Abstract Generative pretrained models represent a significant advancement in natural language processing and computer vision, which can generate coherent and contextually relevant content based on the pre-training on large general datasets and fine-tune for specific tasks. Building foundation models using large scale omic data is promising to decode and understand the complex signaling language patterns within cells. Different from existing foundation models of omic data, we build a foundation model, mosGraphGPT , for multi-omic signaling (mos) graphs, in which the multi-omic data was integrated and interpreted using a multi-level signaling graph. The model was pretrained using multi-omic data of cancers in The Cancer Genome Atlas (TCGA), and fine-turned for multi-omic data of Alzheimer’s Disease (AD). The experimental evaluation results showed that the model can not only improve the disease classification accuracy, but also is interpretable by uncovering disease targets and signaling interactions. And the model code are uploaded via GitHub with link: https://github.com/mosGraph/mosGraphGPT

Abstract Multi-omic data can better characterize complex cellular signaling pathways from multiple views compared to individual omic data. However, integrating multi-omic data to rank key disease biomarkers and infer core signaling pathways remains an open problem. Compared to other AI models, graph AI can integrate multi-omic data with large-scale signaling networks and rank biomarkers and signaling interactions using attention mechanisms. In this study, we present a novel graph AI model, mosGraphFlow , and apply it on multi-omic datasets of Alzheimer’s disease (AD). The comparison results show that the proposed model not only achieves the best classification accuracy but also identifies important AD disease biomarkers and signaling interactions. Moreover, the signaling sources are highlighted at specific omic levels to facilitate the understanding of the pathogenesis of AD. The proposed model can also be applied and expanded for other studies using multi-omic data. And the model code are uploaded via GitHub with link: https://github.com/mosGraph/mosGraphFlow

The EXO+ hip protector was developed to minimize the risk of hip fractures in seniors following falls. This study evaluated its usability in a Singapore nursing home from the perspective of the staff, focusing on learnability, efficiency, and satisfaction. A mixed-method design was employed, with nursing home residents wearing the EXO+ daily for eight weeks. Quantitative data on wear time were collected alongside qualitative insights from four repeated focus group discussions with care staff. In total, 15 residents (including 8 residents with cognitive impairments) and 9 staff participated. The analysis revealed six themes and fourteen subthemes related to EXO+’s usability. The residents wore the device for an average of 1.54 h per day, with those having cognitive impairments showing increased wear times, especially in the mornings and on weekdays. The findings indicated that the EXO+ was learnable and satisfactory for nursing home use, provided there are adequate supporting features. The efficiency of the EXO+ was not fully measured since no falls were reported during the study period. The study offers valuable insights for potential design modifications and workflow adaptations to enhance the implementation of hip protectors in healthcare settings, highlighting facilitators and barriers to support device uptake.