Abstract Scientific fraud by image duplications and manipulations within western blot images is a rising problem. Currently, problematic western blot images are mainly detected by checking repeated bands or through visual observation. However, the completeness of the above methods in detecting problematic images has not been demonstrated. Here we show that Generative Adversarial Nets (GANs) can generate realistic western blot images that indistinguishable from real western blots. The overall accuracy of researchers for identifying synthetic western blot images is 0.52, which almost equal to blind guess (0.5). We found that GANs can generate western blot images with bands of the expected lengths, widths, and angles in desired positions that can fool researchers. For the case study, we find that the accuracy of detecting the synthetic western blot images is related to years of researchers performed studies relevant to western blots, but there was no apparent difference in accuracy among researchers with different academic degrees. Our results demonstrate that GANs can generate fake western blot images to fool existing problematic image detection methods. Therefore, more information is needed to ensure that the western blots appearing in scientific articles are real. We argue to require every western blot image to be uploaded along with a unique identifier generated by the laboratory machine and to peer review these images along with the corresponding submitted articles, which may reduce the incidence of scientific fraud.

Abstract The identification of reliable tumor prognostic markers can help clinicians and researchers predict tumor development and patient survival outcomes more accurately, which plays a vital role in clinical diagnosis, treatment effectiveness assessment, and prognostic evaluation. Existing web tools supporting online survival analysis are gradually failing to meet the increasing demands of researchers in terms of the dataset size, richness of survival analysis methods, and diversity of customization features. Therefore, there is an urgent need for a large-scale, one-stop pan-cancer survival analysis web server. We developed PanCanSurvPlot ( https://smuonco.shinyapps.io/PanCanSurvPlot/ ), a Shiny web tool that has incorporated a total of 215 cancer-related datasets from the GEO and TCGA databases, covering nearly 100,000 genes (mRNAs, miRNAs, and lncRNAs), approximately 45,000 samples, 51 different cancer types, and 13 different survival outcomes. The website also provides two cutoff methods based on median and optimal cutpoints. All survival analysis results from the log-rank test and univariate Cox regression are presented in a clear and straightforward summary table. Finally, users can customize color schemes and cutpoint levels to quickly obtain high-quality Kaplan-Meier survival plots that meet publication requirements.

Currently, tumor treatment modalities such as immunotherapy and targeted therapy have more stringent requirements for obtaining tumor growth information and require more accurate and easy-to-operate tumor information detection methods. Compared with traditional tissue biopsy, liquid biopsy is a novel, minimally invasive, real-time detection tool for detecting information directly or indirectly released by tumors in human body fluids, which is more suitable for the requirements of new tumor treatment modalities. Liquid biopsy has not been widely used in clinical practice, and there are fewer reviews of related clinical applications. This review summarizes the clinical applications of liquid biopsy components (e.g., circulating tumor cells, circulating tumor DNA, extracellular vesicles, etc.) in tumorigenesis and progression. This includes the development process and detection techniques of liquid biopsies, early screening of tumors, tumor growth detection, and guiding therapeutic strategies (liquid biopsy-based personalized medicine and prediction of treatment response). Finally, the current challenges and future directions for clinical applications of liquid biopsy are proposed. In sum, this review will inspire more researchers to use liquid biopsy technology to promote the realization of individualized therapy, improve the efficacy of tumor therapy, and provide better therapeutic options for tumor patients.

Summary Data mining from RNA-seq or microarray data has become an essential part of cancer biomarker exploration. Certain existing web servers are valuable and broadly utilized, but the meta-analysis of multiple datasets is absent. Most web servers only contain tumor samples from the TCGA database with only one cohort for each cancer type, which also means that the analysis results mainly derived from a single cohort are thin and unstable. Indeed, consistent performance across multiple independent cohorts is the foundation for an excellent biomarker. Moreover, many analytical functions researchers require remain adequately unmet by these tools. Thus, we introduce BEST (Biomarker Exploration for Solid Tumors), a web application for comprehensive biomarker exploration on large-scale data in solid tumors. BEST includes more than 50,000 samples of 27 cancer types. To ensure the comparability of genes between different sequencing technologies and the legibility of clinical traits, we re-annotated transcriptome data based on the GRCh38 patch 13 sequences and unified the nomenclature of clinical traits. BEST delivers fast and customizable functions, including clinical association, survival analysis, enrichment analysis, cell infiltration, immunomodulator, immunotherapy, candidate agents, and genomic alteration. Together, our web server provides multiple cleaned-up independent datasets and diverse analysis functionalities, helping unleash the value of current data resources. It is freely available at https://rookieutopia.com/ . The bigger picture Bioinformatics web servers enable researchers without computational programming skills to conduct various bioinformatics analyses. However, most web servers only contain tumor samples from the TCGA database with only one cohort for each cancer type, which also means that the analysis results mainly derived from a single cohort are thin and unstable. Thus, we introduce BEST (Biomarker Exploration for Solid Tumors), a web application for comprehensive biomarker exploration on large-scale data in solid tumors. BEST includes more than 50,000 samples of 27 cancer types that have been uniformly re-annotated based on the GRCh38 patch 13 sequences, which ensures the comparability of genes between different sequencing technologies. BEST also offers prevalent functions including clinical association, survival analysis, enrichment analysis, cell infiltration, immunomodulator, immunotherapy, candidate agents, and genomic alteration. Together, BEST provides a curated database and innovative analytical pipelines to explore cancer biomarkers at high resolution.

Abstract The use of large transcriptome datasets has greatly improved our understanding of the tumor microenvironment (TME) and helped develop precise immunotherapies. The increasing popularity of multi-omics sequencing, single-cell transcriptome sequencing (scRNA), and spatial transcriptome sequencing has led to numerous new discoveries. However, these findings require clinical phenotypic validation with a large sample size. To enhance the integration of multi-omics in advancing research on the tumor microenvironment, we have developed a systematic and comprehensive analytical tool (Immuno-Oncology Biological Research 2, IOBR2) based on our prior work. IOBR2 offers six modules for TME analysis based on multi-omics data. These modules cover data preprocessing, TME estimation, TME infiltrating patterns, cellular interactions, genome and TME interaction, and visualization for TME relevant features, as well as modelling based on key features. IOBR2 integrates multiple vital microenvironmental analysis algorithms and signature estimation methods, simplifying the analysis and downstream visualization of the TME. In addition to providing a quick and easy way to construct gene signatures from single-cell data, IOBR2 also provides a way to construct a reference matrix for TME deconvolution from single-cell RNAseq. The analysis pipeline and feature visualization are user-friendly and provide a comprehensive description of the complex TME, offering insights into tumor-immune interactions. A comprehensive gitbook ( https://iobr.github.io/book/ ) is available with a user-friendly manual and complete analysis workflow for each module.

ABSTRACT Meta-analysis is a common statistical method used to summarize multiple studies that cover the same topic. It can provide less biased results and explain heterogeneity between studies. Although there exists a variety of meta-analysis software, they are rarely both convenient to use and capable of comprehensive analytical functions. As a result, we established a meta-analysis web tool called Meta-Analysis Online (Onlinemeta). Onlinemeta includes both risk bias analysis and meta-analysis. The risk bias analysis tool can produce heatmaps and histograms, whereas the meta-analysis tool can be used to analyze dichotomous variables, single-armed dichotomous variables, continuous variables, single-armed continuous variables, survival data, and diagnostic experiments. In addition, it can be used to generate forest plots, funnel plots, SROC curve, and crosshair plots. Onlinemeta can be found at the following address: https://smuonco.Shinyapps.io/Onlinemeta/ .

Abstract Multi-omics data plays an important role in cancer research, helping clinicians to better explore drug targets and biomarkers. At present, there exist several databases including TCGA (the Cancer Genome Atlas) and GDSC (Genomics of Drug Sensitivity in Cancer), which contain multi omics data on multiple cancer species, as well as various web tools for analyzing the multi-omics data, which are widely used in oncology research. Tumor heterogeneity is a widespread phenomenon, reflected by differences in multi-omics data of cancers originating from different tissues and organs. However, there is a lack of convenient analysis and visualization tools to explore tumor heterogeneity. As a result, we developed a web tool called Multi-Omics Anatomy Heatmap in Tumors (MOAHIT) based on shiny programming. This tool enables users to analyze and visualize the heterogeneity of human tissues. In addition, MOAHIT enables users to produce a beautiful human anatomy heatmap to visualize the heterogeneity between distinct cancers in the multi-omics data.

The FDA's alerts regarding the T-cell lymphoma risk post CAR-T therapy has garnered global attention, yet a comprehensive profile of second primary malignancies (SPMs) following CAR-T treatment is lacking.

Abstract Generative artificial intelligence (AI) holds immense potential for medical applications, but the lack of a comprehensive evaluation framework and methodological deficiencies in existing studies hinder its effective implementation. Standardized assessment guidelines are crucial for ensuring reliable and consistent evaluation of generative AI in healthcare. Our objective is to develop robust, standardized guidelines tailored for evaluating generative AI performance in medical contexts. Through a rigorous literature review utilizing the Web of Sciences, Cochrane Library, PubMed, and Google Scholar, we focused on research testing generative AI capabilities in medicine. Our multidisciplinary team of experts conducted discussion sessions to develop a comprehensive 32‐item checklist. This checklist encompasses critical evaluation aspects of generative AI in medical applications, addressing key dimensions such as question collection, querying methodologies, and assessment techniques. The checklist and its broader assessment framework provide a holistic evaluation of AI systems, delineating a clear pathway from question gathering to result assessment. It guides researchers through potential challenges and pitfalls, enhancing research quality and reporting and aiding the evolution of generative AI in medicine and life sciences. Our framework furnishes a standardized, systematic approach for testing generative AI's applicability in medicine. For a concise checklist, please refer to Table S or visit GenAIMed.org .

Abstract Background: Testicular aging is known to cause male age-related fertility decline and hypogonadism, but the underlying molecular mechanisms remain unclear. Methods: We survey the single-cell transcriptomic landscape of testes from young and old men and examine age-related changes in germline and somatic niche cells. Results: In-depth evaluation of the gene expression dynamics of germline cells reveals that disturbance of base-excision repair pathway is a major feature of aging spermatogonial stem cells (SSCs), suggesting that defective DNA repair of SSCs may serve as a potential driver for increased de novo germline mutations with age. Further analysis of aging-associated transcriptional changes shows that stress-related changes and apoptotic signaling pathway accumulate in aged somatic cells. We identify age-related impairment of redox homeostasis in aged Leydig cells and find that pharmacological treatment with antioxidants alleviate this cellular dysfunction of Leydig cells and promote testosterone production. Lastly, our results reveal that decreased pleiotrophin (PTN) signaling is a contributing factor for testicular aging. Conclusions: These findings provide a comprehensive understanding of the cell-type-specific mechanisms underlying human testicular aging at a single-cell resolution, and suggest potential therapeutic targets that may be leveraged to address age-related male fertility decline and hypogonadism. Funding: This work was supported by the National Key Research and Development Program of China (2018YFA0107200, 2018YFA0801404), the National Natural Science Foundation of China (32130046, 82171564, 82101669, 81871110, 81971759), the Key Research and Development Program of Guangdong Province (2019B020234001), the Natural Science Foundation of Guangdong Province, China (2022A1515010371), the Major Project of Medical Science and Technology Development Research Center of National Health Planning Commission, China (HDSL202001000), the Open Project of NHC Key Laboratory of Male Reproduction and Genetics (Family Planning Research Institute of Guangdong Province) (KF202001), the Guangdong Province Regional Joint Fund-Youth Fund Project (2021A1515110921), the China Postdoctoral Science Foundation (2021M703736).