This retrospective study was designed to explore whether neutrophil to lymphocyte ratio (NLR) is a prognostic factor in patients with coronavirus disease 2019 (COVID-19). A cohort of patients with COVID-19 admitted to the Tongren Hospital of Wuhan University from 11 January 2020 to 3 March 2020 was retrospectively analyzed. Patients with hematologic malignancy were excluded. The NLR was calculated by dividing the neutrophil count by the lymphocyte count. NLR values were measured at the time of admission. The primary outcome was all-cause in-hospital mortality. A multivariate logistic analysis was performed. A total of 1004 patients with COVID-19 were included in this study. The mortality rate was 4.0% (40 cases). The median age of nonsurvivors (68 years) was significantly older than survivors (62 years). Male sex was more predominant in nonsurvival group (27; 67.5%) than in the survival group (466; 48.3%). NLR value of nonsurvival group (median: 49.06; interquartile range [IQR]: 25.71-69.70) was higher than that of survival group (median: 4.11; IQR: 2.44-8.12; P < .001). In multivariate logistic regression analysis, after adjusting for confounding factors, NLR more than 11.75 was significantly correlated with all-cause in-hospital mortality (odds ratio = 44.351; 95% confidence interval = 4.627-425.088). These results suggest that the NLR at hospital admission is associated with in-hospital mortality among patients with COVID-19. Therefore, the NLR appears to be a significant prognostic biomarker of outcomes in critically ill patients with COVID-19. However, further investigation is needed to validate this relationship with data collected prospectively.

Wastewater surveillance has emerged as a crucial public health tool for population-level pathogen surveillance. Supported by funding from the American Rescue Plan Act of 2021, the FDA's genomic epidemiology program, GenomeTrakr, was leveraged to sequence SARS-CoV-2 from wastewater sites across the United States. This initiative required the evaluation, optimization, development, and publication of new methods and analytical tools spanning sample collection through variant analyses. Version-controlled protocols for each step of the process were developed and published on protocols.io. A custom data analysis tool and a publicly accessible dashboard were built to facilitate real-time visualization of the collected data, focusing on the relative abundance of SARS-CoV-2 variants and sub-lineages across different samples and sites throughout the project. From September 2021 through June 2023, a total of 3,389 wastewater samples were collected, with 2,517 undergoing sequencing and submission to NCBI under the umbrella BioProject, PRJNA757291. Sequence data were released with explicit quality control (QC) tags on all sequence records, communicating our confidence in the quality of data. Variant analysis revealed wide circulation of Delta in the fall of 2021 and captured the sweep of Omicron and subsequent diversification of this lineage through the end of the sampling period. This project successfully achieved two important goals for the FDA's GenomeTrakr program: first, contributing timely genomic data for the SARS-CoV-2 pandemic response, and second, establishing both capacity and best practices for culture-independent, population-level environmental surveillance for other pathogens of interest to the FDA.

ABSTRACT Proteins are essential macromolecules that play crucial roles in nearly every type of biological function. Most of the protein functions are determined by their position topologies, indicating that new functional proteins might be generated by designing their tertiary structures initially. Over the past two decades, numerous energy-based and machine learning algorithms have been proposed for de novo protein design. However, optimizing these models to achieve a balanced performance among three critical aspects, namely sample fidelity, diversity, and generation speed, remains a challenging task on account of the constrained residue connections and hydrophobic interactions. Here we used the protein language model (pLM) as supervision to develop two complementary deep learning algorithms, Generative Protein Design by Language Model-Inpainting (GPDL-Inpainting) and GPDL-Hallucination, that can sufficiently represent and generate the protein structures and sequences. We compared the models with the state-of-the-art protein design models (RFdiffusion, RF Inpainting, and RF Halluciantion) and demonstrated that our methods can generate more designable structures with more diversity and higher computation efficiency. We also explored the possibility of the combination of hallucination and inpainting which might further improve the model efficiency and diversity. The source code of GPDL is available at https://github.com/sirius777coder/GPDL .

Abstract Protein design is central to nearly all protein engineering problems, as it can enable the creation of proteins with new biological function, such as improving the catalytic efficiency of enzymes. As one of the key tasks of protein design, fixed-backbone protein sequence design aims to design novel sequence that would fold into a given protein backbone structure. However, current sequence design methods have limitations in terms of low sequence diversity and experimental validation of designed protein function, which cannot meet the needs of functional protein design. We firstly constructed Graphormer-based Protein Design (GPD) model that directly applies Transformer to graph-based representation of 3D protein structure, and added Gaussian noise and sequence random mask to node features to improve the sequence recovery and diversity. Additionally, functional filtering based on the structure folding, solubility, and function were performed to improve the success rate in experiments. The process of “sequence design-functional filtering -functional experiment” was carried out for CalB hydrolase. The experimental results showed that the specify activity of designed protein improved 1.7 times than CalB wild type. This design and filtering platform will be a valuable tool for generating industrial enzymes and protein drugs with specific functions.

Abstract The development of minimally invasive surgery has greatly advanced precision tumor surgery, but sometime suffers from restricted visualization of the surgical field, especially during the removal of abdominal tumors. A 3‐D inspection of tumors could be achieved by intravenously injecting tumor‐selective fluorescent probes, whereas most of which are unable to instantly distinguish tumors via in situ spraying, which is urgently needed in the process of surgery in a convenient manner. In this study, this work has designed an injectable and sprayable fluorescent nanoprobe, termed Poly‐g‐BAT, to realize rapid tumor imaging in freshly dissected human colorectal tumors and animal models. Mechanistically, the incorporation of γ ‐glutamyl group facilitates the rapid internalization of Poly‐g‐BAT, and these internalized nanoprobes can be subsequently activated by intracellular NAD(P)H: quinone oxidoreductase‐1 to release near‐infrared fluorophores. As a result, Poly‐g‐BAT can achieve a superior tumor‐to‐normal ratio (TNR) up to 12.3 and enable a fast visualization (3 min after in situ spraying) of tumor boundaries in the xenograft tumor models, Apc min/+ mice models and fresh human tumor tissues. In addition, Poly‐g‐BAT is capable of identifying minimal premalignant lesions via intravenous injection.

Yigu decoction (YGD) is a traditional Chinese medicine prescription for the treatment of osteoporosis, although many clinical studies have confirmed its anti-OP effect, but the specific mechanism is still not completely clear.

Abstract De novo protein design has undergone a rapid development in recent years, especially for backbone generation, which stands out as more challenging yet valuable, offering the ability to design novel protein folds with fewer constraints. However, a comprehensive delineation of its potential for practical application in protein engineering remains lacking, as does a standardized evaluation framework to accurately assess the diverse methodologies within this field. Here, we proposed Scaffold-Lab benchmark focusing on evaluating unconditional generation across metrics like designability, novelty, diversity, efficiency and structural properties. We also extrapolated our benchmark to include the motif-scaffolding problem, demonstrating the utility of these conditional generation models. Our findings reveal that FrameFlow and RFdiffusion in unconditional generation along with Rfdiffusion and GPDL in conditional generation showcased the most outstanding performances. Furthermore, we described a systematic study to investigate conditional generation and applied it to the motif-scaffolding task, offering a novel perspective for the analysis and development of conditional protein design methods. All data and scripts will be available at https://github.com/Immortals-33/Scaffold-Lab .