Aluminum–air (Al–air) batteries are considered one of the most promising next-generation energy storage devices. In this paper, we carry out an orthogonal experimental study on the SLM printing process parameters in 3D-printed Al–air battery anodes. The surface roughness, densification, and discharge performance of the electrodes under different process parameters are observed to reveal the effects of different process parameters on the forming quality and discharge performance of aluminum–air battery anodes. The results show that the laser power is the most important factor affecting the surface roughness of the porous aluminum anode, and the scanning spacing is the most important factor affecting the densification. The best printing parameters for the porous aluminum anode can be obtained when the laser power is 325 W, the scanning speed is 1000 mm/s, the scanning spacing is 0.12 mm, and the thickness of the powder spread is 0.03 mm. At this time, the surface roughness of the porous aluminum anode obtained by this process parameter is 15.01 μm, the densification is 94.97%, and the discharge is stable with a high value. In addition, we also carry out data validation to ensure that the data we obtain are optimal and valid.

Aluminum–air batteries are characterized as “green energy for the 21st century” due to their clear advantages in terms of high current discharge, high specific energy, low cost, and easy-to-obtain electrode materials. This study develops the SLM aluminum anode quality prediction model and evaluates its learning and training results using the BP neural network architecture. By altering the network topology of the SLM aluminum anode quality prediction model, we create a process parameter backpropagation model that takes advantage of the extremely adaptable capabilities of artificial neural networks. The quick and exact selection of process parameters meets the goals of density, self-corrosion current, and anode usage, hence improving the forming quality and processing efficiency of SLM aluminum anodes. The experimental results show that the process parameter backpropagation model’s parameter configurations match to the real densities and self-corrosion currents, which are somewhat higher than the specified target values. The maximum error rate for the aluminum anode forming quality prediction model is 8.23%. Furthermore, the actual anode utilization rate is somewhat lower than the projected target value, indicating that the backpropagation model can satisfy actual production needs.

Numerous deep learning (DL) methods have been proposed to identify drug-target interactions (DTIs). However, these methods often face challenges due to the diversity and complexity of drugs and proteins and the presence of noise and bias in the data. Limited labeled data and extracting meaningful features from datasets also pose difficulties. These limitations hinder the development of accurate and general deep-learning models for DTI prediction. To address these challenges, a novel framework is introduced for identifying DTIs. The framework incorporates pre-trained molecular representation models and a transformer module inspired by pre-training. By pre-training the model, it can acquire a more comprehensive feature representation, enabling it to handle the diversity and complexity of drugs and proteins effectively. Moreover, the model mitigates noise and bias in the data by learning general feature representations during pre-training, improving prediction accuracy. In addition to pre-training, a transformer mechanism called MocFormer is proposed. MocFormer extracts feature matrices from drug and protein sequences obtains decision vectors, and makes predictions based on these decision vectors. Experiments were conducted using public datasets from DrugBank to evaluate the framework9s effectiveness. The results demonstrate that the proposed framework outperforms state-of-the-art methods regarding accuracy, area under the ROC curve (AUC), recall, and the area under the precision-recall curve (AUPRC). The code for the framework can be accessed from the following GitHub repository: GitHub Repository.

Abstract Drug–target interactions is essential for advancing pharmaceuticals. Traditional drug–target interaction studies rely on labor-intensive laboratory techniques. Still, recent advancements in computing power have elevated the importance of deep learning methods, offering faster, more precise, and cost-effective screening and prediction. Nonetheless, general deep learning methods often yield low-confidence results due to the complex nature of drugs and proteins, bias, limited labeled data, and feature extraction challenges. To address these challenges, a novel two-stage pre-trained framework is proposed for drug–target interactions prediction. In the first stage, pre-trained molecule and protein models develop a comprehensive feature representation, enhancing the framework’s ability to handle drug and protein diversity. This also reduces bias, improving prediction accuracy. In the second stage, a transformer with bilinear pooling and a fully connected layer enables predictions based on feature vectors. Comprehensive experiments were conducted using public datasets from DrugBank and Epigenetic-regulators datasets to evaluate the framework’s effectiveness. The results demonstrate that the proposed framework outperforms the state-of-the-art methods regarding accuracy, area under the receiver operating characteristic curve, recall, and area under the precision-recall curve. The code is available at: https://github.com/DHCGroup/MocFormer .

Drug-induced liver injury (DILI) is a major challenge in drug development, often leading to clinical trial failures and market withdrawals due to liver toxicity. This study presents StackDILI, a computational framework designed to accelerate toxicity assessment by predicting DILI risk. StackDILI integrates multiple molecular descriptors to extract structural and physicochemical features, including the constitution, pharmacophore, MACCS, and E-state descriptors. Additionally, a genetic algorithm is employed for feature selection and optimization, ensuring that the most relevant features are used. These optimized features are processed through a stacking ensemble model comprising multiple tree-based machine learning models, improving prediction accuracy and interpretability. Notably, StackDILI demonstrates a strong performance on the DILIrank test set and maintains robustness across cross-validation. Moreover, interpretability analysis reveals key molecular features associated with DILI risks, providing valuable insights into toxicity prediction. To further improve accessibility, a user-friendly web interface is developed, allowing users to input SMILES strings and receive rapid predictions with ease. The StackDILI model provides a powerful tool for efficient DILI assessment, supporting safer drug development. The web interface is accessible at https://awi.cuhk.edu.cn/biosequence/StackDILI/.