SUMMARY Spatially resolved transcriptomic technologies are promising tools to study cell fate decisions in a physical microenvironment, which is fundamental for enhancing our knowledge of mammalian development. However, the imbalance between resolution, transcript capture and field of view of current methodologies precludes their systematic application to analyze relatively large and three-dimensional mid- and late-gestation mammalian embryos. Here, we combined DNA nanoball (DNB) patterned arrays and tissue RNA capture to create SpaTial Enhanced REsolution Omics-sequencing (Stereo-seq). This approach allows transcriptomic profiling of large histological sections with high resolution and sensitivity. We have applied Stereo-seq to study the kinetics and directionality of transcriptional variation in a time course of mouse organogenesis. We used this information to gain insight into the molecular basis of regional specification, neuronal migration and differentiation in the developing brain. Furthermore, we mapped the expression of a panel of developmental disease-related loci on our global transcriptomic maps to define the spatiotemporal windows of tissue vulnerability. Our panoramic atlas constitutes an essential resource to investigate longstanding questions concerning normal and abnormal mammalian development.

Abstract Global profile of gene expression at single-cell resolution remains to be determined for primates. Using a recently developed technology (“Stereo-seq”), we have obtained a comprehensive single-cell spatial transcriptome map at the whole-brain level for cynomolgus monkeys, with ∼600 genes per cell for 10 μm-thick coronal sections (up to 15 cm 2 in size). Large-scale single-nucleus RNA-seq analysis for ∼1 million cells helped to identify cell types corresponding to Stereo-seq gene expression profiles, providing a 3-D cell type atlas of the monkey brain. Quantitative analysis of Stereo-seq data revealed molecular fingerprints that mark distinct neocortical layers and subregions, as well as domains within subcortical structures including hippocampus, thalamus, striatum, cerebellum, hypothalamus and claustrum. Striking whole-brain topography and coordinated patterns were found in the expression of genes encoding receptors and transporters for neurotransmitters and neuromodulators. These results pave the way for cellular and molecular understanding of organizing principles of the primate brain.

The feasibility of soil washing for remediating PFAS-contaminated clay soil using various water-organic solvents was systematically investigated based on the combination of batch and column tests. Batch tests using 22 types of solvents highlighted that 0 % (water) and 5 % solvents could effectively extract PFCAs (≤ C9), while long-chain PFCAs (≥ C10) and PFSAs required 80 % solvents for optimal extraction, with efficiency in the order of EtOH ≤ MeOH < Acetonitrile (ACN), suggesting a strong correlation with carbon chain lengths and functional head groups. Column tests with six selected washing solutions indicated rapid desorption of PFOA and PFOS initially, peaking at liquid-to-solid (L/S) ratios of 3-4 for 0 % and 5 % solutions, and at an L/S ratio of 1 for 80 % solutions. To remediate 1 kg-dry soil to meet the legislatively permissible levels for groundwater in Japan (PFOA + PFOS < 50 ng/L), 11 L of 0 % solution (water) or 5 L of 80 % ACN are required for washing out PFOA, while 62 L of 0 % solution (water) or 53 L of 80 % ACN for PFOS. Future research should address the treatment of PFAS-rich wastewater generated from washing PFAS-contaminated soils and the impacts of washing solutions on soil.

Lithium-ion batteries (LIBs) with LiFePO4 cathode are widely used in electric vehicles and energy storage systems owing to their cost-effectiveness and safety. However, this type of LIBs is limited by poor fast-charging capabilities owing to the inherent poor electronic conductivity and one-dimensional ionic pathways. Herein, we show that the approach of temperature-dependence vanadium (V) regulation can greatly improve the Li+ diffusion dynamics both in bulk and at interface, leading to the achievement of ultrafast charging/discharging capability of LiFePO4-based LIBs. The formation of V3+ doping induced Fe-site vacancy in bulk and Li3V2(PO4)3 phase at interface with high ionic conductivity can be achieved at the optimal conditions of 700°C and 0.10 V content. Additionally, this regulatory V effect endows the LiFe1-3/2xVxPO4 (LFVP) materials with a specific multilevel core-shell structure. Consequently, the optimal LFVP-0.10-700 sample delivers high specific capacities of 169.6 mAh g−1 at 0.1 C with an excellent capacity retention of 97.5% after 200 cycles at 1 C, as well as ∼100 mAh g−1 at an ultrahigh rate of 50 C for 3500 cycles. These performances make LiFePO4 cathode possible for extreme fast charging LIBs.

Wild Cervidae(deer and their relatives) play a crucial role in maintaining ecological balance and are integral components of ecosystems. However, factors such as environmental changes and poaching behaviors have resulted in habitat degradation for Cervidae. The protection of wild Cervidae has become urgent, and Cervidae monitoring is one of the key means to ensure the effectiveness of wild Cervidae protection. Object detection algorithms based on deep learning offer promising potential for automatically detecting and identifying animals. However, when those algorithms are used for inference in unseen background environments, there will be a significant decrease in accuracy, especially in the situation that a certain type of Cervidae images are collected from single scene for algorithm training. In this paper, a two-stage localization and classification pipeline for Cervidae monitoring is proposed. The pipeline effectively reduces background interference in Cervidae monitoring and enhances monitoring accuracy. In the first stage, the YOLOv7 network is designed to automatically locate Cervidae in UAV infrared images, while implementing improved bounding box regression through the α-IoU loss function enables the network to locate Cervidae more accurately. Then, Cevdidae objects are extracted to eliminate the background information. In the second stage, a classification network named CA-Hybrid, based on Convolutional Neural Networks(CNN) and Vision Transformer(ViT), as well as Channel Attention Mechanism(CAM) enhances the expression of key features, is constructed to accurately identify Cervidae categories. Experimental results indicate that this method achieves an Average Precision (AP) of 95.9% for Cervidae location and a top-1 accuracy of 77.73% for Cervidae identification. This research contributes to a more comprehensive and accurate monitoring of wild Cervidae, and provides valuable references for subsequent UAV-based wildlife monitoring.

Background The increasing body of evidence has been stimulating the application of artificial intelligence (AI) in precision medicine research for lung cancer. This trend necessitates a comprehensive overview of the growing number of publications to facilitate researchers’ understanding of this field. Method The bibliometric data for the current analysis was extracted from the Web of Science Core Collection database, CiteSpace, VOSviewer ,and an online website were applied to the analysis. Results After the data were filtered, this search yielded 4062 manuscripts. And 92.27% of the papers were published from 2014 onwards. The main contributing countries were China, the United States, India, Japan, and Korea. These publications were mainly published in the following scientific disciplines, including Radiology Nuclear Medicine, Medical Imaging, Oncology, and Computer Science Notably, Li Weimin and Aerts Hugo J. W. L. stand out as leading authorities in this domain. In the keyword co-occurrence and co-citation cluster analysis of the publication, the knowledge base was divided into four clusters that are more easily understood, including screening, diagnosis, treatment, and prognosis. Conclusion This bibliometric study reveals deep learning frameworks and AI-based radiomics are receiving attention. High-quality and standardized data have the potential to revolutionize lung cancer screening and diagnosis in the era of precision medicine. However, the importance of high-quality clinical datasets, the development of new and combined AI models, and their consistent assessment for advancing research on AI applications in lung cancer are highlighted before current research can be effectively applied in clinical practice.