Abstract Perturbation to the cerebellum can lead to motor dysfunction, cognitive deficits, and behavioral inflexibility. Here we report that a cerebellum-specific transgenic mouse model with disrupted Purkinje cell function shows unexpectedly accelerated learning on a sensory evidence-accumulation task, as well as enhanced sensory reactivity to touch and auditory cues. Computational latent-state analysis of behavior revealed that accelerated learning was associated with enhanced focus on current over past trials. Learning was also accelerated by providing cue-locked optogenetic stimulation of Purkinje cells, but unaffected by continuous optogenetic interference with Purkinje cell activity. Both transgenic and optogenetically-boosted mice showed prolonged electrophysiological activity in Purkinje-cell complex spikes and anterior cingulate cortex. We suggest that cerebellar activity may shape evidence-accumulation learning by enhancing task focus and neocortical processing of current experience.

Abstract: The development of metallic joint prostheses has been ongoing for more than a century alongside advancements in hip and knee arthroplasty. Among the materials utilized, the Cobalt-Chromium-Molybdenum (Co-Cr-Mo) and Titanium-Aluminum-Vanadium (Ti-Al-V) alloys are predominant in joint prosthesis construction, predominantly due to their commendable biocompatibility, mechanical strength, and corrosion resistance. Nonetheless, over time, the physical wear, electrochemical corrosion, and inflammation induced by these alloys that occur post-implantation can cause the release of various metallic components. The released metals can then flow and metabolize in vivo, subsequently causing potential local or systemic harm. This review first details joint prosthesis development and acknowledges the release of prosthetic metals. Second, we outline the metallic concentration, biodistribution, and elimination pathways of the released prosthetic metals. Lastly, we discuss the possible organ, cellular, critical biomolecules, and significant signaling pathway toxicities and adverse effects that arise from exposure to these metals. Keywords: metallic joint prostheses, prosthetic metal release, potential toxicity and adverse effects

Abstract Integrating genomics and histology for cancer prognosis demonstrates promise. Here, we develop a multi-classifier system integrating a lncRNA-based classifier, a deep learning whole-slide-image-based classifier, and a clinicopathological classifier to accurately predict post-surgery localized (stage I–III) papillary renal cell carcinoma (pRCC) recurrence. The multi-classifier system demonstrates significantly higher predictive accuracy for recurrence-free survival (RFS) compared to the three single classifiers alone in the training set and in both validation sets (C-index 0.831-0.858 vs. 0.642-0.777, p < 0.05). The RFS in our multi-classifier-defined high-risk stage I/II and grade 1/2 groups is significantly worse than in the low-risk stage III and grade 3/4 groups (p < 0.05). Our multi-classifier system is a practical and reliable predictor for recurrence of localized pRCC after surgery that can be used with the current staging system to more accurately predict disease course and inform strategies for individualized adjuvant therapy.

Background Cognitive impairment patients are prone to malnutrition, which further promotes cognitive decline. Cognitive impairment patients are unable to accurately answer subjective questions in the nutrition screening scale. Therefore, it is crucial to establish a nutritional risk prediction model using objective evaluation indicators to evaluate the nutritional status of cognitive impairment patients during hospitalization. Objective To develop a nomogram for prediction of the nutritional risk in cognitive impairment patients. Methods The least absolute shrinkage and selection operator (LASSO) was used for regression analysis, and predictive factors were selected based on 10-fold cross validation. Then, using the selected predictive factors, multivariable logistic regression analysis was performed to obtain the final clinical prediction model. Moreover, the performance of the model was evaluated from receiver operating characteristic curve, calibration curve, and decision curve analysis. Further assessment was conducted through internal validation. Results Six predictive factors were selected from 20 variables through LASSO, including body mass index, age, triglyceride, taking cognitive-improving drugs, controlling nutritional status, and geriatric nutritional risk index. The area under the receiver operating characteristic curve of the training cohort was 0.91, while the validation cohort was 0.88, indicating that the model constructed with 6 predictors had moderate predictive ability. The decision curve analysis showed that the threshold range for both groups was 0.00–0.80, with the highest net benefit 0.76 for training cohort, while 0.77 for validation cohort. Conclusions Introducing six predictive factors, the risk nomogram is useful for predicting nutritional risk of cognitive impairment.