The assessment of compound blood-brain barrier (BBB) permeability poses a significant challenge in the discovery of drugs targeting the central nervous system. Conventional experimental approaches to measure BBB permeability are labor-intensive, cost-ineffective, and time-consuming. In this study, we constructed six machine learning classification models by combining various machine learning algorithms and molecular representations. The model based on ExtraTree algorithm and random partitioning strategy obtains the best prediction result, with AUC value of 0.932±0.004 and balanced accuracy (BA) of 0.837±0.010 for the test set. We employed the SHAP method to identify important features associated with BBB permeability. In addition, matched molecular pair (MMP) analysis and representative substructure derivation method were utilized to uncover the transformation rules and distinctive structural features of BBB permeable compounds. The machine learning models proposed in this work can serve as an effective tool for assessing BBB permeability in the drug discovery for central nervous system disease.

Abstract The outbreak of COVID-19 has emerged as a global pandemic. The unprecedented scale and severity call for rapid development of effective prophylactics or therapeutics. We here reported Nanobody (Nb) phage display libraries derived from four camels immunized with the SARS-CoV-2 spike receptor-binding domain (RBD), from which 381 Nbs were identified to recognize SARS-CoV-2-RBD. Furthermore, seven Nbs were shown to block interaction of human angiotensin converting enzyme 2 (ACE2) with SARS-CoV-2-RBD-variants, bat-SL-CoV-WIV1-RBD and SARS-CoV-1-RBD. Among the seven candidates, Nb11-59 exhibited the highest activity against authentic SARS-CoV-2 with ND 50 of 0.55 μg/mL. Nb11-59 can be produced on a large-scale in Pichia pastoris , with 20 g/L titer and 99.36% purity. It also showed good stability profile, and nebulization did not impact its stability. Overall, Nb11-59 might be a promising prophylactic and therapeutic molecule against COVID-19, especially through inhalation delivery. Graphical Abstract

A comprehensive atlas of genes, cell types, and their spatial distribution across a whole mammalian brain is fundamental for understanding function of the brain. Here, using snRNA-seq and Stereo-seq techniques, we generated a mouse brain atlas with spatial information for 308 cell clusters with single-cell resolution involving over 6 million cells as well as for 29,655 genes. We have identified new astrocyte clusters, and demonstrated that distinct cell clusters exhibit preference for cortical subregions. In addition, we identified 155 genes exhibiting regional specificity in the brainstem, and 513 long non-coding RNA exhibited regional specificity in the adult brain. Parcellation of brain regions based on spatial transcriptomic information showed large overlap with that by traditional method. Furthermore, we have uncovered 411 transcription factor regulons with spatiotemporal specificity during development. Thus, our study has discovered genes and regulon with spatiotemporal specificity, and provided a high-resolution spatial transcriptomic atlas of the mouse brain.

To analyze the influence of childhood abuse experience, recent life events and coping styles on depression symptoms of medical students based on the model of "vulnerability-stress-coping".

Selenium (Se) is an essential trace element for human physiological metabolism. The application of organic Se as a source to cultivate Se-rich plants for micronutrient supplementation has been receiving increasing attention. In our study, a bacterial strain named H1 was isolated from the soil in Heilongjiang Province, China, and under optimal culture conditions, the unit Se content could reach 3000 μg·g−1 and its 16S ribosomal DNA sequence seemed to be a new molecular record of an Enterobacter species. After the domestication of Se tolerance and Se-rich experiments, H1 can be used as a Se source for cultivation of Se-rich Auricularia auricula. The results showed that soluble protein, soluble sugar, free amino acid and vitamin C contents in Auricularia auricula were notably increased by 28.7%, 21.8%, 32.5% and 39.2% under the treatment of Se concentration of 0.24 mg·kg−1, respectively. These findings enhance our understanding that H1 is more conducive to Se uptake and nutrient accumulation.

ABSTRACT Identifying interactions between drugs and targets is crucial for drug discovery and development. Nevertheless, the determination of drug‐target binding affinities (DTAs) through traditional experimental methods is a time‐consuming process. Conventional approaches to predicting drug‐target interactions (DTIs) frequently prove inadequate due to an insufficient representation of drugs and targets, resulting in ineffective feature capture and questionable interpretability of results. To address these challenges, we introduce CGPDTA, a novel deep learning framework empowered by transfer learning, designed explicitly for the accurate prediction of DTAs. CGPDTA leverages the complementarity of drug–drug and protein–protein interaction knowledge through advanced drug and protein language models. It further enhances predictive capability and interpretability by incorporating molecular substructure graphs and protein pocket sequences to represent local features of drugs and targets effectively. Our findings demonstrate that CGPDTA not only outperforms existing methods in accuracy but also provides meaningful insights into the predictive process, marking a significant advancement in the field of drug discovery.