Gastric cancer is a leading cause of cancer deaths, but analysis of its molecular and clinical characteristics has been complicated by histological and aetiological heterogeneity. Here we describe a comprehensive molecular evaluation of 295 primary gastric adenocarcinomas as part of The Cancer Genome Atlas (TCGA) project. We propose a molecular classification dividing gastric cancer into four subtypes: tumours positive for Epstein-Barr virus, which display recurrent PIK3CA mutations, extreme DNA hypermethylation, and amplification of JAK2, CD274 (also known as PD-L1) and PDCD1LG2 (also known as PD-L2); microsatellite unstable tumours, which show elevated mutation rates, including mutations of genes encoding targetable oncogenic signalling proteins; genomically stable tumours, which are enriched for the diffuse histological variant and mutations of RHOA or fusions involving RHO-family GTPase-activating proteins; and tumours with chromosomal instability, which show marked aneuploidy and focal amplification of receptor tyrosine kinases. Identification of these subtypes provides a roadmap for patient stratification and trials of targeted therapies.

Pea peptides can lead to degradation through oxidation, deamidation, hydrolysis, or cyclization during production, processing, and storage, which in turn limit their broader application. To stabilize pea peptides, this study employed spray drying technology to create a pea peptide micro-encapsule using maltodextrin, gum tragacanth, and pea peptides. Four key factors, including polysaccharide ratio, glycopeptide ratio, solid-liquid ratio, and inlet temperature, were optimized to enhance the antioxidant properties of the pea peptide micro-encapsule. The results indicated that the utilization of maltodextrin and gum tragacanth significantly improves the storage stability and antioxidant activity of pea peptides. Moreover, optimal storage stability for pea peptides was achieved with a polysaccharide ratio of 9:1, a glycopeptide ratio of 10:1, a solid-liquid ratio of 4:40, and an inlet temperature of 180 °C. After 60 days of storage, the encapsulated pea peptides maintained 70.22 %, 25.19 %, and 40.32 % for scavenging abilities to hydroxyl radical, superoxide anion, and ABTS radical, respectively. In contrast, the unencapsulated pea peptides showed a decline to 47.02 %, 0 %, and 24.46 % in the same antioxidant activities after storage. These findings underscore the potential of spray drying technology to enhance the functional properties of pea peptides for various applications.

In this study, rice husk biochar was engineered with abundant iron ion sites to enhance the enrichment of antioxidant peptides from rice protein hydrolysates through metal-chelating interactions. The π-π interactions and metal ion chelation were identified as the primary mechanisms for the enrichment process. Through peptide sequencing, four peptides were identified: LKFL (P1: Leu-Lys-Phe-Leu), QLLF (P2: Gln-Leu-Leu-Phe), WLAYG (P3: Trp-Leu-Ala-Tyr-Gly), and HFCGG (P4: His-Phe-Cys-Gly-Gly). The vitro analysis and molecular docking revealed that peptides P1-P4 possessed remarkable scavenging ability against radicals and Fe

Abstract Drug testing has many test elements. It aims to prevent unqualified drugs from entering the market and ensure drug safety. The existing artificial intelligence (AI) online monitoring system identifies active ingredients in the process of use. Owing to their openness, data are easy to be lost, failing to meet user needs and inducing a specific impact on the use of the monitoring system. With the continuous development of computer and measurement technologies, various biochemical data are increasing at an unprecedented speed, and numerous databases are emerging. Extracting patterns from considerable known data and experimental facts is an essential task for a wide range of biological and chemical workers. Pattern recognition is one of the essential technologies for data mining. It is widely used in industry, agriculture, national defense, biomedicine, meteorology, astronomy, and other fields. To improve the effect of the online drug ingredient recognition system, this study used AI to design an online drug ingredient recognition-embedded monitoring system and applied AI to the teaching field to improve teaching efficiency. First, this study constructed the framework of the AI online drug ingredient recognition-embedded monitoring system and introduced the process of online drug ingredient recognition. Then, it introduced the pattern recognition method, constructed the pattern recognition system, and presented the pattern recognition algorithm and the algorithm evaluation index. Afterward, it used pattern recognition to conduct a qualitative analysis of the infrared spectrum of drug components and introduced the overall process of the qualitative analysis. In addition, this study employed AI to implement changes to the embedded system instruction in colleges and universities, summarizing the current issues. The impact of drug component recognition and the educational impact of embedded systems were investigated in the experimental portion. The experimental findings demonstrated the excellent accuracy, sensitivity, specificity, and Matthew correlation coefficient of the online drug component recognition-integrated monitoring system in this work. Compared with that of other systems, its average drug component recognition accuracy was above 0.85. Students in five majors reported high levels of satisfaction with the embedded system teaching, which is better for delivering college instruction.