Abstract Treatment responses of patients with acute myeloid leukemia (AML) are known to be heterogeneous, posing challenges for risk scoring and treatment stratification. In this retrospective multi-cohort study, we investigated whether combining pyroptosis- and immune-related genes improves prognostic classification of AML patients. Using a robust gene pairing approach, which effectively eliminates batch effects across heterogeneous patient cohorts and transcriptomic data, we developed an immunity and pyroptosis-related prognostic (IPRP) signature that consists of 15 genes. Using 5 AML cohorts ( n = 1327 patients total), we demonstrate that the IPRP score leads to more consistent and accurate survival prediction performance, compared with 10 existing signatures, and that IPRP scoring is widely applicable to various patient cohorts, treatment procedures and transcriptomic technologies. Compared to current standards for AML patient stratification, such as age or ELN2017 risk classification, we demonstrate an added prognostic value of the IPRP risk score for providing improved prediction of AML patients. Our web-tool implementation of the IPRP score and a simple 4-factor nomogram enables practical and robust risk scoring for AML patients. Even though developed for AML patients, our pan-cancer analyses demonstrate a wider application of the IPRP signature for prognostic prediction and analysis of tumor-immune interplay also in multiple solid tumors.

Colon cancer is a common and leading cause of death and malignancy worldwide. N6-methylation of adenosine (m6A) is the most common reversible mRNA modification in eukaryotes, and it plays a crucial role in various biological functions in vivo. Dysregulated expression and genetic changes of m6A regulators have been correlated with tumorigenesis, cancer cell proliferation, tumor microenvironment, and prognosis in cancers. This study used RNA-seq and colon cancer clinical data to explore the relationship between N6-methylation and colon cancer. Based on the seven m6A regulators related to prognosis, three molecular subgroups of colon cancer were identified. Surprisingly, we found that each subgroup had unique survival characteristics. We then identified three subtypes of tumors based on 299 m6A phenotype-related genes, and one subtype was characterized as an immunosuppressive tumor and patients in this subtype may be more suitable for immunotherapy than other subtypes. Finally, using m6A-related genes and clinical information from The Cancer Genome Atlas cohort, we constructed a prognosis model, and this model could be used to predict the prognosis of patients in clinics.

Ensemble learning is a kind of machine learning method which can integrate multiple basic learners together and achieve higher accuracy. Recently, single machine learning methods have been established to predict survival for patients with cancer. However, it still lacked a robust ensemble learning model with high accuracy to pick out patients with high risks. To achieve this, we proposed a novel genetic algorithm-aided three-stage ensemble learning method (3S score) for survival prediction. During the process of constructing the 3S score, double training sets were used to avoid over-fitting; the gene-pairing method was applied to reduce batch effect; a genetic algorithm was employed to select the best basic learner combination. When used to predict the survival state of glioma patients, this model achieved the highest C-index (0.697) as well as area under the receiver operating characteristic curve (ROC-AUCs) (first year = 0.705, third year = 0.825 and fifth year = 0.839) in the combined test set (n = 1191), compared with 12 other baseline models. Furthermore, the 3S score can distinguish survival significantly in eight cohorts among the total of nine independent test cohorts (P < 0.05), achieving significant improvement of ROC-AUCs. Notably, ablation experiments demonstrated that the gene-pairing method, double training sets and genetic algorithm make sure the robustness and effectiveness of the 3S score. The performance exploration on pan-cancer showed that the 3S score has excellent ability on survival prediction in five kinds of cancers, which was verified by Cox regression, survival curves and ROC curves together. To enable its clinical adoption, we implemented the 3S score and other two clinical factors as an easy-to-use web tool for risk scoring and therapy stratification in glioma patients.

Abstract The occurrence of obesity is associated with age. But their interplay remains mysterious. Here, we discovered that rotundic acid (RA), a plant-derived pentacyclic triterpene, was a powerful agent for both anti-aging and treating obesity. Considering that obese individuals decrease the appetite-suppressing and energy-expenditure-enhancing functions of leptin leading to obesity, we found RA was a leptin sensitizer, evidenced by observations that RA enhanced the leptin sensitivity to normal diet-induced obese (DIO) mice, and had minimal or no use to normal lean mice, leptin receptor-deficient (db/db) mice, and leptin-deficient (ob/ob) mice. Simultaneously, RA significantly increased energy expenditure, BAT thermogenesis, and glucose metabolism in DIO mice, as the results of enhancing leptin sensitivity. Regarding mode of action, we demonstrated that RA is a noncompetitive inhibitor of leptin negative regulators protein tyrosine phosphatase 1B (PTP1B) and T-cell PTP through interaction with their C-terminus, thus leading to weight loss through enhancing leptin sensitivity. Besides, we showed that deletion of yPTP1 in yeast completely abolished the lifespan extension effect of RA, celstrol, and withaferin A, while these compounds exhibited PTP1B inhibition activity. Furthermore, PTP1B knockdown extend lifespan in yeast and human cells, indicating PTP1B is an important factor regulating cellular aging.

Colon cancer is a highly heterogeneous disease, and identifying molecular subtypes can provide insights into deregulated pathways within tumor subsets, which may lead to personalized treatment options. However, most prognostic models are based on single-pathway genes.In this study, we aimed to identify three clinically relevant subtypes of colon cancer based on multiple signaling pathways-related genes. Integrative multi-omics analysis was used to explain the biological processes contributing to colon cancer aggressiveness, recurrence, and progression. Machine learning methods were employed to identify the subtypes and provide medication guidance for distinct subtypes using the L1000 platform. We developed a robust prognostic model (MKPC score) based on gene pairs and validated it in one internal test set and three external test sets. Risk-related genes were extracted and verified by qPCR.Three clinically relevant subtypes of colon cancer were identified based on multiple signaling pathways-related genes, which had significantly different survival state (Log-Rank test, p<0.05). Integrative multi-omics analysis revealed biological processes contributing to colon cancer aggressiveness, recurrence, and progression. The developed MKPC score, based on gene pairs, was robust in predicting prognosis state (Log-Rank test, p<0.05), and risk-related genes were successfully verified by qPCR (t test, p<0.05). An easy-to-use web tool was created for risk scoring and therapy stratification in colon cancer patients, and the practical nomogram can be extended to other cancer types.In conclusion, our study identified three clinically relevant subtypes of colon cancer and developed a robust prognostic model based on gene pairs. The developed web tool is a valuable resource for researchers and clinicians in risk scoring and therapy stratification in colon cancer patients, and the practical nomogram can be extended to other cancer types.

The molecular landscape in breast cancer is characterized by large biological heterogeneity and variable clinical outcomes. Here, we performed an integrative multi-omics analysis of patients diagnosed with breast cancer. Using transcriptomic analysis, we identified three subtypes (cluster A, cluster B and cluster C) of breast cancer with distinct prognosis, clinical features, and genomic alterations: Cluster A was associated with higher genomic instability, immune suppression and worst prognosis outcome; cluster B was associated with high activation of immune-pathway, increased mutations and middle prognosis outcome; cluster C was linked to Luminal A subtype patients, moderate immune cell infiltration and best prognosis outcome. Combination of the three newly identified clusters with PAM50 subtypes, we proposed potential new precision strategies for 15 subtypes using L1000 database. Then, we developed a robust gene pair (RGP) score for prognosis outcome prediction of patients with breast cancer. The RGP score is based on a novel gene-pairing approach to eliminate batch effects caused by differences in heterogeneous patient cohorts and transcriptomic data distributions, and it was validated in ten cohorts of patients with breast cancer. Finally, we developed a user-friendly web-tool (https://sujiezhulab.shinyapps.io/BRCA/) to predict subtype, treatment strategies and prognosis states for patients with breast cancer.

Graphical Abstract We used an integrated ensemble learning method to build a stable prediction model for severity in COVID-19 patients, which was validated in multicenter cohorts.

Abstract: The GABAA receptor mainly mediates inhibitory signal transmission in mammalian central nervous systems and is the key target of sedative-hypnotics. However, the long-term use of sedative-hypnotics often leads to drug resistance, necessitating the development of novel sedative-hypnotics. This development can be achieved with novel scaffolds designed via the computer-aided drug design methods to obtain significant advantages. In this study, robust virtual screening models were established by identifying effective positive allosteric modulators of the GABAA receptor from ChEMBL and BindingDB databases. These compounds combined with randomly extracted negative compounds were firstly applied for a 10-fold cross validation and grid search to establish machine learning models which were subsequently evaluated in an independent test set. In this step, 4 machine learning methods and 6 fingerprints were used to establish 24 models. In the test set, the CDK_LR model performed the best (MCC = 0.751) and was used for subsequent virtual screening. Two effective molecular docking models were also established based on conformation 6D6T and 6D6U, wherein the root mean square deviation (RMSD) values of redocking experiments were 1.141 and 1.505 Å (1 Å = 0.1 nm), respectively. During the virtual screening, 41112 compounds from a commercial database were scanned by machine learning, molecular docking, and molecular mechanics-generalized Born surface area models. After the screening, 16 hits were obtained, 4 of which were structurally novel positive hits verified by whole-cell patch-clamp electrophysiology experiments. The compound GPR120 was verified experimentally at both the cell and animal levels. In cortical neurons recombinantly expressing α1β2γ2-type receptors, at 10 and 50 µmol∙L-1, GPR120 could potentiate GABA EC3-10 current by 71.5% and 163.8%, respectively. Total decomposition contribution analysis and point mutation experiment showed that the key binding site between GPR120 and the GABAA receptor is H102, similar to that of the positive drug Diazepam. To further verify GPR120 function at the animal level, locomotor activity and loss of righting reflex (LORR) tests were performed. GPR120 inhibited the locomotor activity of mice, which recovered after 6 h, indicating that GPR120 is a moderate sedative. In the pentobarbital sodium-induced righting reflex hour test, GPR120 (20 mg∙kg-1) significantly shortened the time to start LORR and prolonged its duration compared with the saline control group. In summary, using integrated virtual screening methods, GPR120 was identified as a moderate sedative with a novel scaffold.

Abstract Animal experiments traditionally identify sensitizers in cosmetic materials. However, with growing concerns over animal ethics and bans on such experiments globally, alternative methods like machine learning are gaining prominence for their efficiency and cost‐effectiveness. In this study, to develop a robust sensitizer detector model, we first constructed benchmark data sets using data from previous studies and a public database, then 589 sensitizers and 831 nonsensitizers were collected. In addition, a graph‐based autoencoder and Mondrian conformal prediction (MCP) were combined to build a robust sensitizer detector, iSKIN. In the independent test set, the Matthews correlation coefficient (MCC) and the area under the receiver operating characteristic curve (ROCAUC) values of the iSKIN model without MCP were 0.472 and 0.804, respectively, which are higher than those of the three baseline models. When setting the significance level in MCP at 0.7, the MCC and ROCAUC values of iSKIN could achieve 0.753 and 0.927, respectively. Regrouping experiments proved that the MCP method is robust in the improvement of model performance. Through key structure analysis, seven key substructures in sensitizers were identified to guide cosmetic material design. Notably, long chains with halogen atoms and phenyl groups with two chlorine atoms at ortho‐positions were potential sensitizers. Finally, a user‐friendly web tool ( http://www.iskin.work/ ) of the iSKIN model was deployed to be used by other researchers. In summary, the proposed iSKIN model has achieved state‐of‐the‐art performance so far, which can contribute to the safety evaluation of cosmetic raw materials and provide a reference for the chemical structure design of these materials.

Aging, a risk factor for many diseases, is largely attributable to cell senescence and impaired mitochondrial function. Here, we used connectivity map (CMAP) to predict the anti-aging effects of drugs based on age-related transcriptomic signatures. We found the kinase inhibitor GW8510 can extend lifespan of yeast, and C57BL/6J or ICR mice by 92.18%, 31.9%, and 142.9%, respectively. Mechanistically, GW8510 can ameliorate cellular senescence by enhancing mitochondrial function, decreasing SA-β-gal staining, p21 and SASP marker expression, and rescues age-related histomorphological changes in mouse hippocampus, heart, kidney and liver. The GW8510 mode of action depends on STE20 (yeast PAK1 homolog), and binds to PAK1 with Kd of 0.82 μM. The crystal structure shows that GW8510 binds to the PAK1 ATP binding pocket. Furthermore, inhibition of PAKs can delay the effects of aging in mice. This work provides a valuable resource for mechanistic aging studies and suggests strong clinical potential for GW8510.