Abstract Cryo-electron tomography (cryo-ET) is widely used to explore the 3D density of biomacromolecules. However, the heavy noise and missing wedge effect prevent directly visualizing and analyzing the 3D reconstructions. Here, we introduced REST, a deep learning strategy-based method to establish the relationship between low-quality and high-quality density and transfer this knowledge to restore signals in cryo-ET. Experimental results on purified ribosome and recombinant nucleosome datasets showed that REST had outstanding performance in denoising and compensating the missing wedge. The application in dynamic nucleosome structures suggests that REST has the capability to reveal individual macromolecules which present different conformations without subtomogram averaging. Moreover, REST could greatly improve the reliability of particle picking. These advantages enable REST to be a powerful tool for the straightforward interpretation of target macromolecules by visual inspection of the density and of a broad range of other applications in cryo-ET, such as segmentation, particle picking, and subtomogram averaging.

Abstract Background Immune inflammation is intricately associated with coronary artery disease (CAD) progression, necessitating the pursuit of more efficacious therapeutic strategies. This study aimed to uncover potential therapeutic targets for CAD and myocardial infarction (MI) by elucidating the causal connection between regulatory immune-related genes (RIRGs) and these disorders. Methodology We performed summary data-based Mendelian randomization analysis to assess the therapeutic targets linked to expression quantitative trait loci and methylation quantitative trait loci of RIRGs in relation to CAD and MI. Independent validation cohorts and datasets from coronary artery and left ventricular heart tissue were analyzed. To strengthen causal inference, colocalization analysis and PhenoScanner phenotype scans were employed. Results Utilizing multiomics integration, we pinpointed EIF2B2, FCHO1, and DDT as CAD risk genes. Notably, EIF2B2 and FCHO1 displayed significant associations with MI. High EIF2B2 expression, regulated by cg16144293, heightened CAD and MI risk at rs175438. In contrast, enhanced FCHO1 expression, modulated by cg18329931, reduced CAD and MI risk at rs13382133. DDT upregulation influenced by cg11060661 and cg09664220 was associated with decreased CAD risk at rs5760120. Colocalization analysis firmly established these relationships. Conclusion EIF2B2, FCHO1, and DDT represent risk loci for CAD progression within RIRGs. Our identification of these genes enhances understanding of CAD pathogenesis and directs future drug development efforts.

Because of lacking of the systematic investigation of correlations between the physical examination indicators (PEIs), currently most of them are independently used for disease warning. This results in very limited diagnostic values of general physical examination. Here, we first systematically analyzed the correlations between 221 PEIs in healthy and in 34 unhealthy states in 803,614 peoples in China. We revealed rich relevant between PEIs in healthy physical status (7,662 significant correlations, 31.5% of all). However, in disease conditions, the PEI correlations changed. We further focused on the difference of these PEIs between healthy and 35 unhealthy physical status, 1,239 significant PEI difference were discovered suggesting as candidate disease markers. Finally, we established machine learning algorithms to predict the health status by using 15%-16% PEIs by feature extraction, which reached 66%-99% precision predictions depending on the physical state. This new encyclopedia of PEI correlation provides rich information to chronic disease diagnosis. Our developed machine learning algorithms will have fundamental impact in practice of general physical examination.