Abscisic acid (ABA) is involved in salt and drought stress responses, but the underlying molecular mechanism remains unclear. Here, we demonstrated that the overexpression of MdMYB44-like, an R2R3-MYB transcription factor (TF), significantly increases the salt and drought tolerance of transgenic apple and Arabidopsis. MdMYB44-like inhibits the transcription of MdPP2CA, which encodes a type 2C protein phosphatase that acts as a negative regulator in ABA response, thereby enhancing ABA signaling-mediated salt and drought tolerance. Furthermore, we found that MdMYB44-like and MdPYL8, an ABA receptor, form a protein complex that further enhances the transcriptional inhibition of the MdPP2CA promoter by MdMYB44-like. Significantly, we discovered that MdPP2CA can interfere with the physical association between MdMYB44-like and MdPYL8 in the presence of ABA, partially blocking the inhibitory effect of the MdMYB44-like-MdPYL8 complex on the MdPP2CA promoter. Thus, MdMYB44-like, MdPYL8, and MdPP2CA form a regulatory loop that tightly controls ABA signaling homeostasis under salt and drought stress. Our data revealed a previously unidentified mechanism by which MdMYB44-like precisely modulates ABA-mediated salt and drought tolerance in apple through the MdPYL8-MdPP2CA module.

Complex neuropsychiatric diseases such as schizophrenia require drugs that can target multiple G protein-coupled receptors (GPCRs) to modulate complex neuropsychiatric functions. Here, we report an automated system comprising a deep recurrent neural network (RNN) and a multitask deep neural network (MTDNN) to design and optimize multitargeted antipsychotic drugs. The system successfully generates novel molecule structures with desired multiple target activities, among which high-ranking compound 3 was synthesized, and demonstrated potent activities against dopamine D2, serotonin 5-HT1A and 5-HT2A receptors. Hit expansion based on the MTDNN was performed, 6 analogs of compound 3 were evaluated experimentally, among which compound 8 not only exhibited specific polypharmacology profiles but also showed antipsychotic effect in animal models with low potential for sedation and catalepsy, highlighting their suitability for further preclinical studies. The approach can be an efficient tool for designing lead compounds with multitarget profiles to achieve the desired efficacy in the treatment of complex neuropsychiatric diseases.

Abstract Motivation Most drugs start on their journey inside the body by binding the right target proteins. This is the reason that numerous efforts have been devoted to predicting the drug-target binding during drug development. However, the inherent diversity among molecular properties, coupled with limited training data availability, poses challenges to the accuracy and generalizability of these methods beyond their training domain. Results In this work, we proposed a neural networks construction for high accurate and generalizable drug-target binding prediction, named Pre-trained Multi-view Molecular Representations (PMMR). The method uses pre-trained models to transfer representations of target proteins and drugs to the domain of drug-target binding prediction, mitigating the issue of poor generalizability stemming from limited data. Then, two typical representations of drug molecules, Graphs and SMILES strings, are learned respectively by a Graph Neural Network (GNN) and a Transformer to achieve complementarity between local and global features. PMMR was evaluated on drug-target affinity and interaction benchmark datasets, and it derived preponderant performance contrast to peer methods, especially generalizability in cold-start scenarios. Furthermore, our state-of-the-art method was indicated to have the potential for drug discovery by a case study of cyclin-dependent kinase 2 (CDK2). Availability and implementation https://github.com/NENUBioCompute/PMMR. Supplementary information Supplementary data are available at Bioinformatics online.