COVID-19, the illness caused by the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) virus belonging to the Coronaviridade family, a single-strand positive-sense RNA genome, has been spreading around the world and has been declared a pandemic by the World Health Organization. On 17 January 2022, there were more than 329 million cases, with more than 5.5 million deaths. Although COVID-19 has a low mortality rate, its high capacities for contamination, spread, and mutation worry the authorities, especially after the emergence of the Omicron variant, which has a high transmission capacity and can more easily contaminate even vaccinated people. Such outbreaks require elucidation of the taxonomic classification and origin of the virus (SARS-CoV-2) from the genomic sequence for strategic planning, containment, and treatment of the disease. Thus, this work proposes a high-accuracy technique to classify viruses and other organisms from a genome sequence using a deep learning convolutional neural network (CNN). Unlike the other literature, the proposed approach does not limit the length of the genome sequence. The results show that the novel proposal accurately distinguishes SARS-CoV-2 from the sequences of other viruses. The results were obtained from 1557 instances of SARS-CoV-2 from the National Center for Biotechnology Information (NCBI) and 14,684 different viruses from the Virus-Host DB. As a CNN has several changeable parameters, the tests were performed with forty-eight different architectures; the best of these had an accuracy of 91.94 ± 2.62% in classifying viruses into their realms correctly, in addition to 100% accuracy in classifying SARS-CoV-2 into its respective realm, Riboviria. For the subsequent classifications (family, genera, and subgenus), this accuracy increased, which shows that the proposed architecture may be viable in the classification of the virus that causes COVID-19.

Abstract Since December 2019, the world has been intensely affected by the COVID-19 pandemic, caused by the SARS-CoV-2 virus, first identified in Wuhan, China. In the case of a novel virus identification, the early elucidation of taxonomic classification and origin of the virus genomic sequence is essential for strategic planning, containment, and treatments. Deep learning techniques have been successfully used in many viral classification problems associated with viral infections diagnosis, metagenomics, phylogenetic, and analysis. This work proposes to generate an efficient viral genome classifier for the SARS-CoV-2 virus using the deep neural network (DNN) based on stacked sparse autoencoder (SSAE) technique. We performed four different experiments to provide different levels of taxonomic classification of the SARS-CoV-2 virus. The confusion matrix presented the validation and test sets and the ROC curve for the validation set. In all experiments, the SSAE technique provided great performance results. In this work, we explored the utilization of image representations of the complete genome sequences as the SSAE input to provide a viral classification of the SARS-CoV-2. For that, a dataset based on k -mers image representation, with k = 6, was applied. The results indicated the applicability of using this deep learning technique in genome classification problems.

Since December 2019, the world has been intensely affected by the COVID-19 pandemic, caused by the SARS-CoV-2.In the case of a novel virus identification, the early elucidation of taxonomic classification and origin of the virus genomic sequence is essential for strategic planning, containment, and treatments.Deep learning techniques have been successfully used in many viral classification problems associated with viral infection diagnosis, metagenomics, phylogenetics, and analysis.Considering that motivation, the authors proposed an efficient viral genome classifier for the SARS-CoV-2 using the deep neural network based on the stacked sparse autoencoder (SSAE).For the best performance of the model, we explored the utilization of image representations of the complete genome sequences as the SSAE input to provide a classification of the SARS-CoV-2.For that, a dataset based on k-mers image representation was applied.We performed four experiments to provide different levels of taxonomic classification of the SARS-CoV-2.The SSAE technique provided great performance results in all experiments, achieving classification accuracy between 92% and 100% for the validation set and between 98.9% and 100% when the SARS-CoV-2 samples were applied for the test set.In this work, samples of the SARS-CoV-2 were not used during the training process, only during subsequent tests, in which the model was able to infer the correct classification of the samples in the vast majority of cases.This indicates that our model can be adapted to classify other emerging viruses.Finally, the results indicated the applicability of this deep learning technique in genome classification problems.

Nano-hybrid systems are products of interactions between organic and inorganic materials designed and planned to develop drug delivery platforms that can be self-assembled. Poloxamine, commercially available as Tetronic®, is formed by blocks of copolymers consisting of poly (ethylene oxide) (PEO) and poly (propylene oxide) (PPO) units arranged in a four-armed star shape. Structurally, Tetronics are similar to Pluronics®, with an additional feature as they are also pH-dependent due to their central ethylenediamine unit. Laponite is a synthetic clay arranged in the form of discs with a diameter of approximately 25 nm and a thickness of 1 nm. Both compounds are biocompatible and considered as candidates for the formation of carrier systems. The objective is to explore associations between a Tetronic (T1304) and LAP (Laponite) at concentrations of 1–20% (w/w) and 0–3% (w/w), respectively. Response surface methodology (RMS) and two types of machine learning (multilayer perceptron (MLP) and support vector machine (SVM)) were used to evaluate the physical behavior of the systems and the β-Lapachone (β-Lap) solubility in the systems. β-Lap (model drug with low solubility in water) has antiviral, antiparasitic, antitumor, and anti-inflammatory properties. The results show an adequate machine learning approach to predict the physical behavior of nanocarrier systems with and without the presence of LAP. Additionally, the analysis performed with SVM showed better results (R2 > 0.97) in terms of data adjustment in the evaluation of β-Lap solubility. Furthermore, this work presents a new methodology for classifying phase behavior using ML. The new methodology allows the creation of a phase behavior surface for different concentrations of T1304 and LAP at different pHs and temperatures. The machine learning strategies used were excellent in assisting in the optimized development of new nano-hybrid platforms.

Background/Objectives: Most of the rapid inhibitory neurotransmission in the brain is mediated through activation of the γ-aminobutyric acid (GABA) type A (GABAA) receptor, which is a ligand-gated ion channel. GABAA receptor activation via GABA binding allows for an intracellular influx of Cl− ions, thus inducing cellular hyperpolarization. Each GABAA receptor consists of a combination of five subunits, and several subunits have been proposed as biomarkers and therapeutic targets in cancer. Here, we show the expression of genes encoding β subunits of the GABAA receptor, namely GABRB1, GABRB2, and GABRB3, across the four different molecular subgroups of medulloblastoma (MB), which is the most common malignant pediatric brain tumor. We also show the associations of GABAA receptor β subunits with MB patients’ overall survival (OS). Methods: The expression of genes encoding GABAA receptor β subunits was analyzed using a previously described dataset comprising 763 MB tumor samples. Patients were classified into high- and low-gene-expression groups, and the Kaplan–Meier estimate was used to examine the relationship between gene expression levels and patient OS. Results: High GABRB1 expression was associated with better OS within each of the four molecular subgroups. The GABRB2 gene showed higher transcript levels in Group 3 MB compared to all other subgroups, and high expression was associated with better prognosis in Group 3 tumors. GABRB3 expression was significantly higher in Group 3 and Group 4 MB, and high expression of GABRB3 genes was associated with longer OS in the sonic hedgehog (SHH) subgroup. The high expression of GABRB1, GABRB2, and GABRB3 is associated with longer patient OS in a subgroup-specific manner. Conclusions: These results indicate a role for GABAA receptors containing β subunits in influencing MB progression.

Changes in epigenetic processes such as histone acetylation are proposed as key events influencing cancer cell function and the initiation and progression of pediatric brain tumors. Valproic acid (VPA) is an antiepileptic drug that acts partially by inhibiting histone deacetylases (HDACs) and could be repurposed as an epigenetic anticancer therapy. Here, we show that VPA reduced medulloblastoma (MB) cell viability and led to cell cycle arrest. These effects were accompanied by enhanced H3K9 histone acetylation (H3K9ac) and decreased expression of the MYC oncogene. VPA impaired the expansion of MB neurospheres enriched in stemness markers and reduced MYC while increasing TP53 expression in these neurospheres. In addition, VPA induced morphological changes consistent with neuronal differentiation and the increased expression of differentiation marker genes TUBB3 and ENO2. The expression of stemness genes SOX2, NES, and PRTG was differentially affected by VPA in MB cells with different TP53 status. VPA increased H3K9 occupancy of the promoter region of TP53. Among the genes regulated by VPA, the stemness regulators MYC and NES showed an association with patient survival in specific MB subgroups. Our results indicate that VPA may exert antitumor effects in MB by influencing histone acetylation, which may result in the modulation of stemness, neuronal differentiation, and the expression of genes associated with patient prognosis in specific molecular subgroups. Importantly, the actions of VPA in MB cells and neurospheres include a reduction in the expression of MYC and an increase in TP53.

Abstract In bioinformatics, alignment is an essential technique for finding similarities between biological sequences. Usually, the alignment is performed with the Smith-Waterman (SW) algorithm, a well-known sequence alignment technique of high-level precision based on dynamic programming. However, given the massive data volume in biological databases and their continuous exponential increase, high-speed data processing is necessary. Therefore, this work proposes a parallel hardware design for the SW algorithm with a systolic array structure to accelerate the Forward and Backtracking steps. For this purpose, the architecture calculates and stores the paths in the Forward stage for pre-organizing the alignment, which reduces the complexity of the Backtracking stage. The backtracking starts from the maximum score position in the matrix and generates the optimal SW sequence alignment path. The architecture was validated on Field-Programmable Gate Array (FPGA), and synthesis analyses have shown that the proposed design reaches up to 79.5 Giga Cell Updates per Second (GCPUS).

This paper introduces a novel approach to blind adaptive equalization for digital communication systems using genetic algorithms (GAs). Unlike traditional methods that rely on linear programming and suffer from local minima issues, this technique utilizes a stochastic linear programming cost function with GAs for robust optimization. The proposed method termed Blind Linear Equalizer based on genetic algorithm (BLE-GA) enhances performance by leveraging a GA’s ability to handle stochastic variables, offering rapid convergence and resilience against signal noise and inter-symbol interference. Extensive simulations demonstrate the effectiveness of BLE-GA across different QAM systems, outperforming conventional techniques like the Constant Modulus Algorithm in scenarios with high modulation levels. This study validates the potential of using GAs in adaptive blind equalization to achieve reliable and efficient communication, even in complex and noisy channel conditions.

Nano-hybrid formulations combine organic and inorganic materials in self-assembled platforms for drug delivery. Laponite is a synthetic clay, biocompatible, and a guest of compounds. Poloxamines are amphiphilic four-armed compounds and have pH-sensitive and thermosensitive properties. The association of Laponite and Poloxamine can be used to improve attachment to drugs and to increase the solubility of β-Lapachone (β-Lap). β-Lap has antiviral, antiparasitic, antitumor, and anti-inflammatory properties. However, the low water solubility of β-Lap limits its clinical and medical applications. All samples were prepared by mixing Tetronic 1304 and LAP in a range of 1–20% (w/w) and 0–3% (w/w), respectively. The β-Lap solubility was analyzed by UV-vis spectrophotometry, and physical behavior was evaluated across a range of temperatures. The analysis of data consisted of response surface methodology (RMS), and two kinds of machine learning (ML): multilayer perceptron (MLP) and support vector machine (SVM). The ML techniques, generated from a training process based on experimental data, obtained the best correlation coefficient adjustment for drug solubility and adequate physical classifications of the systems. The SVM method presented the best fit results of β-Lap solubilization. In silico tools promoted fine-tuning, and near-experimental data show β-Lap solubility and classification of physical behavior to be an excellent strategy for use in developing new nano-hybrid platforms.