Urban rivers rely on intricate multitrophic interactions in food webs, which are vital for ecological functions. Human-induced pollutant discharge, notably micropollutants, poses a threat to these interactions. To study the impact of micropollutants on the microbial food web, we sampled downstream areas of the Jiulong River9s north tributary (lower urbanization, ~25% built land) and west tributary (higher urbanization, ~65% built land) for eleven consecutive days in both dry and wet seasons in Fujian, China. We constructed a conceptualized planktonic food web model by employing DNA metabarcoding targeting bacteria, micro-eukaryotes (algae and protozoa), and microzooplankton. Our results revealed that the more urbanized west tributary exhibited significantly higher micropollutant concentrations. Structural equation modeling (SEM) incorporating micropollutants and all food web elements indicated a significantly stronger impact of micropollutants on the planktonic food web in the west tributary than in the north tributary. Micropollutants exhibited both direct and indirect (cascade) effects on high trophic levels (protozoa and microzooplankton), with algal communities mediating the cascade effects instead of bacterial communities, likely due to the increased eutrophication in the urbanized tributary. Overall, our study underscores the potential ecological disruptions caused by micropollutants in shaping planktonic food web interactions in urban rivers.

Purpose: Metastatic relapse of triple-negative breast cancer (TNBC) within 2 years of diagnosis is associated with particularly aggressive disease and a distinct clinical course relative to TNBCs that relapse beyond 2 years. We hypothesized that rapid relapse TNBCs (rrTNBC; metastatic relapse or death <2 years) reflect unique genomic features relative to late relapse (lrTNBC; >2 years). Patients and Methods: We identified 453 primary TNBCs from three publicly-available datasets and characterized each as rrTNBc, lrTNBC, or 'no relapse' (nrTNBC: no relapse/death with at least 5 years follow-up). We compiled primary tumor clinical and multi-omic data, including transcriptome (n=453), copy number alterations (CNAs; n=317), and mutations in 171 cancer-related genes (n=317), then calculated published gene expression and immune signatures. Results: Patients with rrTNBC were higher stage at diagnosis (Chi-square p<0.0001) while lrTNBC were more likely to be non-basal PAM50 subtype (Chi-square p=0.03). Among 125 expression signatures, five immune signatures were significantly higher in nrTNBCs while lrTNBC were enriched for eight estrogen/luminal signatures (all FDR p<0.05). There was no significant difference in tumor mutation burden or percent genome altered across the groups. Among mutations, only TP53 mutations were significantly more frequent in rrTNBC compared to lrTNBC (Fisher exact FDR p=0.009). To develop an optimal classifier, we used 77 significant clinical and 'omic features to evaluate six modeling approaches encompassing simple, machine learning, and artificial neural network (ANN). Support vector machine outperformed other models with average receiver-operator characteristic area under curve >0.75. Conclusions: We provide a new approach to define TNBCs based on timing of relapse. We identify distinct clinical and genomic features that can be incorporated into machine learning models to predict rapid relapse of TNBC.