Abstract The expression of linear DNA sequences is precisely regulated by the three–dimensional (3D) architecture of chromatin. Morphine-induced aberrant gene networks of neurons have been extensively investigated; however, how morphine impacts the 3D genomic architecture of neuorns is still unknown. Here, we applied digestion-ligation-only high-throughput chromosome conformation capture (DLO Hi-C) technology to investigate the affection of morphine on 3D chromatin architecture of primate cortical neurons. After receiving continuous morphine administration for 90 days on rhesus monkeys, we discovered that morphine re-arranged chromosome territories, with a total of 391 segmented compartments being switched. Morphine altered over half of the detected topologically associated domains (TADs), most of which exhibited a variety of shifts, followed by separating and fusing types. Analysis of the looping events at kilobase-scale resolution revealed that morphine increased not only the number but also the length of differential loops. Moreover, all identified differentially expressed genes (DEGs) from the RNA sequencing (RNA-seq) were mapped to the specific TAD boundaries or differential loops, and were further validated to be significantly changed. Collectively, an altered 3D genomic architecture of cortical neurons may regulate the gene networks associated-morphine effects. Our finding provides critical hubs connecting chromosome spatial organization and gene networks associated with the morphine effects in humans.

Objectives This study aimed to identify the risk factors for pancreatic cancer through machine learning. Methods We investigated the relationships between different risk factors and pancreatic cancer using a real-world retrospective cohort study conducted at West China Hospital of Sichuan University. Multivariable logistic regression, with pancreatic cancer as the outcome, was used to identify covariates associated with pancreatic cancer. The machine learning model extreme gradient boosting (XGBoost) was adopted as the final model for its high performance. Shapley additive explanations (SHAPs) were utilized to visualize the relationships between these potential risk factors and pancreatic cancer. Results The cohort included 1,982 patients. The median ages for pancreatic cancer and nonpancreatic cancer groups were 58.1 years (IQR: 51.3–64.4) and 57.5 years (IQR: 49.5–64.9), respectively. Multivariable logistic regression indicated that kirsten rats arcomaviral oncogene homolog (KRAS) gene mutation, hyperlipidaemia, pancreatitis, and pancreatic cysts are significantly correlated with an increased risk of pancreatic cancer. The five most highly ranked features in the XGBoost model were KRAS gene mutation status, age, alcohol consumption status, pancreatitis status, and hyperlipidaemia status. Conclusion Machine learning algorithms confirmed that KRAS gene mutation, hyperlipidaemia, and pancreatitis are potential risk factors for pancreatic cancer. Additionally, the coexistence of KRAS gene mutation and pancreatitis, as well as KRAS gene mutation and pancreatic cysts, is associated with an increased risk of pancreatic cancer. Our findings offered valuable implications for public health strategies targeting the prevention and early detection of pancreatic cancer.