The remaining useful life (RUL) of a lithium battery is an important index for an efficient battery management system, and the accurate prediction of RUL is beneficial for designing a reliable battery system, ensuring the safety and reliability of actual operation, and therefore playing a crucial role in the field of new energy. This study introduces an integrated data-driven approach for predicting the RUL of lithium-ion batteries. The method employs a variety of techniques, including signal decomposition techniques, attention mechanisms, and temporal convolutional neural networks (TCN). Initially, the measured capacity data are decoupled by the Variational Mode Decomposition (VMD) algorithm to separate the overall trend and the high-frequency oscillations in the capacity data. Subsequently, an attention mechanism is incorporated when processing temporal capacitance sequences, empowering automatic relevance determination across timepoints to dynamically optimize model training. In addition, a TCN structure is designed to efficiently capture key features of time series data. A series of comparative experiments are conducted on the lithium battery dataset from the University of Maryland to verify the accuracy and effectiveness of the proposed method. The experimental results show that the method performs well in lithium battery RUL prediction.

MI (myocardial infarction) often triggers severe heart failure and is one of the leading causes of death worldwide. Receptor expression-enhancing protein 5 (REEP5), a member of REEPs, acts as regulators of endoplasmic reticulum (ER) affecting cardiac functions. Based on GSE114695 profile data, REEP5 was decreased in the left ventricle of MI mice. However, its role and potential mechanism in MI remain to be investigated. In the present study, the mouse MI model was established by ligation of the left anterior descending artery. REEP5 expression was downregulated in the infarct penumbra area of MI mice. Next, its role during MI was explored by gain-of-function. Interestingly, REEP5 overexpression improved left ventricular function of mice with MI, accompanied with reduced infarct size. In cardiomyocytes, REEP5 overexpression inhibited ER stress, accompanied with repressive phosphorylation of PERK and IRE1α, and the decreased nuclear translocation of ATF6. Subsequently, REEP5 overexpression downregulated the levels of Chop and cleaved caspase-12, further alleviating ER stress-induced apoptosis, which was consistent with the in vivo results. Moreover, REEP5 was found to bind to C-type lectin member 5 A (CLEC5A), a protein that triggers cardiac dysfunction. CLEC5A, whose expression was elevated in hypoxia-induced cell models, led to cardiomyocyte apoptosis. Noteworthily, REEP5 overexpression markedly abolished the effects of CLEC5A on ER stress-induced apoptosis. Taken together, REEP5 mediated the function of CLEC5A to relieve MI via inhibiting ER stress-induced apoptosis in vivo and in vitro. REEP5 may be a promising target for treating MI.

Lacustrine systems since the Mesozoic have sequestered large quantities of organic carbon, which may have important value for global climate cooling, but there is still a lack of geological evidence of this sequestration. Taking the Songliao Basin in China as a case study, we elucidate the important function of lacustrine basins as sinks of a large amount of organic carbon, particularly when the contemporaneous marine sediments were poor sinks of organic carbon. Volcanic activities and orbital forcing were likely key factors influencing the water transportation between the land and oceans, as well as the alternating burial of organic carbon in the oceans and land. Microorganisms related to methane metabolism may have been highly involved in the mineralization and sequestration of lacustrine organic carbon. This study provides new insights into the coupled carbon-water cycle between the land and oceans and the influence of this process on global climate evolution.

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.