This paper introduces a new, principled approach to detecting least significant bit (LSB) steganography in digital signals such as images and audio. It is shown that the length of hidden messages embedded in the least significant bits of signal samples can be estimated with relatively high precision. The new steganalytic approach is based on some statistical measures of sample pairs that are highly sensitive to LSB embedding operations. The resulting detection algorithm is simple and fast. To evaluate the robustness of the proposed steganalytic approach, bounds on estimation errors are developed. Furthermore, the vulnerability of the new approach to possible attacks is also assessed, and counter measures are suggested.

Autism Spectrum Disorder (ASD) demonstrates high heritability and familial clustering, yet the genetic causes remain only partially understood as a result of extensive clinical and genomic heterogeneity. Whole-genome sequencing (WGS) shows promise as a tool for identifying ASD risk genes as well as unreported mutations in known loci, but an assessment of its full utility in an ASD group has not been performed. We used WGS to examine 32 families with ASD to detect de novo or rare inherited genetic variants predicted to be deleterious (loss-of-function and damaging missense mutations). Among ASD probands, we identified deleterious de novo mutations in six of 32 (19%) families and X-linked or autosomal inherited alterations in ten of 32 (31%) families (some had combinations of mutations). The proportion of families identified with such putative mutations was larger than has been previously reported; this yield was in part due to the comprehensive and uniform coverage afforded by WGS. Deleterious variants were found in four unrecognized, nine known, and eight candidate ASD risk genes. Examples include CAPRIN1 and AFF2 (both linked to FMR1, which is involved in fragile X syndrome), VIP (involved in social-cognitive deficits), and other genes such as SCN2A and KCNQ2 (linked to epilepsy), NRXN1, and CHD7, which causes ASD-associated CHARGE syndrome. Taken together, these results suggest that WGS and thorough bioinformatic analyses for de novo and rare inherited mutations will improve the detection of genetic variants likely to be associated with ASD or its accompanying clinical symptoms. Autism Spectrum Disorder (ASD) demonstrates high heritability and familial clustering, yet the genetic causes remain only partially understood as a result of extensive clinical and genomic heterogeneity. Whole-genome sequencing (WGS) shows promise as a tool for identifying ASD risk genes as well as unreported mutations in known loci, but an assessment of its full utility in an ASD group has not been performed. We used WGS to examine 32 families with ASD to detect de novo or rare inherited genetic variants predicted to be deleterious (loss-of-function and damaging missense mutations). Among ASD probands, we identified deleterious de novo mutations in six of 32 (19%) families and X-linked or autosomal inherited alterations in ten of 32 (31%) families (some had combinations of mutations). The proportion of families identified with such putative mutations was larger than has been previously reported; this yield was in part due to the comprehensive and uniform coverage afforded by WGS. Deleterious variants were found in four unrecognized, nine known, and eight candidate ASD risk genes. Examples include CAPRIN1 and AFF2 (both linked to FMR1, which is involved in fragile X syndrome), VIP (involved in social-cognitive deficits), and other genes such as SCN2A and KCNQ2 (linked to epilepsy), NRXN1, and CHD7, which causes ASD-associated CHARGE syndrome. Taken together, these results suggest that WGS and thorough bioinformatic analyses for de novo and rare inherited mutations will improve the detection of genetic variants likely to be associated with ASD or its accompanying clinical symptoms.

Abstract Driver genes play a crucial role in the growth of cancer cells. Accurate identification of cancer driver genes is helping to strengthen the understanding of cancer pathogenesis and is conducive to the development of cancer treatment and drug-targe driver genes. However, due to the diversity and complexity of the multi-omics data, it is still challenging to identify cancer drivers.In this study, we propose Trans-Driver, a deep supervised learning method with a novel transformer network, which integrates multi-omics data to learn the differences and associations between different omics data for cancer drivers’ discovery. Compared with other state-of-the-art driver gene identification methods, Trans-Driver has achieved excellent performance on TCGA and CGC data Machine learning for multi-omics data integration in cancer. Among 20,000 protein-coding genes, Trans-Driver reported 185 candidate driver genes, of which 103 genes (about 55%) were included in the gold standard CGC data set. Finally, we analyzed the contribution of each feature to the identification of driver genes. We found that the integration of multi-omics data can improve the performance of our method compared with using only somatic mutation data. Through detailed analysis, we found that the candidate drivers are clinically meaningful, proving the practicability of Trans-Driver. Author summary Many methods have been developed to identify cancer driver genes. However, most of these methods use single-omics data for cancer driver gene identification. Multi-omics-based methods for cancer driver gene identification are rare. Trans-Driver uses deep learning to process multi-omics data and learn the relationships between multi-omics data for cancer driver gene prediction. We have predicted 185 candidate cancer driver genes out of among 20,000 protein-coding genes. Also, we performed cancer driver gene prediction on 33 cancer types, and we identified the cancer driver genes corresponding to each cancer type. And, we observed that the predicted cancer driver genes were shown to have a role in cancer progression in recent studies. Our proposed method for cancer driver gene identification using multi-omics data has improved performance compared to using mutation data alone.

Abstract Motivated by the potential of objective neurophysiological markers to index thalamocortical function in patients with severe psychiatric illnesses, we comprehensively characterized key NREM sleep parameters across multiple domains, their interdependencies, and their relationship to waking event-related potentials and symptom severity. In 130 schizophrenia (SCZ) patients and controls, we confirmed a marked reduction in sleep spindle density in SCZ and extended these findings to show that only slow spindles predicted symptom severity, and that fast and slow spindle properties were largely uncorrelated. We also describe a novel measure of slow oscillation and spindle interaction that was attenuated in SCZ. The main sleep findings were replicated in a demographically distinct sample, and a joint model, based on multiple NREM components, predicted disease status in the replication cohort. Although also altered in patients, auditory event-related potentials elicited during wake were unrelated to NREM metrics. Consistent with a growing literature implicating thalamocortical dysfunction in SCZ, our characterization identifies independent NREM and wake EEG biomarkers that may index distinct aspects of SCZ pathophysiology and point to multiple neural mechanisms underlying disease heterogeneity. This study lays the groundwork for evaluating these neurophysiological markers, individually or in combination, to guide efforts at treatment and prevention as well as identifying individuals most likely to benefit from specific interventions.

The application of machine learning and artificial intelligence to solve scientific challenges has significantly increased in recent years. A remarkable development is the use of Physics-Informed Neural Networks (PINNs) to solve Partial Differential Equations (PDEs) numerically. However, current PINN techniques often face problems with accuracy and slow convergence. To address these problems, we propose an importance sampling method to generate optimal interpolation points during training. Experimental results demonstrate that our method achieves a 43% reduction in root mean square error compared to state-of-the-art methods when applied to the one-dimensional Korteweg–De Vries equation.

Space-Time Digital Holography exploits the sample motion to obtain phase-contrast imaging in closed form using linear sensor arrays. We show its application to flow-cytometry and the digitalization of tissue slides for use in digital pathology.