Lack of estrogen receptor (ER) and presence of vimentin (VIM) associate with poor prognosis in human breast cancer. We have explored the relationships between ER, VIM, and invasiveness in human breast cancer cell lines. In the matrigel outgrowth assay, ER+/VIM- (MCF-7, T47D, ZR-75-1), and ER-/VIM- (MDA-MB-468, SK-Br-3) cell lines were uninvasive, while ER-/VIM+ (BT549, MDA-MB-231, MDA-MB-435, MDA-MB-436, Hs578T) lines formed invasive, penetrating colonies. Similarly, ER-/VIM+ cell lines were significantly more invasive than either the ER+/VIM- or ER-/VIM- cell lines in the Boyden chamber chemoinvasion assay. Invasive activity in nude mice was only seen with ER-/VIM+ cell lines MDA-MB-231, MDA-MB-435 and MDA-MB-436. Hs578T cells (ER-/VIM+) showed hematogenous dissemination to the lungs in one of five mice, but lacked local invasion. The ER-/VIM+ MCF-7ADR subline was significantly more active than the MCF-7 cells in vitro, but resembled the wild-type MCF-7 parent in in vivo activity. Data from these cell lines suggest that human breast cancer progression results first in the loss of ER, and subsequently in VIM acquisition, the latter being associated with increased metastatic potential through enhanced invasiveness. The MCF-7ADR data provide evidence that this transition can occur in human breast cancer cells. Vimentin expression may provide useful insights into mechanisms of invasion and/or breast cancer cell progression.

The majority of estrogen receptor (ER)-positive breast cancers are treated with endocrine therapy. While this is effective, acquired resistance to therapies targeted against ER is a major clinical challenge. Here, model systems of ER-positive breast cancers with differential susceptibility to endocrine therapy were employed to define common nodes for new therapeutic interventions. These analyses revealed that cell cycle progression is effectively uncoupled from the activity and functional state of ER in these models. In this context, cyclin D1 expression and retinoblastoma tumor suppressor protein (RB) phosphorylation are maintained even with efficient ablation of ER with pure antagonists. These therapy-resistant models recapitulate a key feature of deregulated RB/E2F transcriptional control. Correspondingly, a gene expression signature of RB-dysfunction is associated with luminal B breast cancer, which exhibits a relatively poor response to endocrine therapy. These collective findings suggest that suppression of cyclin D-supported kinase activity and restoration of RB-mediated transcriptional repression could represent a viable therapeutic option in tumors that fail to respond to hormone-based therapies. Consistent with this hypothesis, a highly selective CDK4/6 inhibitor, PD-0332991, was effective at suppressing the proliferation of all hormone refractory models analyzed. Importantly, PD-0332991 led to a stable cell cycle arrest that was fundamentally distinct from those elicited by ER antagonists, and was capable of inducing aspects of cellular senescence in hormone therapy refractory cell populations. These findings underscore the clinical utility of downstream cytostatic therapies in treating tumors that have experienced failure of endocrine therapy.

A bstract Measurements of the production of jets of particles in association with a Z boson in pp collisions at $ \sqrt{s}=7 $ TeV are presented, using data corresponding to an integrated luminosity of 4.6 fb −1 collected by the ATLAS experiment at the Large Hadron Collider. Inclusive and differential jet cross sections in Z events, with Z decaying into electron or muon pairs, are measured for jets with transverse momentum p T > 30 GeV and rapidity | y | < 4 . 4. The results are compared to next-to-leading-order perturbative QCD calculations, and to predictions from different Monte Carlo generators based on leading-order and next-to-leading-order matrix elements supplemented by parton showers.

The production of W boson pairs in proton-proton collisions at $$ \sqrt{s}=8 $$ TeV is studied using data corresponding to 20.3 fb−1 of integrated luminosity collected by the ATLAS detector during 2012 at the CERN Large Hadron Collider. The W bosons are reconstructed using their leptonic decays into electrons or muons and neutrinos. Events with reconstructed jets are not included in the candidate event sample. A total of 6636 WW candidate events are observed. Measurements are performed in fiducial regions closely approximating the detector acceptance. The integrated measurement is corrected for all acceptance effects and for the W branching fractions to leptons in order to obtain the total WW production cross section, which is found to be 71.1 ± 1.1(stat) − 5.0 + 5.7 (syst) ± 1.4(lumi) pb. This agrees with the next-to-next-to-leading-order Standard Model prediction of 63. 2 − 1.4 + 1.6 (scale) ± 1.2(PDF) pb. Fiducial differential cross sections are measured as a function of each of six kinematic variables. The distribution of the transverse momentum of the leading lepton is used to set limits on anomalous triple-gauge-boson couplings.

Abstract Background Network Component Analysis (NCA) has shown its effectiveness in discovering regulators and inferring transcription factor activities (TFAs) when both microarray data and ChIP-on-chip data are available. However, a NCA scheme is not applicable to many biological studies due to limited topology information available, such as lack of ChIP-on-chip data. We propose a new approach, motif-directed NCA (mNCA), to integrate motif information and gene expression data to infer regulatory networks. Results We develop motif-directed NCA (mNCA) to incorporate motif information into NCA for regulatory network inference. While motif information is readily available from knowledge databases, it is a "noisy" source of network topology information consisting of many false positives. To overcome this problem, we develop a stability analysis procedure embedded in mNCA to resolve the inconsistency between motif information and gene expression data, and to enable the identification of stable TFAs. The mNCA approach has been applied to a time course microarray data set of muscle regeneration. The experimental results show that the inferred TFAs are not only numerically stable but also biologically relevant to muscle differentiation process. In particular, several inferred TFAs like those of MyoD, myogenin and YY1 are well supported by biological experiments. Conclusion A novel computational approach, mNCA, has been developed to integrate motif information and gene expression data for regulatory network reconstruction. Specifically, motif analysis is used to obtain initial network topology, and stability analysis is developed and applied with mNCA to extract stable TFAs. Experimental results on muscle regeneration microarray data have demonstrated that mNCA is a practical and reliable computational method for regulatory network inference and pathway discovery.

Abstract Background Many statistical methods have been proposed to identify disease biomarkers from gene expression profiles. However, from gene expression profile data alone, statistical methods often fail to identify biologically meaningful biomarkers related to a specific disease under study. In this paper, we develop a novel strategy, namely knowledge-guided multi-scale independent component analysis (ICA), to first infer regulatory signals and then identify biologically relevant biomarkers from microarray data. Results Since gene expression levels reflect the joint effect of several underlying biological functions, disease-specific biomarkers may be involved in several distinct biological functions. To identify disease-specific biomarkers that provide unique mechanistic insights, a meta-data "knowledge gene pool" (KGP) is first constructed from multiple data sources to provide important information on the likely functions (such as gene ontology information) and regulatory events (such as promoter responsive elements) associated with potential genes of interest. The gene expression and biological meta data associated with the members of the KGP can then be used to guide subsequent analysis. ICA is then applied to multi-scale gene clusters to reveal regulatory modes reflecting the underlying biological mechanisms. Finally disease-specific biomarkers are extracted by their weighted connectivity scores associated with the extracted regulatory modes. A statistical significance test is used to evaluate the significance of transcription factor enrichment for the extracted gene set based on motif information. We applied the proposed method to yeast cell cycle microarray data and Rsf-1-induced ovarian cancer microarray data. The results show that our knowledge-guided ICA approach can extract biologically meaningful regulatory modes and outperform several baseline methods for biomarker identification. Conclusion We have proposed a novel method, namely knowledge-guided multi-scale ICA, to identify disease-specific biomarkers. The goal is to infer knowledge-relevant regulatory signals and then identify corresponding biomarkers through a multi-scale strategy. The approach has been successfully applied to two expression profiling experiments to demonstrate its improved performance in extracting biologically meaningful and disease-related biomarkers. More importantly, the proposed approach shows promising results to infer novel biomarkers for ovarian cancer and extend current knowledge.

Reliable inference of transcription regulatory networks is a challenging task in computational biology. Network component analysis (NCA) has become a powerful scheme to uncover regulatory networks behind complex biological processes. However, the performance of NCA is impaired by the high rate of false connections in binding information. In this paper, we integrate stability analysis with NCA to form a novel scheme, namely stability-based NCA (sNCA), for regulatory network identification. The method mainly addresses the inconsistency between gene expression data and binding motif information. Small perturbations are introduced to prior regulatory network, and the distance among multiple estimated transcript factor (TF) activities is computed to reflect the stability for each TF's binding network. For target gene identification, multivariate regression and t-statistic are used to calculate the significance for each TF-gene connection. Simulation studies are conducted and the experimental results show that sNCA can achieve an improved and robust performance in TF identification as compared to NCA. The approach for target gene identification is also demonstrated to be suitable for identifying true connections between TFs and their target genes. Furthermore, we have successfully applied sNCA to breast cancer data to uncover the role of TFs in regulating endocrine resistance in breast cancer.

Summary Data-driven differential dependency network analysis identifies in a complex and often unknown overall molecular circuitry a network of differentially connected molecular entities (pairwise selective coupling or uncoupling depending on the specific phenotypes or experimental conditions) (Herrington, et al. 2018; Zhang, et al., 2009; Zhang and Wang, 2010; Zhang, et al., 2016). Such differential dependency networks are typically used to assist in the inference of potential key pathways. Based on our previously developed Differential Dependency Network (DDN) method, we report here the fully implemented R and Python software tool packages for public use. The DDN2.0 algorithm uses a fused Lasso model and block-wise coordinate descent to estimate both the common and differential edges of dependency networks. The identified DDN can help to provide plausible interpretation of data, gain new insight of disease biology, and generate novel hypotheses for further validation and investigations. To address the imbalanced sample group problem, we propose a sample-size normalized formulation to correct systematic bias. To address high computational complexity, we propose four strategies to accelerate DDN2.0 learning. The experimental results show that new DDN2.0+ learning speed with combined four accelerating strategies is hundreds of times faster than that of DDN2.0 algorithm on medium-sized data (Fu, 2019). To detect intra-omics and inter-omics network rewiring, we propose multiDDN using a multi-layer signaling model to integrate multi-omics data. The simulation study shows that the multiDDN method can achieve higher accuracy of detecting network rewiring (Fu, 2019).

Abstract Motivation Identification of biological pathways plays a central role in understanding both human health and diseases. Although much work has previously been done to explore the biological pathways by using single omics data, little effort has been reported using multi-omics data integration, mainly due to methodological and technological limitations. Compared to single omics data, multi-omics data will help identifying disease specific functional pathways with both higher sensitivity and specificity, thus gaining more comprehensive insights into the molecular architecture of disease processes. Results In this paper, we propose two computational approaches that integrate multi-omics data and identify disease-specific biological pathways with high sensitivity and specificity. Applying our methods to an experimental multi-omics data dataset on muscular dystrophy subtypes, we identified disease-specific pathways of high biological plausibility. The developed methodology will likely have a broad impact on improving the molecular characterization of many common diseases. Contact yuewang@vt.edu Supplementary information Supplementary information attached.