The accuracy of atomistic biomolecular modeling and simulation studies depend on the accuracy of the input structures. Preparing these structures for an atomistic modeling task, such as molecular dynamics (MD) simulation, can involve the use of a variety of different tools for: correcting errors, adding missing atoms, filling valences with hydrogens, predicting pK values for titratable amino acids, assigning predefined partial charges and radii to all atoms, and generating force field parameter/topology files for MD. Identifying, installing and effectively using the appropriate tools for each of these tasks can be difficult for novice and time-consuming for experienced users. H++ (http://biophysics.cs.vt.edu/) is a free open-source web server that automates the above key steps in the preparation of biomolecular structures for molecular modeling and simulations. H++ also performs extensive error and consistency checking, providing error/warning messages together with the suggested corrections. In addition to numerous minor improvements, the latest version of H++ includes several new capabilities and options: fix erroneous (flipped) side chain conformations for HIS, GLN and ASN, include a ligand in the input structure, process nucleic acid structures and generate a solvent box with specified number of common ions for explicit solvent MD.

Summary Synthetic lethal interactions (SLIs), genetic interactions in which the simultaneous inactivation of two genes leads to a lethal phenotype, are promising targets for therapeutic intervention in cancer, as exemplified by the recent success of PARP inhibitors in treating BRCA1/2-deficient tumors. We present SL-Cloud, an integrated resource and framework to facilitate the prediction of context-specific SLIs by using cloud-based technologies. This resource addresses two main challenges related to SLI inference: the need to wrangle and preprocess large multi-omic datasets and the multiple comparable prediction approaches available. We demonstrate the utility of this resource by using a set of DNA damage repair genes as the basis for predicting potential SLI partners, using multiple computational strategies. Context-specific synthetic lethality potential can also be compared using the framework. We demonstrate various use cases for our cloud-based computational resource and the utility of this approach for customizable and extensible computational inference of SLIs.

Mycobacterium tuberculosis (MTB), responsible for the deadliest infectious disease worldwide, displays the remarkable ability to transition in and out of dormancy, a hallmark of the pathogen's capacity to evade the immune system and opportunistically exploit immunocompromised individuals. Uncovering the gene regulatory programs that underlie the dramatic phenotypic shifts in MTB during disease latency and reactivation has posed an extraordinary challenge. We developed a novel experimental system to precisely control dissolved oxygen levels in MTB cultures in order to capture the chain of transcriptional events that unfold as MTB transitions into and out of hypoxia-induced dormancy. Using a comprehensive genome-wide transcription factor binding location map and insights from network topology analysis, we identified regulatory circuits that deterministically drive sequential transitions across six transcriptionally and functionally distinct states encompassing more than three-fifths of the MTB genome. The architecture of the genetic programs explains the transcriptional dynamics underlying synchronous entry of cells into a dormant state that is primed to infect the host upon encountering favorable conditions.

Abstract Pancreatic Ductal Adenocarcinoma (PDAC) is widely known for its poor prognosis because it is often diagnosed when the cancer is in a later stage. We built a Boolean model to analyze the microenvironment of pancreatic cancer in order to better understand the interplay between pancreatic cancer, stellate cells, and their signaling cytokines. Specifically, we have used our model to study the impact of inducing four common mutations: KRAS, TP53, SMAD4, and CDKN2A. After implementing the various mutation combinations, we used our stochastic simulator to derive aggressiveness scores based on simulated attractor probabilities and long-term trajectory approximations. These aggression scores were then corroborated with clinical data. Moreover, we found sets of control targets that are effective among common mutations. These control sets contain nodes within both the pancreatic cancer cell and the pancreatic stellate cell, including PIP3, RAF, PIK3 and BAX in pancreatic cancer cell as well as ERK and PIK3 in the pancreatic stellate cell. Many of these nodes were found to be differentially expressed among pancreatic cancer patients in the TCGA database. Furthermore, literature suggests that many of these nodes can be targeted by drugs currently in circulation. The results herein help provide a proof of concept in the path towards personalized medicine through a means of mathematical systems biology. All data and code used for running simulations, statistical analysis, and plotting is available on a GitHub repository at https://github.com/drplaugher/PCC_Mutations .

A bstract The capacity of cells to process information is currently used to design cell-based tools for ecological, industrial, and biomedical applications such as detecting dangerous chemicals or for bioremediation. In most applications, individual cells are used as the information processing unit. However, single cell engineering is limited by the necessary molecular complexity and the accompanying metabolic burden of synthetic circuits. To overcome these limitations, synthetic biologists have begun engineering multicellular systems that combine cells with designed subfunctions. To further advance information processing in synthetic multicellular systems, we introduce the application of reservoir computing. Reservoir computers (RCs) approximate a temporal signal processing task via a fixed-rule dynamic network (the reservoir) with a regression-based readout. Importantly, RCs eliminate the need of network rewiring, as different tasks can be approximated with the same reservoir. Previous work has already demonstrated the capacity of single cells, as well as populations of neurons, to act as reservoirs. In this work, we extend reservoir computing in multicellular populations with the widespread mechanism of diffusion-based cell-cell signaling. As a proof-of-concept, we simulated a reservoir made of a 3D community of cells communicating via diffusible molecules and used it to approximate two benchmark signal processing tasks, computing median and parity functions from binary input signals. We demonstrate that a diffusion-based multicellular reservoir is a feasible synthetic framework for performing complex temporal computing tasks that provides a computational advantage over single cell reservoirs. We also identified a number of biological properties that can affect the computational performance of these processing systems.

Abstract Highly productive and efficient growth of biomass in bioreactors is an essential bioprocess outcome in many industrial applications. In the nascent cultivated meat industry, large-scale biomass creation will be critical given the size of demand in the conventional meat and seafood sectors. However, there are many challenges that must be overcome before cultivated meat and seafood become commercially viable including cost reductions of cell culture media, bioprocess design innovation and optimization, and scaling up in the longer term. Computational modelling and simulation can help to address many of these challenges, and can be a far cheaper and faster alternative to performing physical experiments. Computer modelling can also help researchers pinpoint system interactions that matter, and guide researchers to identify those parameters that should be changed in later designs for eventual optimization. In this work, a computational model that combines agent-based modeling and computational fluid dynamics was developed to study biomass growth as a function of the operative conditions of stirred-tank bioreactors. The focus was to analyze how the mechanical stress induced by rotor speed can influence the growth of cells attached to spherical microcarriers. The computer simulation results reproduced observations from physical experiments that high rotor speeds reduce cell growth rates and induce cell death under the high mechanical stresses induced at these stir speeds. Moreover, the results suggest that modeling both cell death and cell quiescence are required to recapitulate these observations from physical experiments. These simulation outcomes are the first step towards more comprehensive models that, in combination with experimental observations, will improve our knowledge of biomass production in bioreactors for cultivated meat and other industries.

Abstract Acute myeloid leukemia (AML) is an aggressive malignancy of myeloid progenitor cells characterized by successive acquisition of genetic alterations. This inherent heterogeneity poses challenges in the development of precise and effective therapies. To gain insights into the genetic influence on drug response and optimize treatment selection, we performed targeted sequencing, ex vivo drug screening, and single-cell genomic profiling on leukemia cell samples derived from AML patients. We detected genetic signatures associated with sensitivity or resistance to specific agents. By integrating large public datasets, we discovered statistical patterns of co-occurring and mutually exclusive mutations in AML. The application of single-cell genomic sequencing unveiled the co-occurrence of variants at the individual cell level, highlighting the presence of distinct sub- clones within AML patients. Machine learning models were built to predict ex vivo drug sensitivity using the genetic variants. Notably, these models demonstrated high accuracy in predicting sensitivity to some drugs, such as MEK inhibitors. Our study provides valuable resources for characterizing AML patients and predicting drug sensitivity, emphasizing the significance of considering subclonal distribution in drug response prediction. These findings provide a foundation for advancing precision medicine in AML. By tailoring treatment based on individual genetic profiles and functional testing, as well as accounting for the presence of subclones, we envision a future of improved therapeutic strategies for AML patients. One Sentence Summary: Integrative computational and experimental analysis of mutation patterns and drug responses provide biologic insight and therapeutic guidance for patients with adult AML.

Skin is our primary barrier to the outside world, protecting us from physical, biological and chemical threats. Developing innovative products that preserve and improve skin barrier function requires a thorough understanding of the mechanisms underlying barrier response to topical applications. In many fields, computer simulations already facilitate understanding, thus accelerating innovation. Simulations of software models allow scientists to test hypothesized mechanisms by comparing predicted results to physical observations. They also enable virtual product optimization, without physical experiments, once mechanisms have been validated. The physical accessibility and abundant knowledge of skin structure makes it a prime candidate for computational modeling. In this article, we describe a computational multiscale multicellular skin model used to simulate growth and response of the epidermal barrier. The model integrates several modeling styles and mathematical frameworks including ordinary differential equations, partial differential equations, discrete agent-based modeling and discrete element methods. Specifically, to capture cell biology and physical transport, we combined four distinct sub-models from existing literature. We also implemented methods for elastic biomechanics. Our software implementation of the model is compatible with the high-performance computing simulation platform Biocellion. The integrated model recapitulates barrier formation, homeostasis and response to environmental, chemical and mechanical perturbation. This work exemplifies methodology for integrating models of vastly different styles. The methodology enables us to effectively build on existing knowledge and produce "whole-system" tissue models capable of displaying emergent properties. It also illustrates the inherent technical difficulties associated with the mounting complexity of describing biological systems at high fidelity. Among the challenges are validation of the science, the mathematical representations approximating the science and the software implementing these representations. Responsibility for a discrepancy observed between in silico and in vitro results may as easily lie at one of these three levels as at another, demanding that any sustainable modeling endeavor engage expertise from biology, mathematics and computing.

Abstract The maintenance and function of tissues in health and disease depends on cell-cell communication. This work shows how high-level features, representing cell-cell communication, can be defined and used to associate certain signaling ‘axes’ with clinical outcomes. Using cell-sorted gene expression data, we generated a scaffold of cell-cell interactions and define a probabilistic method for creating per-patient weighted graphs based on gene expression and cell deconvolution results. With this method, we generated over 9,000 graphs for TCGA patient samples, each representing likely channels of intercellular communication in the tumor microenvironment. It was shown that particular edges were strongly associated with disease severity and progression, in terms of survival time and tumor stage. Within individual tumor types, there are predominant cell types and the collection of associated edges were found to be predictive of clinical phenotypes. Additionally, genes associated with differentially weighted edges were enriched in Gene Ontology terms associated with tissue structure and immune response. Code, data, and notebooks are provided to enable the application of this method to any expression dataset ( https://github.com/IlyaLab/Pan-Cancer-Cell-Cell-Comm-Net ).