The fermentation of Baijiu is profoundly influenced by environmental microbiota, but the exact origins and the specific impacts of these microbes are not entirely understood. To address this issue, we used reverse-analysis to comprehensively map the environmental sources and reveal their pivotal role in shaping microbial succession and metabolic variations across three workshops of different ages. We initially discovered that these workshops exhibited unique microbial succession and metabolic profiles in baijiu fermentation. Further investigation revealed that environmental microbiota associated with Baijiu fermentation showed a distinct separation between outdoor and indoor settings, especially in the 70-year-old workshop (workshop 70y). The unique distribution of environmental microbes in workshop 70y did not only accelerate microbial succession 5 days earlier, but also significantly enhanced ester production, with an increase from 60.63 μg/mL to 155.31 μg/mL. Source tracking revealed that the rich indoor environmental microbes in the workshop 70y dominated the whole fermentation, while the 2-year-old workshop (workshop 2y) and the 20-year-old workshop (workshop 20y) initially relied on Raw Materials (RM) and Daqu (DQ) microbes, but the control gradually shifted to indoor environment. These findings might offer valuable implications for Baijiu quality control, and enhance our understanding of the functional roles of the environmental microbiome.

This study addresses the limitations of traditional sports rehabilitation, emphasizing the need for improved accuracy and response speed in real-time action detection and recognition in complex rehabilitation scenarios. We propose the STA-C3DL model, a deep learning framework that integrates 3D Convolutional Neural Networks (C3D), Long Short-Term Memory (LSTM) networks, and spatiotemporal attention mechanisms to capture nuanced action dynamics more precisely. Experimental results on multiple datasets, including NTU RGB + D, Smarthome Rehabilitation, UCF101, and HMDB51, show that the STA-C3DL model significantly outperforms existing methods, achieving up to 96.42% accuracy and an F1 score of 95.83% on UCF101, with robust performance across other datasets. The model demonstrates particular strength in handling real-time feedback requirements, highlighting its practical application in enhancing rehabilitation processes. This work provides a powerful, accurate tool for action recognition, advancing the application of deep learning in rehabilitation therapy and offering valuable support to therapists and researchers. Future research will focus on expanding the model's adaptability to unconventional and extreme actions, as well as its integration into a wider range of rehabilitation settings to further support individualized patient recovery.

The ingestion of red kidney bean products is hindered by the persistent allergenicity of lectins, even after autoclaving. This study examined the modification of lectin allergenicity in red kidney beans by pH-shifting and autoclaving treatments, utilizing BALB/c mouse sensitization,