SummaryA cell line derived from a myeloma patient was found to produce only λ−type light chains of immunoglobulin which were secreted into the culture medium. There appears to be no formation of γ−, α−, or μ−heavy chains or of intact immunoglobulins. The light chains produced gave a reaction of identity with the Bence-Jones protein of the original patient's urine upon immunodiffusion and showed a similar molecular size upon gel filtration. The cells produced about 15 μg λ−chain per day per 106 cells (45 × 107 chain molecules per day per cell) under the culture conditions used.

The position of host factors required for viral replication within a human protein-protein interaction (PPI) network can be exploited to identify drug targets that are robust to drug-mediated selective pressure. Host factors can physically interact with viral proteins, be a component of pathways regulated by viruses (where proteins themselves do not interact with viral proteins) or be required for viral replication but unregulated by viruses. Here, we demonstrate a method of combining a human PPI network with virus-host protein interaction data to improve antiviral drug discovery for influenza viruses by identifying target host proteins. Network analysis shows that influenza virus proteins physically interact with host proteins in network positions significant for information flow. We have isolated a subnetwork of the human PPI network which connects virus-interacting host proteins to host factors that are important for influenza virus replication without physically interacting with viral proteins. The subnetwork is enriched for signaling and immune processes. Selecting proteins based on network topology within the subnetwork, we performed an siRNA screen to determine if the subnetwork was enriched for virus replication host factors and if network position within the subnetwork offers an advantage in prioritization of drug targets to control influenza virus replication. We found that the subnetwork is highly enriched for target host proteins - more so than the set of host factors that physically interact with viral proteins. Our findings demonstrate that network positions are a powerful predictor to guide antiviral drug candidate prioritization.

Morphological images of cells contain extensive information, which help biologists to infer the type and state of cells to some degree based on their morphology. Convolutional Neural Network, a neural network architecture, is a powerful tool used for image recognition. However, whether it can be used to classify cells on the basis of their morphology remains unclear. In this study, we demonstrate that 10 different hematopoietic tumor cell lines with similar morphologies that biologists find difficult to distinguish can be classified with >90% accuracy using only their bright-field images when analyzed using a Convolutional Neural Network. This novel and simple system using bright-field images of cells could be a powerful analytical tool for cell type discrimination and could also be applied to the clinical diagnoses of hematopoietic tumors.