Zhiming Cai and colleagues report whole-genome and whole-exome sequencing of 99 paired tumor-normal samples of transitional cell carcinoma of the bladder. They find that 32% of tumors harbor alterations in genes involved in sister chromatid cohesion, including STAG2, ESPL1, NIPBL, SMC1A and SMC3. Bladder cancer is one of the most common cancers worldwide, with transitional cell carcinoma (TCC) being the predominant form. Here we report a genomic analysis of TCC by both whole-genome and whole-exome sequencing of 99 individuals with TCC. Beyond confirming recurrent mutations in genes previously identified as being mutated in TCC, we identified additional altered genes and pathways that were implicated in TCC. Notably, we discovered frequent alterations in STAG2 and ESPL1, two genes involved in the sister chromatid cohesion and segregation (SCCS) process. Furthermore, we also detected a recurrent fusion involving FGFR3 and TACC3, another component of SCCS, by transcriptome sequencing of 42 DNA-sequenced tumors. Overall, 32 of the 99 tumors (32%) harbored genetic alterations in the SCCS process. Our analysis provides evidence that genetic alterations affecting the SCCS process may be involved in bladder tumorigenesis and identifies a new therapeutic possibility for bladder cancer.

To accurately recognize plant diseases under complex natural conditions, an improved plant disease-recognition model based on the original YOLOv5 network model was established. First, a new InvolutionBottleneck module was used to reduce the numbers of parameters and calculations, and to capture long-distance information in the space. Second, an SE module was added to improve the sensitivity of the model to channel features. Finally, the loss function ‘Generalized Intersection over Union’ was changed to ‘Efficient Intersection over Union’ to address the former’s degeneration into ‘Intersection over Union’. These proposed methods were used to improve the target recognition effect of the network model. In the experimental phase, to verify the effectiveness of the model, sample images were randomly selected from the constructed rubber tree disease database to form training and test sets. The test results showed that the mean average precision of the improved YOLOv5 network reached 70%, which is 5.4% higher than that of the original YOLOv5 network. The precision values of this model for powdery mildew and anthracnose detection were 86.5% and 86.8%, respectively. The overall detection performance of the improved YOLOv5 network was significantly better compared with those of the original YOLOv5 and the YOLOX_nano network models. The improved model accurately identified plant diseases under natural conditions, and it provides a technical reference for the prevention and control of plant diseases.

Accurately identifying cherry-tomato picking points and obtaining their coordinate locations is critical to the success of cherry-tomato picking robots. However, previous methods for semantic segmentation alone or combining object detection with traditional image processing have struggled to accurately determine the cherry-tomato picking point due to challenges such as leaves as well as targets that are too small. In this study, we propose a YOLOv8n-DDA-SAM model that adds a semantic segmentation branch to target detection to achieve the desired detection and compute the picking point. To be specific, YOLOv8n is used as the initial model, and a dynamic snake convolutional layer (DySnakeConv) that is more suitable for the detection of the stems of cherry-tomato is used in neck of the model. In addition, the dynamic large convolutional kernel attention mechanism adopted in backbone and the use of ADown convolution resulted in a better fusion of the stem features with the neck features and a certain decrease in the number of model parameters without loss of accuracy. Combined with semantic branch SAM, the mask of picking points is effectively obtained and then the accurate picking point is obtained by simple shape-centering calculation. As suggested by the experimental results, the proposed YOLOv8n-DDA-SAM model is significantly improved from previous models not only in detecting stems but also in obtaining stem’s masks. In the mAP@0.5 and F1-score, the YOLOv8n-DDA-SAM achieved 85.90% and 86.13% respectively. Compared with the original YOLOv8n, YOLOv7, RT-DETR-l and YOLOv9c, the mAP@0.5 has improved by 24.7%, 21.85%, 19.76%, 15.99% respectively. F1-score has increased by 16.34%, 12.11%, 10.09%, 8.07% respectively, and the number of parameters is only 6.37M. In the semantic segmentation branch, not only does it not need to produce relevant datasets, but also improved its mIOU by 11.43%, 6.94%, 5.53%, 4.22% and mAP@0.5 by 12.33%, 7.49%, 6.4%, 5.99% compared to Deeplabv3+, Mask2former, DDRNet and SAN respectively. In summary, the model can well satisfy the requirements of high-precision detection and provides a strategy for the detection system of the cherry-tomato.

The Internet live broadcast platform is one of the key topics in today's research. The researchers found that the decline in benefits is a common phenomenon in the traditional live broadcasting industry. However, there is still a lack of unified explanation for the research of Internet platform operation strategy and how to break the game. Therefore, to make up for the research gap in the decline of benefits of traditional live streaming Internet platforms and put forward targeted insights. This study took Huya Live streaming as an example to explore the optimization of traditional game live streaming operation strategy. The research methods of this paper are as follows: Taking the Huya Live streaming platform as an example, this paper describes its business model, platform attributes, and differentiated competitive strategy, and uses SWOT analysis to analyze the competitive environment of the Huya live streaming platform. The study found that the Huya live-streaming platform faces challenges such as incomplete realization of traffic, single revenue channels, and fierce market competition. Therefore, two kinds of optimization strategies are proposed. That is the continuous optimization of content ecosystem construction, and firm adoption of mobile and diversified development strategies, and hope to provide valuable references for research in this field.

To address the challenge of accurately detecting new plums amidst trunk and leaf occlusion and fruit overlap, this study presents a novel target detection model, YOLOv8n-CRS. A specialized dataset, specifically designed for new plums, was created under real orchard conditions, with the advanced YOLOv8n model serving as the base network. Initially, the CA attention mechanism was introduced to the backbone network to improve the model’s ability to extract crucial features of new plums. Subsequently, the RFB module was incorporated into the neck layer to leverage multiscale information, mitigating inaccuracies caused by fruit overlap and thereby enhancing detection performance. Finally, the original CIOU loss function was replaced with the SIOU loss function to further enhance the model’s detection accuracy. Test results show that the YOLOv8n-CRS model achieved a recall rate of 88.9%, with average precision scores of mAP@0.5 and mAP@0.5:0.95 recorded at 96.1% and 87.1%, respectively. The model’s F1 score reached 90.0%, and it delivered a real-time detection speed of 88.5 frames per second. Compared to the YOLOv8n model, the YOLOv8n-CRS exhibited a 2.2-percentage-point improvement in recall rate, alongside increases of 0.7 percentage points and 1.2 percentage points in mAP@0.5 and mAP@0.5:0.95, respectively. In comparison to the Faster R-CNN, YOLOv4, YOLOv5s, and YOLOv7 models, the YOLOv8n-CRS model features the smallest size of 6.9 MB. This streamlined design meets the demands for real-time identification of new plums in intricate orchard settings, providing strong technical backing for the visual perception systems of advanced plum-picking robots.