SummaryReprogramming of somatic cells into neurons provides a new approach toward cell-based therapy of neurodegenerative diseases. A major challenge for the translation of neuronal reprogramming into therapy is whether the adult human brain contains cell populations amenable to direct somatic cell conversion. Here we show that cells from the adult human cerebral cortex expressing pericyte hallmarks can be reprogrammed into neuronal cells by retrovirus-mediated coexpression of the transcription factors Sox2 and Mash1. These induced neuronal cells acquire the ability of repetitive action potential firing and serve as synaptic targets for other neurons, indicating their capability of integrating into neural networks. Genetic fate-mapping in mice expressing an inducible Cre recombinase under the tissue-nonspecific alkaline phosphatase promoter corroborated the pericytic origin of the reprogrammed cells. Our results raise the possibility of functional conversion of endogenous cells in the adult human brain to induced neuronal fates.Graphical abstractGraphical AbstractHighlights► Neuronal reprogramming of adult human brain pericytes using Sox2 and Mash1 ► Mouse genetic fate mapping confirms the pericyte origin of the converted cells ► Pericyte-derived induced neuronal cells (PdiNs) demonstrate neuronal excitability

This paper introduces a sophisticated approach for identifying and categorizing broken rotor bars in direct torque-controlled (DTC) induction motors. DTC is implemented in industrial drive systems as a suitable control method to preserve torque control performance, which sometimes shows its impact on fault-representing frequencies. This is because of the DTC’s closed-loop control nature, whichtriesto reduce speed and torque ripples by changing the voltage profile. The proposed model utilizes the modified Shapley Additive exPlanations (SHAP) technique in combination with gradient-boosting decision trees (GBDT) to detect and classify the abnormalities in BRBs at diverse (0%, 25%, 50%, 75%, and 100%) loading conditions. To prevent overfitting of the proposed model, we used the adaptive fold cross-validation (AF-CV) technique, which can dynamically adjust the number of folds during the optimization process. By employing extensive feature engineering in the original dataset and then applying Shapely Additive exPlanations(SHAP)-based feature selection, our methodology effectively identifies informative features from signals (three-phase current, three-phase voltage, torque, and speed) and motor characteristics. The gradient-boosting decision tree (GBDT) classifier, trained using the given characteristics, extracts consistent and reliable classification performance under different loading circumstances and enables precise and accurate detection and classification of broken rotor bars. The proposed approach (SHAP-Fusion GBDT with AF-CV) is a major advancement in the field of machine learning in detecting motor anomalies at varying loading conditions and proved to be an effective mechanism for preventative maintenance and preventing faults in DTC-controlled induction motors byattaining an accuracy rate of 99% for all loading conditions.

How overall tumor growth emerges from the properties of functionally heterogeneous tumor cell subpopulations is a fundamental question of cancer biology. Here we combined lineage tracing, continuous monitoring of tumor mass, proliferation assays and transcriptomics with mathematical modeling and statistical inference to dissect the growth of glioblastoma in mice. We found that tumors grow exponentially at the rate of symmetric divisions of brain tumor stem cells (BTSCs). Spatial modeling predicts, and data show, that BTSCs accumulate at the tumor rim rather than in the core. The physiological differentiation hierarchy downstream of BTSCs is preserved in mice and humans: transit amplifying progenitors give rise to terminally differentiated cells. Consistent with our quantification of the mechanisms underlying tumor growth, molecular data show elevated expression of cell cycle- and migration-related genes in BTSCs. Our systematic approach reveals fundamental properties of glioblastoma and may be transferable to the study of other animal models of cancer.