Osteosarcoma (OS) is the most common malignant bone tumor worldwide and is associated with a poor prognosis, often being accompanied by lung metastasis at an early stage. At present, there are several side‑effects associated with the OS clinical treatment of OS, with the treatment effects often being unsatisfactory. Thus, there is an urgent need for the development of safe and effective novel drugs for the treatment of OS. Schisandrin B (Sch B) has been previously demonstrated to exhibit antitumor properties. The present study was focused on the effects of Sch B on OS cells (143B, MG63, Saos2 and U2OS) in vitro and in vivo, and also on its possible antitumor mechanisms. In cell experiments, it was revealed that Sch B inhibited OS cell proliferation, migration and invasion, and increased OS cell apoptosis. As regards its biosafety, no notable effects of Sch B on the vitality of normal cells were observed. Mechanistically, it was demonstrated that Sch B blocked OS cell proliferation in the G1 phase. Subsequently, by using established animal models, it was revealed that Sch B significantly inhibited OS growth and lung metastasis in vivo. In summary, the results of the present study revealed that Sch B inhibited OS cell proliferation, migration and invasion, and promoted apoptosis via the inhibition of the Wnt/β‑catenin and PI3K/Akt signaling pathways, without causing any noticeable toxic effects on healthy cells at the therapeutic concentrations used. These findings suggest that Sch B has potential for use as a novel agent for the clinical treatment of OS.

Abstract Osteoblasts are multifunctional bone cells, which play essential roles in bone formation, angiogenesis regulation, as well as maintenance of hematopoiesis. Although both in vivo and in vitro studies on mice have identified several potential osteoblast subtypes based on their different transition stages or biological responses to external stimuli, the categorization of primary osteoblast subtypes in vivo in humans has not yet been achieved. Here, we used single-cell RNA sequencing (scRNA-seq) to perform a systematic cellular taxonomy dissection of freshly isolated human osteoblasts. Based on the gene expression patterns and cell lineage reconstruction, we identified three distinct cell clusters including preosteoblasts, mature osteoblasts, and an undetermined rare osteoblast subpopulation. This novel subtype was mainly characterized by the nuclear receptor subfamily 4 group A member 1 and 2 (NR4A1 and NR4A2), and its existence was confirmed by immunofluorescence staining. Trajectory inference analysis suggested that the undetermined cluster, together with the preosteoblasts, are involved in the regulation of osteoblastogenesis and also give rise to mature osteoblasts. Investigation of the biological processes and signaling pathways enriched in each subpopulation revealed that in addition to bone formation, preosteoblasts and undetermined osteoblasts may also regulate both angiogenesis and hemopoiesis. Finally, we demonstrated that there are systematic differences between the transcriptional profiles of human osteoblasts in vivo and mouse osteoblasts both in vivo and in vitro , highlighting the necessity for studying bone physiological processes in humans rather than solely relying on mouse models. Our findings provide novel insights into the cellular heterogeneity and potential biological functions of human primary osteoblasts at the single-cell level, which is an important and necessary step to further dissect the biological roles of osteoblasts in bone metabolism under various (patho-) physiological conditions.

Abstract Resting-state fMRI (rs-fMRI) data are typically filtered at different frequency bins between 0.008∼0.2 Hz (varies across the literature) prior to analysis to mitigate nuisance variables (e.g., drift, motion, cardiac, and respiratory) and maximize the sensitivity to neuronal-mediated BOLD signal. However, multiple lines of evidence suggest meaningful BOLD signal may also be parsed at higher frequencies. To test this notion, a functional network connectivity (FNC) analysis based on a spatially informed independent component analysis (ICA) was performed at seven different bandpass frequency bins to examine FNC matrices across spectra. Further, eyes open (EO) vs. eyes closed (EC) resting-state acquisitions from the same participants were compared across frequency bins to examine if EO vs. EC FNC matrices and randomness estimations of FNC matrices are distinguishable at different frequencies. Results show that FNCs in higher-frequency bins display modular FNC similar to the lowest frequency bin, while r-to-z FNC and FNC-based measures indicating matrix non-randomness were highest in the 0.31-0.46 Hz range relative to all frequency bins above and below this range. As such, the FNC within this range appears to be the most temporally correlated, but the mechanisms facilitating this coherence require further analyses. Compared to EO, EC displayed greater FNC (involved in visual, cognitive control, somatomotor, and auditory domains) and randomness values at lower frequency bins, but this phenomenon flipped (EO > EC) at frequency bins greater than 0.46 Hz, particularly within visual regions. While the effect sizes range from small to large specific to frequency range and resting state (EO vs. EC), with little influence from common artifacts. These differences indicate that unique information can be derived from FNC between BOLD signals at different frequencies relative to a given restingstate acquisition and support the hypothesis meaningful BOLD signal is present at higher frequency ranges.

Nitrogen (N) is one of the key essential macronutrients that affects rice growth and yield. Inorganic N fertilizers are excessively used to boost yield and generate serious collateral environmental pollution. Therefore, improving crop N use efficiency (NUE) is highly desirable and has been a major endeavor in crop improvement. However, only a few regulators have been identified that can be used to improve NUE in rice to date. Here we show that the NIN-like protein OsNLP4 significantly improves the rice NUE and yield. Field trials consistently showed that loss-of-OsNLP4 dramatically reduced yield and NUE compared with wild type under different N regimes. In contrast, the OsNLP4 overexpression lines remarkably increased yield by 30% and NUE by 47% under moderate N level compared with wild type. Transcriptomic analyses revealed that OsNLP4 orchestrates the expression of a majority of known N uptake, assimilation and signaling genes by directly binding to the nitrate-responsive cis-element in their promoters to regulate their expression. Moreover, overexpression of OsNLP4 can recover the phenotype of Arabidopsis nlp7 mutant and enhance its biomass. Our results demonstrate that OsNLP4 is a master regulator of NUE in rice and sheds light on crop NUE improvement.

Background: Accurate and robust pathological image analysis for colorectal cancer (CRC) diagnosis is time-consuming and knowledge-intensive, but is essential for CRC treatment. The current heavy workload of pathologists in clinics/hospitals may easily lead to unconscious misdiagnosis of CRC based on their daily image analyses. Methods: Based on a state-of-the-art transfer-learned deep convolutional neural network in artificial intelligence (AI), we proposed a novel patch aggregation strategy for clinic CRC prediction/diagnosis using weakly labeled pathological whole slide image (WSI) patches. This approach was trained and validated using an unprecedented and enormously large number of 170,099 patches, >14,680 WSIs, from >9,631 subjects that covered diverse and representative clinical cases from multi-independent-sources across China, U.S., and Germany. Results: Our innovative AI tool was consistently nearly perfectly agreed with (average Kappa-statistic 0.896) and even often better than most of the experienced expert pathologists when tested in diagnosing CRC WSIs from multi-centers. The average area under the receiver operating characteristics curve (AUC) of AI was greater than that of the pathologists (0.981 vs 0.970) and achieved the best performance among the application of other AI methods to CRC diagnosis. Our AI-generated heatmap highlights the image regions of cancer tissue/cells. Conclusions: This first-ever generalizable AI system can handle large amounts of WSIs consistently and robustly without potential bias due to fatigue commonly experienced by clinical pathologists. Hence, it will drastically alleviate the heavy clinical burden of daily pathology diagnosis, and improve the treatment for CRC patients. This tool is generalizable to other cancer diagnosis based on image recognition.