Abstract Predicting drug-target interaction (DTI) is a critical and rate-limiting step in drug discovery. Traditional wet-lab experiments are reliable but expensive and time-consuming. Recently, deep learning has revealed itself as a new and promising tool for accelerating the DTI prediction process because its powerful performance. Due to the vast chemical space, the DTI prediction models are typically expected to discover drugs or targets that are absent from the training set. However, generalizing prediction performance to novel drug-target pairs that belong to different distributions is a challenge for deep learning methods. In this work, we propose an Ensemble of models that capture both Domain-generIc and domain-Specific features (E-DIS) to learn diversity domain features and adapt to out-of-distribution (OOD) data. We employed Mixture-of-Experts (MOE) as a domain-specific feature extractor for the raw data to prevent the loss of any crucial features by the encoder during the learning process. Multiple experts are trained on different domains to capture and align domain-specific information from various distributions without accessing any data from unseen domains. We evaluate our approach using four benchmark datasets under both in-domain and cross-domain settings and compare it with advanced approaches for solving OOD generalization problems. The results demonstrate that E-DIS effectively improves the robustness and generalizability of DTI prediction models by incorporating diversity domain features.

Adult T-cell leukemia (ATL) is a highly aggressive T-cell malignancy induced by human T-cell leukemia virus type 1 (HTLV-1) infection. Long noncoding RNA (lncRNA) plays a critical role in the development and progression of multiple human cancers. However, the function of lncRNA on HTLV-1-induced oncogenesis has not been elucidated. In the present study, we show that the expression of the lncRNA ANRIL was elevated in HTLV-1 infected cell lines and clinical ATL samples. E2F1 induced ANRIL transcription by enhancing its promoter activity. Knocking down of ANRIL in ATL cells repressed cellular proliferation and increased apoptosis in vitro and in vivo. As a mechanism for these actions, we found that ANRIL targeted EZH2, and activated the NF-κB pathway in ATL cells. This activation was independent of the histone methyltransferase (HMT) activity of EZH2, but required the formation of an ANRIL/EZH2/p65 ternary complex. Chromatin immunoprecipitation assay revealed that ANRIL/EZH2 enhanced p65 DNA binding capability. In addition, we observed that ANRIL/EZH2 complex repressed p21/CDKN1A transcription through H3K27 trimethylation of the p21/CDKN1A promoter. Taken together, our results implicate that lncRNA ANRIL, by cooperating with EZH2, supports the proliferation of HTLV-1 infected cells, which is thought to be critical for oncogenesis.

ABSTRACT In conventional views, the bacterial adaptation is characterized by strong purifying selection as well as rapid evolution in changing environments. However, the genomic GC content varies greatly but has some degree of phylogenetic stability. Using 11,083 representative genomes, we report a phylogenetically constrained bimodal distribution of the genomic GC. Results suggest that such divergence of the genomic GC can be well explained by the DNA replication and repair (DRR) system, in which multiple pathways are observed correlated to the genomic GC. The biased conservations of various stress-related genes especially the DRR-related ones imply distinct adaptive evolution of the ancestral lineages of high or low GC clades which may be induced by major environmental changes in early evolution. Furthermore, our findings support that the mutational biases resulted from these legacies of adaptation have changed the course of adaptive evolution in bacteria thus causing great variation in the genomic GC. This study demonstrates the importance of indirect effects from natural selection which may be easily misinterpreted as neutral processes.

Abstract NMR experiments can detect in situ structures and dynamic interactions, but the NMR assignment process requires expertise and is time-consuming, thereby limiting its applicability. Deep learning algorithms have been employed to aid in experimental data analysis. In this work, we developed a RASP model which can enhance structure prediction with restraints. Based on the Evoformer and structure module architecture of AlphaFold, this model can predict structure based on sequence and a flexible number of input restraints. Moreover, it can evaluate the consistency between the predicted structure and the imposed restraints. Based on this model, we constructed an iterative NMR NOESY peak assignment pipeline named FAAST, to accelerate assignment process of NOESY restraints and obtaining high quality structure ensemble. The RASP model and FAAST pipeline not only allow for the leveraging of experimental restraints to improve model prediction, but can also facilitate and expedite experimental data analysis with their integrated capabilities.

Abstract Background The pathogenesis of psoriasis, an inflammatory skin disease, is incompletely understood. Growing evidence substantiates the involvement of stromal cells in the inflammatory process. Objectives To investigate the roles of stromal cells, including fibroblasts, vascular endothelial cells (VECs) and smooth muscle cells (VSMCs), in the psoriatic inflammatory microenvironment and the possible underlying mechanisms involved. Methods This study employed combination of single-cell, spatial transcriptome and bulk RNA sequencing using lesional and nonlesional skin samples from patients with psoriasis vulgaris (PV) and healthy skin samples from unaffected individuals. Results Through the analysis of transcriptome from 364,098 single cells, we uncovered WNT5A+ fibroblasts, ITIH5+ VECs and VCAN+ VSMCs with the significantly increased cell proportions in the papillary dermis of lesional skin. We defined eight unique subclusters of fibroblasts in the skin and observed a shift of WIF1+ fibroblasts towards WNT5A+ fibroblasts, with abnormal activation of the non-canonical Wnt signaling pathway and increased capabilities of angiogenesis and pro-inflammatory. For the microvascular cells, VSMCs could undergo phenotypic transformation from a contractile phenotype to a synthetic phenotype in the development of psoriatic inflammation. ITIH5+ VECs and VCAN+ VSMCs were identified with an essential role in regulating angiogenesis and vascular remodeling involved in the mechanism of psoriatic pathological changes. Ligand receptor analyses demonstrated WNT5A+ fibroblasts were extensively implicated in interactions with various cell types in skin, especially with ITIH5+ VECs and VCAN+ VSMCs within the papillary dermis. Conclusions Interactions of stromal cells in the papillary dermis were identified as possible pathogenic elements in psoriasis vulgaris. Improving the inflammatory microenvironment by targeting stromal cells might be a potential treatment strategy for psoriasis.