Abstract Background tRNA-derived small RNAs (tsRNAs) are newly discovered non-coding RNA, which are generated from tRNAs and are reported to participate in several biological processes in diseases, especially cancer; however, the mechanism of tsRNA involvement in colorectal cancer (CRC) and 5-fluorouracil (5-FU) is still unclear. Methods RNA sequencing was performed to identify differential expression of tsRNAs in CRC tissues. CCK8, colony formation, transwell assays, and tumor sphere assays were used to investigate the role of tsRNA-GlyGCC in 5-FU resistance in CRC. TargetScan and miRanda were used to identify the target genes of tsRNA-GlyGCC. Biotin pull-down, RNA pull-down, luciferase assay, ChIP, and western blotting were used to explore the underlying molecular mechanisms of action of tsRNA-GlyGCC. The MeRIP assay was used to investigate the N(7)-methylguanosine RNA modification of tsRNA-GlyGCC. Results In this study, we uncovered the feature of tsRNAs in human CRC tissues and confirmed a specific 5’ half tRNA, 5’tiRNA-Gly-GCC (tsRNA-GlyGCC), which is upregulated in CRC tissues and modulated by METTL1-mediated N(7)-methylguanosine tRNA modification. In vitro and in vivo experiments revealed the oncogenic role of tsRNA-GlyGCC in 5-FU drug resistance in CRC. Remarkably, our results showed that tsRNA-GlyGCC modulated the JAK1/STAT6 signaling pathway by targeting SPIB. Poly (β-amino esters) were synthesized to assist the delivery of 5-FU and tsRNA-GlyGCC inhibitor, which effectively inhibited tumor growth and enhanced CRC sensitive to 5-FU without obvious adverse effects in subcutaneous tumor. Conclusions Our study revealed a specific tsRNA-GlyGCC-engaged pathway in CRC progression. Targeting tsRNA-GlyGCC in combination with 5-FU may provide a promising nanotherapeutic strategy for the treatment of 5-FU-resistance CRC. Graphical Abstract

The integration of genomic and DNA methylation data has been demonstrated as a powerful strategy in understanding cancer mechanisms and identifying therapeutic targets. The TCGA consortium has mapped DNA methylation in thousands of cancer samples using Illumina Infinium Human Methylation 450K BeadChip (Illumina 450K array) that only covers about 1.5% of CpGs in the human genome. Therefore, increasing the coverage of the DNA methylome would significantly leverage the usage of the TCGA data. Here, we present a new model called EAGLING that can expand the Illumina 450K array data 18 times to cover about 30% of the CpGs in the human genome. We applied it to analyze 13 cancers in TCGA. By integrating the expanded methylation, gene expression and somatic mutation data, we identified the genes showing differential patterns in each of the 13 cancers. Many of the triple-evidenced genes identified in the majority of the cancers are biomarkers or potential biomarkers. Pan-cancer analysis also revealed the pathways in which the triple-evidenced genes are enriched, which include well known ones as well as new ones such as axonal guidance signaling pathway and pathways related to inflammatory processing or inflammation response. Triple-evidenced genes, particularly TNXB, RRM2, CELSR3, SLC16A3, FANCI, MMP9, MMP11, SIK1, TRIM59, showed superior predictive power in both tumor diagnosis and prognosis. These results have demonstrated that the integrative analysis using the expanded methylation data is powerful in identifying critical genes/pathways that may serve as new therapeutic targets.

Abstract Genome-scale metabolic networks (GSMs) are mathematic representation of a set of stoichiometrically balanced reactions. However, such static GSMs do not reflect or incorporate functional organization of genes and their dynamic regulation (e.g., operons and regulons). Specifically, there are numerous topologically coupled local reactions through which fluxes are coordinated; and downstream metabolites often dynamically regulate the gene expression of their reactions via feedback. Here, we present a method which reconstructs GSMs with locally coupled reactions and transcriptional regulation of metabolism by key metabolites. The proposed method has outstanding performance in phenotype prediction of wild-type and mutants in Escherichia coli ( E. coli ), Saccharomyces cerevisiae ( S. cerevisiae ) and Bacillus subtilis ( B. subtilis ) growing in various conditions, outperforming existing methods. The predicted growth rate and metabolic fluxes are highly correlated with those experimentally measured. More importantly, our method can also explain the observed growth rates by capturing the ‘real’ (experimentally measured) changes in flux between the wild-types and mutants. Overall, by identifying and incorporating locally organized and regulated functional modules into GSMs, Decrem achieves accurate predictions of phenotypes and has broad applications in bioengineering, synthetic biology and microbial pathology.