5G cellular networks are assumed to be the key enabler and infrastructure provider in the ICT industry, by offering a variety of services with diverse requirements. The standardization of 5G cellular networks is being expedited, which also implies more of the candidate technologies will be adopted. Therefore, it is worthwhile to provide insight into the candidate techniques as a whole and examine the design philosophy behind them. In this article, we try to highlight one of the most fundamental features among the revolutionary techniques in the 5G era, i.e., there emerges initial intelligence in nearly every important aspect of cellular networks, including radio resource management, mobility management, service provisioning management, and so on. However, faced with ever-increasingly complicated configuration issues and blossoming new service requirements, it is still insufficient for 5G cellular networks if it lacks complete AI functionalities. Hence, we further introduce fundamental concepts in AI and discuss the relationship between AI and the candidate techniques in 5G cellular networks. Specifically, we highlight the opportunities and challenges to exploit AI to achieve intelligent 5G networks, and demonstrate the effectiveness of AI to manage and orchestrate cellular network resources. We envision that AI-empowered 5G cellular networks will make the acclaimed ICT enabler a reality.

With the blossoming of network functions virtualization and software-defined networks, networks are becoming more and more agile with features like resilience, programmability, and open interfaces, which help operators to launch a network or service with more flexibility and shorter time to market. Recently, the concept of network slicing has been proposed to facilitate the building of a dedicated and customized logical network with virtualized resources. In this article, we introduce the concept of hierarchical NSaaS, helping operators to offer customized end-to-end cellular networks as a service. Moreover, the service orchestration and service level agreement mapping for quality assurance are introduced to illustrate the architecture of service management across different levels of service models. Finally, we illustrate the process of network slicing as a service within operators by typical examples. With network slicing as a service, we believe that the supporting system will transform itself to a production system by merging the operation and business domains, and enabling operators to build network slices for vertical industries more agilely.

Accurate prediction of the heat load in district heating systems is challenging due to various influencing factors, substantial transmission lag in the pipe network, frequent fluctuations, and significant peak-to-valley differences. An autoencoder—grey wolf optimization—gated recurrent unit (AE-GWO-GRU)-based heat load prediction method for district heating systems is proposed, employing techniques such as data augmentation, lag feature extraction, and input feature extraction, which contribute to improvements in the model’s prediction accuracy and heat load control stability. By using the AE approach to augment the data, the issue of the training model’s accuracy being compromised due to a shortage of data is effectively resolved. The study discusses the influencing factors and lag time of heat load, applies the partial autocorrelation function (PACF) principle to downsample the sequence, reduces the interference of lag and instantaneous changes, and improves the stationary characteristics of the heat load time series. To increase prediction accuracy, the GWO algorithm is used to tune the parameters of the GRU prediction model. The prediction error, measured by RMSE and MAPE, dropped from 56.69 and 2.45% to 47.90 and 2.17%, respectively, compared to the single GRU prediction approach. The findings demonstrate greater accuracy and stability in heat load prediction, underscoring the practical value of the proposed method.

Synthetic single-wall carbon nanotubes (SWCNTs) contain various chiralities, which can be sorted by DNA. However, finding DNA sequences for this purpose mainly relies on trial-and-error methods. Predicting the right DNA sequences to sort SWCNTs remains a substantial challenge. Moreover, it is even more daunting to predict sequences for sorting SWCNTs with target chirality. Here, we present a deep-learning (DL) enhanced strategy for the accurate prediction of DNA sequences capable of sorting target-chirality nanotubes. We first experimentally screened 216 DNA sequences using aqueous two-phase (ATP) separation, resulting in 116 resolving sequences that can purify 17 distinct single-chirality SWCNTs. These experimental results created a comprehensive training data set. We utilized the recently released 3D molecular representation learning framework, Uni-Mol, to construct a DL workflow that maps atomistic-level structural information on DNA sequences into the feature space. This information captures the structural features of DNA molecules that are crucial for their interactions with SWCNTs. This may account for the superior performance of our DL models. The models successfully predicted resolving sequences for (6,5), (6,6), and (7,4) SWCNTs with accuracy rates of 87.5, 90, and 70%, respectively. Importantly, the discovery of numerous resolving sequences for (6,5) SWCNTs allows us to systematically manipulate the sequence-dependent absorption spectral shift, photoluminescence intensity, and surfactant sensitivity of DNA-(6,5) hybrids and elucidate the underlying mechanisms.

Necroptosis is a regulated inflammatory cell death process that is closely associated with autoimmune diseases, acute ischemic injuries, neurodegenerative disorders, and so on. Due to the crucial role of receptor-interacting protein kinase 1 (RIPK1) in the necroptosis pathway, RIPK1 inhibitors are believed to have great potential in the treatment of necroptosis-related diseases. In this article, we reported a series of pyridazin-4-one derivatives as potent necroptosis inhibitors for both human and mouse cells. The representative compound 13 exhibited favorable RIPK1 selectivity and dose-dependently inhibited RIPK1 phosphorylation. The in vivo pharmacokinetic study indicated that compound 13 was an orally available candidate. Finally, molecular docking and molecular dynamics simulations were performed to elucidate the binding pattern of compound 13 with RIPK1. Collectively, compound 13 represents a promising lead compound for the future development of RIPK1-targeted necroptosis inhibitors.

The primary component of natural bone minerals, hydroxyapatite (HA), has been the subject of research on materials for bone implants. Sintered HA scaffolds, on the other hand, degrade slowly after implantation and exhibit a high degree of crystallization at high temperatures, making it challenging to match the rate at which new bone grows. In this study, the benefit of self-curing calcium phosphate bone cement was employed to create porous apatite scaffolds without sintering. The lamellar pore structure was created by directional freeze-casting, and the enhanced specific surface area aided the in-situ hydration process. The crystallinity of sinterless porous apatite scaffolds diminishes when the TTCP and DCPD molar ratios drop. When the molar ratio is adjusted to 1:2.25, the crystallinity of the fabricated scaffold is reduced to 63.99%, and 10.21% can be degraded in 30 days. The degradation of porous scaffolds in simulated body fluids mainly depends on the rapid dissolution and transformation of solid phase powders in the early hydration reaction and the slow diffusion of the apatite in the later stage. The compressive strength of the porous scaffold is 5.3MPa and its elastic modulus is 0.68GPa. After 14 days of degradation, the compressive strength was 4.0 MPa and the elastic modulus was 0.64 GPa, which was still within the applicable range of cancellous bone repair. It has a promising application prospect as a substitute scaffold for absorbable cancellous bone.