Abstract Transcriptomic studies have reported numerous differentially expressed genes in colorectal carcinoma (CRC) versus noncancerous tissues. Given the large number of genes identified, it is unclear which ones are the key genes that drive cancer development. To address the issue, we conducted a large-scale study of eight cohorts with thousands of tumor and nontumor samples, analyzed transcriptomic data, and identified the most miniature set of differentially expressed genes (DEGs) that can nearly perfectly describe the overall features of CRC at the genomic level. The analytical framework was built on a recently proven powerful max-linear competing risk factor model. We first analyzed six public transcriptomic datasets and identified four critical DEGs (i.e., CXCL8, PSMC2, APP, and SLC20A1) with nearly perfect (close to 100%) predictive power. The findings were further validated in a newly collected Chinese cohort and another public dataset. Among the four DEGs, PSMC2 and CXCL8 appeared to play a central role, and CXCL8 alone could serve as a biomarker for early-stage CRC. They rise as druggable and vaccinable targets for CRC. This work represents a pioneering effort to identify critical colorectal-specific genes and their interactions that have not been discovered in previous endeavors. Simple Summary Human knowledge of cancer is still limited. There don’t exist reliable genomic biomarkers for cancer diagnosis, and truly functional and druggable genomic (gene) targets haven’t been reported. One of the main reasons is due to lack of powerful discovery tools to discover the best possible and accurate miniature set of genes to fight against the cancer war. Our research was motivated by such an urgent need, and we hope our findings can fill up gaps in the literature and medical practice. We focus on colorectal cancers in this paper.

Mangiferin is a Chinese herbal extract with multiple biological activities. Mangiferin can penetrate the blood‒brain barrier and has potential in the treatment of nervous system diseases. These findings suggest that mangiferin protects the neurological function in ischemic stroke rats by targeting multiple signaling pathways. However, little is known about the effect and mechanism of mangiferin in alleviating poststroke cognitive impairment. Cerebral ischemia/reperfusion (I/R) rats were generated via middle cerebral artery occlusion. Laser speckle imaging was used to monitor the cerebral blood flow. The I/R rats were intraperitoneally (i.p.) injected with 40 mg/kg mangiferin for 7 consecutive days. Neurological scoring, and TTC staining were performed to evaluate neurological function. Behavioral experiments, including the open field test, elevated plus maze, sucrose preference test, and novel object recognition test, were performed to evaluate cognitive function. Metabolomic data from brain tissue with multivariate statistics were analyzed by gas chromatography‒mass spectrometry and liquid chromatography‒mass spectrometry. Mangiferin markedly decreased neurological scores, and reduced infarct areas. Mangiferin significantly attenuated anxiety-like and depression-like behaviors and enhanced learning and memory in I/R rats. According to the metabolomics results, 13 metabolites were identified to be potentially regulated by mangiferin, and the differentially abundant metabolites were mainly involved in lipid metabolism. Mangiferin protected neurological function and relieved poststroke cognitive impairment by improving lipid metabolism abnormalities in I/R rats.

Unlike eukaryotes, bacteria are less proficient in homologous recombination (HR) and non-homologous end joining (NHEJ). All existing genomic editing methods for Escherichia coli rely on exogenous HR or NHEJ systems to repair DNA double-strand breaks (DSBs). Although an E. coli native end-joining (ENEJ) system has been reported, its potential in chromosomal engineering has not yet been explored. Here, we present a CRISPR-Cas9-assisted native end-joining editing and show that ENEJ-dependent DNA repair can be used to conduct rapid and efficient knocking-out of E. coli genomic sequence of up to 83 kb. Moreover, the positive rate and editing efficiency is independent of high-efficiency competent cells. The method requires neither exogenous DNA repair systems nor introduced editing template. The Cas9 complex is the only foreign element in this method. This study is the first successful engineering effort to utilize ENEJ mechanism in genomic editing and provides an effective strategy for genetic engineering in bacteria that are inefficient in HR and NHEJ.

Energy homeostasis is modulated by the hypothalamic is essential for obesity progression, however, the gene expression profiling remains to be fully understood.

In the monitoring and analysis of physiological and biochemical indicators of athletes, traditional data mining (DM) technology cannot extract compelling features and laws when processing high-dimensional and complex multivariate data, and the accuracy of the analysis results is low. The lack of real-time monitoring of the dynamically changing physiological state makes it impossible to detect athletes’ overtraining or fatigue in time, which affects the training effect and the health of athletes. This paper constructs an improved XGBoost (eXtreme Gradient Boosting) model to clean and normalize the collected physiological and biochemical data, remove outliers and fill in missing values, and construct a variable set representing the characteristics of different training periods to provide high-quality input data for subsequent model analysis. This paper combines the SHAP (SHapley Additive exPlanations) method to quantify the importance of each feature, selects the variables that contribute most to the recognition of the training state to optimize the model input, reduce the model complexity, and improve the computational efficiency. Based on the original XGBoost model, the loss function can be adjusted and the adaptive learning rate mechanism can be added to enable the model better to capture the dynamic changes of physiological and biochemical indicators and improve the prediction accuracy. Combined with the prediction results of the improved model, a real-time monitoring system was designed to track the changes in the physiological state of athletes during different training periods, and to issue an alarm when abnormal trends were detected to assist coaches in adjusting training plans. The experimental results show that in the feature evaluation, three key physiological indicators, namely blood oxygen saturation, blood lactate concentration, and heart rate, are extracted, which reduces the computational complexity of the subsequent model. In the four training stages of the basic period, load period, high-intensity period and recovery period, the loss values of the XGBoost model were approximately 0.5, 0.42, 0.4 and 0.35 respectively. In the monitoring data of 4 batches of football players, with 100 players in each batch, the accuracy rate remained above 0.83 and the response time was below 2 s. The experiment proved the effectiveness of the research model in the monitoring and analysis of physiological and biochemical indicators.

The developmental cell lineage tree, which records every cell division event and the terminal developmental state of each single cell, is one of the most important traits of multicellular organisms, as well as key to many significant unresolved questions in biology. Recent technological breakthroughs are paving the way for direct determination of cell lineage trees, yet a general framework for the computational analysis of lineage trees, in particular an algorithm to compare two lineage trees, is still lacking. Based on previous findings that the same developmental program can be invoked by different cells on the lineage tree to produce highly similar subtrees, we designed Developmental Cell Lineage Tree Alignment (DELTA), an algorithm that exhaustively searches for lineage trees with phenotypic resemblance in lineal organization of terminal cells, meanwhile resolving detailed correspondence between individual cells. Using simulated and nematode lineage trees, we demonstrated DELTA's capability of revealing similarities of developmental programs by lineal resemblances. Moreover, DELTA successfully identifies gene deletion-triggered homeotic cell fate transformations, reveals functional relationship between mutants by quantifying their lineal similarities, and finds the evolutionary correspondence between cell types defined non-uniformly for different species. DELTA establishes novel foundation for comparative study of lineage trees, much like sequence alignment algorithm for biological sequences, and along with the increase of lineage tree data, will likely bring unique insights for the myriads of important questions surrounding cell lineage trees.