Abstract Therapeutic antibodies that target T-cell co-inhibitory molecules display potent antitumor effects in multiple types of cancer. LSECtin is a cell surface lectin of the DC-SIGN family expressed in dendritic cells that inhibits T-cell responses. LSECtin limits T-cell activity in infectious disease, but it has not been studied in cancer. Here we report the finding that LSECtin is expressed commonly in melanomas where it blunts tumor-specific T-cell responses. When expressed in B16 melanoma cells, LSECtin promoted tumor growth, whereas its blockade slowed tumor growth in either wild-type or LSECtin-deficient mice. The tumor-promoting effects of LSECtin were abrogated in Rag1−/− mice or in response to CD4+ or CD8+ T-cell depletion. Mechanistic investigations determined that LSECtin inhibited the proliferation of tumor-specific effector T cells by downregulating the cell cycle kinases CDK2, CDK4, and CDK6. Accordingly, as expressed in B16, tumor cells LSECtin inhibited tumor-specific T-cell responses relying upon proliferation in vitro and in vivo. Notably, LSECtin interacted with the co-regulatory molecule LAG-3, the blockade of which restored IFNγ secretion that was reduced by melanoma-derived expression of LSECtin. Together, our findings reveal that common expression of LSECtin in melanoma cells engenders a mechanism of immune escape, with implications for novel immunotherapeutic combination strategies. Cancer Res; 74(13); 3418–28. ©2014 AACR.

Abstract The SARS-CoV-2 infection is spreading rapidly worldwide. Efficacious antiviral therapeutics against SARS-CoV-2 is urgently needed. Here, we discovered that protoporphyrin IX (PpIX) and verteporfin, two FDA-approved drugs, completely inhibited the cytopathic effect produced by SARS-CoV-2 infection at 1.25 μM and 0.31 μM respectively, and their EC50 values of reduction of viral RNA were at nanomolar concentrations. The selectivity indices of PpIX and verteporfin were 952.74 and 368.93, respectively, suggesting broad margin of safety. Importantly, PpIX and verteporfin prevented SARS-CoV-2 infection in mice adenovirally transduced with human ACE2. The compounds, sharing a porphyrin ring structure, were shown to bind viral receptor ACE2 and interfere with the interaction between ACE2 and the receptor-binding domain of viral S protein. Our study suggests that PpIX and verteporfin are potent antiviral agents against SARS-CoV-2 infection and sheds new light on developing novel chemoprophylaxis and chemotherapy against SARS-CoV-2.

Alisma L. is a medicinally important genus of aquatic and wetland plants consisting of c. 10 recognized species. However, largely due to polyploidy and limited taxon and gene sampling, the phylogenomic relationships of Alisma remain challenging. In this study, we sequenced 34 accessions of Alismataceae, including eight of the ten species of Alisma , one species of Echinodorus and one species of Luronium , to perform comparative analyses of plastid genomes and phylogenetic analyses. Comparative analysis of plastid genomes revealed high sequence similarity among species within the genus. Our study analyzed structural changes and variations in the plastomes of Alisma , including IR expansion or contraction, and gene duplication or loss. Phylogenetic results suggest that Alisma is monophyletic, and constitutes four groups: (1) A. lanceolatum and A. canaliculatum ; (2) the North American clade of A. subcordatum and A. triviale ; (3) A. wahlenbergii and A. gramineum ; and (4) A. plantago-aquatica from Eurasia and northern Africa with the eastern Asian A. orientale nested within it. Hence the results challenge the recognition of A. orientale as a distinct species and raise the possibility of treating it as a synonym of the widespread A. plantago-aquatica . The well-known Alismatis Rhizoma (Zexie) in Chinese medicine was likely derived from the morphologically variable Alisma plantago-aquatica throughout its long history of cultivation in Asia. The plastome phylogenetic results also support the tetraploid A. lanceolatum as the likely maternal parent of the hexaploid eastern Asian A. canaliculatum .

Abstract Cellular senescence (CS) is closely related to tumor progression. However, the studies about CS genes across human cancers have not explored the relationship between cancer senescence signature and telomere length. Additionally, single-cell analyses have not revealed the evolutionary trends of malignant cells and immune cells at the CS level. We defined a CS-associated signature, called “senescence signature”, and found that patients with higher senescence signature had worse prognosis. Higher senescence signature was related to older age, higher genomic instability, longer telomeres, increased lymphocytic infiltration, higher pro-tumor immune infiltrates (Treg cells and MDSCs), and could predict responses to immune checkpoint inhibitor therapy. Single-cell analysis further reveals malignant cells and immune cells share a consistent evolutionary trend at the CS level. MAPK signaling pathway and apoptotic processes may play a key role in CS, and senescence signature may effectively predict sensitivity of MEK1/2 inhibitors, ERK1/2 inhibitors and BCL-2 family inhibitors. We also developed a new CS prediction model of cancer survival and established a portal website to apply this model ( https://bio-pub.shinyapps.io/cs_nomo/ ).

Modeling the functional impact of sequence variation is a critical issue for both understanding and developing proteins. An Evolutionary Sequence and Gaussian Mixture Model (ESGMM) for predicting variant pathogenicity is presented in this paper. The model is trained on 2715 clinical proteins and their homologous sequences, using a Transformer-based protein language model to discover evolutionary patterns of amino acids from multiple sequence alignment (MSA). To fully mine deep information of MSA two-dimensional data, an axial attention mechanism is introduced during training. The model estimates the probability of all variants compared to the wild type and calculates variant scores. To categorize variations as pathogenic or benign, a global–local Gaussian mixture model is then constructed for each variant, and ESGMM scores are produced for each variant employing a combination of global and local information. Particle swarm optimization (PSO) is introduced to optimize the local Gaussian mixture model and further quantify the uncertainty of the classification, which enhances the model prediction precision. Experimental results demonstrate the superiority of the optimized ESGMM algorithm in predicting the pathogenicity of variants.