Abstract Thermoacidophilic archaea thrive in environments with high temperatures and low pH where cells are prone to severe oxidative stress due to elevated levels of reactive oxygen species (ROS). While the oxidative stress responses have been extensively studied in bacteria and eukaryotes, the mechanisms in archaea remain largely unexplored. Here, using a multidisciplinary approach, we reveal that SisPerR, the homolog of bacterial PerR in Saccharolobus islandicus REY15A, is responsible for ROS response of transcriptional regulation. We show that with H2O2 treatment and sisperR deletion, expression of genes encoding proteins predicted to be involved in cellular metal ion homeostasis regulation, Dps, NirD, VIT1/CCC1 and MntH, is significantly upregulated, while expression of ROS-scavenging enzymes remains unaffected. Conversely, the expression of these genes is repressed when SisPerR is overexpressed. Notably, the genes coding for Dps, NirD and MntH are direct targets of SisPerR. Moreover, we identified three novel residues critical for ferrous ion binding and one novel residue for zinc ion binding. In summary, this study has established that SisPerR is a repressive redox-sensing transcription factor regulating intracellular metal ion homeostasis in Sa. islandicus for oxidative stress defense. These findings have shed new light on our understanding of microbial adaptation to extreme environmental conditions.

Abstract Objectives To develop and validate a novel interpretable artificial intelligence (AI) model that integrates radiomic features, deep learning features, and imaging features at multiple semantic levels to predict the prognosis of intracerebral hemorrhage (ICH) patients at 6 months post-onset. Materials and methods Retrospectively enrolled 222 patients with ICH for Non-contrast Computed Tomography (NCCT) images and clinical data, who were divided into a training cohort ( n = 186, medical center 1) and an external testing cohort ( n = 36, medical center 2). Following image preprocessing, the entire hematoma region was segmented by two radiologists as the volume of interest (VOI). Pyradiomics algorithm library was utilized to extract 1762 radiomics features, while a deep convolutional neural network (EfficientnetV2-L) was employed to extract 1000 deep learning features. Additionally, radiologists evaluated imaging features. Based on the three different modalities of features mentioned above, the Random Forest (RF) model was trained, resulting in three models (Radiomics Model, Radiomics-Clinical Model, and DL-Radiomics-Clinical Model). The performance and clinical utility of the models were assessed using the Area Under the Receiver Operating Characteristic Curve (AUC), calibration curve, and Decision Curve Analysis (DCA), with AUC compared using the DeLong test. Furthermore, this study employs three methods, Shapley Additive Explanations (SHAP), Grad-CAM, and Guided Grad-CAM, to conduct a multidimensional interpretability analysis of model decisions. Results The Radiomics-Clinical Model and DL-Radiomics-Clinical Model exhibited relatively good predictive performance, with an AUC of 0.86 [95% Confidence Intervals (CI): 0.71, 0.95; P < 0.01] and 0.89 (95% CI: 0.74, 0.97; P < 0.01), respectively, in the external testing cohort. Conclusion The multimodal explainable AI model proposed in this study can accurately predict the prognosis of ICH. Interpretability methods such as SHAP, Grad-CAM, and Guided Grad-Cam partially address the interpretability limitations of AI models. Integrating multimodal imaging features can effectively improve the performance of the model. Clinical relevance statement Predicting the prognosis of patients with ICH is a key objective in emergency care. Accurate and efficient prognostic tools can effectively prevent, manage, and monitor adverse events in ICH patients, maximizing treatment outcomes.

In the context of power grid operation, the detection of equipment status is of crucial importance for ensuring the stability and safety of the power system. However, the detection of power grid equipment confronts several challenges, such as the similarity in the morphology of electrical equipment, significant variations in the scale of target objects, and the balance between detection speed and accuracy. These issues have always been key research topics in this field. Based on the pruning strategy and dynamic attention mechanism, this paper proposes an efficient and lightweight object detector, named YOLO-AKD. The outcome is a new strategy that can significantly enhance the inference speed of real-time object detectors while maintaining accuracy. To verify the effectiveness of our strategy, we have created a self-made dataset of power grid switch cabinets, which contains the status of 12 types of electrical equipment. At the same time, a network architecture called YOLO-AKD has been established. We trained our YOLO-AKD from scratch on the self-made dataset of power grid switch cabinets without relying on the pre-trained weights of any other large-scale datasets. Through experimental comparisons with the current state-of-the-art real-time object detectors, including YOLOv6 and RTMDet. Taking RTMDet as an example, in the switch cabinet dataset, our method YOLO-AKD improves the mAP@0.5 by 0.2%, and at the same time, the computational cost of FLOPs decreases from 14.8 FLOPs to 7.9 FLOPs, fulfilling the objective of auxiliary teaching in power grid operation training.

Abstract Organic materials with exceptional blue photoluminescence have emerged as a captivating class of materials, exhibiting promising applications as full‐color display and solid‐state lighting. However, the photoluminescence quenching is a largely unsolved problem towing to the strong π – π interaction in the aggregation effect or the electrostatic repulsion. Herein, a strategy to harvest the remarkably enhanced blue emission in phenylboric acid molecules with intricate hydrogen bond networks through pressure treatment engineering is proposed. Intriguingly, the photoluminescence quantum yields of pressure‐treated phenylboric acid experiences a significant enhancement from 2.3 % to 31.5 %, which shows bright blue emission. The inhibition of benzene ring vibration and the reduction of π – π stacking interaction originating from the offset stacking mode are highly responsible for the enhancement of blue photoluminescence. This work demonstrates the feasibility of modulating molecular stacking patterns to achieve efficient emission and presents a momentous strategy for improving the optical properties of blue organic materials.

Abstract Lanthanide metal-organic frameworks (Ln-MOFs) have received extensive attention in the development of photoluminescent (PL) materials due to their stable structures and unique line-like emission spectroscopic properties. However, in order to prepare Ln-MOFs with high PL quantum yield (PLQY), further improving the sensitization efficiency of the “antenna effect” is essential. Herein, remarkably enhanced PL in [Tb 2 (BDC) 3 (DMF) 2 (H 2 O) 2 ] n MOF is successfully achieved via high-pressure engineering at room temperature. Notably, the PL intensity continues to increase with the pressure increases, reaching its peak at 12.0 GPa, which is 4.4 times compared to the initial state. Detailed experimental and theoretical calculations have demonstrated that pressure engineering significantly narrows the bandgap of [Tb 2 (BDC) 3 (DMF) 2 (H 2 O) 2 ] n , optimizing both singlet and triplet energy levels. Ultimately, higher “antenna effect” sensitization efficiency is achieved by promoting intersystem crossing and energy transfer processes. Our work provides a promising strategy for the development of high PLQY Ln-MOFs.

Excessive dynamic IR-drop in VLSI testing causes timing violations, which leads to test failure. The dynamic IR-drop becomes a more serious problem in at-speed two-vector tests than that in stuck-at tests due to the at-speed clock. However, we need Machine Learning methods to speed up the analysis because of the long runtime of dynamic IR-drop analysis. In this paper, we propose two new methods to predict dynamic IR-drop of at-speed two-vector tests. One uses two models for the first capture cycle and the second capture cycle, respectively. The other one combines features of two capture cycles. Also, we propose spaced-window features and time-sliced features to improve prediction accuracy. Our mean absolute error for the worst dynamic IR-drop prediction is S.230m V, which is less than 0.6 % of the supply voltage. Our experiment results show at least a 12.6X speed-up ratio compared to a commercial tool. With our technique, we can identify two-vector tests which have excessive IR-drop in a short time to prevent yield loss.