Abstract In response to membrane depolarization, the KCNQ1 potassium channel opens at the intermediate (IO) and activated (AO) states that correspond to the stepwise activation of the voltage sensing domain (VSD) to the intermediate (I) and activated (A) states. In the heart, KCNQ1 associates with the auxiliary subunit KCNE1 to form the I Ks channel that regulates heart rhythm. More than 300 of loss-of-function KCNQ1 mutations cause long QT syndrome (LQTS). KCNE1 suppresses the IO state so that the I Ks channel opens only to the AO state. Thus, enhancing AO state presents a potential therapy for anti-LQTS. Here, we systematically tested modulations of KCNQ1 channels by a KCNQ1 activator, ML277. It enhances the current amplitude, slows down activation, deactivation and inactivation kinetics, shifts the voltage dependence of activation to more positive voltages, decreases the Rb + /K + permeability ratio, and selectively increases currents of mutant KCNQ1 channels that open only to the AO state. All these observations are consistent with the mechanism that ML277 specifically potentiates the AO state. On the other hand, ML277 does not affect the VSD activation, suggesting that it potentiates the AO state by enhancing the electromechanical (E-M) coupling when the VSD moves to the activated state. Our results suggest that ML277 provides a unique tool to investigate the gating mechanism of KCNQ1 and I Ks channels. The specificity of ML277 to increase the AO state of native I Ks currents also suggests a new strategy for anti-LQTS therapy.

The transient electromagnetic (TEM) method is a crucial tool for subsurface exploration, providing essential insights into the electrical resistivity structures beneath the Earth’s surface. Traditional forward modeling approaches, such as the finite-difference time-domain (FDTD) method and the finite-element method (FEM), are computationally intensive, limiting their practicality for real-time, high-resolution, or large-scale investigations. To address these challenges, we present Deep-TEMNet, an advanced deep learning framework specifically designed for two-dimensional TEM forward modeling. Deep-TEMNet integrates the U-Net architecture with a tailored two-dimensional long short-term memory (2D LSTM) module, allowing it to effectively capture complex spatial-temporal relationships in TEM data. The U-Net component enables high-resolution spatial feature extraction, while the 2D LSTM module enhances temporal modeling by processing spatial sequences in two dimensions, thereby optimizing the representation of electromagnetic field dynamics over time. Trained on high-fidelity FEM-generated datasets, Deep-TEMNet achieves exceptional accuracy in reproducing electromagnetic field distributions across diverse geological scenarios, with a mean squared error of 0.00000134 and a root mean square percentage error of 0.002373019. The framework offers over 150 times the computational speed of traditional FEMs, with an average inference time of just 3.26 s. Extensive validation across varied geological conditions highlights Deep-TEMNet’s robustness and adaptability, establishing its potential for efficient, large-scale subsurface mapping and real-time data processing. By combining U-Net’s spatial resolution capabilities with the sequential processing strength of the 2D LSTM module, Deep-TEMNet significantly advances computational efficiency and accuracy, positioning it as a valuable tool for geophysical exploration, environmental monitoring, and other applications requiring scalable, real-time TEM analyses that are easily integrated into remote sensing workflows.