Abstract Cellular senescence (CS) is closely related to tumor progression. However, the studies about CS genes across human cancers have not explored the relationship between cancer senescence signature and telomere length. Additionally, single-cell analyses have not revealed the evolutionary trends of malignant cells and immune cells at the CS level. We defined a CS-associated signature, called “senescence signature”, and found that patients with higher senescence signature had worse prognosis. Higher senescence signature was related to older age, higher genomic instability, longer telomeres, increased lymphocytic infiltration, higher pro-tumor immune infiltrates (Treg cells and MDSCs), and could predict responses to immune checkpoint inhibitor therapy. Single-cell analysis further reveals malignant cells and immune cells share a consistent evolutionary trend at the CS level. MAPK signaling pathway and apoptotic processes may play a key role in CS, and senescence signature may effectively predict sensitivity of MEK1/2 inhibitors, ERK1/2 inhibitors and BCL-2 family inhibitors. We also developed a new CS prediction model of cancer survival and established a portal website to apply this model ( https://bio-pub.shinyapps.io/cs_nomo/ ).

In response to the issue of harvesting machine failures affecting crop harvesting timing, this study develops an emergency scheduling model and proposes a hybrid optimization algorithm that combines a genetic algorithm and an ant colony algorithm. By enhancing the genetic algorithm's crossover and mutation methods and incorporating the ant colony algorithm, the proposed algorithm can prevent local optima, thus minimizing disruptions to the overall scheduling plan. Field data from Deyang, Sichuan Province, were utilized, and simulations on various harvesting machines experiencing random faults were conducted. Results indicated that the improved genetic algorithm reduced the optimal comprehensive scheduling cost during random fault occurrences by 47.49%, 19.60%, and 32.45% compared to the basic genetic algorithm and by 34.70%, 14.80%, and 24.40% compared to the ant colony algorithm. The improved algorithm showcases robust global optimization capabilities, high stability, and rapid convergence, offering effective emergency scheduling solutions in case of harvesting machine failures. Furthermore, a visual management system for agricultural machinery scheduling was developed to provide software support for optimizing agricultural machinery scheduling.