Компартаментализированные сети цитокинов и системная иммунная ремоделизация при инфекции коров молочной железы вирусом птичьего гриппа H5N1

Высоко патогенные вирусы птичьего гриппа A(H5N1) клада 2.3.4.4b, генотипа D1.1, являются причиной широко распространенных вспышек среди птицы и продолжают вызывать спорадические, иногда серьезные, инфекции у людей. В данном исследовании мы охарактеризовали дикий штамм вируса гриппа A(H5N1) D1.1 (BC-H5N1-WT) и его вариант с мутированным нейрамидазом H275Y (BC-H5N1-H275Y), обнаруженные на фермах в Британской Колумбии, Канада, во время вспышки осенью 2024 года. Анализ оценивал кинетику репликации в клетках MDCK, супернатанты собирались на разных днях после инфицирования (p.i.) и титровались с помощью TCID и qRT-PCR. Чувствительность к ингибиторам нейроминидазы была определена с помощью проб ингибирования NA, в то время как чувствительность к балкилавирной кислоте оценивалась с использованием теста на снижение бляшек. Вирулентность оценивалась у мышей BALB/c, инфицированных сериями 10-кратных разводнений каждого вируса для мониторинга потерь веса и смертности. Вирусные титры в легких, мозге, носу, почках, селезенке и сердце были количественно оценены на 4-й день p.i. Вирус BC-H5N1-WT был чувствителен ко всем четырем протестированным противовирусным препаратам, в то время как BC-H5N1-H275Y проявил устойчивость к осельтамивиру и перамивиру, но остался чувствителен к занамивиру и балкилавирной кислоте. Вирус BC-H5N1-WT продемонстрировал значительно более высокие титры вирусной репликации, чем BC-H5N1-H275Y на всех протестированных временных точках и показал большие размеры бляшек. У мышей вирус BC-H5N1-WT был более вирулентным с LD50 значениями 1.78 × 10 PFUs по сравнению с 8.71 × 10 PFUs для BC-H5N1-H275Y, и производил более высокие вирусные титры в легких и других органах. Несмотря на сниженные фитнес-показатели устойчивого варианта H5N1 D1.1, его возникновение в отсутствие вирусного селекционного давления подчеркивает необходимость продолжающегося мониторинга.

Обнаружение падений имеет важное значение для ухода за пожилыми людьми и интеллектуального наблюдения; однако существующие подходы на основе компьютерного зрения в основном рассматривают его как классификацию статической позы или сопоставление дискретных временных шаблонов, в корне упуская нестабильную динамику человеческой опорной системы. В данной статье предлагается основанная на физике структура для обнаружения падений, которая трактует падение как событие утраты устойчивости в связанной динамической системе. Мы вводим новую архитектуру двойной LTC, состоящую из подсистемы центра масс (CoM) и подсистемы базы поддержки (BoS), обе реализованы как нейронные сети с жидкими временными константами (LTC), которые непрерывно моделируют эволюцию инерциальной траектории и адаптацию к контакту с землёй с помощью адаптивных временных констант. Физическая интерпретируемость движения при падении. Обучаемый модуль связывания имитирует физическое взаимодействие между двумя подсистемами, в то время как классификатор стабильности Manifold работает в объединённом латентном пространстве для обнаружения пересечения границы через метрики стабильности, вдохновлённые методом Ляпунова. Дополнительное проецирование контрфактической траектории и оценка времени до столкновения (TTC) дальше позволяют оценить необратимость и осуществить раннее предупреждение. Архитектура разработана для поддержки парадигмы предсказания с тремя состояниями (Нормально, Падает, Упал); в этом предварительном исследовании мы проверяем основную способность различения стабильности на датасете из двух классов (Нормально против Падает), оставляя полную трехстадийную временную трансформацию для будущей работы. В отличие от традиционных конвейеров CNN-RNN, предлагаемая формулировка кодирует механическую инерцию непрерывного времени, что позволяет создать сеть с менее чем 50 тыс. параметров, способную выполнять вывод в реальном времени на устройствах с ограниченными ресурсами. Обширные эксперименты демонстрируют конкурентоспособную точность с превосходной физической интерпретируемостью, подтверждая её эффективность для визуального обнаружения падений при низких вычислительных затратах.

Филоразнообразие (PD) является фундаментальной мерой биологического разнообразия, изначально определенной для филогенетических деревьев и широко используемой в охране природы. Филогенетические деревья часто обобщаются на направленные ациклические графы, называемые филогенетическими сетями. В связи с этим требуется соответствующее обобщение PD. Естественным обобщением для взвешенных по рёдам филогенетических сетей является мера всех путей, где разнообразие множества S видов (таксонов) определяется как общая масса всех рёбер, которые лежат на пути от корня к хотя бы одному виду из S. Хотя максимизация PD на деревьях может быть решена за полиномиальное время, соответствующая задача для сетей является NP-трудной и трудной для аппроксимации. Мы проводим систематическое исследование параметризованной сложности проблемы Max-All-Paths-PD (MapPD). Мы устанавливаем W[2]-трудность, когда задача параметризована количеством видов, включённых в решение, и W[1]-трудность для количества видов, исключённых из решения. С положительной стороны, мы показываем, что проблема является фиксированно-параметрически разрешимой в зависимости от порога разнообразия и допустимой потери разнообразия. Мы дополнительно анализируем, как близость сети к дереву влияет на алгоритмическое поведение, и представляем алгоритмы с фиксированным параметром с одноэкспоненциальной сложностью, учитывающие количество ретруксаций и ширину дерева основного графа. Наконец, мы представляем полиномиальную ядровизацию для MapPD относительно количества рёбер ретруксации.

Многие биологические процессы управляются сложными динамическими механизмами, которые остаются недостаточно понятными, несмотря на растущий объем экспериментальных данных. Нейронные сети, учитывающие биологические аспекты (BINNs), стремятся решить эту проблему, внедряя механистические дифференциальные уравнения в обучение нейронной сети, что позволяет восстанавливать интерпретируемые конститутивные операторы непосредственно из разреженных и зашумленных наблюдений. Однако надежное восстановление операторов чувствительно к архитектуре сети, стратегии оптимизации и информативности данных. В настоящей работе мы представляем систематическое эмпирическое исследование того, как эти факторы влияют на механистическую интерпретацию с использованием BINNs, примененных к каноническим моделям одномерного адекватно-диффузионно-реакционного уравнения вpartial differential equations. В рамках набора контрольных задач мы исследуем, как выразительность сети, скорость обучения, вес потерь и размер пакета влияют на поведение оптимизации и восстановление операторов. Мы показываем, что успешная механистическая интерпретация зависит от баланса competing objectives, а не от максимизации какого-либо единственного аспекта модели или оптимизации. Умеренно выразительные архитектуры превосходят чрезмерно сложные нейронные сети, промежуточные скорости обучения улучшают стабильность оптимизации, сбалансированные данные и потери PDE являются необходимыми для точного восстановления операторов, а промежуточные размеры пакетов обеспечивают наилучший компромисс между вычислительной эффективностью и воспроизводимостью. Мы также определяем практические диагностические методы для распознавания распространенных способов отказа, включая переобучение, нестабильную оптимизацию и плохое механистическое восстановление, когда истинные данные недоступны. Все эти результаты предоставляют обоснованные рекомендации для применения BINNs в качестве надежных инструментов для открытия биологических моделей.

Соленость почвы ограничивает продуктивность пшеницы, нарушая водопоглощение, гомеостаз Na⁺/K⁺, фотосинтез, репродуктивное развитие и заполнение зерна. Хотя об устойчивости пшеницы к солености часто говорят в терминах отдельных черт, таких как исключение Na⁺, антиоксидантная защита, накопление осмолитов или сигнальная система абсцизовой кислоты, эти реакции функционируют как взаимосвязанные сигнальные сети. В этом обзоре адаптация пшеницы к солености пересматривается как процесс, управляемый взаимодействием, связывающий раннее восприятие корней с акклиматизацией всего растения и результатами, связанными с урожаем. На интерфейсе корень-почва соленость быстро снижает внешний водяной потенциал, изменяет мембранный потенциал, нарушает ионные потоки и вызывает ранние сигналы Ca²⁺, активных форм кислорода (ROS), pH, оксида азота, электрические сигналы и сигналы фосфорилирования. Сенсоры и декодеры Ca²⁺, включая CaM/CMLы, CDPKи и модули CBL-CIPK, связывают эти ранние сигналы с регуляцией ROS, активностью ионных транспортёров, каскадами киназ и транскрипционной перестройкой. ABA интегрирует осмотический стресс с закрытием устиц, гидравлической настройкой, накоплением совместимых солей и регуляцией использования воды, в то время как дополнительные гормональные и метаболические сигналы формируют архитектуру корней, сдерживание роста, старение, баланс источник-резервуар и защиту репродукции. Доказательства, специфичные для пшеницы, настоятельно подтверждают важность опосредованного извлечения Na⁺, регулирования ионов, подобного SOS, удержания K⁺, антиоксидантной способности, регулирования воды, связанного с ABA, осмотической корректировки и генотипически зависимых транскрипционных реакций. Тем не менее, несколько важных модельных сигнальных схем, включая точные сигнатуры Ca²⁺, динамику обратной связи Ca²⁺-ROS в реальном времени, сигналы устиц ABA-ROS-Ca²⁺, системные волны Ca²⁺/ROS и специфическое для солености редокс-гормональное управление заполнением зерна, остаются неполностью проверенными в пшенице. Разделяя механизмы, поддерживаемые пшеницей, и сохранённые модели растений, этот обзор идентифицирует ключевые сигнальные хабы и физиологические компромиссы, которые могут направить селекцию, редактирование генома, подготовку и агрономические стратегии для улучшения производительности пшеницы в условиях соли.

По всему миру была отмечена значительная увеличение резистентности к азолам, особенно в Азиатско-Тихоокеанском регионе, связанное с расширением возникающей резистентной популяции, названной кластером AZR. Здесь мы представляем актуальные эпидемиологические данные, данные о чувствительности к противогрибковым средствам и популяционной геномике из исследования сети мониторинга инвазивных грибковых инфекций в больницах Китая (CHIF-NET). В 2022-2023 годах было собрано всего 911 изолятов, вызывающих инвазивный кандидоз, что составило 16,1% от всех изолятов и ранжируется как третий по распространенности вид. Высокие показатели резистентности к флуконазолу (42,3%) были зарегистрированы, при этом 87,5% изолятов проявили перекрестную резистентность к вориконазолу. Изоляты, полученные из случаев кандидемии, показали значительно более высокую резистентность к азолам по сравнению с изолятами в случае некадидемии (46,1% против 39,2%, p = 0,036). Уровень резистентности к флуконазолу был выше в медицинских отделениях (55,0%), но ниже в отделениях интенсивной терапии (33,7%). Долгосрочный анализ продемонстрировал общий восходящий тренд резистентности к флуконазолу с 5,7% с 2009 года. Хотя в период 2020-2021 годов была отмечена временная подача, резистентность затем возросла и достигла исторического максимума в 43,1% в 2022 году. Популяционный геномный анализ 604 изолятов определил кластер AZR как преобладающую флуконазол-резистентную популяцию (58,6%), и его увеличение было связано с временным увеличением резистентности к азолам. Следует отметить, что все изоляты кластера AZR имели ключевую мутацию резистентности A395 T, и 98,2% имели увеличенное число копий. Кроме того, геномный анализ выявил замену штаммов и двойное смешанное инфекционное состояние в клинических случаях, связанных с кластером AZR. В заключение, высокая распространенность резистентности к азолам в и расширение кластера AZR представляют собой значительные клинические проблемы и подчеркивают необходимость эффективных вмешательств.