The intriguing characteristics of two-dimensional (2D) heterostructures stem from their unique interfaces, which can improve ion storage capability and rate performance. However, there are still challenges in increasing the proportion of heterogeneous interfaces in materials and understanding the complex interaction mechanisms at these interfaces. Here, we have successfully synthesized confined CoSe

Abstract By capturing complementary information from multiple omics data, multi-omics integration has demonstrated promising performance in disease prediction. However, with the increasing number of omics data, accurately quantifying the characterization ability of each omics and avoiding mutual interference becomes challenging due to the intricate relationships among omics data. Here, we propose a novel multi-omics integration framework that improves diagnostic prediction. Specifically, our framework involves constructing co-expression and co-methylation networks for each subject, followed by applying multi-level graph attention to incorporate biomolecule interaction information. The true-class-probability strategy is employed to evaluate omics-level confidence for classification, and the loss is designed using an adaptive mechanism to leverage both within- and across-omics information. Extensive experiments demonstrate that the proposed framework outperforms state-of-the-art methods on classification tasks, and indicate that the integration of three omics yields superior performance compared to employing only one or two data types. Code and data are available at https://github.com/Yaolab-fantastic/GRAMI-NET .

The utilization of electrolyte additives has been regarded as an efficient strategy to construct dendrite-free aqueous zinc-ion batteries (AZIBs). However, the blurry screening criteria and time-consuming experimental tests inevitably restrict the application prospect of the electrolyte additive strategy. With the rise of artificial intelligence technology, machine learning (ML) provides an avenue to promote upgrading of energy storage devices. Herein, we proposed an intriguing ML-assisted method to accelerate the development efficiency of electrolyte additives on dendrite-free AZIBs. Concretely, we selected the Gutmann donor number (DN value) as a screen parameter, which can reflect the interaction between solvent molecules and ions, and proposed an integrated ML model that can predict the DN values of organic molecules via molecular fingerprints, thereby achieving the screening of electrolyte additives. Then, combined with experimental tests and theoretical calculations, the influence law of three additive molecules with different DN values on the thermodynamic stability of the Zn anode and its corresponding optimization mechanisms were revealed; the DN values of the additives are in positive correlation with the electrochemical performance of the Zn anode. Especially, an isopropyl alcohol (IPA) additive with a high DN value (36) integrated with various Zn-based cells presented a superior electrochemical performance, including a high calendar life (1500 h), a stable Coulombic efficiency (99% within 450 cycles), and a favorable cycling retention. This work pioneers ML techniques for predicting DN values for electrolyte additives, offering a compelling investigation method for the investigation of AZIBs.