Two-dimensional (2D) materials provide extraordinary opportunities for exploring phenomena arising in atomically thin crystals. Beginning with the first isolation of graphene, mechanical exfoliation has been a key to provide high-quality 2D materials but despite improvements it is still limited in yield, lateral size and contamination. Here we introduce a contamination-free, one-step and universal Au-assisted mechanical exfoliation method and demonstrate its effectiveness by isolating 40 types of single-crystalline monolayers, including elemental 2D crystals, metal-dichalcogenides, magnets and superconductors. Most of them are of millimeter-size and high-quality, as shown by transfer-free measurements of electron microscopy, photo spectroscopies and electrical transport. Large suspended 2D crystals and heterojunctions were also prepared with high-yield. Enhanced adhesion between the crystals and the substrates enables such efficient exfoliation, for which we identify a common rule that underpins a universal route for producing large-area monolayers and thus supports studies of fundamental properties and potential application of 2D materials.

Contemporary science is witnessing a rapid expansion of the two-dimensional (2D) materials family, each member possessing intriguing emergent properties of fundamental and practical importance. Using the particle-swarm optimization method in combination with first-principles density functional theory calculations, here we predict a new category of 2D monolayers named tellurene, composed of the metalloid element Te, with stable 1T-MoS_{2}-like (α-Te), and metastable tetragonal (β-Te) and 2H-MoS_{2}-like (γ-Te) structures. The underlying formation mechanism is inherently rooted in the multivalent nature of Te, with the central-layer Te behaving more metal-like (e.g., Mo), and the two outer layers more semiconductorlike (e.g., S). We also show that the α-Te phase can be spontaneously obtained from the magic thicknesses divisible by three layers truncated along the [001] direction of the trigonal structure of bulk Te, and both the α- and β-Te phases possess electron and hole mobilities much higher than MoS_{2}. Furthermore, we present preliminary but convincing experimental evidence for the layering behavior of Te on HOPG substrates, and predict the importance of multivalency in the layering behavior of Se. These findings effectively extend the realm of 2D materials to group-VI elements.

Abstract Beyond detecting brain lesions or tumors, comparatively little success has been attained in identifying brain disorders such as Alzheimer’s disease (AD), based on magnetic resonance imaging (MRI). Many machine learning algorithms to detect AD have been trained using limited training data, meaning they often generalize poorly when applied to scans from previously unseen populations. Therefore, we built a practical brain MRI-based AD diagnostic classifier using deep learning/transfer learning on a dataset of unprecedented size and diversity. A retrospective MRI dataset pooled from more than 217 sites/scanners constituted one of the largest brain MRI samples to date (85,721 scans from 50,876 participants) between January 2017 and August 2021. Next, a state-of-the-art deep convolutional neural network, Inception-ResNet-V2, was built as a sex classifier with high generalization capability. The sex classifier achieved 94.9% accuracy and served as a base model in transfer learning for the objective diagnosis of AD. After transfer learning, the model fine-tuned for AD classification achieved 90.9% accuracy in leave-sites-out cross-validation on the Alzheimer’s Disease Neuroimaging Initiative (ADNI, 6,857 samples) dataset and 94.5%/93.6%/91.1% accuracy for direct tests on three unseen independent datasets (AIBL, 669 samples / MIRIAD, 644 samples / OASIS, 1,123 samples). When this AD classifier was tested on brain images from unseen mild cognitive impairment (MCI) patients, MCI patients who converted to AD were 3 times more likely to be predicted as AD than MCI patients who did not convert (65.2% vs 20.6%). Predicted scores from the AD classifier showed significant correlations with illness severity. In sum, the proposed AD classifier offers a medical-grade marker that has potential to be integrated into AD diagnostic practice.

Rumination is a repetitive self-referential thinking style and posited to be an expression of abnormalities in the default mode network (DMN) in major depressive disorder (MDD). Recent evidences indicate DMN is not a unitary network but can be further divided into 3 functionally heterogenous subsystems. However, the subsystem mechanism through which DMN underlie rumination remain unclear. Here, with a modified continuous state-like paradigm, we induced healthy participants to ruminate or imagine objective scenarios (as a distraction control condition) on 3 different MRI scanners. We compared functional connectivities (FC) and inter-subject correlations (ISC) of the DMN and its 3 subsystems between rumination and distraction states. Results yielded a highly reproducible and dissociated pattern. During rumination, within-DMN FC was generally decreased compared to the distraction state. At the subsystem level, we found increased FC between the core and medial temporal lobe (MTL) subsystem and decreased FC between the core and dorsal medial prefrontal cortex (DMPFC) subsystem and within the MTL subsystem. Furthermore, we found decreased ISC within the MTL subsystem. These results suggest a specific and less synchronous activity pattern of DMN during rumination and shed new light on the association between rumination and DMN substrates regarding MDD.