While conceptual principles governing plant immunity are becoming clear, its systems-level organization and the evolutionary dynamic of the host-pathogen interface are still obscure. We generated a systematic protein-protein interaction network of virulence effectors from the ascomycete pathogen Golovinomyces orontii and Arabidopsis thaliana host proteins. We combined this data set with corresponding data for the eubacterial pathogen Pseudomonas syringae and the oomycete pathogen Hyaloperonospora arabidopsidis. The resulting network identifies host proteins onto which intraspecies and interspecies pathogen effectors converge. Phenotyping of 124 Arabidopsis effector-interactor mutants revealed a correlation between intraspecies and interspecies convergence and several altered immune response phenotypes. Several effectors and the most heavily targeted host protein colocalized in subnuclear foci. Products of adaptively selected Arabidopsis genes are enriched for interactions with effector targets. Our data suggest the existence of a molecular host-pathogen interface that is conserved across Arabidopsis accessions, while evolutionary adaptation occurs in the immediate network neighborhood of effector targets.

Abstract Objective To investigate the feasibility and accuracy of predicting locoregional recurrence (LR) in elderly patients with esophageal squamous cell cancer (ESCC) who underwent radical radiotherapy using a pairwise machine learning algorithm. Methods The 130 datasets enrolled were randomly divided into a training set and a testing set in a 7:3 ratio. Clinical factors were included and radiomics features were extracted from pretreatment CT scans using pyradiomics-based software, and a pairwise naive Bayes (NB) model was developed. The performance of the model was evaluated using receiver operating characteristic (ROC) curves and decision curve analysis (DCA). To facilitate practical application, we attempted to construct an automated esophageal cancer diagnosis system based on trained models. Results To the follow-up date, 64 patients (49.23%) had experienced LR. Ten radiomics features and two clinical factors were selected for modeling. The model demonstrated good prediction performance, with area under the ROC curve of 0.903 (0.829–0.958) for the training cohort and 0.944 (0.849–1.000) for the testing cohort. The corresponding accuracies were 0.852 and 0.914, respectively. Calibration curves showed good agreement, and DCA curve confirmed the clinical validity of the model. The model accurately predicted LR in elderly patients, with a positive predictive value of 85.71% for the testing cohort. Conclusions The pairwise NB model, based on pre-treatment enhanced chest CT-based radiomics and clinical factors, can accurately predict LR in elderly patients with ESCC. The esophageal cancer automated diagnostic system embedded with the pairwise NB model holds significant potential for application in clinical practice.

Objective To identify the most sensitive imaging examination method to evaluate the prognosis of esophageal squamous cell carcinoma (ESCC). Materials and methods Thirty patients with esophageal squamous cell carcinoma (ESCC) participated in the study and underwent chemoradiotherapy (CRT). They were divided into two groups based on their survival status: the survival group and non-survival group. The diagnostic tests were utilized to determine the most effective imaging examination method for assessing the prognosis. Results 1. There were no significant differences in tumor length shown on esophagography or computed tomography (CT) or the maximal esophageal wall thickness shown on CT at the specified time points between the two groups. 2. The tumor length on diffusion-weighted imaging (DWI) in the survival group was significantly lower than in the non-survival group at the end of the sixth week of treatment (P=0.001). The area under the ROC curve was 0.840 (P=0.002), and the diagnostic efficiency was moderately accurate. 3. The apparent diffusion coefficient (ADC) values of the survival group were significantly higher than those in the non-survival group at the end of the fourth week and sixth week of treatment (both P<0.001). Areas under the curve were 0.866 and 0.970, with P values of 0.001 and <0.001 and good diagnostic accuracy. Cox regression analyses indicated the ADC at the end of the sixth week of treatment was an independent risk factor. Conclusions Compared with esophagography and CT, DW-MRI has certain advantages in predicting the prognosis of ESCC.