Imbalance in lipid metabolism is the main cause of nonalcoholic fatty liver disease (NAFLD). While the pathogenesis of lipid accumulation mediated by extrahepatic regulators has been extensively studied, the intrahepatic regulators modulating lipid homeostasis remain unclear. Previous studies have shown that systemic administration of interleukin-22 (IL-22) protects against NAFLD; however, the role of IL-22/IL22RA1 signaling in modulating hepatic lipid metabolism remains uncertain.

Predicting click-through rate (CTR) is a critical task in recommendation systems, where the models are optimized with pointwise loss to infer the probability of items being clicked. In industrial practice, applications also require ranking items based on these probabilities. Existing solutions primarily combine the ranking-based loss, i.e., pairwise and listwise loss, with CTR prediction. However, they can hardly calibrate or generalize well in CTR scenarios where the clicks reflect the binary preference. This is because the binary click feedback leads to a large number of ties, which renders high data sparsity. In this paper, we propose an effective data augmentation strategy, named Beyond Binary Preference (BBP) training framework, to address this problem. Our key idea is to break the ties by leveraging Bayesian approaches, where the beta distribution models click behavior as probability distributions in the training data that naturally break ties. Therefore, we can obtain an auxiliary training label that generates more comparable pairs and improves the ranking performance. Besides, BBP formulates ranking and calibration as a multi-task framework to optimize both objectives simultaneously. Through extensive offline experiments and online tests on various datasets, we demonstrate that BBP significantly outperforms state-of-the-art methods in both ranking and calibration capabilities, showcasing its effectiveness in addressing the limitations of existing methods. Our code is available at https://github.com/AlvinIsonomia/BBP.

Community detection on attributed graphs with rich semantic and topological information offers great potential for real-world network analysis, especially user matching in online games. Graph Neural Networks (GNNs) have recently enabled Deep Graph Clustering (DGC) methods to learn cluster assignments from semantic and topological information. However, their success depends on the prior knowledge related to the number of communities K, which is unrealistic due to the high costs and privacy issues of acquisition. In this paper, we investigate the community detection problem without prior K, referred to as K-Free Community Detection problem. To address this problem, we propose a novel Deep Adaptive and Generative model~(DAG) for community detection without specifying the prior K. DAG consists of three key components, i.e., a node representation learning module with masked attribute reconstruction, a community affiliation readout module, and a community number search module with group sparsity. These components enable DAG to convert the process of non-differentiable grid search for the community number, i.e., a discrete hyperparameter in existing DGC methods, into a differentiable learning process. In such a way, DAG can simultaneously perform community detection and community number search end-to-end. To alleviate the cost of acquiring community labels in real-world applications, we design a new metric, EDGE, to evaluate community detection methods even when the labels are not feasible. Extensive offline experiments on five public datasets and a real-world online mobile game dataset demonstrate the superiority of our DAG over the existing state-of-the-art (SOTA) methods. DAG has a relative increase of 7.35% in teams in a Tencent online game compared with the best competitor.

The innovative Federated Multi-Task Learning (FMTL) approach consolidates the benefits of Federated Learning (FL) and Multi-Task Learning (MTL), enabling collaborative model training on multi-task learning datasets. However, a comprehensive evaluation method, integrating the unique features of both FL and MTL, is currently absent in the field. This paper fills this void by introducing a novel framework, FMTL-Bench, for systematic evaluation of the FMTL paradigm. This benchmark covers various aspects at the data, model, and optimization algorithm levels, and comprises seven sets of comparative experiments, encapsulating a wide array of non-independent and identically distributed (Non-IID) data partitioning scenarios. We propose a systematic process for comparing baselines of diverse indicators and conduct a case study on communication expenditure, time, and energy consumption. Through our exhaustive experiments, we aim to provide valuable insights into the strengths and limitations of existing baseline methods, contributing to the ongoing discourse on optimal FMTL application in practical scenarios. The source code can be found at https://github.com/youngfish42/FMTL-Benchmark.

Abstract In present study, we adopt molecular dynamics simulations to investigate the influ-ences of typical planar defects, including twin boundaries (TBs), stacking faults (SFs) and grain boundaries (GBs), on the mechanical properties of fcc copper nanoparticles. Groups of nanoparticle samples, including defect-free single crystal and those with specific de-fects, are examined for elastic modulus, yield strength, and deformation mechanisms. De-tailed results reveal that the elastic behavior of nanoparticles can be well described by a modified theoretical model regardless the type of defects. While the planar defects have negligible influence on the elastic modulus, they significantly enhance the yield strength of nanoparticles. Notably, nanoparticles containing fivefold TBs exhibit the highest yield stress, i.e. ~ 17.0 GPa, even surpassing that of the defect-free counterparts, i.e. ~ 10.0 GP. Analysis of atomic deformation unravels that the distinct yielding behaviors are attributed to the activation of different slip systems and the nucleation of dislocations at specific preferential sites. These findings highlight the potential of fabricating planar defects to tailor the mechanical properties of metallic nanoparticles for targeted applications in nano-technology and materials science.

Background This study aims to improve the solubility and the toxicity of Bufonis venenum, and finally enhance the therapeutic outcomes of hepatocellular carcinoma (HCC). Methods The cholesterol-free liposomes simultaneously encapsulate bufadienolides and indolealkylamines (Non-Cholesterol-Bufonis Venenum Extract-Liposome, Non-Chol-BVE-LP) was prepared by the thin-film evaporation technique. In vitro , the cytotoxicity, cell apoptosis study, cellular uptake and hemolysis studies were evaluated in HepG2 cells. In vivo , the biodistribution and anti-tumor activity studies were conducted in BALB/C mice with HepG2 cells. Results The liposomes showed good size distribution, encapsulation efficiency drug loading capacity and slower drug release. Non-Chol-BVE-LP had higher cytotoxicity on HepG2 cells and induced more apoptosis on HepG2 Cells compared with BVE. In addition, the liposomes could accumulate in tumor by passive targeting, thus facilitating the anti-tumor effects. In vivo , Non-Chol-BVE-LP showed equivalent anti-tumor efficacy to the first-line anti-HCC drug sorafenib. Conclusion The study provided new ideas for the development and clinical application of Bufonis venenum related formulation and offered new drug for the treatment of HCC.