Implanty wykonane z magnezu (Mg) są coraz częściej stosowane u pacjentów w celu osiągnięcia osteosyntezy, jednocześnie degradując się wewnątrz. Ponieważ implanty Mg i Mg2+ zostały sugerowane jako posiadające właściwości przeciwzapalne, klinicznie obserwowane zapalenie tkanek miękkich wokół implantów Mg jest enigmatyczne. W tym badaniu, przy użyciu modelu tkanek miękkich szczura i okresu obserwacji od 1 do 28 dni, określono czasowo-przestrzenny rozkład komórek i ich zachowanie w związku z sekwencyjnymi zmianami właściwości powierzchni implantu z czystego Mg i uwalnianiem Mg2+. Morfologicznie wykazano zwiększoną angiogenezę, poprzedzoną wysokim wyrażeniem czynnika wzrostu śródbłonka naczyniowego. Przejście do właściwej naprawy tkanek zbiegało się z wzbogaceniem powierzchni implantu w Ca i P oraz zmniejszeniem stężenia Mg2+ wokół implantu. Implanty Mg wykazywały cieńszą otoczkę włóknistą w porównaniu do Ti. Szczegółowe zrozumienie związku między właściwościami materiału Mg, a procesami komórkowymi z określonym czasem i przestrzenią stanowi podstawę do interpretacji obserwacji klinicznych i przyszłego dostosowywania implantów Mg.

Publikacja opisuje zaktualizowaną wersję silnika modelowania genomu trójwymiarowego do analizy zmian kontaktów między promotorem a wzmacniaczem w ludzkim genomie. W bieżącej wersji dodano funkcję analizowania zmian odległości przestrzennych między promotormi a wzmacniaczami w zespołach modeli chromatyny 3D, zaktualizowano zbiory danych o nowatorskie pętle chromatyny CTCF i RNAPII ChIA-PET uzyskane z linii komórkowej GM12878 zmapowanej do montażu genomowego GRCh38 oraz rozszerzono zbiór danych 1000 Genomes SVs. Szereg zastosowanych rozwiązań przyniósł przyspieszenie o 30 razy i poprawę wizualizacji i analizy danych. Efekty pracy można bezpłatnie oglądać na serwerze 3D-GNOME 3.0, który dostarcza unikalnych spostrzeżeń dotyczących mechanizmu topologicznego wariacji ludzkich na skalę populacyjną z dużym przyspieszeniem. 

To prezentacja skalowalnej, rozproszonej i wydajnej implementacji algorytmu gromadzenia danych, która nadaje się do wdrożenia w środowiskach obliczeniowych w chmurze. Autorzy zaimplementowali własny algorytm partycjonowania danych zoptymalizowany do pracy z sekwencjami, nowatorskie i unikalne podejście do przetwarzania zdarzeń sekwencjonowania z wykorzystaniem tagów MD, mikrooptymalizacje kodu źródłowego dla operacji cyklicznych oraz modularną strukturę algorytmu. Udowodnili, że nowatorskie podejście konsekwentnie i znacząco przewyższa inne zaawansowane rozproszone narzędzia pod względem czasu wykonania (do 6,5 raza szybciej) i użycia pamięci (do 2 razy mniej), co prowadzi do znaczącej redukcji kosztów w chmurze.