# Using Networks to Seed Hierarchical Whole-cell Models of Cancer

> **NIH NIH U54** · UNIVERSITY OF CALIFORNIA, SAN FRANCISCO · 2021 · $264,128

## Abstract

PROJECT 3: USING NETWORKS TO SEED HIERARCHICAL WHOLE­CELL 
MODELS OF CANCER 
SUMMARY 
Knowledge of cell biology is often modeled in the form of molecular networks (aka interaction maps), consisting 
of  sets  of  gene­gene  or  protein­protein  pairwise  interactions.  In  reality,  however,  biological  systems  are  not 
simply  one  large  protein  network,  but  consist  of  a  deep  and  dynamic  hierarchy  of  biological  subsystems 
ranging across biological scales. Here, we move beyond basic interaction maps of cancer to instead use the 
molecular interaction data to directly infer hierarchical structure/function models of the cancer cell. These plans 
are  enabled  by  a  computational  framework  called  Network­Extracted  Ontologies  (NeXO),  which  we  have 
recently  shown  is  able  to  capture  and  substantially  extend  the  known  hierarchy  of  cellular  components  and 
processes recorded by pathway databases such as the Gene Ontology (GO). First (​Aim 1​), we will analyze the 
growing  data  on  molecular  networks  to  infer  a  Cancer  Gene  Ontology,  representing  a  comprehensive, 
hierarchical  description  of  the  molecular  complexes  and  pathways  important  for  cancer.  This  hierarchical 
structure will be developed using the protein­protein interaction data generated in ​Project 1​, backstopped by 
public network data; it will provide an objective definition of a cancer cell by systematically identifying its protein 
modules and their interrelationships. We will next use this descriptive hierarchy to seed predictive whole­cell 
models of cancer (​Aim 2​). Using the tools of deep neural networks, genetic logic will be embedded onto each 
complex/pathway  in  the  cell  hierarchical  structure  to  model  how  perturbations  to  this  structure  give  rise  to 
cancer  phenotypes.  The  neural  network  structure  will  be  set  exactly  to  that  of  the  Cancer  Gene  Ontology 
assembled in ​Aim 1​; we will then train this neural network to translate perturbations by gene mutations and 
drugs  into  predictions  of  cancer  cell  viability,  as  will  be  systematically  measured  in  ​Project  2​.  Finally,  this 
hierarchical  model  will  be  validated  and  revised  by  applying  it  to  predict  therapeutic  responses  in 
patient­derived xenografts of head and neck and breast tumors as well as in human breast tumors from the 
I­SPY  2  trial  (​Aim  3​).  Through  execution  of  these  aims,  we  will  endeavor  to  substantially  advance  our 
knowledge of the structural and functional hierarchy of molecular pathways that underlie cancer. This hierarchy 
will be not only descriptive but also predictive, connecting basic knowledge of cancer pathways to a framework 
for using this knowledge in precision medicine.

## Key facts

- **NIH application ID:** 10142447
- **Project number:** 5U54CA209891-05
- **Recipient organization:** UNIVERSITY OF CALIFORNIA, SAN FRANCISCO
- **Principal Investigator:** Trey Ideker
- **Activity code:** U54 (R01, R21, SBIR, etc.)
- **Funding institute:** NIH
- **Fiscal year:** 2021
- **Award amount:** $264,128
- **Award type:** 5
- **Project period:** 2017-05-11 → 2022-04-30

## Primary source

NIH RePORTER: https://reporter.nih.gov/project-details/10142447

## Citation

> US National Institutes of Health, RePORTER application 10142447, Using Networks to Seed Hierarchical Whole-cell Models of Cancer (5U54CA209891-05). Retrieved via AI Analytics 2026-05-23 from https://api.ai-analytics.org/grant/nih/10142447. Licensed CC0.

---

*[NIH grants dataset](/datasets/nih-grants) · CC0 1.0*