Summary

 On 24^th November 2021, the sequence of a new SARS-CoV-2 viral isolate Omicron-B.1.1.529 was announced, containing far more mutations in Spike (S) than previously reported variants. Neutralization titers of Omicron by sera from vaccinees and convalescent subjects infected with early pandemic Alpha, Beta, Gamma, or Delta are substantially reduced, or the sera failed to neutralize. Titers against Omicron are boosted by third vaccine doses and are high in both vaccinated individuals and those infected by Delta. Mutations in Omicron knock out or substantially reduce neutralization by most of the large panel of potent monoclonal antibodies and antibodies under commercial development. Omicron S has structural changes from earlier viruses and uses mutations that confer tight binding to ACE2 to unleash evolution driven by immune escape. This leads to a large number of mutations in the ACE2 binding site and rebalances receptor affinity to that of earlier pandemic viruses.

Abstract Identifying predictors of cognitive ability and brain structure in later life is an important step towards understanding the mechanisms leading to cognitive decline and dementia. This study used ultra-performance liquid chromatography mass spectrometry (UPLC-MS) and nuclear magnetic resonance (NMR) to measure targeted and untargeted metabolites, mainly lipids and lipoproteins, in ∼600 members of the Lothian Birth Cohort 1936 (LBC1936) at aged ∼73 years. Penalized regression models (LASSO) were then used to identify sets of metabolites that predict variation in general cognitive ability and structural brain variables. UPLC-MS-POS measured lipids, together predicted 19% of the variance in total brain volume and 17% of the variance in both grey matter and normal appearing white matter volumes. Multiple subclasses of lipids were included in the predictor, but the best performing lipid was the sphingomyelin SM(d18:2/14:0) which occurred in 100% of iterations of all three significant models. No metabolite set predicted cognitive ability, or white matter hyperintensities or connectivity. Future studies should concentrate on identifying specific lipids as potential cognitive and brain-structural biomarkers in older individuals.

Abstract Poor semen quality increase risks of infertility and recurrent pregnancy loss (RPL) in couples. Global, reported sperm counts have more than halved since the 1970s. Canonical genitourinary microbes such as gonorrhoea are known to impair semen quality. Furthermore, several recent, small studies have highlighted trends in semen microbiome characteristics associated with semen quality in asymptomatic men. However, the semen microbiota during recurrent pregnancy loss (RPL) has not been investigated. Herein we combine metataxonomic profiling of semen microbiota by16S rRNA amplicon sequencing, semen analysis, terminal-deoxynucleotidyl-transferase-mediated-deoxyuridine-triphosphate-nick-end-labelling, Comet DNA fragmentation and luminol ROS chemiluminescence to holistically describe the human seminal microbiome in a total 223 men within a cross-sectional ethics-approved study (healthy men with proven paternity, n=63; male partners of women with RPL, n=46; men with male factor infertility, n=58; men in couples unexplained infertility, n=56). We describe seminal microbiome clusters which are common both healthy men and those with infertility and RPL. Furthermore, specific microbiota perturbation is associated with impaired semen quality irrespective of reproductive disorder.

Supervised modeling of mass spectrometry imaging (MSI) data is a crucial component for the detection of the distinct molecular characteristics of cancerous tissues. Currently, two types of supervised analyses are mainly used on MSI data: pixel-wise segmentation of sample images, and whole-sample-based classification. A large number of mass spectra associated with each MSI sample can represent a challenge for designing models that simultaneously preserve the overall molecular content while capturing valuable information contained in the MSI data. Furthermore, intensity-related batch effects can introduce biases in the statistical models.Here we introduce a method based on ion colocalization features that allows the classification of whole tissue specimens using MSI data, which naturally preserves the spatial information associated the with the mass spectra and is less sensitive to possible batch effects. Finally, we propose data visualization strategies for the inspection of the derived networks, which can be used to assess whether the correlation differences are related to co-expression/suppression or disjoint spatial localization patterns and can suggest hypotheses based on the underlying mechanisms associated with the different classes of analyzed samples.

Mutations in the