Abstract MicroRNAs are small and non-coding RNA molecules with the master role in regulation of gene expression at post-transcriptional/translational levels. Many methods have been developed for microRNA loss-of-function study, such as antisense inhibitors and sponges; however, the robustness, specificity, and stability of these traditional strategies are not highly satisfied. CRISPR/cas9 system is emerging as a novel genome editing tool in biology/medicine research, but its indication in microRNA research has not been studied exclusively. In this study, we clone CRISPR/cas9 constructs with single-guide RNAs specifically targeting biogenesis processing sites of selected microRNAs; and we find that CRISPR/cas9 can robustly and specifically reduce the expression of these microRNAs up to 96%. CRISPR/cas9 also shows an exclusive benefit in control of crossing off-target effect on microRNAs in the same family or with highly conserved sequences. More significantly, for the first time, we demonstrate the long term stability of microRNA knockdown phenotype by CRISPR/cas9 in both in vitro and in vivo models.

This study proposes a novel rolling bearing fault diagnosis technique based on a synchrosqueezing wavelet transform (SWT) and a transfer residual convolutional neural network (TRCNN) designed to address the difficulties of feature extraction caused by the non-stationarity of fault signals, as well as the issue of low fault diagnosis accuracy resulting from small sample quantities. This approach transforms the one-dimensional vibration signal into time–frequency diagrams using an SWT based on complex Morlet wavelet basis functions, which redistributes (squeezes) the values of the wavelet coefficients at different localized points in a time–frequency plane to the estimated instantaneous frequencies. This allows the energy to be more fully concentrated in actual corresponding frequency components. This strategy improves both the time–frequency aggregation and the resolution, which better reflects the eigenvalues of non-stationary signals. In this process, transfer learning and a residual structure are used in the training of a convolutional neural network. The resulting time–frequency diagrams, acquired using the steps discussed above, are then input to the TRCNN for diagnosis. A series of validation experiments confirmed that applying the TRCNN structure made it possible to achieve high diagnostic accuracy, even when training the network with only a small number of fault samples, as all 12 fault types from the test dataset were diagnosed correctly. Further simulation experiments demonstrated that our proposed method improved fault diagnosis accuracy compared to that of conventional techniques (with increases of 1.74% over RCNN, 1.28% over TCNN, 1.62% over STFT, 1.73% over WT, 2.83% over PWVD, and 1.39% over STFA-PD). In addition, diagnostic accuracy reached 100% during the application of three-time transfer learning, validating the effectiveness of the proposed method for rolling bearing fault diagnosis.

Abstract Plaque erosion (PE) with secondary thrombosis is one of the key mechanisms of acute coronary syndrome (ACS) which often leads to drastic cardiovascular events. Identification and prediction of PE are of fundamental significance for disease diagnosis, prevention and treatment. In vivo optical coherence tomography (OCT) data of eight eroded plaques and eight non-eroded plaques were acquired to construct three-dimensional fluid–structure interaction models and obtain plaque biomechanical conditions for investigation. Plaque stenosis severity, plaque burden, plaque wall stress (PWS) and strain (PWSn), flow shear stress (FSS), and ΔFSS (FSS variation in time) were extracted for comparison and prediction. A logistic regression model was used to predict plaque erosion. Our results indicated that the combination of mean PWS and mean ΔFSS gave best prediction (AUC = 0.866, 90% confidence interval (0.717, 1.0)). The best single predictor was max ΔFSS (AUC = 0.819, 90% confidence interval (0.624, 1.0)). The average of maximum FSS values from eroded plaques was 76% higher than that from the non-eroded plaques (127.96 vs. 72.69 dyn/cm 2 ) while the average of mean FSS from erosion sites of the eight eroded plaques was 48.6% higher than that from sites without erosion (71.52 vs. 48.11 dyn/cm 2 ). The average of mean PWS from plaques with erosion was 22.83% lower than that for plaques without erosion (83.2 kPa vs. 107.8 kPa). This pilot study suggested that combining plaque stress, strain and flow shear stress could help better identify patients with potential plaque erosion, enabling possible early intervention therapy. Further studies are needed to validate our findings.

BackgroundHeart failure (HF) is a severe disease threatening people's health. The aim of this study is to find a significant biomarker inducive to predicting the prognosis of HF.MethodsGSE135055 and GSE161472 datasets were reanalyzed for exploring key genes related to HF. This single-center, prospective, observational cohort study enrolled 298 patients with or without HF from the Cardiology Department of Zhongda Hospital. Levels of ADAM8 were measured using ELISA kits. Major adverse cardiovascular events (MACEs) were defined as the composite end points of the first occurrence of rehospitalization because of HF or cardiac-related death during one-year follow-up.Results(1) Bioinformatics analysis showed that ADAM8 was a key gene in HF via mainly regulating the mechanisms of extracellular matrix (ECM) organization. (2) Levels of ADAM8 were significantly increased in the HF group, compared to the non-failing (NF) group (p<0.001), especially in patients with HFrEF (p<0.05), and HFmEF (p<0.05). The prevalence of HF in the high ADAM8 group (≧472.916 pg/mL) was significantly higher than in the low ADAM8 group (<472.916 pg/mL) (41.95% vs 30.54%, p<0.01). (3) Correlation analysis revealed that ADAM8 was negatively correlated to the left ventricular ejection fraction (LVEF) (r=-0.272, p<0.001). ROC analysis showed that the AUC of ADAM8 in predicting HF and predicting the MACE were 0.701 (p<0.0001) and 0.683 (p<0.0001), respectively. (4) Logistic and Cox regression both indicated that high ADAM8 expression can predict adverse prognosis of HF.ConclusionsADAM8 may be a risk factor for HF, especially in cases of HFrEF and HFmEF. High ADAM8 expression in plasma was related to the decreased heart function, and can predict the adverse prognosis of HF.

The segmentation and recognition of power lines are crucial for the UAV-based inspection of overhead power lines. To address the issues of class imbalance, low sample quantity, and long-range dependency in images, a specialized semantic segmentation network for power line segmentation called Axial-UNet++ is proposed. Firstly, to tackle the issue of long-range dependencies in images and low sample quantity, a gated axial attention mechanism is introduced to expand the receptive field and improve the capture of relative positional biases in small datasets, thereby proposing a novel feature extraction module termed axial-channel local normalization module. Secondly, to address the imbalance in training samples, a new loss function is developed by combining traditional binary cross-entropy loss with focal loss, enhancing the precision of image semantic segmentation. Lastly, ablation and comparative experiments on the PLDU and Mendeley datasets demonstrate that the proposed model achieves 54.7% IoU and 80.1% recall on the PLDU dataset, and 79.3% IoU and 93.1% recall on the Mendeley dataset, outperforming other listed models. Additionally, robustness experiments show the adaptability of the Axial-UNet++ model under extreme conditions and the augmented image dataset used in this study has been open sourced.