Adamantanes (amantadine and rimantadine) have been used to prevent and treat influenza A virus infections for many years; however, resistance to these drugs has been widely reported in the world. To investigate the frequency and distribution of M2 gene mutations in adamantane-resistant influenza variants circulated in the world between 1902 and 2013, 31251 available M2 protein sequences from different HA-subtype influenza A viruses (H1–H17) were analyzed and adamantane resistance-associated mutations were compared (L26F, V27A, A30T, A30V, S31N, G34E, and L38F). We find that 45.2% (n = 14132) of influenza A (H1–H17) viruses circulating globally were resistant to adamantanes, and the vast majority of resistant viruses (95%) bear S31N mutations. Whereas, only about 1% have V27A mutations and other mutations (L26F, A30T, G34E, and L38F) were extremely rare (their prevalence appeared to be < 0.2%). Our results confirm that H1, H3, H5, H7, H9, and H17 subtype influenza A viruses exhibit high-level resistance to adamantanes. In contrast, the appearance of adamantane-resistant mutants in H2, H4, H6, H10, and H11 subtypes was rare. However, no adamantane resistance viruses were identified among other HA subtypes (H8, H12–H16). Our findings indicate that the frequency and distribution of adamantane-resistant influenza variants varied among different HA subtypes, host species, years of isolation, and geographical areas. This comprehensive study raises concerns about the increasing prevalence of adamantane-resistant influenza A viruses and highlights the importance of monitoring the emergence and worldwide spread of adamantane-resistant variants.

Abstract Objective. Spectral CT and material decomposition methods are crucial for precise material identification and quantitative composition analysis in preclinical research and clinical diagnosis. The empirical material decomposition method is widely used for its straightforward modeling approach, independence from spectral and detector response knowledge, and operational convenience. However, this method has limited decomposition accuracy and its precision depends on the choice of calibration phantoms. Approach. To address these issues, we propose an empirical correction decomposition method (ECDM). The innovation of this method lies in its ability to conveniently estimate and correct empirical decomposition errors using a specially designed calibration phantom. First, the specially designed calibration phantom for ECDM undergoes empirical decomposition initially to establish the relationship between decomposition errors and decomposition values. Then, ECDM estimates and corrects the error of empirical decomposition values. Main results. In the phantom experiments, ECDM improves the decomposition accuracy of empirical methods, effectively reducing the different decomposition errors caused by four different sizes of calibration phantoms from a maximum of 144\% to within 25\%. In the mouse experiments, ECDM achieves accurate quantification of contrast agents in biological tissues, outperforming the other two methods. The absolute error percentages of ECDM in the decomposition results of the two standard iodine solutions are both less than 5\%. Significance. ECDM significantly improves decomposition accuracy and reduces the impact of the size of the empirical calibration phantom. Overall, our method based on spectral CT is very convenient and practical for the quantitative measurement in biomedical applications.

With the continuous grid connection of renewable energy sources on the distribution network side, their volatility and uncertainty pose significant challenges to the operation of the distribution grid. This paper proposes a multi-temporal optimization scheduling strategy for a zero-carbon distribution system. The focus is on wind, solar, and hydropower components, and the coordination of flexible resources across different time scales. The fuzzy change constraint is employed to handle uncertainties associated with generation and demand, offering a more realistic representation of intermittent power source outputs and load uncertainties. The proposed two-stage optimization model, utilizing fuzzy chance constraints, establishes a balance between economic efficiency and renewable energy integration rates. The methodology is validated using the IEEE 33-node test system, demonstrating improvements in economic performance and renewable energy integration.

In the future power system, characterized by the massive integration of distributed energy resources (DERs), the AC/DC hybrid network represents a highly promising technology that will play a crucial role at power distribution levels. As essential analytical tools for AC/DC distribution networks, Newton-Raphson (N-R) based unified AC/DC power flow methods have been developed and widely used. However, the N-R method encounters challenges such as divergence, multiple solutions, and high sensitivity to initial values when solving power flow problems in distribution networks, particularly in radial and meshed distribution network topologies, especially under conditions of high R/X ratios or heavy loads. To address these issues, this paper presents a novel unified AC/DC power flow algorithm based on the implicit Z-bus (IZB) method. Considering the various combinations of nodes and feeders in AC/DC hybrid distribution networks, a unified power flow solver based on an IZB iterative mapping is proposed. Numerical tests validate the proposed solver, demonstrating its superior capability to achieve high computational efficiency while reliably converging to feasible solutions without being influenced by the choice of high R/X ratios, initial values, and heavy loads.