Abstract Chemodynamic therapy (CDT), enabling selective therapeutic effects and low side effect, attracts increasing attention in recent years. However, limited intracellular content of H 2 O 2 and acid at the tumor site restrains the lasting Fenton reaction and thus the anticancer efficacy of CDT. Herein, a nanoscale Co–ferrocene metal–organic framework (Co‐Fc NMOF) with high Fenton activity is synthesized and combined with glucose oxidase (GOx) to construct a cascade enzymatic/Fenton catalytic platform (Co‐Fc@GOx) for enhanced tumor treatment. In this system, Co‐Fc NMOF not only acts as a versatile and effective delivery cargo of GOx molecules to modulate the reaction conditions, but also possesses excellent Fenton effect for the generation of highly toxic •OH. In the tumor microenvironment, GOx delivered by Co‐Fc NMOF catalyzes endogenous glucose to gluconic acid and H 2 O 2 . The intracellular acidity and the on‐site content of H 2 O 2 are consequently promoted, which in turn favors the Fenton reaction of Co‐Fc NMOF and enhances the generation of reactive oxygen species (ROS). Both in vitro and in vivo results demonstrate that this cascade enzymatic/Fenton catalytic reaction triggered by Co‐Fc@GOx nanozyme enables remarkable anticancer properties.

Modern machine learning models toward various tasks with omic data analysis give rise to threats of privacy leakage of patients involved in those datasets. Here, we proposed a secure and privacy-preserving machine learning method (PPML-Omics) by designing a decentralized differential private federated learning algorithm. We applied PPML-Omics to analyze data from three sequencing technologies and addressed the privacy concern in three major tasks of omic data under three representative deep learning models. We examined privacy breaches in depth through privacy attack experiments and demonstrated that PPML-Omics could protect patients' privacy. In each of these applications, PPML-Omics was able to outperform methods of comparison under the same level of privacy guarantee, demonstrating the versatility of the method in simultaneously balancing the privacy-preserving capability and utility in omic data analysis. Furthermore, we gave the theoretical proof of the privacy-preserving capability of PPML-Omics, suggesting the first mathematically guaranteed method with robust and generalizable empirical performance in protecting patients' privacy in omic data.

Abstract Modern machine learning models towards various tasks with omic data analysis give rise to threats of privacy leakage of patients involved in those datasets. Despite the advances in different privacy technologies, existing methods tend to introduce too much computational cost (e.g. cryptographic methods) or noise (e.g. differential privacy), which hampers either model usefulness or accuracy in protecting privacy in biological data. Here, we proposed a secure and privacy-preserving machine learning method (PPML-Omics) by designing a decentralized version of the differential private federated learning algorithm. We applied PPML-Omics to analyze data from three sequencing technologies, and addressed the privacy concern in three major tasks of omic data, namely cancer classification with bulk RNA-seq, clustering with single-cell RNA-seq, and the integration of spatial gene expression and tumour morphology with spatial transcriptomics, under three representative deep learning models. We also examined privacy breaches in depth through privacy attack experiments and demonstrated that PPML-Omics could protect patients’ privacy. In each of these applications, PPML-Omics was able to outperform methods of comparison under the same level of privacy guarantee, demonstrating the versatility of the method in simultaneously balancing the privacy-preserving capability and utility in practical omic data analysis. Furthermore, we gave the theoretical proof of the privacy-preserving capability of PPML-Omics, suggesting the first mathematically guaranteed method with robust and generalizable empirical performance in protecting patients’ privacy in omic data.

To investigate the association between thyroid dysfunction or thyroid autoimmunity (TAI) and diminished ovarian reserve (DOR).

Based on the air quality and meteorological data in Suzhou from 2015 to 2022, the long-term variations in PM

The explosive growth of China's express delivery industry has greatly increased plastic waste, with low-value plastics not effectively utilized, such as PE packaging bags, which are often not recycled and end up in landfills or incinerators, causing significant resource waste and severe plastic pollution. A gate -to- grave life cycle assessment was adopted to assess the impacts of express delivery plastic waste (EDPW) management models (S1, landfill; S2, incineration; S3, mechanical pelletization), with Suzhou, China as a case. Results showed that mechanical pelletization, was the most environmentally advantageous, exhibiting a comprehensive environmental impact potential of -215.54 Pt, significantly lower than that of landfill (S1, 78.45 Pt) and incineration (S2, -121.77 Pt). The analysis identified that the end-of-life disposal and sorting stages were the principal contributors to environmental impacts in all three models, with transportation and transfer stages of residual waste having minimal effects. In terms of all environmental impact categories, human carcinogenic toxicity (HTc) emerged as the most significant contributor in all three scenarios. Specifically, S1 exhibited the most detrimental effect on human health, while S2 and S3 showed positive environmental impacts. Based on these findings, it is recommended that the application and innovation in mechanical recycling technologies be enhanced, the promotion of the eco-friendly transformation of packaging materials be pursued, and a sustainable express delivery packaging recycling management system be established. These strategies are essential for achieving more eco-friendly management of EDPW, reducing its environmental pollution, and moving towards more sustainable express delivery management practices.

Abstract A rise in blood glucose is the early warning signs of underlying pancreatic cancer (PC), which could be the externalization of genetic events in PC progression. But there is still a vacancy in the field of mechanism research on pancreatic cancer-associated new-onset diabetes (PCAND). Using siRNA-mediated gene knockdown in vitro, we made MIN6 cells incubated with conditioned media from transfected PC cells, and detected its response. Immunological techniques were used to explore the interaction between sorcin and STAT3. Human cytokine array was performed to explore the inflammatory cytokines downstream of sorcin. In the present study, we have identified a PCAND driver gene SRI. In PC cells, sorcin and STAT3 form a positive feedback loop to enhance the transcription of serpin E1 and CCL5, which can impair nearby islet β-cells, likely by activating the p38 pathway. In 88 biopsies, expression of sorcin was elevated in PC tissues, especially so in PCAND patient samples. Furthermore, clinical-SRI gene combination model can better distinguish PCAND from T2DM, and serpin E1 level is higher in the peripheral blood samples from PCAND than T2DM. Thus, Sorcin could be the key driver in PCAND, and figuring out sorcin-STAT3-serpin E1/CCL5 signaling axis can help us better understand the pathogenesis of PCAND and identify potential biomarkers. Statement of significance This study mapped out a novel sorcin-STAT3-Serpin E1/CCL5 signaling axis in pancreatic cancer cells, which explains how early pre-symptomatic pancreatic cancer may coincide with new-onset diabetes in some patients.