Abstract Phosphatidylinositol 3-kinase-related kinases (PIKKs) are composed of conserved FAT and kinase domains (FATKIN) along with varied solenoid structures made of HEAT repeats. These kinases are activated in response to cellular stress signals, but the mechanisms governing activation and regulation remain unresolved. For DNA-dependent protein kinase (DNA-PK), all existing structures represent inactive states with resolution limited to 4.3 Å at best. Here we report the cryoEM structures of DNA-PKcs (catalytic subunit) bound to a DNA end, or complexed with Ku70/80 and DNA, in both inactive and activated forms at resolutions of 3.7 Å overall, and 3.2 Å for FATKIN. These structures reveal the sequential transition of DNA-PK from inactive to activated forms. Most notably, activation of the kinase involves previously unknown stretching and twisting within individual solenoid segments and coordinated shifts of neighboring segments in opposite directions. This unprecedented structural plasticity of helical repeats may be a general feature of HEAT-repeat proteins.

Automated detection and segmentation of breast masses in ultrasound images are critical for breast cancer diagnosis, but remain challenging due to limited image quality and complex breast tissues. This study aims to develop a deep learning-based method that enables accurate breast mass detection and segmentation in ultrasound images. Approach. A novel convolutional neural network-based framework that combines the You Only Look Once (YOLO) v5 network and the Global-Local (GOLO) strategy was developed. First, YOLOv5 was applied to locate the mass regions of interest (ROIs). Second, a Global Local-Connected Multi-Scale Selection (GOLO-CMSS) network was developed to segment the masses. The GOLO-CMSS operated on both the entire images globally and mass ROIs locally, and then integrated the two branches for a final segmentation output. Particularly, in global branch, CMSS applied Multi-Scale Selection (MSS) modules to automatically adjust the receptive fields, and Multi-Input (MLI) modules to enable fusion of shallow and deep features at different resolutions. The USTC dataset containing 28,477 breast ultrasound images was collected for training and test. The proposed method was also tested on three public datasets, UDIAT, BUSI and TUH. The segmentation performance of GOLO-CMSS was compared with others networks and three experienced radiologists. Main results. YOLOv5 outperformed other detection models with average precisions of 99.41%, 95.15%, 93.69% and 96.42% on the USTC, UDIAT, BUSI and TUH datasets, respectively. The proposed GOLO-CMSS showed superior segmentation performance over other state-of-the-art networks, with Dice similarity coefficients (DSCs) of 93.19%, 88.56%, 87.58% and 90.37% on the USTC, UDIAT, BUSI and TUH datasets, respectively. The mean DSC between GOLO-CMSS and each radiologist was significantly better than that between radiologists (p < 0.001). Significance. Our proposed method can accurately detect and segment breast masses with a decent performance comparable to radiologists, highlighting its great potential for clinical implementation in breast ultrasound examination.

Background:

 Systemic lupus erythematosus (SLE) is an autoimmune disorder characterized by aberrant B cell activation and heightened autoantibody production. Targeting B cells constitutes a pivotal therapeutic strategy in managing SLE. Telitacicept, a novel biologic drug, specifically inhibits B lymphocyte stimulator (BLyS) and a proliferation-inducing ligand (APRIL), demonstrating promising efficacy in SLE treatment. 

Objectives:

 This study aims to investigate the early impact of telitacicept in combination with standard treatments on B cell subsets in SLE patients within the first 6 months. 

Methods:

 Twenty active SLE patients (SLEDAI-2K≥6) were enrolled, and B cell subset analyses were conducted at 0, 4, 12, and 24 weeks after initiating Telitacicept treatment. Flow cytometry was used to quantify B cell subset dynamics. The SLE Responder Index-4 (SRI-4) response rate at 6 months and changes in clinical and laboratory parameters were assessed. 

Results:

 After 6 months of treatment, the SRI-4 response rate was remarkable at 95% (19/20). In comparison to the baseline, significant improvements were observed in SLEDAI-2K scores (12.00 ± 3.28 VS. 1.78 ± 2.29, p< 0.001), anti-dsDNA levels, and complement C3 and C4 levels (p<0.05). A notable decrease in 24-hour urine protein (p=0.004) was recorded. B cell subset analysis in 15 patients completing four follow-ups revealed a decrease in the proportions of total B cells (14.03%± 6.87% VS. 4.44%± 2.63%, p< 0.001), naive B cell(54.985± 17.96% VS. 25.78 %± 10.72, p< 0.001), and short-lived plasma cells(0.10% ± 0.11% VS. 0.04% ± 0.04%, p=0.027), along with an increase in transitional B cells (T1) (0.10% ± 0.22% VS. 0.74% ± 1.11%, p=0.046), switched memory B cells(12.09%±15.39% VS. 24.68%±10.57%, p=0.020), double-negative B cells(8.73%± 8.46% VS. 15.8%±9.26%, p=0.001), and Breg cells (10.56% ± 10.61% VS. 19.33%±10.03%, p=0.002). 

Conclusion:

 The combination of Telitacicept with standard treatment led to significant improvements in disease activity, renal parameters, and B cell subset dynamics. These findings underscore the potential of Telitacicept in modulating the B cell landscape and achieving favorable treatment responses in active SLE patients. 

REFERENCES:

 NIL. 

Acknowledgements:

 Thanks to all the follow-up patients and the doctors involved in the follow-up. 

Disclosure of Interests:

 None declared.

With the growing concern over range anxiety among electric vehicle (EV) owners due to limited battery capacity and sparse charging infrastructure, EV-to-EV (V2V) energy sharing emerges as a crucial solution to extend driving range. Leveraging the vehicular energy network (VEN) enabled by dynamic wireless power transfer (DWPT) technology, energy sharing among EVs in motion becomes feasible. However, the effective establishment of communication and identification of suitable V2V energy sharing pairs pose significant challenges, particularly for EVs with discharging demands. To address this challenge, we propose a new discharging driven energy sharing (DDES) protocol based on vehicular ad-hoc networks (VANETs). Firstly, we present a routing approach for transmitting discharging information through VANETs, considering key factors such as distance, state of charge, number of neighbor vehicles, and vehicle speed. This routing scheme facilitates efficient relay node selection on road segments and intersections, ensuring optimal communication paths. Subsequently, we formulate a charging requester selection model to identify the most suitable requester for energy sharing. This model optimizes individual utility while accounting for the state of charge of the requesters, ensuring a comprehensive and inclusive approach to V2V energy sharing. Finally, we develop an acknowledgment message transmission scheme to ensure the completion of selection acknowledgment between discharging EVs and charging EVs. This scheme includes provisions for recovery in case of forwarding link failures, ensuring robust communication in dynamic vehicular environments. Extensive simulations conducted using network simulator 2 (NS-2) demonstrate the superior performance of the proposed protocol in terms of packet delivery ratio, end-to-end delay, and overall V2V energy sharing efficiency.

The Electronics Engineering Technology at Texas Southern University has been actively involved with course embedded assessment techniques for more than nine years.The assessment project has spanned the engineering technologies programs, the organizational leadership and supervision programs.During the past nine years, the faculty members have learned much about structuring course-embedded assessments and using those assessments for continuous improvement in support of the program educational objective and ABET outcomes.This paper will outline the basic premises and methods of our assessments techniques.In this paper, we present that how assessment data were obtained and analyzed.We also demonstrate that how the obtained feedbacks from analyzed data were utilized to enhance or modify either course or program's educational objectives and outcomes.

Accurately aligning the same users on different flat social networks to merge user information and create more nuanced user profiles is critical. However, the current research in this area faces challenges related to low efficiency and inadequate alignment accuracy. To address these challenges, we introduce a cross-social network user alignment model based on multi-dimensional user features (MDUF). First, inspired by the principles of entity recognition and Hartley's association method, we employed a block matrix association algorithm to project the original dataset into different high-dimensional spaces. Second, we proposed a new inertia weight calculation method to improve the convergence speed from linear to nonlinear transformations. This method improves the performance of traditional particle swarm optimization algorithms. Finally, we utilize improved particle swarm optimization and residual connection techniques to optimize bidirectional long short-term memory networks. The experimental results show that our proposed model significantly outperforms traditional alignment models in terms of alignment efficiency and accuracy, which is highly practical and has the potential to inspire further research on social network user alignment.