The physical properties of gas hydrate‐bearing sediments depend on the volume fraction and spatial distribution of the hydrate phase. The host sediment grain size and the state of effective stress determine the hydrate morphology in sediments; this information can be used to significantly constrain estimates of the physical properties of hydrate‐bearing sediments, including the coarse‐grained sands subjected to high effective stress that are of interest as potential energy resources. Reported data and physical analyses suggest hydrate‐bearing sands contain a heterogeneous, patchy hydrate distribution, whereby zones with 100% pore‐space hydrate saturation are embedded in hydrate‐free sand. Accounting for patchy rather than homogeneous hydrate distribution yields more tightly constrained estimates of physical properties in hydrate‐bearing sands and captures observed physical‐property dependencies on hydrate saturation. For example, numerical modeling results of sands with patchy saturation agree with experimental observation, showing a transition in stiffness starting near the series bound at low hydrate saturations but moving toward the parallel bound at high hydrate saturations. The hydrate‐patch size itself impacts the physical properties of hydrate‐bearing sediments; for example, at constant hydrate saturation, we find that conductivity (electrical, hydraulic and thermal) increases as the number of hydrate‐saturated patches increases. This increase reflects the larger number of conductive flow paths that exist in specimens with many small hydrate‐saturated patches in comparison to specimens in which a few large hydrate saturated patches can block flow over a significant cross‐section of the specimen.

Abstract The identification of rare variants that contribute to complex diseases is challenging due to low statistical power. Here we propose a novel and powerful rare variants association test based on the deviation of the observed mutational burden in a genomic region from a baseline mutation burden predicted by weighted recursive truncated negative-binomial regression (RUNNER) on genomic features available from public data. Simulation studies show that RUNNER is substantially more powerful than state-of-the-art rare variant association methods (including SKAT, CMC and KBAC), while maintaining correct type 1 error rates under population stratification and in small samples. Applied to real data, RUNNER “rediscovered” known genes of Hirschsprung disease missed by current methods, and detected promising new candidate genes, including NXPE4 for Hirschsprung disease and CXCL16 for Alzheimer’s disease. The proposed approach provides a powerful and robust method to identify rare risk variants for complex diseases.

ABSTRACT Gas clathrates are both a resource and a hindrance. They store massive quantities of natural gas but also can clog natural gas pipelines, with disastrous consequences. Eco-friendly technologies for controlling and modulating gas clathrate growth are needed. Type I Antifreeze Proteins (AFPs) from cold-water fish have been shown to bind to gas clathrates via repeating motifs of threonine and alanine. We tested whether proteins encoded in the genomes of bacteria native to natural gas clathrates bind to and alter clathrate morphology. We identified putative clathrate-binding proteins (CBPs) with multiple threonine/alanine motifs in a putative operon ( cbp ) in metagenomes from natural clathrate deposits. We recombinantly expressed and purified five CbpA proteins, four of which were stable, and experimentally confirmed that CbpAs bound to tetrahydrofuran (THF) clathrate, a low-pressure analog for structure II gas clathrate. When grown in the presence of CbpAs, THF clathrate was polycrystalline and plate-like instead of forming single, octahedral crystals. Two CbpAs yielded branching clathrate crystals, similar to the effect of Type I AFP, while the other two produced hexagonal crystals parallel to the [1 1 1] plane, suggesting two distinct binding modes. Bacterial CBPs may find future utility in industry, such as maintaining a plate-like structure during gas clathrate transportation. Table of Contents Graphic

Abstract Genomic identification of driver mutations and genes in cancer cells are critical for precision medicine. Due to difficulty in modeling distribution of background mutations, existing statistical methods are often underpowered to discriminate driver genes from passenger genes. Here we propose a novel statistical approach, weighted iterative zero-truncated negative-binomial regression (WITER), to detect cancer-driver genes showing an excess of somatic mutations. By solving the problem of inaccurately modeling background mutations, this approach works even in small or moderate samples. Compared to alternative methods, it detected more significant and cancer-consensus genes in all tested cancers. Applying this approach, we estimated 178 driver genes in 26 different cancers types. In silico validation confirmed 90.5% of predicted genes as likely known drivers and 7 genes unique for individual cancers as likely new drivers. The technical advances of WITER enable the detection of driver genes in TCGA datasets as small as 30 subjects, rescuing more genes missed by alternative tools.

The driver tissues or cell-types of many human diseases, in which susceptibility genes cause the diseases, remain elusive. We developed a framework to detect the causal-tissues of complex diseases or traits according to selective expression of disease-associated genes in genome-wide association study (GWAS). The core method of the framework is a new robust z-score to estimate genes' expression selectivity. Through extensive computing simulations and comparative analyses in a large-scale schizophrenia GWAS, we demonstrate the robust z-score is more sensitive than existing methods to detect multiple selectively expressed tissues, which further lead to the estimation of more biological sensible driver tissues. The effectiveness of this framework is further validated in five representative complex diseases with the usage of GWAS summary statistics and transcript-level expression in GTEx project. Finally, we also demonstrate that the prioritized tissues and the robust selective expression can enhance characterization of directly associated genes of a disease as well. Interesting results include the estimation of lung as a driver tissue of rheumatoid arthritis, consistent with clinical observations of morbidity between rheumatoid arthritis and lung diseases.

Summary The clastic reservoir in Tahe oil field, west China, is characterized by thin sandstone thickness and low seismic resolution, which brings difficulty to sand description. To solve this problem, we present a seismic resolution enhancement method and a reservoir prediction method to detect thin bed reservoir. We improve seismic resolution based on the matching pursuit (MP) algorithm. The original seismic data is decomposed into superposition of many best-matched wavelets using the MP algorithm. Then we increase the amplitudes of the best-matched wavelets at high frequencies with high signal-noise ratio, while maintaining low-frequency components. Summing these wavelets can reconstruct a new seismic data whose resolution is enhanced. Based on the data with improved resolution, we use a stochastic simulation method to predict the reservoir. A continuous time Markov chain is introduced as vertical prior distributions, which is used to perform stochastic simulation of pseudo wells. Then we calculate the synthetic seismic seismograms for the pseudo-wells, and use a optimal similarity coefficient to find the best-matched pseudo wells to the actual seismic trace. These best-matched pesudo-wells are used to predict lithofacies, porosity and shale content. The above methods are applied to Tahe oil field, and show good and reliable performance.