Melanoma is a tumor sensitive to immune response and its immunotherapy has been a research hotspot in recent years. By fusion of melanoma cell membranes and bacterial exosomes through sequential extrusion, we herein design a three-in-one multi-antigenic nanovaccine, namely TBM, to rapidly target immune system. TBM can induce RAW264.7 macrophage cells to differentiate into M1 type cells to release cytotoxic cytokines. It can also promote the maturation and antigen presentation of bone marrow-derived dendritic cells, thus activating spleen T cells to kill B16F10 melanoma cells in vitro. TBM can significantly inhibit the growth and metastasis of melanoma in vivo, and prolong the lifetime of mice, suggesting the preventive effects of vaccines. Further, we integrate cell membranes from mouse melanoma tissues into a novel personalized therapeutic vaccine, namely autologous TBM (ATBM). ATBM combined with Anti PD1 can activate anti-tumor immune response and increase the survival rate of melanoma allografted mice, as supported by eukaryotic reference mRNA-Seq transcriptome sequencing. Generally, this study demonstrates the preventive and therapeutic effects of biomimetic nanovaccines against melanoma, which may be extended to design personalized tumor vaccines for all tumors with immunogenicity, showing great clinical perspectives.

Protected area are the cornerstone of biodiversity and ecosystem service conservation at the local, regional, and global levels. In 2019, China proposed the establishment of a nature reserve system (NRS)centered on national parks, integrating and improving various existing protected areas. This study focuses on the Qinling‒Daba Mountains, an area crucial for both biodiversity and ecosystem services. Through assessments of carbon storage (CS), water yield (WY), soil conservation (SC), and habitat quality (HQ), different conservation scenarios are considered in the context of Systematic conservation planning (SCP). An optimization scheme for the NRS in the Qinling-Daba Mountains is proposed, incorporating ecosystem services and comparing them with the existing system. Research indicates that the main protected areas are concentrated in the Min Mountain‒Motian Mountain‒Longmen Mountain region, the central Qinling region, and the Shennongjia‒Daba Mountain region. Compared with the original system, the area of protected regions in the NRS expanded by 52,000 km

M x Eu 18− x Ge 9 O 5 S 31 ( R 3) were obtained by cationic and anionic co-partial substitution of β-Eu 2 GeS 4 ( P 2 1 / m ), which induced centrosymmetric to noncentrosymmetric structural transformation and balanced second-order nonlinear optical activity.

Designing short-wavelength nonlinear-optical (NLO) crystals is of vital importance for laser applications. Here, the combination of alkaline-earth metals, d0 transition metals, and F atom has generated two new and isostructural fluorides, CaBaZr2F12 (CBZF) and CaBaHf2F12 (CBHF), which adopt centrosymmetric space group I4/mmm. Taking CBZF and CBHF as the parents, two new fluorides, K2BaZr2F12 (KBZF) and K2BaHf2F12 (KBHF), with an Imm2 polar structure were obtained via a heterovalent cation substitution strategy. All four compounds feature ZrF8-dodecahedra-built {[Zr2F12]4–}∞ chains and show short ultraviolet cutoff edges (<200 nm). KBZF and KBHF show phase-matchable behavior with moderate second-harmonic-generation responses [0.6 and 0.35 × KH2PO4 (KDP)] under 1064 nm laser radiation. This work enriches fluorides as promising short-wavelength NLO materials.

Detecting side effects of drugs is a fundamental task in drug development. With the expansion of publicly available biomedical data, researchers have proposed many computational methods for predicting drug-side effect associations (DSAs), among which network-based methods attract wide attention in the biomedical field. However, the problem of data scarcity poses a great challenge for existing DSAs prediction models. Although several data augmentation methods have been proposed to address this issue, most of existing methods employ a random way to manipulate the original networks, which ignores the causality of existence of DSAs, leading to the poor performance on the task of DSAs prediction. In this paper, we propose a counterfactual inference-based data augmentation method for improving the performance of the task. First, we construct a heterogeneous information network (HIN) by integrating multiple biomedical data. Based on the community detection on the HIN, a counterfactual inference-based method is designed to derive augmented links, and an augmented HIN is obtained accordingly. Then, a meta-path-based graph neural network is applied to learn high-quality representations of drugs and side effects, on which the predicted DSAs are obtained. Finally, comprehensive experiments are conducted, and the results demonstrate the effectiveness of the proposed counterfactual inference-based data augmentation for the task of DSAs prediction.