We discuss methodology for multidimensional scaling (MDS) and its implementation in two software systems, GGvis and XGvis. MDS is a visualization technique for proximity data, that is, data in the form of N × N dissimilarity matrices. MDS constructs maps (“configurations,” “embeddings”) in IRk by interpreting the dissimilarities as distances. Two frequent sources of dissimilarities are high-dimensional data and graphs. When the dissimilarities are distances between high-dimensional objects, MDS acts as a (often nonlinear) dimension-reduction technique. When the dissimilarities are shortest-path distances in a graph, MDS acts as a graph layout technique. MDS has found recent attention in machine learning motivated by image databases (“Isomap”). MDS is also of interest in view of the popularity of “kernelizing” approaches inspired by Support Vector Machines (SVMs; “kernel PCA”).This article discusses the following general topics: (1) the stability and multiplicity of MDS solutions; (2) the analysis of structure within and between subsets of objects with missing value schemes in dissimilarity matrices; (3) gradient descent for optimizing general MDS loss functions (“Strain” and “Stress”); (4) a unification of classical (Strain-based) and distance (Stress-based) MDS.Particular topics include the following: (1) blending of automatic optimization with interactive displacement of configuration points to assist in the search for global optima; (2) forming groups of objects with interactive brushing to create patterned missing values in MDS loss functions; (3) optimizing MDS loss functions for large numbers of objects relative to a small set of anchor points (“external unfolding”); and (4) a non-metric version of classical MDS.We show applications to the mapping of computer usage data, to the dimension reduction of marketing segmentation data, to the layout of mathematical graphs and social networks, and finally to the spatial reconstruction of molecules.

The reduced-rank regression is an effective method in predicting multiple response variables from the same set of predictor variables. It reduces the number of model parameters and takes advantage of interrelations between the response variables and hence improves predictive accuracy. We propose to select relevant variables for reduced-rank regression by using a sparsity-inducing penalty. We apply a group-lasso type penalty that treats each row of the matrix of the regression coefficients as a group and show that this penalty satisfies certain desirable invariance properties. We develop two numerical algorithms to solve the penalized regression problem and establish the asymptotic consistency of the proposed method. In particular, the manifold structure of the reduced-rank regression coefficient matrix is considered and studied in our theoretical analysis. In our simulation study and real data analysis, the new method is compared with several existing variable selection methods for multivariate regression and exhibits competitive performance in prediction and variable selection.

Abstract Genetic variants in the GJB2 gene are the most frequent causes of congenital and childhood hearing loss worldwide. In addition to nonsyndromic hearing loss, GJB2 pathogenic variants are also correlated with syndromic phenotypes, showing high genetic and phenotypic heterogeneity. To comprehensively delineate the genetic and phenotypic landscape of GJB2 variants, we interpreted and manually curated all the 2043 possible single-nucleotide substitution (SNS) coding variants in this gene following the hearing loss-specific ACMG/AMP guidelines. As a result, 61 (3.0%), 188 (9.2%), 1487 (72.8%), 301 (14.7%) and 6 (0.3%) variants were classified as pathogenic, likely pathogenic, variant of uncertain significance, likely benign and benign, respectively. Interestingly, 54% (84/156) of pathogenic/likely pathogenic missense variants were not recorded in ClinVar. Further analysis showed that the second transmembrane domain (TM2) and the 3 10 helix are highly enriched for pathogenic missense variants. The N-terminal tail and the extracellular loop (E1) showed a high density of variants that are associated with syndromic or dominant nonsyndromic hearing loss. On the other hand, the intracellular loops (CL and CT) were extremely tolerant to variation. Based on this new information, we propose refinements of the guidelines for variant interpretation in GJB2 . In summary, our study interpreted all possible SNS variants in the coding region of the GJB2 gene, characterized novel clinically significant (N = 249) and benign or likely benign (N = 307) in this gene, and revealed significant genotype-phenotype correlations at this common hearing loss locus. The interpretation of GJB2 SNS variants in the coding region provides a prototype for genes with similarly high genetic and phenotypic heterogeneity.

Wide-bandgap perovskite solar cells (WBG-PSCs) are critical for developing perovskite/silicon tandem solar cells. The defect-rich surface of WBG-PSCs will lead to severe interfacial carrier loss and phase segregation, deteriorating the device's performance. Herein, we develop a surface reconstruction method by removing the defect-rich crystal surface by nano-polishing and then passivating the newly exposed high-crystallinity surface. This method can refresh the perovskite/electron-transporter interface and release the residual lattice strain, improving the charge collection and inhibiting the ion migration of WBG perovskites. As a result, we can achieve certified efficiencies of 23.67% and 21.70% for opaque and semi-transparent PSCs via a 1.67-eV perovskite absorber. Moreover, we achieve four-terminal perovskite/silicon tandem solar cells with a certified efficiency of 33.10% on an aperture area of one square centimeter. The defect-rich surface of wide-bandgap perovskite solar cells leads to severe interfacial carrier loss and phase segregation. Here, the authors reconstruct the surface through nano-polishing followed by passivation, achieving certified efficiency of 33.1% for perovskite/silicon tandem solar cells.

Abstract The Capsule Network (CapsNet) has been shown to have significant advantages in improving the accuracy of bearing fault identification. Nevertheless, the CapsNet faces challenges in identifying the type of bearing fault under nonstationary and noisy conditions. These challenges arise from the distinctive nature of its dynamic routing algorithm and the use of fixed single-scale kernels. To address these challenges, a multi-scale spatial–temporal capsule network (MSCN) based on sequence encoding is proposed for bearing fault identification under nonstationary and noisy environments. A spatial–temporal sequence encoding module focuses on feature correlations at various times and positions. Dilated convolution-based multiscale capsule layer (MCaps) is designed to capture spatial–temporal features at different scales. MCaps establishes connections between various layers, enhancing the comprehension and interpretation of spatial–temporal features. Furthermore, the Bhattacharyya coefficient is introduced into the dynamic routing to compare the similarity between capsules. The validity of the model is verified through comparative experiments, and the results show that MSCN has significant advantages over traditional methods.

Irradiation-induced defects such as dislocation loops, cavities or solute clusters and chemical composition segregation of reactor pressure vessel (RPV) steel are the root causes of irradiation embrittlement. Combining two nucleation mechanisms, namely, the uniform nucleation and non-uniform nucleation of solute clusters (such as Cu-rich phase), a cluster kinetic simulation was established based on the reaction rate theory, and the co-evolution of matrix damage and Cu-rich phase in low-copper RPV steel was simulated under irradiation. And the average size and number density of defective clusters and solute clusters were established with irradiation dose. Compared with the average size and number density of dislocation loops observed by transmission electron microscopy (TEM) of proton irradiated RPV steel at 290°C, the verification results show that the cluster dynamics model considering both the nucleation mechanism of interstitial dislocation loops and vacancy clusters can well simulate the irradiation damage behavior of materials.

Abstract Purpose The American College of Medical Genetics and Genomics, and the Association for Molecular Pathology (ACMG/AMP) have proposed a set of evidence-based guidelines to support sequence variant interpretation. The ClinGen hearing loss expert panel (HL-EP) introduced further specifications into the ACMG/AMP framework for genetic hearing loss. This study aimed to semi-automate the HL ACMG/AMP rules. Methods VIP-HL aggregates information from external databases to automate 13 out of 24 ACMG/AMP rules specified by HL-EP, namely PVS1, PS1, PM1, PM2, PM4, PM5, PP3, BA1, BS1, BS2, BP3, BP4, and BP7. Results We benchmarked VIP-HL using 50 variants where 83 rules were activated by the HL expert panel. VIP-HL concordantly activated 96% (80/83) rules, significantly higher than that of by InterVar (47%; 39/83). Of 4948 ClinVar star 2+ variants from 142 deafness-related genes, VIP-HL achieved an overall variant interpretation concordance in 88.0% (4353/4948). VIP-HL is available with a user-friendly web interface at http://hearing.genetics.bgi.com/ . Conclusion VIP-HL is an integrated online tool for reliable automated variant classification in hearing loss genes. It assists curators in variant interpretation and provides a platform for users to share classifications with each other.