Protein-peptide interactions are crucial in many cellular functions. Therefore, determining the structure of protein-peptide complexes is important for understanding the molecular mechanism of related biological processes and developing peptide drugs. HPEPDOCK is a novel web server for blind protein-peptide docking through a hierarchical algorithm. Instead of running lengthy simulations to refine peptide conformations, HPEPDOCK considers the peptide flexibility through an ensemble of peptide conformations generated by our MODPEP program. For blind global peptide docking, HPEPDOCK obtained a success rate of 33.3% in binding mode prediction on a benchmark of 57 unbound cases when the top 10 models were considered, compared to 21.1% for pepATTRACT server. HPEPDOCK also performed well in docking against homology models and obtained a success rate of 29.8% within top 10 predictions. For local peptide docking, HPEPDOCK achieved a high success rate of 72.6% on a benchmark of 62 unbound cases within top 10 predictions, compared to 45.2% for HADDOCK peptide protocol. Our HPEPDOCK server is computationally efficient and consumed an average of 29.8 mins for a global peptide docking job and 14.2 mins for a local peptide docking job. The HPEPDOCK web server is available at http://huanglab.phys.hust.edu.cn/hpepdock/.

We describe a protein proximity inducing therapeutic modality called Regulated Induced Proximity Targeting Chimeras or RIPTACs: heterobifunctional small molecules that elicit a stable ternary complex between a target protein (TP) selectively expressed in tumor cells and a pan-expressed protein essential for cell survival. The resulting co-operative protein-protein interaction (PPI) abrogates the function of the essential protein, thus leading to death selectively in cells expressing the TP. This approach leverages differentially expressed intracellular proteins as novel cancer targets, with the advantage of not requiring the target to be a disease driver. In this chemical biology study, we design RIPTACs that incorporate a ligand against a model TP connected via a linker to effector ligands such as JQ1 (BRD4) or BI2536 (PLK1) or CDK inhibitors such as TMX3013 or dinaciclib. RIPTACs accumulate selectively in cells expressing the HaloTag-FKBP target, form co-operative intracellular ternary complexes, and induce an anti-proliferative response in target-expressing cells.

Transcriptional enhancers are non-coding segments of DNA that play a central role in the spatiotemporal regulation of gene expression programs. However, systematically and precisely predicting enhancers on a genome-wide scale remain a major challenge. Although existing methods have achieved some success in enhancer prediction, they still suffer from a limited number of training samples, a simplicity of features, class-imbalanced data, and inconsistent performance across diverse cell types/tissues. Here, we developed a deep learning-based algorithmic framework named PEDLA (https://github.com/wenjiegroup/PEDLA), which can directly learn an enhancer predictor from massively heterogeneous data and generalize in ways that are mostly consistent across various cell types/tissues. We first trained PEDLA with 1,114-dimensional heterogeneous features in H1 cells, and we demonstrated that our PEDLA framework integrates diverse heterogeneous features and gives state-of-the-art performance relative to five existing methods for enhancer prediction. We further extended PEDLA to continuously learn from 22 training cell types/tissues, and the results showed that PEDLA manifested superior performance consistency in both training and independent test sets. On average, PEDLA achieved 95.0% accuracy and a 96.8% geometric mean (GM) across 22 training cell types/tissues, as well as 95.7% accuracy and a 96.8% GM across 20 independent test cell types/tissues. Together, our work illustrates the power of harnessing state-of-the-art deep learning techniques to consistently identify regulatory elements at a genome-wide scale from massively heterogeneous data across diverse cell types/tissues.

Hi-C is commonly used to study three-dimensional genome organization. However, due to the high sequencing cost and technical constraints, the resolution of most Hi-C datasets is coarse, resulting in a loss of information and biological interpretability. Here we develop DeepHiC, a generative adversarial network, to predict high-resolution Hi-C contact maps from low-coverage sequencing data. We demonstrated that DeepHiC is capable of reproducing high-resolution Hi-C data from as few as 1% downsampled reads. Empowered by adversarial training, our method can restore fine-grained details similar to those in high-resolution Hi-C matrices, boosting accuracy in chromatin loops identification and TADs detection, and outperforms the state-of-the-art methods in accuracy of prediction. Finally, application of DeepHiC to Hi-C data on mouse embryonic development can facilitate chromatin loop detection with higher accuracy. We develop a web-based tool (DeepHiC, http://sysomics.com/deephic) that allows researchers to enhance their own Hi-C data with just a few clicks.

Accurately identifying binding sites of transcription factors (TFs) is crucial to understand the mechanisms of transcriptional regulation and human disease. We present incorporating Find Occurrence of Regulatory Motifs (iFORM), an easy-to-use tool for scanning DNA sequence with TF motifs described as position weight matrices (PWMs). iFORM achieves higher accuracy and sensitivity by integrating the results from five classical motif discovery programs based on Fisher's combined probability test. We have used iFORM to provide accurate results on a variety of data in the ENCODE Project and the NIH Roadmap Epigenomics Project, and has demonstrated its utility to further understand individual roles of functional elements.iFORM can be freely accessed athttps://github.com/wenjiegroup/iFORM.

Abstract While specific cell signaling pathway inhibitors have yielded great success in oncology, directly triggering cancer cell death is one of the great drug discovery challenges facing biomedical research in the era of precision oncology. Attempts to eradicate cancer cells expressing unique target proteins, such as antibody-drug conjugates (ADCs), T-cell engaging therapies, and radiopharmaceuticals have been successful in the clinic, but they are limited by the number of targets given the inability to target intracellular proteins. More recently, heterobifunctional small molecules such as Proteolysis Targeting Chimera (PROTACs) have paved the way for protein proximity inducing therapeutic modalities. Here, we describe a proof-of-concept study using novel heterobifunctional small molecules called R egulated I nduced P roximity Ta rgeting C himeras or RIPTACs, which elicit a stable ternary complex between a target protein selectively expressed in cancer tissue and a pan-expressed protein essential for cell survival. The resulting cooperative protein:protein interaction (PPI) abrogates the function of the essential protein, thus leading to cell death selectively in cells expressing the target protein. This approach not only opens new target space by leveraging differentially expressed intracellular proteins but also has the advantage of not requiring the target to be a driver of disease. Thus, RIPTACs can address non-target mechanisms of resistance given that cell killing is driven by inactivation of the essential protein. Using the HaloTag7-FKBP model system as a target protein, we describe RIPTACs that incorporate a covalent or non-covalent target ligand connected via a linker to effector ligands such as JQ1 (BRD4), BI2536 (PLK1), or multi-CDK inhibitors such as TMX3013 or dinaciclib. We show that these RIPTACs exhibit positive co-operativity, accumulate selectively in cells expressing HaloTag7-FKBP, form stable target:RIPTAC:effector trimers in cells, and induce an anti-proliferative response in target-expressing cells. We propose that RIPTACs are a novel heterobifunctional therapeutic modality to treat cancers that are known to selectively express a specific intracellular protein.