Elaborate molecular design on cathodes is of great importance for rechargeable aqueous zinc-organic batteries' performance elevation. Herein, we design a novel orthoquinone-based covalent organic framework with an ordered channel structures (BT-PTO COF) cathode for an ultrahigh performance aqueous zinc-organic battery. The ordered channel structure facilitates ions transfer and makes the COF follow a redox pseudocapacitance mechanism. Thus, it delivers a high reversible capacity of 225 mAh g-1 at 0.1 A g-1 and an exceptional long-term cyclability (retention rate 98.0 % at 5 A g-1 (≈18 C) after 10 000 cycles). Moreover, a co-insertion mechanism with Zn2+ first followed by two H+ is uncovered for the first time. Significantly, this co-insertion behaviour evolves to more H+ insertion routes at high current density and gives the COF ultra-fast kinetics thus it achieves unprecedented specific power of 184 kW kg-1(COF) and a high energy density of 92.4 Wh kg-1(COF) . Our work reports a superior organic material for zinc batteries and provides a design idea for future high-performance organic cathodes.

Abstract The precise, simultaneous, and rapid detection of essential biomarkers in human tears is imperative for monitoring both ocular and systemic health. The utilization of a wearable colorimetric biochemical sensor exhibits potential in achieving swift and concurrent detection of pivotal biomarkers in tears. Nevertheless, challenges arise in the collection, interpretation, and sharing of data from the colorimetric sensor, thereby restricting the practical implementation of this technology. To overcome these challenges, this research introduces an artificial intelligence-assisted wearable microfluidic colorimetric sensor system (AI-WMCS) for rapid, non-invasive, and simultaneous detection of key biomarkers in human tears, including vitamin C, H + (pH), Ca 2+ , and proteins. The sensor consists of a flexible microfluidic epidermal patch that collects tears and facilitates the colorimetric reaction, and a deep-learning neural network-based cloud server data analysis system (CSDAS) embedded in a smartphone enabling color data acquisition, interpretation, auto-correction, and display. To enhance accuracy, a well-trained multichannel convolutional recurrent neural network (CNN-GRU) corrects errors in the interpreted concentration data caused by varying pH and color temperature in different measurements. The test set determination coefficients (R 2 ) of 1D-CNN-GRU for predicting pH and 3D-CNN-GRU for predicting the other three biomarkers were as high as 0.998 and 0.994, respectively. This correction significantly improves the accuracy of the predicted concentration, enabling accurate, simultaneous, and quick detection of four critical tear biomarkers using only minute amounts of tears ( ~ 20 μL). This research demonstrates the powerful integration of a flexible microfluidic colorimetric biosensor and deep-learning algorithm, which holds immense potential to revolutionize the fields of health monitoring.

The shortwave infrared (SWIR) region is an ideal spectral window for next-generation bioimaging to harness improved penetration and reduced phototoxicity. SWIR spectral activity may also be accessed via supramolecular dye aggregation. Unfortunately, development of dye aggregation remains challenging. We propose a crystal-aided aggregate synthesis (CAASH) approach to introduce a layer of rationality for the development of J-aggregate and the successful development of a water-soluble SWIR JV-aggregate with a bisbenzannulated silicon rhodamine scaffold (ESi5). The resulting SWIR-aggregates exhibit excellent stabilities toward organic solvents, pH, sonication, photobleaching, thiols, and endogenous oxidative species. Notably, the aggregates have a high structure-dependent melting temperature of ca. 330-335 K. In fact, the heating/annealing process can be exploited to reduce aggregation disorder. The aggregates are biocompatible and have broad potential in in vivo fluorescence and photoacoustic imaging and more. While the shortwave infrared (SWIR) region has potential for bioimaging applications, stable and biocompatible SWIR absorbers/emitters are challenging to access. Here, the authors report the approach of crystal-aided aggregate synthesis for the development of J-aggregates for in vivo bioimaging.

Metal-based nanoparticles (MNPs) are increasingly being released into the marine environment, posing potential environmental risks. However, factors governing the environmental occurrence and distribution of MNPs in bays still lack a comprehensive understanding. Herein, we collected seawater and sediment samples from two adjacent bays (Daya Bay and Honghai Bay, which have similar water qualities), and determined the particle concentrations and sizes of multi-element MNPs (Ti-, Cu-, Zn-, Ag-, Mn-, Pb- and Cr-based NPs) via single particle inductively coupled plasma-mass spectrometry (spICP-MS). The internal circulation in Daya Bay has resulted in an even distribution of MNPs' particle concentrations and sizes in both seawater and sediments, while the terrestrial discharge in Honghai Bay has led to a gradient-decreasing trend in MNPs' concentrations from nearshore to offshore. Moreover, the relatively high abundance of MNPs in Honghai Bay has contributed to 2.35-fold higher environmental risks than Daya Bay. Overall, this study has provided solid evidence on the critical but overlooked factors that have shaped the occurrence and distribution of MNPs, providing new insights for risk management and emission regulation.

Abstract The complex wiring, bulky data collection devices, and difficulty in fast and on-site data interpretation significantly limit the practical application of flexible strain sensors as wearable devices. To tackle these challenges, this work develops an artificial intelligence-assisted, wireless, flexible, and wearable mechanoluminescent strain sensor system (AIFWMLS) by integration of deep learning neural network-based color data processing system (CDPS) with a sandwich-structured flexible mechanoluminescent sensor (SFLC) film. The SFLC film shows remarkable and robust mechanoluminescent performance with a simple structure for easy fabrication. The CDPS system can rapidly and accurately extract and interpret the color of the SFLC film to strain values with auto-correction of errors caused by the varying color temperature, which significantly improves the accuracy of the predicted strain. A smart glove mechanoluminescent sensor system demonstrates the great potential of the AIFWMLS system in human gesture recognition. Moreover, the versatile SFLC film can also serve as a encryption device. The integration of deep learning neural network-based artificial intelligence and SFLC film provides a promising strategy to break the “color to strain value” bottleneck that hinders the practical application of flexible colorimetric strain sensors, which could promote the development of wearable and flexible strain sensors from laboratory research to consumer markets.