Quantitative computational models play an increasingly important role in modern biology. Such models typically involve many free parameters, and assigning their values is often a substantial obstacle to model development. Directly measuring in vivo biochemical parameters is difficult, and collectively fitting them to other experimental data often yields large parameter uncertainties. Nevertheless, in earlier work we showed in a growth-factor-signaling model that collective fitting could yield well-constrained predictions, even when it left individual parameters very poorly constrained. We also showed that the model had a "sloppy" spectrum of parameter sensitivities, with eigenvalues roughly evenly distributed over many decades. Here we use a collection of models from the literature to test whether such sloppy spectra are common in systems biology. Strikingly, we find that every model we examine has a sloppy spectrum of sensitivities. We also test several consequences of this sloppiness for building predictive models. In particular, sloppiness suggests that collective fits to even large amounts of ideal time-series data will often leave many parameters poorly constrained. Tests over our model collection are consistent with this suggestion. This difficulty with collective fits may seem to argue for direct parameter measurements, but sloppiness also implies that such measurements must be formidably precise and complete to usefully constrain many model predictions. We confirm this implication in our growth-factor-signaling model. Our results suggest that sloppy sensitivity spectra are universal in systems biology models. The prevalence of sloppiness highlights the power of collective fits and suggests that modelers should focus on predictions rather than on parameters.

Abstract Induced pluripotent stem cell (iPSC) derived cell types are increasingly employed as in vitro model systems for drug discovery. For these studies to be meaningful, it is important to understand the reproducibility of the iPSC-derived cultures and their similarity to equivalent endogenous cell types. Single-cell and single-nucleus RNA sequencing (RNA-seq) are useful to gain such understanding, but they are expensive and time consuming, while bulk RNA-seq data can be generated quicker and at lower cost. In silico cell type decomposition is an efficient, inexpensive, and convenient alternative that can leverage bulk RNA-seq to derive more fine-grained information about these cultures. We developed CellMap, a computational tool that derives cell type profiles from publicly available single-cell and single-nucleus datasets to infer cell types in bulk RNA-seq data from iPSC-derived cell lines.

The lipopolysaccharide biosynthesis pathway is considered an attractive drug target against the rising threat of multidrug-resistant Gram-negative bacteria. Here, we report two novel small-molecule inhibitors (compounds 1 and 2) of the acyltransferase LpxA, the first enzyme in the lipopolysaccharide biosynthesis pathway. We show genetically that the antibacterial activities of the compounds against efflux-deficient Escherichia coli are mediated by LpxA inhibition. Consistently, the compounds inhibited the LpxA enzymatic reaction in vitro. Intriguingly, using biochemical, biophysical, and structural characterization, we reveal two distinct mechanisms of LpxA inhibition; compound 1 is a substrate-competitive inhibitor targeting apo LpxA and compound 2 is an uncompetitive inhibitor targeting the LpxA-product complex. Compound 2 exhibited more favorable biological and physicochemical properties than compound 1, and was optimized using structural information to achieve improved antibacterial activity against wild type E. coli. These results show that LpxA is a promising antibacterial target and imply the advantages of targeting enzyme-product complexes in drug discovery.

Background While LRRK2 and GBA1 variants are associated with Parkinson's disease (PD), most carriers will not develop the disease. Objective To test if polygenic risk score (PRS) modifies disease risk and phenotypes in LRRK2 G2019S carriers, GBA1 carriers, and non-carriers (NC). Methods We genotyped 786 participants using Illumina's NeuroBooster-array (NBA) and sequenced the genome of 244, all of Ashkenazi ancestry (AJ), and calculated PRS to test its effects on clinically- and biologically-defined disease risk and phenotypes (n = 715). Among LRRK2 G2019S PD, we tested PRS association with α-synuclein seed-amplification-assay (n = 11). We used the PPMI and AMP-PD databases as validation cohorts. Results In clinically-defined PD, PRS significantly modified disease risk in GBA1 carriers and in NC ( p = 0.033 and p < 0.0001, respectively), and demonstrated a trend in LRRK2 G2019S carriers ( p = 0.054), with similar effect sizes (OR = 1.55, 1.62, and 1.49, respectively). PRS association with PD risk in LRRK2 was primarily driven by the rs7938782-A risk allele, replicated in AMP-PD (268 AJs LRRK2 G2019S carriers). PRS and age-at-onset were negatively correlated in NC ( p < 0.0001). NBA GBA1 genotype calls failed at GBA1 L483P and c.115 + 1G > A mutations. False negative call rate of 10.2% was observed for the imputed GBA1 N409S carriers. Conclusions PRS contributes to PD risk across different genotypes. The genetic and epigenetic role of rs7938782 in LRRK2 PD risk should be further explored. Future PRS models should be tailored to specific genotypes to better understand penetrance and phenotypes. Furthermore, models predicting PD defined biologically rather than clinically may further identify genetic risk factors for synucleinopathies.

ABSTRACT With advances in NGS technologies, transcriptional profiling of human tissue across many diseases is becoming more routine, leading to the generation of petabytes of data deposited in public repositories. There is a need for bench scientists with little computational expertise to be able to access and mine this data to understand disease pathology, identify robust biomarkers of disease and the effect of interventions (in vivo or in vitro). To this end we release an open source analytics and visualization platform for expression data called OmicsView, http://omicsview.org . This platform comes preloaded with 1000s of samples across many disease areas and normal tissue, including the GTEx database, all processed with a harmonized pipeline. We demonstrate the power and ease-of-use of the platform by means of a Crohn’s disease data mining exercise where we can quickly uncover disease pathology and identify strong biomarkers of disease and response to treatment.

The paper with the doi 10.1101/850305 has been removed as a result of a technical error. The paper is available on bioRxiv under this doi: 10.1101/2019.12.14.850305.