A major challenge for vaccinologists is to understand vaccine immunogenicity. Pulendran and colleagues use systems biology to determine gene 'signatures' that predict CD8+ T cell and antibody responses to the yellow fever vaccine. A major challenge in vaccinology is to prospectively determine vaccine efficacy. Here we have used a systems biology approach to identify early gene 'signatures' that predicted immune responses in humans vaccinated with yellow fever vaccine YF-17D. Vaccination induced genes that regulate virus innate sensing and type I interferon production. Computational analyses identified a gene signature, including complement protein C1qB and eukaryotic translation initiation factor 2 alpha kinase 4—an orchestrator of the integrated stress response—that correlated with and predicted YF-17D CD8+ T cell responses with up to 90% accuracy in an independent, blinded trial. A distinct signature, including B cell growth factor TNFRS17, predicted the neutralizing antibody response with up to 100% accuracy. These data highlight the utility of systems biology approaches in predicting vaccine efficacy.

Here we have used a systems biology approach to study innate and adaptive responses to vaccination against influenza in humans during three consecutive influenza seasons. We studied healthy adults vaccinated with trivalent inactivated influenza vaccine (TIV) or live attenuated influenza vaccine (LAIV). TIV induced higher antibody titers and more plasmablasts than LAIV did. In subjects vaccinated with TIV, early molecular signatures correlated with and could be used to accurately predict later antibody titers in two independent trials. Notably, expression of the kinase CaMKIV at day 3 was inversely correlated with later antibody titers. Vaccination of CaMKIV-deficient mice with TIV induced enhanced antigen-specific antibody titers, which demonstrated an unappreciated role for CaMKIV in the regulation of antibody responses. Thus, systems approaches can be used to predict immunogenicity and provide new mechanistic insights about vaccines.

Systems approaches have been used to describe molecular signatures driving immunity to influenza vaccination in humans. Whether such signatures are similar across multiple seasons and in diverse populations is unknown. We applied systems approaches to study immune responses in young, elderly, and diabetic subjects vaccinated with the seasonal influenza vaccine across five consecutive seasons. Signatures of innate immunity and plasmablasts correlated with and predicted influenza antibody titers at 1 month after vaccination with >80% accuracy across multiple seasons but were not associated with the longevity of the response. Baseline signatures of lymphocyte and monocyte inflammation were positively and negatively correlated, respectively, with antibody responses at 1 month. Finally, integrative analysis of microRNAs and transcriptomic profiling revealed potential regulators of vaccine immunity. These results identify shared vaccine-induced signatures across multiple seasons and in diverse populations and might help guide the development of next-generation vaccines that provide persistent immunity against influenza.

Significance The RTS,S malaria vaccine is the most advanced malaria vaccine candidate to be tested in humans. Despite its promise, there is little understanding of its mechanism of action. In this work, we describe the use of a systems biological approach to identify “molecular signatures” that are induced rapidly after the standard RTS,S vaccination regimen, consisting of three RTS,S immunizations, or with a different regimen consisting of a primary immunization with recombinant adenovirus 35 (Ad35) expressing the circumsporozoite malaria antigen followed by two immunizations with RTS,S. These results reveal important insights about the innate and adaptive responses to vaccination and identify signatures of protective immunity against malaria.

The rapidly increasing size of biomedical databases such as Medline requires the use of intelligent data mining methods for information extraction and summarization. Existing biomedical text-mining tools have limited capabilities for incorporating citation information during document ranking and for inferring topological and network relationships between biomedical terms. Often too much is returned during summarization leading to information overload. Furthermore, literature based discoveries could be hard to interpret if the network is too complex. SEACOIN2.0 can incorporate citation information during document ranking and uses a unique association rule mining algorithm to generate multi-level k-ary trees. The multi-level trees facilitate efficient information retrieval, visual data exploration, summarization, and hypothesis generation. The system presents graphical summarization via multiple dynamic visualization panels and an interactive word cloud. LexRank algorithm is used to identify salient sentences in top abstracts related to the query. An average F-measure of 94% was achieved for document retrieval, and an average precision of 88% was obtained for identification of top co-occurrence terms. SEACOIN2.0 was also used to replicate previously published findings using the literature-based discovery and EMR-based PheWAS approaches. We present herein SEACOIN2.0, an interactive visual mining tool for improved information retrieval, automated multi-level summarization of Medline abstracts, and literature-based discovery. SEACOIN2.0 addresses the problem of information overload and allows clinicians and biomedical researchers to meet their information needs.

Motivation: Recent studies have shown that the ensemble feature selection approaches are essential for generating robust classifiers. Existing methods for aggregating feature lists from different methods re-quire use of arbitrary thresholds for selecting the top ranked features and do not account for classification accuracy while selecting the optimal set. Here we present a two-stage ensemble feature selection framework for finding the optimal set of features without compromising on classification accuracy. Methods and Results: We present herein optSelect, a multi agent-based stochastic optimization approach for nested ensemble feature selection. Stage one involves function perturbation, where ranked list of features are generated using different methods and stage two involves data perturbation, where feature selection is performed within randomly selected subsets of the training data and the optimal set of features is selected within each set using the optSelect. The agents are assigned to different behavior states and move according to a binary PSO algorithm. A multi-objective fitness function is used to evaluate the classification accuracy of the agents. We evaluate the system performance using the random probe method and using five publicly available microarray datasets. The performance of optSelect is compared with single feature selection techniques and existing aggregation methods. The results show that the optSelect algorithm improves the classification accuracy compared to both individual and existing rank aggregation methods. The algorithm is incorporated into an R package, optSelect.