The excavation of pits will induce the vertical displacement of tunnels and lead to engineering problems. The shape as well as size of a pit, and the complex spatial position relationship between the pit and tunnel will induce different deformation responses of tunnel structures; however, the degree to which each factor influences tunnel structure deformation is still unclear. This paper studied the impact of excavation on the deformation of tunnels via a combination of numerical simulation and orthogonal tests. The deformation of tunnels induced by excavation was studied using a numerical method, after which the sensitivity of influencing factors to tunnel deformation was studied by means of range and variance analyses through a four-factor and three-level orthogonal test. The results show that, for a foundation pit with a long side perpendicular to the tunnel longitude, the excavation has the least influence on tunnel deformation. Tunnel deformation increased with an increase in the excavation depth and decreased with an increase in tunnel–pit vertical and horizontal distance. As the plane shape of the foundation pit is 20 m × 45 m, the depth of excavation is 4 m, the pit tunnel vertical distance is 13 m, and the pit tunnel horizontal distance is 28 m, the tunnel has the least deformation. Based on the results of this study, the position relationship between the pit and the tunnel can be optimized in terms of design and construction, and the aim of controlling tunnel deformation can be achieved.

ABSTRACT Proteins are one of the most important components in life, and the research on protein complex and the development of protein or antibody drugs relies on effective representation of proteins. Both experimental methods like cryo-electron microscopy and computational methods like molecular dynamic simulation suffer from high cost, long time investment and low throughput, and cannot be used in large-scale studies. Some examples of artificial intelligence for protein complex prediction tasks show that different representations of proteins have their own limitations. This paper constructs a multimodal model named WUREN (Whole-modal fUsion Representation for protein interaction interfacE predictioN), which effectively fuses sequence, graph, and structural features. WUREN has achieved state-of-the-art performance on both the antigen epitope prediction task and the protein-protein interaction interface prediction task, with AUC-PR reaching 0.462 and 0.516, respectively. Our results show that WUREN is a general and effective feature extraction model for protein complex, which can be used in the development of protein-based drugs. Furthermore, the general framework in WUREN can be potentially applied to model similar biologics to proteins, such as DNA and RNA.

ABSTRACT High-content analysis (HCA) holds enormous potential for drug discovery and research, but widely used methods can be cumbersome and yield inaccurate results. Noise and high similarity in cell images impede the accuracy of deep learning-based image analysis. To address these issues, we introduce More Is Different (MID), a novel HCA method that combines cellular experiments, image processing, and deep learning modeling. MID effectively combines the convolutional neural network and Transformer to encode high-content images, effectively filtering out noisy signals and characterizing cell phenotypes with high precision. In comparative tests on drug-induced cardiotoxicity and mitochondrial toxicity classification, as well as compound classification, MID outperformed both DeepProfiler and CellProfiler, which are two highly recognized methods in HCA. We believe that our results demonstrate the utility and versatility of MID and anticipate its widespread adoption in HCA for advancing drug development and disease research.