Although short-term plasticity is believed to play a fundamental role in cortical computation, empirical evidence bearing on its role during behavior is scarce. Here we looked for the signature of short-term plasticity in the fine-timescale spiking relationships of a simultaneously recorded population of physiologically identified pyramidal cells and interneurons, in the medial prefrontal cortex of the rat, in a working memory task. On broader timescales, sequentially organized and transiently active neurons reliably differentiated between different trajectories of the rat in the maze. On finer timescales, putative monosynaptic interactions reflected short-term plasticity in their dynamic and predictable modulation across various aspects of the task, beyond a statistical accounting for the effect of the neurons' co-varying firing rates. Seeking potential mechanisms for such effects, we found evidence for both firing pattern-dependent facilitation and depression, as well as for a supralinear effect of presynaptic coincidence on the firing of postsynaptic targets.

Abstract We introduce the AusTraits database - a compilation of measurements of plant traits for taxa in the Australian flora (hereafter AusTraits). AusTraits synthesises data on 375 traits across 29230 taxa from field campaigns, published literature, taxonomic monographs, and individual taxa descriptions. Traits vary in scope from physiological measures of performance (e.g. photosynthetic gas exchange, water-use efficiency) to morphological parameters (e.g. leaf area, seed mass, plant height) which link to aspects of ecological variation. AusTraits contains curated and harmonised individual-, species- and genus-level observations coupled to, where available, contextual information on site properties. This data descriptor provides information on version 2.1.0 of AusTraits which contains data for 937243 trait-by-taxa combinations. We envision AusTraits as an ongoing collaborative initiative for easily archiving and sharing trait data to increase our collective understanding of the Australian flora.

Abstract This review explores the potential of genetically engineering cyanobacteria with the aim of synthesizing high‐value protein directly from atmospheric nitrogen. The article examines numerous techniques that may enhance protein synthesis in cyanobacteria, and discusses advantages, barriers, and opportunities for this strategy going forward. Genetic manipulation of cyanobacteria shows promise in sustainably raising protein production via reduced greenhouse gas emissions and lower dependence on synthetic fertilizers, but also potentially fewer environmental implications traditionally caused by conventional protein production methods. The article uncovers many difficulties in genetically modifying cyanobacteria for protein production. For example, genetically modified organisms (GMOs) have legal and regulatory ramifications that must be accounted for if ethical, moral and secure use of these technologies is to be ensured. Economic viability, too, must be evaluated, taking into consideration production costs, scalability, market demand and future market potential. We suggest that processing of cyanobacterial proteins in downstream stages need further development. Effective and economical methods are needed for protein extraction, purification, and formulation into commercially viable products. For successful application of cyanobacterial protein production at scale, such obstacles must be overcome. We conclude that genetic engineering of cyanobacteria for protein synthesis has a great deal of potential to offer a resource‐effective and sustainable replacement for the synthesis of high‐value proteins, so promoting a more sustainable and environmentally conscious future.

Abstract A major effect of environment on crops is through crop phenology, and therefore, the capacity to predict phenology for new environments is important. Mechanistic crop models are a major tool for such predictions, but calibration of crop phenology models is difficult and there is no consensus on the best approach. Here we propose an original, detailed approach, a protocol, for calibration of such models. The protocol covers all the steps in the calibration work-flow, namely choice of default parameter values, choice of objective function, choice of parameters to estimate from the data, calculation of optimal parameter values and diagnostics. The major innovation is in the choice of which parameters to estimate from the data, which combines expert knowledge and data-based model selection. First, almost additive parameters are identified and estimated. This should make bias (average difference between observed and simulated values) nearly zero. These are “obligatory” parameters, that will definitely be estimated. Then candidate parameters are identified, which are parameters likely to explain the remaining discrepancies between simulated and observed values. A candidate is only added to the list of parameters to estimate if it leads to a reduction in BIC (Bayesian Information Criterion), which is a model selection criterion. A second original aspect of the protocol is the specification of documentation for each stage of the protocol. The protocol was applied by 19 modeling teams to three data sets for wheat phenology. All teams first calibrated their model using their “usual” calibration approach, so it was possible to compare usual and protocol calibration. Evaluation of prediction error was based on data from sites and years not represented in the training data. Compared to usual calibration, calibration following the new protocol reduced the variability between modeling teams by 22% and significantly reduced prediction error.

Abstract This study proposes a stochastic method to analyse the propagation of hydraulic fractures affected by layered heterogeneity in rocks in a toughness-dominated regime. The study utilises the phase-field method in the context of two-dimensional finite element analysis to model the hydraulic fracture (HF) propagation in rock materials in laboratory scale. Field data on hydrogeologic properties of some rocks reveal that material heterogeneity may appear in the form of leptokurtic marginal distributions. Generalised sub-Gaussian (GSG) model is capable of capturing physical characteristics of such rocks, and it is employed to stochastically model rocks with layered lithologic heterogeneity by generating a large number of auto- and cross-correlated random fields for hydro-geomechanical properties. To investigate the sensitivity of the cracking response to the inherent characteristics of material heterogeneity, various GSG distribution forms are considered in Monte Carlo (MC) analyses. The HF’s deviation from the theoretically predicted direction, which is perpendicular to the direction of the minimum in situ stress, is correlated with the distribution of hydro-geomechanical properties, showing a Gaussian-type distribution. This study concludes that the differential stress and the bedding orientation are the main factors affecting the HF deviation and the required breakdown pressure for initiating the HF propagation from a borehole. In the application of directional hydraulic fracturing (DHF), the effect of bedding layers becomes dominant when the bedding orientation is aligned with the direction of perforations in the boreholes.

Abstract Advances in device development have enabled concurrent stimulation and recording at adjacent locations in the central nervous system. However, stimulation artifacts obscure the sensed underlying neural activity. Here, we developed a novel method, termed Period-based Artifact Reconstruction and Removal Method (PARRM), to remove stimulation artifacts from neural recordings by leveraging the exact period of stimulation to construct and subtract a high-fidelity template of the artifact. Benchtop saline experiments, computational simulations, five unique in vivo paradigms across animal and human studies, and an obscured movement biomarker were used for validation. Performance was found to exceed that of state-of-the-art filters in recovering complex signals without introducing contamination. PARRM has several advantages: it is 1) superior in signal recovery; 2) easily adaptable to several neurostimulation paradigms; and 3) low-complexity for future on-device implementation. Real-time artifact removal via PARRM will enable unbiased exploration and detection of neural biomarkers to enhance efficacy of closed-loop therapies. Summary Online, real-time artifact removal via PARRM will enable unbiased exploration of neural biomarkers previously obscured by stimulation artifact.

Drought is projected to intensify under warming climate and will continuously threaten global food security. Assessing the risk of yield loss due to drought is key to developing effective agronomic options for farmers and policymakers. However, little has been known about determining the likelihood of reduced crop yield under different drought conditions and defining thresholds that trigger yield loss at the regional scale in Australia. Here, we estimated the dependence of yield variation on drought conditions and identified drought thresholds for 12 Australia's key wheat producing regions with historical yield data by developing bivariate models based on copula functions. These identified drought thresholds were used to investigate drought statistics under climate change with an ensemble of 36 climate models from Coupled Model Intercomparison Project Phase 6 (CMIP6). We found that drought-induced yield loss was region-specific. The drought thresholds leading to the same magnitude of wheat yield reduction were smaller in regions of southern Queensland and larger in Western Australia mainly due to different climate and soil conditions. Drought will be more frequent and affect larger areas under future warming climates. Based on our results, we advocate for more effective crop management options, particularly in regions where wheat yield is vulnerable to drought in Australia. This will mitigate potential drought impacts on crop production and safeguard global food security.

Abstract Crop phenology has a major influence on crop yield and is a major aspect of crop response to global warming. Process-based models of phenology are often used to predict the effect of weather on the development rate of crops through their growth phases, but such models are associated with large uncertainties, as demonstrated by the large variability between simulation results of different models. The purpose of this study is to estimate the relative importance of model structure uncertainty (due to uncertainty in the model equations) and model parameter uncertainty. Previous studies have assumed that the choice of model parameters to be fitted to data is fixed, and have evaluated the effect of uncertainty in those parameters. This underestimates parameter variance, as it ignores uncertainty in many aspects of the calibration approach, in particular the choice of parameters to estimate, as well as uncertainty in the parameters not fitted by calibration. Here, we propose and apply two approaches for estimating parameter variance that take into account uncertainty in all aspects of calibration, and, for one approach, uncertainty in parameters not fitted by calibration. Both approaches are based on previously reported large multi-model studies. The first approach uses components of variance analysis, which is possible because these studies included different modeling groups using the same model structure. The second approach is based on a study where multiple modeling groups each applied two different calibration procedures. The variance calculated from the two calibration approaches gives an estimate of parameter variance. Both methods give an overall result of 69% of total variance coming from parameter variance, for those simulated variables for which there are observed data. We conclude that in order to reduce uncertainty in crop phenology predictions, improving and sharing calibration procedures is as or more important than improving model structure.

Soybean-based rotations have long proven beneficial for increasing subsequent crop productivity and nitrogen (N) use efficiency (NUE) under low chemical N inputs. Despite this, importance of soil microbial community and enzymes in N cycling processes has not been well investigated. As well, optimal fertilizer-N that achieve high yield and NUE with low GHG emissions remain uncertain, as perceived "optimal" fertilization varies widely across agroclimatic regions, seasons and production systems. Here, our systematic review indicated that soybean-based rotations mitigate soil-borne diseases, such as cyst nematodes, and thus contribute to increased soybean yield. We show that soybean roots produce large amounts of root exudates, which are conducive to formation of soil macroaggregates and carbon accumulation, enhancing soil health and productivity of gramineous crops. Biological N fixation (BNF) and rhizosphere N deposition of soybean crops together evoke high soil N content and low C:N ratio. We found that soybean-based rotations significantly alleviated acidification and positively influenced soil microbial activities and enzyme activities, reducing N2O and CO2 emissions. Our study demonstrates that reduced fertilizer N inputs catalyse greater BNF and pre-crop effects of soybean in rotations. We provide compelling dialogue that underlines the biological, environmental and economic implications of soybean crops for long term sustainability in farming systems.