Cancer cells undergo metabolic adaptation to promote their survival and growth under energy stress conditions, yet the underlying mechanisms remain largely unclear. Here, we report that tripartite motif-containing protein 2 (TRIM2) is upregulated in response to glutamine deprivation by the transcription factor cyclic AMP-dependent transcription factor (ATF4). TRIM2 is shown to specifically interact with carnitine O-palmitoyltransferase 1 (CPT1A), a rate-limiting enzyme of fatty acid oxidation. Via this interaction, TRIM2 enhances the enzymatic activity of CPT1A, thereby regulating intracellular lipid levels and protecting cells from glutamine deprivation-induced apoptosis. Furthermore, TRIM2 is able to promote both in vitro cell proliferation and in vivo xenograft tumor growth via CPT1A. Together, these findings establish TRIM2 as an important regulator of the metabolic adaptation of cancer cells to glutamine deprivation and implicate TRIM2 as a potential therapeutic target for cancer.

Aiming at the complex environment, unexpected situations, and multi-constraint problems faced by unmanned aerial vehicle (UAV) mission planning systems in dynamic scenes, an online task allocation method based on improved dynamic ant colony labor division (IDACLD) is proposed. The typical scene of multi-UAV task allocation is described, and a heterogeneous multi-UAV multi-constraint model is established via multigroup settings. According to this framework, the environmental stimulus and response thresholds of the dynamic ant colony division of labor model are redesigned, the coupling between task allocation and path planning is considered, and the RRT* algorithm is used to complete path cost estimation, which makes the task allocation result more reasonable in environments containing obstacles. Considering cases involving UAV faults, this study proposes different fault handling strategies to distinguish different fault types and better fit the actual situation of UAV missions. Simulation results demonstrate that the proposed method can quickly and effectively solve the task allocation problem of multiple UAVs in a dynamic environment.

Burns represent a prevalent global health concern and are particularly susceptible to bacterial infections. Severe infections may lead to serious complications, posing a life-threatening risk. Near-infrared (NIR)-assisted photothermal antibacterial combined with antioxidant hydrogel has shown significant potential in the healing of infected wounds. However, existing photothermal agents are typically metal-based, complicated to synthesize, or pose biosafety hazards. In this study, we utilized plant-derived blackcurrant extract (B) as a natural source for both photothermal and antioxidant properties. By incorporating B into a G-O hydrogel crosslinked through Schiff base reaction between gelatin (G) and oxidized pullulan (O), the resulting G-

Abstract Bayesian networks (BNs) are highly effective in handling uncertain problems, which can assist in decision-making by reasoning with limited and incomplete information. Learning a faithful directed acyclic graph (DAG) from a large number of complex samples of a joint distribution is currently a challenging combinatorial problem. Due to the growing volume and complexity of data, some Bayesian structure learning algorithms are ineffective and lack the necessary precision to meet the required needs. In this paper, we propose a new PCCL-CC algorithm. To ensure the accuracy of the network structure, we introduce the new ensemble weights and edge constraints setting mechanism. In this mechanism, we employ a method that estimates the interaction between network nodes from multiple perspectives and divides the learning process into multiple stages. We utilize an asymmetric weighted ensemble method and adaptively adjust the network structure. Additionally, we propose a causal discovery method that effectively utilizes the causal relationships among data samples to correct the network structure and mitigate the influence of Markov equivalence classes (MEC). Experimental results on real datasets demonstrate that our approach outperforms state-of-the-art methods.