Because undesirable pharmacokinetics and toxicity of candidate compounds are the main reasons for the failure of drug development, it has been widely recognized that absorption, distribution, metabolism, excretion and toxicity (ADMET) should be evaluated as early as possible. In silico ADMET evaluation models have been developed as an additional tool to assist medicinal chemists in the design and optimization of leads. Here, we announced the release of ADMETlab 2.0, a completely redesigned version of the widely used AMDETlab web server for the predictions of pharmacokinetics and toxicity properties of chemicals, of which the supported ADMET-related endpoints are approximately twice the number of the endpoints in the previous version, including 17 physicochemical properties, 13 medicinal chemistry properties, 23 ADME properties, 27 toxicity endpoints and 8 toxicophore rules (751 substructures). A multi-task graph attention framework was employed to develop the robust and accurate models in ADMETlab 2.0. The batch computation module was provided in response to numerous requests from users, and the representation of the results was further optimized. The ADMETlab 2.0 server is freely available, without registration, at https://admetmesh.scbdd.com/.

Incorporating arc‐curved configuration into auxetic honeycomb can evenly distribute pressure, reduce stress concentration, and avoid fracture. In this work, a novel arc‐curved chiral star‐shaped honeycomb (ACSH) has been proposed by combining the chiral honeycomb (CH), the star‐shaped honeycomb (SSH), and arc‐curved configurations. The crushing response of the ACSH is studied experimentally and numerically. In order to verify the accuracy of simulation, quasi‐static compression experiment is carried out on the ACSH sample fabricated by 3D printing. Subsequently, the crashworthiness of the ACSH is compared with other honeycombs. Particularly, under the crushing velocity of 2 m s −1 , the ACSH exhibits exceptional specific energy absorption, which is 179% higher than that of the conventional SSH. Additionally, it is also found that introducing arc‐curved configuration can effectively reduce initial peak stress. Moreover, the effect of functionally graded design on crashworthiness is systematically analyzed. The findings indicate that the initial peak stress decreases with the decrease of gradient rate. When crushing velocity increases to 80 m s −1 , the SEA of the ACSH increases with the increase of gradient rate. This work investigates the crushing response of a novel honeycomb, which can provide a reference for designing and optimizing novel lightweight honeycombs with better crashworthiness.

Abstract Drug interactions pose significant challenges in clinical practice, potentially leading to adverse drug reactions, reduced efficacy, and even life-threatening consequences. As polypharmacy becomes increasingly common, the risk of harmful drug interactions rises, underscoring the need for comprehensive and user-friendly drug interaction resources to ensure patient safety. To address these concerns and support healthcare professionals in optimizing drug therapy, we present DDInter 2.0, a significantly expanded and enhanced update to our drug interaction database. This new version incorporates additional interaction types, including drug-food interactions (DFIs), drug-disease interactions (DDSIs), and therapeutic duplications, providing a more complete resource for clinical decision-making. The updated database covers 2310 drugs, with 302 516 drug–drug interaction (DDI) records accompanied by 8398 distinct, high-quality mechanism descriptions and management recommendations. DDInter 2.0 also includes 857 DFIs, 8359 DDSIs and 6033 therapeutic duplication records, each supplemented with detailed information and guidance. Furthermore, the enhanced user interface and advanced filtering options in this second release facilitate easy access to and analysis of the comprehensive drug interaction data. By providing healthcare professionals and researchers with a more complete and user-friendly resource, DDInter 2.0 aims to support clinical decision-making and ultimately improve patient outcomes. DDInter 2.0 is freely accessible at https://ddinter2.scbdd.com.

Anomaly detection of multivariate time series is critical in many applications. However, traditional statistical and machine learning models have limitations in modeling complex temporal dependencies and inter-sensor correlations. To address these limitations, graph neural networks (GNNs) have emerged as a powerful paradigm and shown promising progress in anomaly detection. However, most existing GNN-based methods simplify sensor associations as fully-connected graphs, contradicting real-world sparse connectivity. Moreover, while capturing inter-sensor dependencies, GNNs often overlook critical temporal dependencies in time series. To address these challenges, we propose an unsupervised Long- and Short-term Sparse Graph Attention neural network (LSGA). Specifically, we first use convolutional neural networks and Skip-Gate Recurrent Units (Skip-GRU) to extract local dependencies and long-term trends. Skip-GRU with time-skip connections effectively extends the span of information flow compared to traditional GRU. Due to the unknown graph structure between different sensors, we utilize node embedding to calculate the similarity between sensors and subsequently generate a dense similarity matrix. Then, we use the Gumbel-softmax sampling method to transform the similarity matrix into a sparse graph structure. To effectively fuse information from different sensors, we introduce a graph attention network, which can learn the relationships between sensors and dynamically fuse information based on the similarity of node embedding vectors. By means of sparse representation, we selectively focus on the information fusion of the sensors that have the greatest impact on themselves, thereby filtering out connections with low similarity between nodes and effectively removing redundant association information. Finally, we demonstrate with extensive experiments that our proposed method outperforms several state-of-the-art baseline methods in achieving better results on all four real datasets, improving average F1 by 0.97%, 7.7%, 1.92%, and 1.8%.