Efficient strategies to contain the coronavirus disease 2019 (COVID-19) pandemic are peremptory to relieve the negatively impacted public health and global economy, with the full scope yet to unfold. In the absence of highly effective drugs, vaccines, and abundant medical resources, many measures are used to manage the infection rate and avoid exhausting limited hospital resources. Wearing masks is among the non-pharmaceutical intervention (NPI) measures that could be effectively implemented at a minimum cost and without dramatically disrupting social practices. The mask-wearing guidelines vary significantly across countries. Regardless of the debates in the medical community and the global mask production shortage, more countries and regions are moving forward with recommendations or mandates to wear masks in public. Our study combines mathematical modeling and existing scientific evidence to evaluate the potential impact of the utilization of normal medical masks in public to combat the COVID-19 pandemic. We consider three key factors that contribute to the effectiveness of wearing a quality mask in reducing the transmission risk, including the mask aerosol reduction rate, mask population coverage, and mask availability. We first simulate the impact of these three factors on the virus reproduction number and infection attack rate in a general population. Using the intervened viral transmission route by wearing a mask, we further model the impact of mask-wearing on the epidemic curve with increasing mask awareness and availability. Our study indicates that wearing a face mask can be effectively combined with social distancing to flatten the epidemic curve. Wearing a mask presents a rational way to implement as an NPI to combat COVID-19. We recognize our study provides a projection based only on currently available data and estimates potential probabilities. As such, our model warrants further validation studies.

The clinical diagnosis of new-onset type 1 diabetes has, for many years, been considered relatively straightforward. Recently, however, there is increasing awareness that within this single clinical phenotype exists considerable heterogeneity: disease onset spans the complete age range; genetic susceptibility is complex; rates of progression differ markedly, as does insulin secretory capacity; and complication rates, glycemic control, and therapeutic intervention efficacy vary widely. Mechanistic and immunopathological studies typically show considerable patchiness across subjects, undermining conclusions regarding disease pathways. Without better understanding, type 1 diabetes heterogeneity represents a major barrier both to deciphering pathogenesis and to the translational effort of designing, conducting, and interpreting clinical trials of disease-modifying agents. This realization comes during a period of unprecedented change in clinical medicine, with increasing emphasis on greater individualization and precision. For complex disorders such as type 1 diabetes, the option of maintaining the "single disease" approach appears untenable, as does the notion of individualizing each single patient's care, obliging us to conceptualize type 1 diabetes less in terms of phenotypes (observable characteristics) and more in terms of disease endotypes (underlying biological mechanisms). Here, we provide our view on an approach to dissect heterogeneity in type 1 diabetes. Using lessons from other diseases and the data gathered to date, we aim to delineate a roadmap through which the field can incorporate the endotype concept into laboratory and clinical practice. We predict that such an effort will accelerate the implementation of precision medicine and has the potential for impact on our approach to translational research, trial design, and clinical management.

Purpose Blockchain technology is booming in many industries. Its application in supply chain management is also gradually increasing. Supply chain management (SCM) has long been committed to reducing costs and increasing efficiency and is trying to optimise resources and reduce the sector's fragmentation. Trust has always been an important factor in managing supply chain relationships, and it also affects the efficiency of supply chain operations. To this end, this study aims to examine how trust is affected by the introduction of blockchain technology in construction supply chain management. Design/methodology/approach This study is based on semi-structured interviews and publicly available information from experts in blockchain and construction supply chain management. Through content analysis, the data are analysed thematically to explore how various types of trust, such as system-based, cognition-based and relation-based, are affected by blockchain technology. Findings Blockchain technology provides solutions for data tracking, contracting and transferring resources in supply chain management. These applications help enhance the various sources of trust in SCM and provide supply chain partners with protection mechanisms to avoid the risks and costs of opportunistic behaviour in collaboration, shifting trust from relational to system-based and cognition-based. Research limitations/implications This study focuses only on inter-organisational rather than interpersonal trust and empirical data from experts whose knowledge and cognition could be subjective. Practical implications Leveraging the potential of digitalisation to manage trust requires that leaders and managers actively try to improve contractual arrangements, information sharing and being open to new innovative technologies like blockchain. Social implications From a relational view of supply chain management, the extent to which blockchain technology can develop and spread depends on the readiness of the social capital to accept decentralised governance structures. Originality/value This study builds upon an original data set and discusses features and applications of blockchain technology, explores the sources and dimensions of trust in supply chain management and explains the impact of blockchain technology on trust.

A bstract Latent variable models such as the Variational Auto-Encoders (VAEs) have shown impressive performance for inferring expression patterns for cell subtyping and biomarker identification from transcriptomics data. However, the limited interpretability of their latent variables obscures deriving meaningful biological understanding of cellular responses to different external and internal perturbations. We here propose a novel deep learning framework, EXPORT ( EXP lainable VAE for OR dinally perturbed T ranscriptomics data), for analyzing ordinally perturbed transcriptomics data that can incorporate any biological pathway knowledge in the VAE latent space. With the corresponding pathway-informed decoder, the learned latent expression patterns can be explained as pathway-level responses to perturbations, offering direct interpretability with biological understanding. More importantly, we explicitly model the ordinal nature of many real-world perturbations into the EXPORT framework by training an auxiliary ordinal regressor neural network to capture corresponding expression changes in the VAE latent representations, for example under different dosage levels of radiation exposure. By incorporating ordinal constraints during the training of our proposed framework, we further enhance the model interpretability by guiding the VAE latent space to organize perturbation responses in a hierarchical manner. We demonstrate the utility of the inferred guided latent space for downstream tasks, such as identifying key regulatory pathways associated with specific perturbation changes by analyzing transcriptomics datasets on both bulk and single-cell data. Overall, we envision that our proposed approach can unravel unprecedented biological intricacies in cellular responses to various perturbations while bringing an additional layer of interpretability to biology-inspired deep learning models.

The martensitic transformation in NiTi-based Shape Memory Alloys (SMAs) provides a basis for shape memory effect and superelasticity, thereby enabling applications requiring solid-state actuation and large recoverable shape changes upon mechanical load cycling. In order to tailor the transformation to a particular application, the compositional dependence of properties in NiTi-based SMAs, such as martensitic transformation temperatures and hysteresis, has been exploited. However, the compositional design space is large and complex, and experimental studies are expensive. In this work, we develop an interpretable piecewise linear regression model that predicts the λ2 parameter, a measure of compatibility between austenite and martensite phases, and an (indirect) factor that is well-correlated with martensitic transformation hysteresis, based on the chemical features derived from the alloy composition. The model is capable of predicting, for the first time, the type of martensitic transformation for a given alloy chemistry. The proposed model is validated by experimental data from the literature as well as in-house measurements. The results show that the model can effectively distinguish between B19 and B19′ regions for any given composition in NiTi-based SMAs and accurately estimate the λ2 parameter.

Abstract The phagocytosis and destruction of pathogens in lysosomes constitute central elements of innate immune defense. Here, we show that Brucella , the causative agent of brucellosis, the most prevalent bacterial zoonosis globally, subverts this immune defense pathway by activating regulated IRE1α-dependent decay (RIDD) of mRNAs encoding BLOS1, a protein that promotes endosome-lysosome fusion. RIDD-deficient cells and mice harboring a RIDD-incompetent variant of IRE1α were resistant to infection. Non-functional Blos1 struggled to assemble the BLOC-1-related complex (BORC), resulting in differential recruitment of BORC-related lysosome trafficking components, perinuclear trafficking of Brucella -containing vacuoles (BCVs), and enhanced susceptibility to infection. The RIDD-resistant Blos1 variant maintains the integrity of BORC and a higher-level association of BORC-related components that promote centrifugal lysosome trafficking, resulting in enhanced BCV peripheral trafficking and lysosomal-destruction, and resistance to infection. These findings demonstrate that host RIDD activity on BLOS1 regulates Brucella intracellular parasitism by disrupting BORC-directed lysosomal trafficking. Notably, coronavirus MHV also subverted the RIDD-BLOS1 axis to promote intracellular replication. Our work therefore establishes BLOS1 as a novel immune defense factor whose activity is hijacked by diverse pathogens.

ABSTRACT Advances in bioengineering have enabled numerous bio-based commodities. Yet most traditional approaches do not extend beyond a single metabolic pathway and do not attempt to modify gene regulatory networks in order to buffer metabolic perturbations. This is despite access to near universal technologies allowing genome-scale engineering. To help overcome this limitation, we have developed a pipeline enabling analysis of Transcription Regulation Integrated with MEtabolic Regulation (TRIMER). TRIMER utilizes a Bayesian network (BN) inferred from transcriptomic data to model the transcription factor regulatory network. TRIMER then infers the probabilities of gene states that are of relevance to the metabolism of interest, and predicts metabolic fluxes resulting from deletion of transcription factors at the genome scale. Additionally, we have developed a simulation framework to mimic the TF-regulated metabolic network, capable of generating both gene expression states and metabolic fluxes, thereby providing a fair evaluation platform for benchmarking models and predictions. Here, we present this computational pipeline. We demonstrate TRIMER’s applicability to both simulated and experimental data and show that it outperforms current approaches on both data types.

Spatially resolved transcriptomics has revolutionized genome-scale transcriptomic profiling by providing high-resolution characterization of transcriptional patterns. We here present our spatial transcriptomics analysis framework, MUSTANG (MUlti-sample Spatial Transcriptomics data ANalysis with cross-sample transcriptional similarity Guidance), which is capable of performing multi-sample spatial transcriptomics spot cellular deconvolution by allowing both cross-sample expression based similarity information sharing as well as spatial correlation in gene expression patterns within samples. Experiments on two real-world spatial transcriptomics datasets demonstrate the effectiveness of MUSTANG in revealing biological insights inherent in cellular characterization of tissue samples under the study. MUSTANG is publicly available at at https://github.com/namini94/MUSTANG

ABSTRACT TRIMER, Transcription Regulation Integrated with MEtabolic Regulation, is a genome-scale modeling pipeline targeting at metabolic engineering applications. Using TRIMER, regulated metabolic reactions can be effectively predicted by integrative modeling of metabolic reactions with Transcription Factor (TF)-gene regulatory network (TRN), where the TRN is modeled via Bayesian network (BN). In this paper, we focus on sensitivity analysis of metabolic flux prediction considering potential model uncertainty in TRIMER. We propose a computational strategy to construct the uncertainty class of TRN models based on the inferred regulatory order uncertainty when learning from given transcriptomic expression data and analyze the prediction sensitivity of the TRIMER pipeline for the metabolite yield of interest. The obtained sensitivity analyses can provide a useful guidance for Optimal Experimental Design (OED) to help acquire new data that can enhance TRN modeling and effectively achieve specific metabolic engineering objectives, including metabolite yield alterations. We have performed simulation experiments to demonstrate the effectiveness of our developed sensitivity analysis strategy and its potential to effectively guide OED. ACM Reference Format Puhua Niu, Maria J. Soto, Shuai Huang, Byung-Jun Yoon, Edward R. Dougherty,, Francis J. Alexander, Ian Blaby, Xiaoning Qian. 2018. Sensitivity analysis of genome-scale metabolic flux prediction. In Proceedings of Make sure to enter the correct conference title from your rights confirmation email (CNB-MAC 2022) . ACM, New York, NY, USA, 9 pages. https://doi.org/XXXXXXX.XXXXXXX

Identification of modules in molecular networks is at the core of many current analysis methods in biomedical research. However, how well different approaches identify disease-relevant modules in different types of gene and protein networks remains poorly understood. We launched the “Disease Module Identification DREAM Challenge”, an open competition to comprehensively assess module identification methods across diverse protein-protein interaction, signaling, gene co-expression, homology, and cancer-gene networks. Predicted network modules were tested for association with complex traits and diseases using a unique collection of 180 genome-wide association studies (GWAS). Our critical assessment of 75 contributed module identification methods reveals novel top-performing algorithms, which recover complementary trait-associated modules. We find that most of these modules correspond to core disease-relevant pathways, which often comprise therapeutic targets and correctly prioritize candidate disease genes. This community challenge establishes benchmarks, tools and guidelines for molecular network analysis to study human disease biology ( ).