The overuse of pesticides has shown their malpractices. Novel and sustainable formulations have consequently attracted abundant attention but still appear to have drawbacks. Here, we use a maleic anhydride-functionalized cellulose nanocrystals-stabilized Pickering emulsions template to prepare thermo-responsive microcapsules for a pesticide delivery system via radical polymerization with N-isopropyl acrylamide. The microcapsules (MACNCs-g-NIPAM) are characterized by the microscope, SEM, FTIR, XRD, TG-DTG, and DSC techniques. Imidacloprid (IMI) is loaded on MACNCs-g-NIPAM to form smart release systems (IMI@MACNCs-g-NIPAM) with high encapsulation efficiency (~88.49%) and loading capability (~55.02%). The IMI@MACNCs-g-NIPAM present a significant thermo-responsiveness by comparing the release ratios at 35°C and 25°C (76.22% vs 50.78%). It also exhibits advantages in spreadability, retention and flush resistance on the leaf surface compared with the commercial IMI water-dispersible granules (CG). IMI@MACNCs-g-NIPAM also manifest a significant advantage over CG (11.12 mg/L vs 38.90 mg/L for LC

Abstract Lithium–sulfur (Li–S) batteries promise high theoretical energy density and cost‐effectiveness but grapple with challenges like the polysulfide shuttle effect and sluggish kinetics. Metal–organic framework (MOF) catalysts emerge as a leading solution, despite limited conductivity and high steric hindrance. This study employs undercoordination chemistry to modify Zn–Co bimetallic MOFs (D‐ZIF L), removing organic ligands from active centers. This process mitigates spatial hindrance, thereby promoting comprehensive contact between sulfur species and metal active centers, consequently enhancing the catalytic efficiency of MOFs. Moreover, undercoordination treatment of the metal active centers induces electron redistribution, augmenting electron density at the Fermi level of the metal elements, thereby ameliorating the intrinsic conductivity. Leveraging these advantages, fabricated Li–S batteries employing D‐ZIF L catalysts exhibited markedly mitigated shuttling effects and accelerated sulfur species conversion kinetics. Notably, a substantial reverse areal capacity of 5.0 mAh cm⁻ 2 is achieved after 100 cycles with an evaluated sulfur loading of 5.5 mg cm⁻ 2 . Furthermore, a practical pouch cell demonstrated an initial capacity of 1.8 Ah at 85.8 mA with stable cycling for 50 cycles. This study underscores the potential of undercoordination chemistry in the development of highly conductive MOF catalysts with minimized steric hindrance, thereby advancing the prospects of Li–S battery technology.

Abstract Our main objective was to use machine learning methods to identify significant structural factors associated with pain severity in knee osteoarthritis patients. Additionally, we assessed the potential of various classes of imaging data using machine learning techniques to gauge knee pain severity. The data of semi-quantitative assessments of knee radiographs, semi-quantitative assessments of knee magnetic resonance imaging (MRI), and MRI images from 567 individuals in the Osteoarthritis Initiative (OAI) were utilized to train a series of machine learning models. Models were constructed using five machine learning methods: random forests (RF), support vector machines (SVM), logistic regression (LR), decision tree (DT), and Bayesian (Bayes). Employing tenfold cross-validation, we selected the best-performing models based on the area under the curve (AUC). The study results indicate no significant difference in performance among models using different imaging data. Subsequently, we employed a convolutional neural network (CNN) to extract features from magnetic resonance imaging (MRI), and class activation mapping (CAM) was utilized to generate saliency maps, highlighting regions associated with knee pain severity. A radiologist reviewed the images, identifying specific lesions colocalized with the CAM. The review of 421 knees revealed that effusion/synovitis (30.9%) and cartilage loss (30.6%) were the most frequent abnormalities associated with pain severity. Our study suggests cartilage loss and synovitis/effusion lesions as significant structural factors affecting pain severity in patients with knee osteoarthritis. Furthermore, our study highlights the potential of machine learning for assessing knee pain severity using radiographs.

The complex etiological factors associated with metabolic dysfunction-associated fatty liver disease (MAFLD), including perturbed iron homeostasis, and the unclear nature by which they contribute to disease progression have resulted in a limited number of effective therapeutic interventions. Here, we report that patients with metabolic dysfunction-associated steatohepatitis (MASH), a pathological subtype of MAFLD, exhibit excess hepatic iron and that it has a strong positive correlation with disease progression. FerroTerminator1 (FOT1) effectively reverses liver injury across multiple MASH models without notable toxic side effects compared with clinically approved iron chelators. Mechanistically, our multi-omics analyses reveal that FOT1 concurrently inhibits hepatic iron accumulation and c-Myc-Acsl4-triggered ferroptosis in various MASH models. Furthermore, MAFLD cohort studies suggest that serum ferritin levels might serve as a predictive biomarker for FOT1-based therapy in MASH. These findings provide compelling evidence to support FOT1 as a promising novel therapeutic option for all stages of MAFLD and for future clinical trials.

Extremely high energy storage properties of PbHfO 3 -based antiferroelectric ceramics were achieved through improved sample quality and delayed phase switching fields, along with multiple phase transitions induced by electrical field.

Introduction Pine wilt disease spreads rapidly, leading to the death of a large number of pine trees. Exploring the corresponding prevention and control measures for different stages of pine wilt disease is of great significance for its prevention and control. Methods To address the issue of rapid detection of pine wilt in a large field of view, we used a drone to collect multiple sets of diseased tree samples at different times of the year, which made the model trained by deep learning more generalizable. This research improved the YOLO v4(You Only Look Once version 4) network for detecting pine wilt disease, and the channel attention mechanism module was used to improve the learning ability of the neural network. Results The ablation experiment found that adding the attention mechanism SENet module combined with the self-designed feature enhancement module based on the feature pyramid had the best improvement effect, and the mAP of the improved model was 79.91%. Discussion Comparing the improved YOLO v4 model with SSD, Faster RCNN, YOLO v3, and YOLO v5, it was found that the mAP of the improved YOLO v4 model was significantly higher than the other four models, which provided an efficient solution for intelligent diagnosis of pine wood nematode disease. The improved YOLO v4 model enables precise location and identification of pine wilt trees under changing light conditions. Deployment of the model on a UAV enables large-scale detection of pine wilt disease and helps to solve the challenges of rapid detection and prevention of pine wilt disease.

Understanding the tertiary structures of proteins is of great benefit to function in many aspects of human life. Protein fold recognition is a vital and salient means to know protein structure. Until now, researchers have successively proposed a variety of methods to realize protein fold recognition, but the novel and effective computational method is still needed to handle this problem with the continuous updating of protein structure databases. In this study, we develop a new protein structure dataset named AT and propose the PRFold-TNN model for protein fold recognition. Firstly, different types of feature extraction methods including AAC, HMM, HMM-Bigram and ACC are selected to extract corresponding features for protein sequences. Then an ensemble feature selection method based on PageRank algorithm integrating various tree-based algorithms is used to screen the fusion features. Ultimately, the classifier based on the Transformer model achieves the final prediction. Experiments show that the prediction accuracy is 86.27% on the AT dataset and 88.91% on the independent test set, indicating that the model can demonstrate superior performance and generalization ability in the problem of protein fold recognition. Furthermore, we also carry out research on the DD, EDD and TG benchmark datasets, and make them achieve prediction accuracy of 88.41%, 97.91% and 95.16%, which are at least 3.0%, 0.8% and 2.5% higher than those of the state-of-the-art methods. It can be concluded that the PRFold-TNN model is more prominent.

Comprehensive volatile organic compounds (VOCs) emission control is imperative to decreasing occupational health risks and environmental impact of the packaging and printing industries. In this work, we investigated the VOCs emission characteristics and concentrations of individual contaminants generated by the packaging and printing industries, with regard to various categories, processes, and geographic regions. VOCs emissions, ozone formation potential (OFP), and associated health risks were assessed at 10 representative packaging and printing firms across several cities in Shandong Province, China. Plastic packaging enterprises had the greatest levels of unorganized VOCs emissions, consisting predominantly of oxygenated volatile organic compounds (OVOCs), followed by alkanes and halocarbons. From metal and paper packaging enterprises, OVOCs, alkanes, and aromatics were significant components of unorganized VOCs emissions. Aromatics, halocarbons, and OVOCs contributed significantly to OFP in workshops. The potential carcinogenic risk associated with VOCs in the packaging and printing industries was not significant. However, according to the findings in this study, the workshop environment may provide a comparatively elevated non-carcinogenic risk attributable to ethyl acetate, isopropanol, acrolein, 1,1,2-Trichloroethane, 1,2-Dichloropropane, and naphthalene exposure. In particular, the endocrine-disrupting and genetic toxic effects caused by benzene, toluene, styrene, and naphthalene should not be overlooked. Thus, it is essential to provide precedence to the working environment conditions of workshop laborers, while also undertaking scientific and systematic measures to mitigate the detrimental impacts of VOCs on the environment and human welfare.

Drug-resistant bacterial infections pose a serious threat to human health; thus, there is an increasingly growing demand for nonantibiotic strategies to overcome drug resistance in bacterial infections. Mild photothermal therapy (PTT), as an attractive antibacterial strategy, shows great potential application due to its good biocompatibility and ability to circumvent drug resistance. However, its efficiency is limited by the heat resistance of bacteria. Herein, Cu2O@MoS2, a nanocomposite, was constructed by the in situ growth of Cu2O nanoparticles (NPs) on the surface of MoS2 nanosheets, which provided a controllable photothermal therapeutic effect of MoS2 and the intrinsic catalytic properties of Cu2O NPs, achieving a synergistic effect to eradicate multidrug-resistant bacteria. Transcriptome sequencing (RNA-seq) results revealed that the antibacterial process was related to disrupting the membrane transport system, phosphorelay signal transduction system, oxidative stress response system, as well as the heat response system. Animal experiments indicated that Cu2O@MoS2 could effectively treat wounds infected with methicillin-resistant Staphylococcus aureus. In addition, satisfactory biocompatibility made Cu2O@MoS2 a promising antibacterial agent. Overall, our results highlight the Cu2O@MoS2 nanocomposite as a promising solution to combating resistant bacteria without inducing the evolution of antimicrobial resistance.

Pre-evaluating scientific paper quality aids in alleviating peer review pressure and fostering scientific advancement. Although prior studies have identified numerous quality-related features, their effectiveness and representativeness of paper content remain to be comprehensively investigated. Addressing this issue, we propose a content-based interpretable method for pre-evaluating the quality of scientific papers. Firstly, we define quality attributes of computer science (CS) papers as integrity, clarity, novelty, and significance, based on peer review criteria from 11 top-tier CS conferences. We formulate the problem as two classification tasks: Accepted/Disputed/Rejected (ADR) and Accepted/Rejected (AR). Subsequently, we construct fine-grained features from metadata and knowledge entity networks, including text structure, readability, references, citations, semantic novelty, and network structure. We empirically evaluate our method using the ICLR paper dataset, achieving optimal performance with the Random Forest model, yielding F1 scores of 0.715 and 0.762 for the two tasks, respectively. Through feature analysis and case studies employing SHAP interpretable methods, we demonstrate that the proposed features enhance the performance of machine learning models in scientific paper quality evaluation, offering interpretable evidence for model decisions.