Abstract Meniscus-guided coating provides great potential for fabricating the nanomaterial-based thin film into high-performance biomedical devices due to the strong relationship between its experimental parameters and the resulting structural properties. However, the complex leverages of various fluid dynamics phenomena hamper optimization of structural properties and device performances. This is due to the absence of in-depth analytical techniques to observe, interpret, and control the solidification process. In this work, we propose an analytical strategy based on the rheological properties of a rGO-based solution using computational fluid dynamics modeling and in situ high-speed microscopy. Through this, we reveal the principles of the solidification mechanism that creates a rGO-based nanocomposite in the form of highly- and evenly-wrinkled thin film and the experimental condition at which this mechanism occurs. The optimized thin film presents high electroconductivity, low chip-to-chip signal variation, and multiplexed electrochemical biosensing performance for three classes of antibodies related to the excessive enrichment of endoplasmic reticulum stress, with detection limits of picomolar levels. This optimizing technique can be universally applied to understanding various solution-based coating systems, and can streamline the production of large-area and high-quality nanocomposite biosensors.

Issues with model fitting (i.e. suboptimal standard deviation, linewidth/full-width-at-half-maximum, and/or signal-to-noise ratio) in multi-voxel MRI spectroscopy, or chemical shift imaging (CSI), can result in the significant loss of usable voxels. A potential solution to minimize this problem is to estimate the value of unusable voxels by utilizing information from reliable voxels in the same image. We assessed an image restoration method called inpainting as a tool to restore unusable voxels and compared it with traditional interpolation methods (nearest neighbor, trilinear interpolation and tricubic interpolation). We applied these techniques to N-acetylaspartate (NAA) spectroscopy maps from a CSI dataset. Inpainting exhibited superior performance (lower normalized root-mean-square errors, NRMSE) compared to all other methods considered (p's<0.001). Inpainting maintained its superiority whether the previously unusable voxels were randomly distributed or located in regions most commonly affected by voxel loss in real-world data.

Abstract The patient-clinician interaction can powerfully shape treatment outcomes such as pain, but is often considered an intangible “art-of-medicine”, and has largely eluded scientific inquiry. Although brain correlates of social processes such as empathy and theory-of-mind have been studied using single-subject designs, the specific behavioral and neural mechanisms underpinning the patient-clinician interaction are unknown. Using a two-person interactive design, we simultaneously recorded functional MRI (i.e. hyperscanning) in patient-clinician dyads, who interacted via live video while clinicians treated evoked pain in chronic pain patients. Our results show that patient analgesia is mediated by patient-clinician nonverbal behavioral mirroring and brain-to-brain concordance in circuitry implicated in theory-of-mind and social mirroring. Dyad-based analyses showed extensive dynamic coupling of these brain nodes with the partners’ brain activity, yet only in dyads where clinical rapport had been established prior to the interaction. These findings point to a putatively key brain-behavioral mechanism for therapeutic alliance and psychosocial analgesia.

The clinical spectrum of Alzheimer's disease (AD) ranges dynamically from asymptomatic and mild cognitive impairment (MCI) to mild, moderate, or severe AD. Although a few disease-modifying treatments, such as lecanemab and donanemab, have been developed, current therapies can only delay disease progression rather than halt it entirely. Therefore, the early detection of MCI and the identification of MCI patients at high risk of progression to AD remain urgent unmet needs in the super-aged era. This study utilized transcriptomics data from cognitively unimpaired (CU) individuals, MCI, and AD patients in the Alzheimer's Disease Neuroimaging Initiative (ADNI) cohort and leveraged machine learning models to identify biomarkers that differentiate MCI from CU and also distinguish AD from MCI individuals. Furthermore, Cox proportional hazards analysis was conducted to identify biomarkers predictive of the progression from MCI to AD. Our machine learning models identified a unique set of gene expression profiles capable of achieving an area under the curve (AUC) of 0.98 in distinguishing those with MCI from CU individuals. A subset of these biomarkers was also found to be significantly associated with the risk of progression from MCI to AD. A linear mixed model demonstrated that plasma tau phosphorylated at threonine 181 (pTau181) and neurofilament light chain (NFL) exhibit the prognostic value in predicting cognitive decline longitudinally. These findings underscore the potential of integrating machine learning (ML) with transcriptomic profiling in the early detection and prognostication of AD. This integrated approach could facilitate the development of novel diagnostic tools and therapeutic strategies aimed at delaying or preventing the onset of AD in at-risk individuals. Future studies should focus on validating these biomarkers in larger, independent cohorts and further investigating their roles in AD pathogenesis.