For offering proactive services (e.g., personalized exercise recommendation) to the students in computer supported intelligent education, one of the fundamental tasks is predicting student performance (e.g., scores) on future exercises, where it is necessary to track the change of each student's knowledge acquisition during her exercising activities. Unfortunately, to the best of our knowledge, existing approaches can only exploit the exercising records of students, and the problem of extracting rich information existed in the materials (e.g., knowledge concepts, exercise content) of exercises to achieve both more precise prediction of student performance and more interpretable analysis of knowledge acquisition remains underexplored. To this end, in this paper, we present a holistic study of student performance prediction. To directly achieve the primary goal of performance prediction, we first propose a general Exercise-Enhanced Recurrent Neural Network (EERNN) framework by exploring both student's exercising records and the text content of corresponding exercises. In EERNN, we simply summarize each student's state into an integrated vector and trace it with a recurrent neural network, where we design a bidirectional LSTM to learn the encoding of each exercise from its content. For making final predictions, we design two implementations on the basis of EERNN with different prediction strategies, i.e., EERNNM with Markov property and EERNNA with Attention mechanism. Then, to explicitly track student's knowledge acquisition on multiple knowledge concepts, we extend EERNN to an explainable Exercise-aware Knowledge Tracing (EKT) framework by incorporating the knowledge concept information, where the student's integrated state vector is now extended to a knowledge state matrix. In EKT, we further develop a memory network for quantifying how much each exercise can affect the mastery of students on multiple knowledge concepts during the exercising process. Finally, we conduct extensive experiments and evaluate both EERNN and EKT frameworks on a large-scale real-world data. The results in both general and cold-start scenarios clearly demonstrate the effectiveness of two frameworks in student performance prediction as well as the superior interpretability of EKT.

The global spread of SARS-CoV-2 is posing major public health challenges. One feature of SARS-CoV-2 spike protein is the insertion of multi-basic residues at the S1/S2 subunit cleavage site. Here, we find that the virus with intact spike (Sfull) preferentially enters cells via fusion at the plasma membrane, whereas a clone (Sdel) with deletion disrupting the multi-basic S1/S2 site utilizes an endosomal entry pathway. Using Sdel as model, we perform a genome-wide CRISPR screen and identify several endosomal entry-specific regulators. Experimental validation of hits from the CRISPR screen shows that host factors regulating the surface expression of angiotensin-converting enzyme 2 (ACE2) affect entry of Sfull virus. Animal-to-animal transmission with the Sdel virus is reduced compared to Sfull in the hamster model. These findings highlight the critical role of the S1/S2 boundary of SARS-CoV-2 spike protein in modulating virus entry and transmission and provide insights into entry of coronaviruses.

In online education systems, for offering proactive services to students (e.g., personalized exercise recommendation), a crucial demand is to predict student performance (e.g., scores) on future exercising activities. Existing prediction methods mainly exploit the historical exercising records of students, where each exercise is usually represented as the manually labeled knowledge concepts, and the richer information contained in the text description of exercises is still underexplored. In this paper, we propose a novel Exercise-Enhanced Recurrent Neural Network (EERNN) framework for student performance prediction by taking full advantage of both student exercising records and the text of each exercise. Specifically, for modeling the student exercising process, we first design a bidirectional LSTM to learn each exercise representation from its text description without any expertise and information loss. Then, we propose a new LSTM architecture to trace student states (i.e., knowledge states) in their sequential exercising process with the combination of exercise representations. For making final predictions, we design two strategies under EERNN, i.e., EERNNM with Markov property and EERNNA with Attention mechanism. Extensive experiments on large-scale real-world data clearly demonstrate the effectiveness of EERNN framework. Moreover, by incorporating the exercise correlations, EERNN can well deal with the cold start problems from both student and exercise perspectives.

Abstract The SARS-CoV-2 virus is the causal agent of the ongoing pandemic of coronavirus disease 2019 (COVID-19). There is an urgent need for potent, specific antiviral compounds against SARS-CoV-2. The 3C-like protease (3CLpro) is an essential enzyme for the replication of SARS-CoV-2 and other coronaviruses, and thus is a target for coronavirus drug discovery. Nearly all inhibitors of coronavirus 3CLpro reported so far are covalent inhibitors. Here, we report the development of specific, non-covalent inhibitors of 3CLpro. The most potent one, WU-04, effectively blocks SARS-CoV-2 replications in human cells with EC 50 values in the 10-nM range. WU-04 also inhibits the 3CLpro of SARS-CoV and MERS-CoV with high potency, indicating that it is a pan-inhibitor of coronavirus 3CLpro. WU-04 showed anti-SARS-CoV-2 activity similar to that of PF-07321332 (Nirmatrelvir) in K18-hACE2 mice when the same dose was administered orally. Thus, WU-04 is a promising drug candidate for coronavirus treatment. One-Sentence Summary A oral non-covalent inhibitor of 3C-like protease effectively inhibits SARS-CoV-2 replication.

SUMMARY The global spread of SARS-CoV-2 is posing major public health challenges. One unique feature of SARS-CoV-2 spike protein is the insertion of multi-basic residues at the S1/S2 subunit cleavage site, the function of which remains uncertain. We found that the virus with intact spike (Sfull) preferentially enters cells via fusion at the plasma membrane, whereas a clone (Sdel) with deletion disrupting the multi-basic S1/S2 site instead utilizes a less efficient endosomal entry pathway. This idea was supported by the identification of a suite of endosomal entry factors specific to Sdel virus by a genome-wide CRISPR-Cas9 screen. A panel of host factors regulating the surface expression of ACE2 was identified for both viruses. Using a hamster model, animal-to-animal transmission with the Sdel virus was almost completely abrogated, unlike with Sfull. These findings highlight the critical role of the S1/S2 boundary of the SARS-CoV-2 spike protein in modulating virus entry and transmission.

Plantago depressa is a well-known edible and medicinal plant, characterized by its high health-promoting properties and nutritional value, and therefore possesses substantial untapped development potential. This study aimed to purify phenolic compounds from P. depressa using macroporous resins. Among the eight resins tested, NKA-II resin emerged as the most effective for the purification of total phenolics from P. depressa (PDTP). Adsorption characteristics were investigated, revealing that the pseudo-second-order kinetic model and Langmuir isotherm model best described the adsorption. The adsorption process was determined to be spontaneous and exothermic, characterized predominantly by physisorption mechanisms. Subsequently, the chromatographic process was optimized for the efficient purification of PDTP. After purification, the purity of PDTP increased from 18.72 ± 1.06% to 71.85 ± 1.43%, and the contents of six main phenolics (chlorogenic acid, 4-hydroxybenzoic acid, caffeic acid, plantamajoside, verbascoside, and luteolin 7-O-glucoside) were quantified simultaneously by UPLC-TQ-MS/MS and increased by 2.5- to 5.0-fold. Moreover, the purification process significantly enhanced the antioxidant and antiproliferative activities of the PDTP extracts. Therefore, the chromatographic method utilizing NKA-II resin shows promising potential for the purification of PDTP, offering valuable applications within the food and pharmaceutical sectors.

Early screening and detection of lung cancer is essential for the diagnosis and prognosis of the disease. In this paper, we investigated the feasibility of serum Raman spectroscopy for rapid lung cancer screening.