Abstract Regional intestinal immune surveillance remains obscure. In this study, we integrated single-cell RNA sequencing and spatial transcriptomics to create a regional atlas of fetal and adult intestines, consisting of 59 cell subsets, of which eight new subsets and ILCs transition states were identified. Results revealed that microenvironment determines in-situ cell differentiation and shapes the regional molecular characteristics, allowing different intestinal segments with diverse functions. We characterized the regional expression of mucins, immunoglobulins, and antimicrobial peptides (AMPs) and their shift during development and in inflammatory bowel disease. Notably, α-defensins expressed most abundantly in small intestinal LGR5 + stem cells, rather than in Paneth cells, and down-regulated as cell maturing. Common upstream transcription factors controlled the AMPs expression, illuminating the concurrent change of AMPs during epithelial differentiation, and the spatial co-expression patterns. We demonstrated the correspondence of cell focus of risk genes to diseases’ location susceptibility and identified distinct cell-cell crosstalk and spatial heterogeneity of immune cell homing in different gut segments. Overall, a cross-spatiotemporal approach to transcriptomes at single-cell resolution revealed that the regional milieu of the human intestine determined cellular and molecular cues of immune surveillance, dictating gut homeostasis and disease.

CT-based bronchial tree analysis is a key step for the diagnosis of lung and airway diseases. However, the topology of bronchial trees varies across individuals, which presents a challenge to the automatic bronchus classification. To solve this issue, we propose the Bronchus Classification Network (BCNet), a structure-guided framework that exploits the segment-level topological information using point clouds to learn the voxel-level features. BCNet has two branches, a Point-Voxel Graph Neural Network (PV-GNN) for segment classification, and a Convolutional Neural Network (CNN) for voxel labeling. The two branches are simultaneously trained to learn topology-aware features for their shared backbone while it is feasible to run only the CNN branch for the inference. Therefore, BCNet maintains the same inference efficiency as its CNN baseline. Experimental results show that BCNet significantly exceeds the state-of-the-art methods by over 8.0% both on F1-score for classifying bronchus. Furthermore, we contribute BronAtlas: an open-access benchmark of bronchus imaging analysis with high-quality voxel-wise annotations of both anatomical and abnormal bronchial segments. The benchmark is available at link

ABSTRACT Artificial intelligence (AI)-driven discovery of antimicrobial peptides (AMPs) is yet to fully utilise their three-dimensional (3D) structural characteristics, microbial specie-specific antimicrobial activities and mechanisms. Here, we constructed a QLAPD database comprising the sequence, structures and antimicrobial properties of 12,914 AMPs. QLAPD underlies a multimodal, multitask, multilabel, and conditionally controlled AMP discovery (M3-CAD) pipeline, which is proposed for the de novo design of multi-mechanism AMPs to combat multidrug-resistant organisms (MDROs). This pipeline integrates the generation, regression, and classification modules, using a innovative 3D voxel coloring method to capture the nuanced physicochemical context of amino acids, significantly enhancing structural characterizations. QL-AMP-1, discovered by M3-CAD, which possesses four antimicrobial mechanisms, exhibited low toxicity and significant activity against MDROs. The skin wound infection model demonstrates its considerable antimicrobial effects and negligible toxicity. Altogether, integrating 3D features, specie-specific antimicrobial activities and mechanisms enhanced AI-driven AMP discovery, making the M3-CAD pipeline a viable tool for de novo AMP design.