Abstract Background Circular RNAs (circRNAs) have been implicated in the development and progression of gastric cancer (GC). However, it remains unclear whether dysregulated circRNA affects immune escape and the efficacy of immunotherapy in GC. Our aim is to investigate the molecular mechanism of circRNA affecting GC immunotherapy and identify effective molecular therapeutic targets. Methods The differential expression profile of circRNAs was established through circRNA sequencing, comparing three paired GC tissues with their adjacent non-cancerous gastric tissues. The expression level of circRHBDD1 in GC tissues was then assessed using quantitative reverse transcription polymerase chain reaction (qRT-PCR). The biological characteristics of circRHBDD1 were verified through a series of experiments, including agarose gel electrophoresis assays, RNase R treatment, and actinomycin D experiments. The prognostic value of circRHBDD1 in GC was evaluated by conducting both univariate and multivariate survival analyses. Furthermore, loss- and gain-of-function approaches were utilized to investigate the impact of circRHBDD1 on GC immune escape. RNA-sequencing, immunoprecipitation, flow cytometry, and methylated RNA immunoprecipitation (meRIP) analysis were performed to elucidate the underlying molecular mechanisms. Results We discovered that circRHBDD1 exhibited remarkably high expression levels in GC tissues and cell lines. Notably, the high expression of circRHBDD1 was significantly correlated with poor overall survival and disease-free survival among GC patients. Both in vitro and in vivo experiments revealed that circRHBDD1 upregulated the expression of PD-L1 and impeded the infiltration of CD8 + T cells. Further, we found that circRHBDD1 binds to IGF2BP2, disrupting the interaction between E3 ligase TRIM25 and IGF2BP2, and ultimately inhibiting IGF2BP2 ubiquitination and degradation. Intriguingly, IGF2BP2 enhances PD-L1 mRNA stability through m 6 A modification. Additionally, we developed Poly (lactide-co-glycolic acid) (PLGA)-Polyethylene glycol (PEG)-based nanoparticles loaded with circRHBDD1 siRNA. In vivo experiments validated that the combination of PLGA-PEG(si-circRHBDD1) and anti-PD-1 offers a safe and efficacious nano-drug regimen for cancer immunotherapy. Conclusion Our results demonstrated that circRHBDD1 promoted GC immune escape by upregulating the expression of PD-L1 and reprogramming T cell-mediated immune response. Inhibition of circRHBDD1 expression could potentially enhance the response of GC patients to immunotherapy, thus improving treatment outcomes. Additionally, the development of a nanodrug delivery system provides a feasible approach for future clinical applications.

Summary Municipal solid waste (MSW) has complex engineering structure, and accurate structural characterization is of great significance to the stable operation of the landfill. We propose to use the surface wave imaging method to evaluate the structure of landfill. Instead of using a geophone, DAS technology will be used to obtain active seismic data with space-intensive sampling. The obtained multi-modal dispersion curves are inverted by a global optimization algorithm to determine the shear wave velocity structure at the landfill. The imaging results indicate low-velocity layer (LVL) within a depth range of 10 m and fault below 20 m depth. The high-density electrical (HDE) method is used to detect the electrical properties of the landfill simultaneously, and the resistivity anomalies are in good agreement with the velocity structure. Indicating that using DAS surface imaging to evaluate landfill structure is feasible.

Summary Geophysical measurements can obtain seismic wave velocities and fluid saturation in partially saturated media for monitoring fluid spatial variations during injection and extraction from porous rocks, and this is of great relevance for underground hydrogen storage and carbon sequestration. However, the P-wave velocities are not only governed by the overall saturation, but also depend on the fluid patches and their size. The patch size variation as saturation changes is commonly ignored in modelling investigations, even though it is natural to assume that fluid patches will form larger as saturation progresses and that percolating clusters will form at some critical saturation levels. To capture the evolution of patch size with saturation implied in the velocity-saturation relations, we are inspired by percolation theory. By incorporating the connectivity of water-filled patches in the continuous random medium model, we develop a critical saturation model. We apply this critical saturation model to examine recently reported experimental measurements, specifically analyzing the patch size changes. And the new model predictions are in reasonable agreement with experimental observations. Our approach enhances the interpretation accuracy of the velocity-saturation relations and forms the basis for understanding the elastic response features of fluid clustering in porous rocks.

Summary Ambient noise imaging techniques have attracted widespread attention due to its environmental friendliness in near surface surveys. Distributed acoustic sensing (DAS) technology can improve the detection precision of ambient noise imaging due to its channel denseness, but it also consumes a lot of computational resources. In this work, we developed an efficient detection process to investigate the structure of municipal solid waste (MSW) landfill using DAS recorded ambient noise. This process uses the common-midpoint two-station (CMP-TS) analysis to calculate cross-correlation functions in the frequency domain after preprocessing the ambient noise recorded by DAS. Dispersion measurement is then performed using the frequency Bessel (F-J) transform method, and the maximum energy curve of the dispersion spectrum is inverted using the Broyden-Fletcher-Goldfarb-Shanno (BFGS) algorithm to obtain S-wave velocity structures. The study shows that the proposed detection process consumes less time with comparable quality of results. Moreover, a 20 m thick low-velocity zone inside the MSW landfill was revealed using this efficient detection process and validated by the high-density resistivity method. This efficient detection process not only causes hardly any damage to the structure of the landfill, but also offers the possibility of long-term monitoring for environmental contamination.

Time-lapse (4D) full-waveform inversion (FWI) is a valuable technology for high-resolution imaging of reservoir changes caused by hydrocarbon production and CO$_2$ storage. However, it still faces challenges in dealing with non-repeatability issues due to changes in seawater or near-surface velocity between baseline and monitor surveys. Despite recent advances, the ability of 4D FWI to address this problem has rarely been demonstrated. {\color{red}We} investigate the effectiveness of current 4D FWI strategies, including parallel, double-difference, sequential, and common-model strategies, in resolving non-repeatability issues for 4D OBC (ocean-bottom cable) seismic data. Additionally, a three-stage 4D FWI strategy is developed for 4D OBC seismic data, involving the estimation of seawater velocities in the baseline and monitor models, obtaining a good common starting model, and final convergence to obtain subsurface 4D changes. The synthetic data tests conducted with varying levels of seawater velocity changes indicate that among the current strategies tested, the common-model strategy performs the best, and that our new strategy can further enhance the 4D inversion results.

Traditionally, seismic post-stack impedance inversion is implemented using linear optimization algorithms. Recently, deep learning neural networks have been successfully used to estimate the impedance from seismic data. First, we demonstrate the general workflow of seismic post-stack impedance inversion using supervised neural network (SNN). Next, we propose to compute seismic impedance using geophysics-informed neural network (GINN). Similarly with linear optimization algorithms, the inputs of GINN include real seismograms, a wavelet, and a low frequency model. The loss function of GINN is designed to minimize the difference between real seismograms and synthetic seismic seismograms that are computed from estimated impedance and input wavelet. To avoid lateral discontinuity of estimated impedance, the weights of GINN are trained using the seismograms of all seismic traces. We use synthetic and real seismic data to discuss the advantages and limitations of GINN, SNN, and traditional linear optimization algorithms. Not surprisingly, signal-to-noise ratio (SNR) of seismic data and the phase of seismic wavelet are the most important factors that affect the accuracy of impedance estimated using GINN. The accuracy and resolution of impedance estimated using GINN is higher than linear optimization and SNN if the seismic data has a high signal-to-noise ratio. The synthetic examples demonstrate that the accuracy of impedance calculated using SNN increases with the number of available training wells and linear optimization algorithms are more robust to noise than GINN and SNN.