The pulmonary alveolar epithelium undergoes extensive regeneration in response to lung injuries, including lung resection. In recent years, our understanding of cell lineage relationships in the pulmonary alveolar epithelium has improved significantly. However, the molecular and cellular mechanisms that regulate pneumonectomy (PNX)-induced alveolar regeneration remain largely unknown. In this study, we demonstrate that mechanical-tension-induced YAP activation in alveolar stem cells plays a major role in promoting post-PNX alveolar regeneration. Our results indicate that JNK and p38 MAPK signaling is critical for mediating actin-cytoskeleton-remodeling-induced nuclear YAP expression in alveolar stem cells. Moreover, we show that Cdc42-controlled actin remodeling is required for the activation of JNK, p38, and YAP in post-PNX lungs. Our findings together establish that the Cdc42/F-actin/MAPK/YAP signaling cascade is essential for promoting alveolar regeneration in response to mechanical tension in the lung.

Abstract Two notable features have been identified in the SARS-CoV-2 genome: (1) the receptor binding domain of SARS-CoV-2; (2) a unique insertion of twelve nucleotide or four amino acids (PRRA) at the S1 and S2 boundary. For the first feature, the similar RBD identified in SARs-like virus from pangolin suggests the RBD in SARS-CoV-2 may already exist in animal host(s) before it transmitted into human. The left puzzle is the history and function of the insertion at S1/S2 boundary, which is uniquely identified in SARS-CoV-2. In this study, we identified two variants from the first Guangdong SARS-CoV-2 cell strain, with deletion mutations on polybasic cleavage site (PRRAR) and its flank sites. More extensive screening indicates the deletion at the flank sites of PRRAR could be detected in 3 of 68 clinical samples and half of 22 in vitro isolated viral strains. These data indicate (1) the deletion of QTQTN, at the flank of polybasic cleavage site, is likely benefit the SARS-CoV-2 replication or infection in vitro but under strong purification selection in vivo since it is rarely identified in clinical samples; (2) there could be a very efficient mechanism for deleting this region from viral genome as the variants losing 23585-23599 is commonly detected after two rounds of cell passage. The mechanistic explanation for this in vitro adaptation and in vivo purification processes (or reverse) that led to such genomic changes in SARS-CoV-2 requires further work. Nonetheless, this study has provided valuable clues to aid further investigation of spike protein function and virus evolution. The deletion mutation identified in vitro isolation should be also noted for current vaccine development.

Recent research has highlighted associations between sleep and microbial taxa and pathways. However, the causal effect of these associations remains unknown. To investigate this, we performed a bidirectional two-sample Mendelian randomization (MR) analysis using summary statistics of genome-wide association studies (GWAS) from 412 gut microbiome traits (N = 7738) and GWAS studies from seven sleep-associated traits (N = 345,552 to 386,577). We employed multiple MR methods to assess causality, with Inverse Variance Weighted (IVW) as the primary method, alongside a Bonferroni correction ((

Abstract Bioactive peptide therapeutics has been a long-standing research topic. Notably, the antimicrobial peptides (AMPs) have been extensively studied for its therapeutic potential. Meanwhile, the demand for annotating other therapeutic peptides, such as antiviral peptides (AVPs) and anticancer peptides (ACPs), also witnessed an increase in recent years. However, we conceive that the structure of peptide chains and the intrinsic information between the amino acids is not fully investigated among the existing protocols. Therefore, we develop a new graph deep learning model, namely TP-LMMSG, which offers lightweight and easy-to-deploy advantages while improving the annotation performance in a generalizable manner. The results indicate that our model can accurately predict the properties of different peptides. The model surpasses the other state-of-the-art models on AMP, AVP and ACP prediction across multiple experimental validated datasets. Moreover, TP-LMMSG also addresses the challenges of time-consuming pre-processing in graph neural network frameworks. With its flexibility in integrating heterogeneous peptide features, our model can provide substantial impacts on the screening and discovery of therapeutic peptides. The source code is available at https://github.com/NanjunChen37/TP_LMMSG.

The integration of artificial intelligence (AI) into smart agriculture boosts production and management efficiency, facilitating sustainable agricultural development. In intensive agricultural management, adopting eco-friendly and effective pesticides is crucial to promote green agricultural practices. However, exploring new pesticide species is a difficult and time-consuming task that involves significant risks. Enhancing compound druggability in the lead discovery phase could considerably shorten the discovery cycle, accelerating pesticide research and development. The Insecticide Activity Prediction (IAPred) model, a novel classic artificial intelligence-based method for evaluating the potential insecticidal activity of unknown functional compounds, is introduced in this study. The IAPred model utilized 27 insecticide-likeness features from PaDEL descriptors and employed an ensemble of Support Vector Machine (SVM) and Random Forest (RF) algorithms using the hard-vote mechanism, achieving an accuracy rate of 86%. Notably, the IAPred model outperforms current models by accurately predicting the efficacy of novel insecticides such as nicofluprole, overcoming the limitations inherent in existing insecticide structures. Our research presents a practical approach for discovering and optimizing novel lead compounds quickly and efficiently.

Multi-omics data integration has become increasingly crucial for a deeper understanding of the complexity of biological systems. However, effectively integrating and analyzing multi-omics data remains challenging due to their heterogeneity and high dimensionality. Existing methods often struggle with noise, redundant features, and the complex interactions between different omics layers, leading to suboptimal performance. Additionally, they face difficulties in adequately capturing intra-omics interactions due to simplistic concatenation techiniques, and they risk losing critical inter-omics interaction information when using hierarchical attention layers. To address these challenges, we propose a novel Denoised Multi-Omics Integration approach that leverages the Transformer multi-head self-attention mechanism (DMOIT). DMOIT consists of three key modules: a generative adversarial imputation network for handling missing values, a sampling-based robust feature selection module to reduce noise and redundant features, and a multi-head self-attention (MHSA) based feature extractor with a noval architecture that enchance the intra-omics interaction capture. We validated model porformance using cancer datasets from the Cancer Genome Atlas (TCGA), conducting two tasks: survival time classification across different cancer types and estrogen receptor status classification for breast cancer. Our results show that DMOIT outperforms traditional machine learning methods and the state-of-the-art integration method MoGCN in terms of accuracy and weighted F1 score. Furthermore, we compared DMOIT with various alternative MHSA-based architectures to further validate our approach. Our results show that DMOIT consistently outperforms these models across various cancer types and different omics combinations. The strong performance and robustness of DMOIT demonstrate its potential as a valuable tool for integrating multi-omics data across various applications.