Abstract Leveraging large-scale electronic health record (EHR) data to estimate survival curves for clinical events can enable more powerful risk estimation and comparative effectiveness research. However, use of EHR data is hindered by a lack of direct event times observations. Occurrence times of relevant diagnostic codes or target disease mentions in clinical notes are at best a good approximation of the true disease onset time. On the other hand, extracting precise information on the exact event time requires laborious manual chart review and is sometimes altogether infeasible due to a lack of detailed documentation. Current status labels – binary indicators of phenotype status during follow up – are significantly more efficient and feasible to compile, enabling more precise survival curve estimation given limited resources. Existing survival analysis methods using current status labels focus almost entirely on supervised estimation, and naive incorporation of unlabeled data into these methods may lead to biased results. In this paper we propose Semi-supervised Calibration of Risk with Noisy Event Times (SCORNET), which yields a consistent and efficient survival curve estimator by leveraging a small size of current status labels and a large size of imperfect surrogate features. In addition to providing theoretical justification of SCORNET, we demonstrate in both simulation and real-world EHR settings that SCORNET achieves efficiency akin to the parametric Weibull regression model, while also exhibiting non-parametric flexibility and relatively low empirical bias in a variety of generative settings.

Abstract Summary Accurate and efficient compound annotation is a long-standing challenge for LC−MS-based data (e.g. untargeted metabolomics and exposomics). Substantial efforts have been devoted to overcoming this obstacle, whereas current tools are limited by the sources of spectral information used (in-house and public databases) and are not automated and streamlined. Therefore, we developed metID , an R package that combines information from all major databases for comprehensive and streamlined compound annotation. metID is a flexible, simple, and powerful tool that can be installed on all platforms, allowing the compound annotation process to be fully automatic and reproducible. A detailed tutorial and a case study are provided in Supplementary Materials. Availability and implementation https://jaspershen.github.io/metID/ . Contact jiangzhu@sioc.ac.cn and mpsnyder@stanford.edu

Acute type A aortic dissection remains a deadly and elusive condition, with risk factors such as hypertension, bicuspid aortic valves, and genetic predispositions. As existing guidelines for surgical intervention based solely on aneurysm diameter face scrutiny, there is a growing need to consider other predictors and parameters, including wall stress, in assessing dissection risk. Through our research, we aim to elucidate the biomechanical underpinnings of aortic dissection and provide valuable insights into its prediction and prevention. We applied finite element analysis (FEA) to assess stress distribution on a rare dataset comprising computed tomography scans obtained from eight patients at three stages of aortic dissection: pre-dissection (preD), post-dissection (postD), and post-repair (postR). Our findings reveal significant increases in both mean and peak aortic wall stresses during the transition from the preD to postD state, reflecting the mechanical impact of dissection. Surgical repair effectively restores aortic wall stresses to pre-dissection levels across all regions, suggesting its effectiveness in mitigating biomechanical stress. Furthermore, we identified stress concentration regions within the aortic wall that closely correlated with observed dissection borders, offering insights into high-risk areas. This study demonstrates the importance of considering biomechanical factors when assessing aortic dissection risk. Despite some limitations such as uniform wall thickness assumptions and the absence of dynamic blood flow considerations, our patient-specific FEA approach provides valuable mechanistic insights into aortic dissection. These findings hold promise for improving predictive models and informing clinical decisions to enhance patient care.

Cells of multi-cellular organisms evolve toward uni-cellularity in the form of cancer and, if humans intervene, continue to evolve in cell culture. During this process, gene dosage relationships may evolve in novel ways to cope with the new environment and may regress back to the ancestral uni-cellular state. In this context, the evolution of sex chromosomes vis-a-vis autosomes is of particular interest. Here, we report the chromosomal evolution in 620 cancer cell lines. Many of them jettisoned either Y or the inactive X; thus, free-living male and female cells converge by becoming “de-sexualized”. Surprisingly, the active X often doubled, accompanied by the addition of one haploid complement of autosomes, leading to an X:A ratio of 2:3 from the extant ratio of 1:2. Theoretical modeling of the frequency distribution of X:A karyotypes suggests that the 2:3 ratio confers a higher fitness and may reflect aspects of sex chromosome evolution.

Abstract The vaginal microbiome is important for reproductive health and should constantly evolve in response to dynamic host-microbe interactions. The composition of the vaginal microbiome is associated with ethnicity; however, the evolutionary landscape of the vaginal microbiome, especially in the multi-ethnic context, remains under-studied. In this study, we performed a longitudinal evolutionary vaginal microbiome analysis of 351 samples from 35 pregnant women with diverse ethnic backgrounds and validated the main findings in two cohorts totaling 462 samples from 90 multi-ethnic women. Microbiome alpha diversity and community states showed strong ethnic signatures. Lactobacillaceae species had a significantly higher nonsynonymous/synonymous mutation ratio (pN/pS) than non- Lactobacillaceae species in all ethnicities. In addition, non- Lactobacillaceae anaerobic bacteria were enriched in Black and Latino women, with significantly elevated nucleotide diversity and lower pN/pS in Black women. Intriguingly, the Lactobacillaceae species had a large repertoire of positively selected genes, including the human mucin-binding and bacterial cell wall anchor genes, which showed independent, recurrent signatures of positive selection across multiple strains, indicating that the host-microbiome interactions directly drive microbial evolution at the molecular interface. Finally, we propose that the evolutionary metrics reflect the environmental niches of adapting microbes. Our study revealed the extensive ethnic signatures in vaginal microbial diversity, composition, community state, and evolutionary dynamics at species and gene levels, highlighting the importance of studying the host-microbiome ecosystem from an evolutionary perspective. Highlights Extensive ethnic signatures in the vaginal microbial diversity, composition, community state, and evolutionary dynamics were demonstrated. Healthy Lactobacillaceae species showed lower nucleotide diversity but much more relaxed or even positive selection of genes than non- Lactobacillaceae species. In Black women, non- Lactobacillaceae species displayed higher nucleotide diversity and more stringent negative selection. Lactobacillus mucin-binding and cell wall anchor genes showed convergent signatures of positive selection across vaginal microbiomes.

How sensory information is processed by the brain can depend on behavioral state. In the visual thalamus and cortex, arousal/locomotion is associated with changes in the magnitude of responses to visual stimuli. Here, we asked whether such modulation of visual responses might already occur at an earlier stage in this visual pathway. We measured neural activity of retinal axons using wide-field and two-photon calcium imaging in awake mouse thalamus across arousal states associated with different pupil sizes. Surprisingly, visual responses to drifting gratings in retinal axonal boutons were robustly modulated by arousal level, in a manner that varied across stimulus dimensions and across functionally distinct subsets of boutons. At low and intermediate spatial frequencies, the majority of boutons were suppressed by arousal. In contrast, at high spatial frequencies, the proportions of boutons showing enhancement or suppression were more similar, particularly for boutons tuned to regions of visual space ahead of the mouse. Arousal-related modulation also varied with a bouton's sensitivity to luminance changes and direction of motion, with greater response suppression in boutons tuned to luminance decrements vs. increments, and in boutons preferring motion along directions or axes of optic flow. Together, our results suggest that differential filtering of distinct visual information channels by arousal state occurs at very early stages of visual processing, before the information is transmitted to neurons in visual thalamus. Such early filtering may provide an efficient means of optimizing central visual processing and perception of state-relevant visual stimuli.

Biological collagenous tissues comprised of networks of collagen fibers are suitable for a broad spectrum of medical applications owing to their attractive mechanical properties. In this study, we developed a noninvasive approach to estimate collagenous tissue elastic properties directly from microscopy images using Machine Learning (ML) techniques. Glutaraldehyde-treated bovine pericardium (GLBP) tissue, widely used in the fabrication of bioprosthetic heart valves and vascular patches, was chosen as a representative collagenous tissue. A Deep Learning model was designed and trained to process second harmonic generation (SHG) images of collagen networks in GLBP tissue samples, and directly predict the tissue elastic mechanical properties. The trained model is capable of identifying the overall tissue stiffness with a classification accuracy of 84%, and predicting the nonlinear anisotropic stress-strain curves with average regression errors of 0.021 and 0.031. Thus, this study demonstrates the feasibility and great potential of using the Deep Learning approach for fast and noninvasive assessment of collagenous tissue elastic properties from microstructural images.

The patient-specific biomechanical analysis of the aorta demands the in vivo mechanical properties of individual patients. Current inverse approaches have shown the feasibility of estimating the nonlinear, anisotropic material parameters from in vivo image data using certain optimization schemes. However, since such inverse methods are dependent on iterative nonlinear optimization, these methods are highly computation-intensive, which may take weeks to complete for only a single patient, inhibiting rapid feedback for clinical use. Recently, machine learning (ML) techniques have led to revolutionary breakthroughs in many applications. A potential paradigm-changing solution to the bottleneck associated with patient-specific computational modeling is to incorporate ML algorithms to expedite the procedure of in vivo material parameter identification. In this paper, we developed a ML-based approach to identify the material parameters from three-dimensional aorta geometries obtained at two different blood pressure levels, namely systolic and diastolic geometries. The nonlinear relationship between the two loaded shapes and the constitutive parameters are established by a ML-model, which was trained and tested using finite element (FE) simulation datasets. Cross-validation was used to adjust the ML-model structure on a training/validation dataset. The accuracy of the ML-model was examined using a testing dataset.

It is well known that residual deformations/stresses alter the mechanical behavior of arteries, e.g. the pressure-diameter curves. In an effort to enable personalized analysis of the aortic wall stress, approaches have been developed to incorporate experimentally-derived residual deformations into in vivo loaded geometries in finite element simulations using thick-walled models. Solid elements are typically used to account for 'bending-like' residual deformations. Yet, the difficulty in obtaining patient-specific residual deformations and material properties has become one of the biggest challenges of these thick-walled models. In thin-walled models, fortunately, static determinacy offers an appealing prospect that allows for the calculation of the thin-walled membrane stress without patient-specific material properties. The membrane stress can be computed using forward analysis by enforcing an extremely stiff material property as penalty treatment, which is referred to as the forward penalty approach. However, thin-walled membrane elements, which have zero bending stiffness, are incompatible with the residual deformations, and therefore, it is often stated as a limitation of thin-walled models. In this paper, by comparing the predicted stresses from thin-walled models and thick-walled models, we demonstrate that the transmural mean hoop stress is the same for the two models and can be readily obtained from in vivo clinical images without knowing the patient-specific material properties and residual deformations. Computation of patient-specific mean hoop stress can be greatly simplified by using membrane model and the forward penalty approach, which may be clinically valuable.

Liquid chromatography-mass spectrometry (LC-MS) based untargeted metabolomics provides systematic profiling of metabolic. Yet its applications in precision medicine (disease diagnosis) have been limited by several challenges, including metabolite identification, information loss, and low reproducibility. Here, we present the deepPseudoMSI project ( https://www.deeppseudomsi.org/ ), which converts LC-MS raw data to pseudo-MS images and then processes them by deep learning for precision medicine, such as disease diagnosis. Extensive tests based on real data demonstrated the superiority of deepPseudoMSI over traditional approaches and the capacity of our method to achieve an accurate individualized diagnosis. Our framework lays the foundation for future metabolic-based precision medicine.