Recent progress in phase- and morphology-controlled solution combustion synthesis envisages mass fabrications of nanomaterials with more specified phases and morphologies.

Abstract Environmental DNA (eDNA) metabarcoding for biodiversity monitoring is a critical technical advance. Both aquatic and terrestrial biodiversity information can be detected in riverine water eDNA. However, it remains unverified whether riverine water eDNA can be used to simultaneously monitor aquatic and terrestrial biodiversity. Our specific objective was to assess the effectiveness of monitoring aquatic and riparian biodiversity using riverine water eDNA. We proposed that the monitoring effectiveness (the proportion of aquatic and terrestrial biodiversity information detected by riverine water eDNA samples) could be approximated by the transportation effectiveness of land-to-river and upstream-to-downstream biodiversity information flow. We conducted a case study in a watershed on the Qinghai-Tibet Plateau and estimated the effectiveness of using riverine water eDNA to monitor aquatic and riparian biodiversity based on comparing the operational taxonomic units (OTUs) and species assemblages of three taxonomic communities detected in riverine water eDNA samples and riparian soil eDNA samples in spring, summer, and autumn. The aquatic and riparian biodiversity of a watershed on the Qinghai-Tibet Plateau could be simultaneously effectively monitored using riverine water eDNA on summer or autumn rainy days. Monitoring bacterial communities was more efficient than monitoring eukaryotic communities. On summer rainy days, 43%-76% of riparian species could be detected in water eDNA samples, 92%-99% of upstream species could be detected in a 1-km downstream eDNA sample, and more than 50% of dead bioinformation (i.e., the bioinformation labeling the biological material without life activity and fertility) could be monitored 4-6 km downstream for eukaryotes and 13-19 km for bacteria. We encourage more studies on the monitoring effectiveness for each taxonomic community in other watersheds with different environmental conditions. We believe that in future ecological research, conservation and management, we could efficiently monitor and assess the aquatic and terrestrial biodiversity by simply using riverine water eDNA samples.

Abstract Effective glycemic control is paramount for optimal wound healing in diabetic patients. Traditional antibacterial and anti‐inflammatory treatments, while important, often fall short in addressing the hyperglycemic conditions of diabetic wounds. Therefore, the development of novel therapeutic strategies for accelerating diabetic wound healing has garnered escalating attention. Covalent organic frameworks (COFs) are an emerging class of crystalline porous polymers constructed through strong covalent bonds. Their exceptional structural tunability renders them as an ideal platform for advanced therapeutic applications. Herein, two redox‐responsive Zn(II)‐coordinated porphyrin COF hydrogels are constructed, which demonstrate rapid blood glucose reduction in localized tissues, along with improved angiogenesis, reactive oxygen species (ROS) scavenging, and photothermal antimicrobial capacities within the hyperglycemic blood environment of diabetic patients, thereby effectively controlling infections and concurrently promoting wound healing. Specifically, COFs with built‐in dual active sites, i.e., disulfide or diselenide moieties, can be cleaved by ROS, releasing Zn(II) ions that possess antibacterial and tissue‐repairing properties. Furthermore, the Zn(II)‐porphyrin COF exhibits glucose oxidase (GOX)‐like activity, catalyzing the conversion of glucose into non‐glucose metabolites. This synergistic combination of glucose‐responsive Zn(II) release and GOX‐like activities effectively restores tissue redox balance and improves the wound microenvironment, offering a promising strategy for the diagnosis and treatment of diabetic wounds.

The accurate forecasting of vegetable prices is crucial for policy formulation, market decisions, and agricultural market stability. Traditional time-series models often require manual parameter tuning and struggle to effectively handle the complex non-linear characteristics of vegetable price data, limiting their predictive accuracy. This study conducts a comprehensive analysis of the performance of traditional methods, deep learning approaches, and cutting-edge large language models in vegetable-price forecasting using multiple predictive performance metrics. Experimental results demonstrate that large language models generally outperform other methods, but do not have consistent performance for all kinds of vegetables across different time scales. As a result, we propose a novel vegetable-price forecasting method based on mixture of expert models (VPF-MoE), which combines the strengths of large language models and deep learning methods. Different from the traditional single model prediction method, VPF-MoE can dynamically adapt to the characteristics of different vegetable types, dynamically select the best prediction method, and significantly improve the accuracy and robustness of the prediction. In addition, we optimized the application of large language models in vegetable-price forecasting, offering a new technological pathway for vegetable-price prediction.