Since the United States began a programme to develop ethanol as a transportation fuel, its use has increased from 175 million gallons in 1980 to 4.9 billion gallons in 2006. Virtually all of the ethanol used for transportation has been produced from corn. During the period of fuel ethanol growth, corn farming productivity has increased dramatically, and energy use in ethanol plants has been reduced by almost by half. The majority of corn ethanol plants are powered by natural gas. However, as natural gas prices have skyrocketed over the last several years, efforts have been made to further reduce the energy used in ethanol plants or to switch from natural gas to other fuels, such as coal and wood chips. In this paper, we examine nine corn ethanol plant types—categorized according to the type of process fuels employed, use of combined heat and power, and production of wet distiller grains and solubles. We found that these ethanol plant types can have distinctly different energy and greenhouse gas emission effects on a full fuel-cycle basis. In particular, greenhouse gas emission impacts can vary significantly—from a 3% increase if coal is the process fuel to a 52% reduction if wood chips are used. Our results show that, in order to achieve energy and greenhouse gas emission benefits, researchers need to closely examine and differentiate among the types of plants used to produce corn ethanol so that corn ethanol production would move towards a more sustainable path.

Abstract Single-cell analyses parse the brain’s billions of neurons into thousands of ‘cell-type’ clusters residing in different brain structures 1 . Many cell types mediate their functions through targeted long-distance projections allowing interactions between specific cell types. Here we used epi-retro-seq 2 to link single-cell epigenomes and cell types to long-distance projections for 33,034 neurons dissected from 32 different regions projecting to 24 different targets (225 source-to-target combinations) across the whole mouse brain. We highlight uses of these data for interrogating principles relating projection types to transcriptomics and epigenomics, and for addressing hypotheses about cell types and connections related to genetics. We provide an overall synthesis with 926 statistical comparisons of discriminability of neurons projecting to each target for every source. We integrate this dataset into the larger BRAIN Initiative Cell Census Network atlas, composed of millions of neurons, to link projection cell types to consensus clusters. Integration with spatial transcriptomics further assigns projection-enriched clusters to smaller source regions than the original dissections. We exemplify this by presenting in-depth analyses of projection neurons from the hypothalamus, thalamus, hindbrain, amygdala and midbrain to provide insights into properties of those cell types, including differentially expressed genes, their associated cis -regulatory elements and transcription-factor-binding motifs, and neurotransmitter use.

Abstract Fetal membranes have important mechanical and antimicrobial roles in maintaining pregnancy. However, the small thickness (<800 μm) of fetal membranes places them outside the resolution limits of most ultrasound and magnetic resonance systems. Optical imaging methods like optical coherence tomography (OCT) have the potential to fill this resolution gap. Here, OCT and machine learning methods were developed to characterize the ex vivo properties of human fetal membranes under dynamic loading. A saline inflation test was incorporated into an OCT system, and tests were performed on n=33 and n=32 human samples obtained from labored and C-section donors, respectively. Fetal membranes were collected in near-cervical and near-placental locations. Histology, endogenous two photon fluorescence microscopy, and second harmonic generation microscopy were used to identify sources of contrast in OCT images of fetal membranes. A convolutional neural network was trained to automatically segment fetal membrane sub-layers with high accuracy (Dice coefficients >0.8). Intact amniochorion bilayer and separated amnion and chorion were individually loaded, and the amnion layer was identified as the load-bearing layer within intact fetal membranes for both labored and C-section samples, consistent with prior work. Additionally, the rupture pressure and thickness of the amniochorion bilayer from the near-placental region were greater than those of the near-cervical region for labored samples. This location-dependent change in fetal membrane thickness was not attributable to the load-bearing amnion layer. Finally, the initial phase of the loading curve indicates that amniochorion bilayer from the near-cervical region is strain-hardened compared to the near-placental region in labored samples. Overall, these studies fill a gap in our understanding of the structural and mechanical properties of human fetal membranes at high resolution under dynamic loading events.

Abstract Single-cell genetic and epigenetic analyses parse the brain’s billions of neurons into thousands of “cell-type” clusters, each residing in different brain structures. Many of these cell types mediate their unique functions by virtue of targeted long-distance axonal projections to allow interactions between specific cell types. Here we have used Epi-Retro-Seq to link single cell epigenomes and associated cell types to their long-distance projections for 33,034 neurons dissected from 32 different source regions projecting to 24 different targets (225 source →target combinations) across the whole mouse brain. We highlight uses of this large data set for interrogating both overarching principles relating projection cell types to their transcriptomic and epigenomic properties and for addressing and developing specific hypotheses about cell types and connections as they relate to genetics. We provide an overall synthesis of the data set with 926 statistical comparisons of the discriminability of neurons projecting to each target for every dissected source region. We integrate this dataset into the larger, annotated BICCN cell type atlas composed of millions of neurons to link projection cell types to consensus clusters. Integration with spatial transcriptomic data further assigns projection-enriched clusters to much smaller source regions than afforded by the original dissections. We exemplify these capabilities by presenting in-depth analyses of neurons with identified projections from the hypothalamus, thalamus, hindbrain, amygdala, and midbrain to provide new insights into the properties of those cell types, including differentially expressed genes, their associated cis-regulatory elements and transcription factor binding motifs, and neurotransmitter usage.

<div class="section abstract"><div class="htmlview paragraph">The combustion of hydrogen (H₂) as a fuel is attractive due to its zero-carbon nature and combustion-enhancing properties when used to supplement other fuels. However, the challenge of using H₂ as a fuel for transportation applications is the difficulty of onboard storage. One solution to this is to crack onboard stored ammonia (NH₃) into H₂ which can be supplied to the combustion chamber. However, the reforming process is not always 100 % efficient which can lead to the presence of NH₃ in the combustion process. The presence of NH₃ can influence engine performance, combustion and emissions. Therefore, this experimental study reports the differences in engine performance between H₂ and NH₃ reformate mixtures (H₂/NH₃/N₂) added to gasoline in a dual-fuel engine setup under both stoichiometric (λ=1.0) and lean-burn (λ&gt;1.0) operating conditions in a spark ignition (SI) engine. In this study, gasoline was used as the main fuel, with the H₂ and NH₃ reformate blends studied having energy substitution ratios ranging from 0% to 23%. The results showed that the use of H₂ and NH₃/H₂/N₂ mixtures reduced carbon-based emissions. However, there was an increase in nitrogen-based emissions compared to gasoline with increased H₂ and NH₃ content.</div></div>