simple, making them particularly suitable for large datasets. Results: CellNOpt is a collection of Bioconductor R packages for building logic models from perturbation data and prior knowledge of signalling networks. We have recently developed new components and refined the existing ones. These updates include (i) an Integer Linear Programming (ILP) formulation which guarantees efficient optimisation for Boolean models, (ii) a probabilistic logic implementation for semi-quantitative datasets and (iii) the integration of MaBoSS, a stochastic Boolean simulator. Furthermore, we introduce Dynamic-Feeder, a tool to identify missing links not present in the prior knowledge. We have also implemented systematic post-hoc analyses to highlight the key components and parameters of our models. Finally, we provide an R-Shiny tool to run CellNOpt interactively. Availability: R-package(s): https://github.com/saezlab/cellnopt

Abstract Nephrotoxicity caused by drug or chemical exposure involves different mechanisms and nephron segments as well as a complex temporal integration of injury and repair responses. Distinct cellular transcriptional programs regulate the time-dependent tissue injury and regeneration responses. Whole kidney transcriptome analysis cannot dissect the complex the nephron segment spatio- temporal injury and regeneration responses. Here, we used laser capture microdissection of formalin- fixed paraffin embedded sections followed by whole genome targeted RNA-sequencing-TempO-Seq and co-expression gene-network (module) analysis to determine the spatial-temporal responses in rat kidney glomeruli (GM), cortical proximal tubules (CPT) and outer-medulla proximal tubules (OMPT) comparison with whole kidney, after a single dose of the nephrotoxicant cisplatin. We demonstrate that cisplatin induced early onset of DNA damage in both CPT and OMPT, but not GM. Sustained DNA damage response was strongest in OMPT coinciding with OMPT specific inflammatory signaling, actin cytoskeletal remodeling and increased glycolytic metabolism coincident with suppression of mitochondrial activity. Later responses reflected regeneration-related cell cycle pathway activation and ribosomal biogenesis in the injured OMPT regions. Activation of modules containing kidney injury biomarkers was strongest in the OMPT, with OMPT Clu expression best correlating with urinary clusterin biomarker measurements compared the correlation of Kim1. Our findings also showed that whole kidney responses were less sensitive than OMPT. In conclusion, our LCM-TempO-Seq method reveals a detailed spatial mechanistic understanding of renal injury/regeneration after nephrotoxicant exposure and identifies the most representative mechanism-based nephron segment specific renal injury biomarkers.

Abstract Toxicogenomics studies typically reveal a group of genes relevant to the pathophysiology of drug-induced organ injury. In recent years, network-based methods have become an attractive analytical approach as they can capture not only the global changes of regulatory gene networks but also the relationships between their components. Among them, a causal reasoning approach additionally depicts the mechanisms of regulation that connect upstream regulators in signaling networks towards their downstream gene targets. In this work, we applied CARNIVAL, a causal network contextualisation tool, to infer upstream regulatory signaling networks based on gene expression microarray data from the TG-GATEs database. We focussed on six compounds that induce observable histopathologies linked to drug-induced liver injury (DILI) from repeated dosing experiments in rats. We compared responses in vitro and in vivo to identify potential cross-platform concordances in rats as well as network preservations between rat and human. Our results showed similarities of enriched pathways and network motifs between compounds. These pathways and motifs induce the same pathology in rats but not in humans. In particular, the causal interactions “LCK activates SOCS3, which in turn inhibits TFDP1” was commonly identified as a regulatory path among the fibrosis-inducing compounds. This potential pathology-inducing regulation illustrates the value of our approach to generate hypotheses that can be further validated experimentally.