Discovering hidden pattern from imbalanced data is a critical issue in various real-world applications. Existing classification methods usually suffer from the limitation of data especially for minority classes, and result in unstable prediction and low performance. In this paper, a deep generative classifier is proposed to mitigate this issue via both model perturbation and data perturbation. Specially, the proposed generative classifier is derived from a deep latent variable model where two variables are involved. One variable is to capture the essential information of the original data, denoted as latent codes, which are represented by a probability distribution rather than a single fixed value. The learnt distribution aims to enforce the uncertainty of model and implement model perturbation, thus, lead to stable predictions. The other variable is a prior to latent codes so that the codes are restricted to lie on components in Gaussian Mixture Model. As a confounder affecting generative processes of data (feature/label), the latent variables are supposed to capture the discriminative latent distribution and implement data perturbation. Extensive experiments have been conducted on widely-used real imbalanced image datasets. Experimental results demonstrate the superiority of our proposed model by comparing with popular imbalanced classification baselines on imbalance classification task.

ABSTRACT The screening of new anti-mycobacterial chemicals is primarily focused on inhibiting the active growing bacteria. However, a major challenge in tuberculosis control is the ability of Mycobacterium tuberculosis to enter a nonreplicating state for extended periods, rendering it resistant to many clinical drugs and complicating eradication efforts. Existing low-oxygen-recovery assays designed for screening compounds targeting nonreplicating M. tuberculosis have limitations, including the colony-forming unit counting for non-luminous M. tuberculosis and the instability of the free plasmid carrying luxAB genes in luminescent M. tuberculosis , along with exogenous substrate requirements for light producing. Moreover, these assays fail to accurately replicate the growth conditions of nonreplicating M. tuberculosis in vitro , thus resulting in less convincing results. To address these challenges, we have developed an autoluminescence-based, cholesterol-enriched culture evaluation model to assess 17 anti-tuberculosis drugs of different classes against nonreplicating M. tuberculosis . Our findings indicate that the relative light unit, measured in real-time, serves as a reliable surrogate marker for colony-forming unit, which typically becomes available one month later. This suggests the utility of our model for the rapid determination of drug susceptibility dynamically. The autoluminescent M. tuberculosis , harbouring luxCDABE gene cluster within its genome, can emit blue-green light stably and autonomously without requiring an external substrate supplement. The minimal inhibitory concentrations of all the drugs tested under anaerobic conditions are significantly different from that detected in aerobic environment. Our model allows for rapid, precise, and efficient assessment of drug activity under anaerobic conditions, thereby enabling a more comprehensive evaluation of anti-mycobacterial efficacy. Overall, our model represents a significant advancement in anti-tuberculosis drug discovery and pharmaceutical development.

Abstract Chronic stress and chronic pain are two major predisposing factors to trigger depression. Enhanced excitatory input to the lateral habenula (LHb) has been implicated in the pathophysiology of depression. However, the contribution of inhibitory transmission remains elusive. Here, we dissect an inhibitory projection from the sensory thalamic reticular nucleus (sTRN) to LHb, which is activated by acute aversive stimuli. However, chronic restraint stress (CRS) weakens sTRN-LHb synaptic strength, and this synaptic attenuation is indispensable for CRS-induced LHb neural hyperactivity and depression onset. Moreover, artificially inhibiting sTRN-LHb circuit induces depressive-like behaviors in healthy mice, while enhancing this circuit relieves depression induced by both chronic stress and chronic pain. Intriguingly, neither neuropathic pain nor comorbid pain in chronic stress is affected by this pathway. Together, our study demonstrates a novel sTRN-LHb circuit in establishing and modulating depression, thus shedding light on potential therapeutic targets for preventing or managing depression.

Abstract Gliomas, with their intricate and aggressive nature, call for a detailed visualization of their vasculature. While many studies lean towards 2D imaging of thin sections, this method often overlooks the full spatial heterogeneity inherent to tumors. To overcome this limitation, our study melded state-of-the-art techniques, encompassing tissue clearing technology, 3D confocal microscopy imaging, and deep learning-aided vessel extraction, resulting in a comprehensive 3D visualization of glioma vasculature in intact human tissue. Specifically, we treated formalin-fixed thick human glioma tissue sections (500 μ m) with OPTIClear for transparency and subsequently performed immunofluorescent labeling using CD31. Using confocal microscopy, we obtained 3D images of the glioma vasculature. For vessel extraction, we employed a specialized 3D U-Net, enriched with image preprocessing and post-processing methods, and benchmarked its performance against the Imaris software. Our findings indicated that OPTIClear-enabled tissue clearing yielded a holistic 3D representation of immunolabeled vessels in clinical human glioma samples. Impressively, our deep learning technique outshined the traditional Imaris approach in terms of accuracy and efficiency in vessel extraction. Further, discernible variations in vascular metrics, such as mean diameter, branching point count, and volume ratio, were observed between low-grade and high-grade gliomas. In essence, our innovative blend of tissue clearing and deep learning not only enables enhanced 3D visualization of human glioma vasculature but also underscores morphological disparities across glioma grades, potentially influencing pathological grading, therapeutic strategies, and prognostic evaluations.

Drug-resistant strains of Mycobacterium tuberculosis are a major global health problem. Resistance to the front-line antibiotic isoniazid is often associated with mutations in the katG encoded bifunctional catalase-peroxidase. We hypothesised that perturbed KatG activity would generate collateral vulnerabilities in INH-resistant katG mutants, providing new pathways to combat isoniazid resistance. Here, we used whole genome CRISPRi screens, transcriptomics, and metabolomics to generate a genome-wide map of cellular vulnerabilities in a M. tuberculosis katG mutant. We discovered that metabolic and transcriptional remodelling compensates for the loss of KatG but in doing so generates vulnerabilities in ribosome biogenesis, and nucleotide and amino acid metabolism. These vulnerabilities were more sensitive to inhibition in an isoniazid-resistant katG mutant under in vitro and host-relevant conditions and translated to clinical populations. These findings provide an experimental framework for developing novel strategies to combat antimicrobial resistance in M. tuberculosis and other bacterial pathogens.

SPOCK1 is highly expressed in many types of cancer, which has been recognized as a promoter of cancer progression, while its regulatory mechanism remains to be clear in breast cancer (BC). This study aimed to explore the precise function of SPOCK1 in BC progression and the mechanism by which SPOCK1 was involved in cell proliferation and epithelial-mesenchymal transition (EMT). Immunohistochemistry (IHC) and database analysis displayed that high expression of SPOCK1 was positively associated with histological grade, lymph node metastasis (LN) and poor clinical prognosis in BC. A series of assays both in vitro and in vivo elucidated that altering SPOCK1 level led to distinctly changes in BC cell proliferation and metastasis. Investigations of potential mechanisms revealed that SPOCK1 interacted with SIX1 could enhance cell proliferation, cell cycle and EMT process by activating the AKT/mTOR pathway, whereas inhibition of AKT/mTOR pathway or depletion of SIX1 reversed the effects of SPOCK1 overexpression. Furthermore, SPOCK1 and SIX1 were highly expressed in BC and might indicate poor prognoses. Altogether, SPOCK1/SIX1 promoted BC progression by activating AKT/mTOR pathway to accelerate cell proliferation and metastasis in BC, and SPOCK1/SIX1 might be promising clinical therapeutic targets to prevent BC progression.

Human cytomegalovirus (HCMV) is a clinically significant herpesvirus and a paradigm for pathogen-mediated immune-evasion. Its broad tropism includes antigen-presenting cells such as dendritic cells (DCs), which may partly explain a unique, dramatic imprint on host immunity that occurs following lifelong carriage. Despite this breadth of infection, most studies use fibroblasts as a model. We therefore developed systems to isolate pure populations of DCs infected with wild-type HCMV, before applying quantitative temporal proteomic technologies to systematically characterise the virus:DC interaction within cells and at the cell surface. This comprehensive dataset quantifying almost 9,000 proteins throughout the infection timecourse revealed multiple DC-specific viral:host effects, including key impacts on innate, intrinsic, and adaptive immunity. These effects included observations that APOBEC3A is downregulated in infected cells and restricts HCMV infection in ex vivo DCs, delaying the progression of lytic infection, and that cell surface ICOS-Ligand was downregulated by the viral genes US16 and US20, inhibiting the induction of adaptive immunity.

Data augmentation is an effective technique for imbalance classification. However, it still suffers from two key issues. Firstly, data augmentation and classifier construction are performed separately, where classifier construction may not benefit from the augmentation strategies. Secondly, low variations in generated instances may lead to overfitting problem. In this paper, an Adversarial Imbalance Classification method with Class-specific Diverse Instance Generation is proposed (AICIG). It is a framework that unifies adversarial classifier construction and class-specific diverse instance generation, where these two stages enforce each other seamlessly. Concretely, a specially designed adversarial classifier drives the generation of class-specific instances by class-specific adversarial process. Meanwhile, the distribution of latent variables is assumed to be a Gaussian mixture, which enables to generate diverse instances with limited data. With augmented class-specific and diverse instances, the adversarial classifier can obtain better generalization performance. We conduct experiments on four widely-used imbalanced image datasets and compare them with the state-of-the-art methods. The experimental results exhibit that our method can effectively prevent overfitting and obtain better performance on imbalance classification tasks.

Icon is an important element in human-computer interaction, and icon style is the most intuitive visual expression of icon design. Aiming at the problem of material classification in the icon style design process, this paper proposes an icon style recognition method based on deep learning. This paper first established the icon style dataset, and then used Visual Geometry Group Network (VGGNet), AlexNet and self-built neural network for training. The results show that the accuracy of the trained icon style recognition model is up to 100%. In addition, convolved features were visualized for explaining the recognition progress. This method can help designers quickly collect and filter a large number of icons of the same type, sequentially improving and accelerating the icon design process.