Məlumat

Toplu proses funksiyası ilə hüceyrə hərəkətliliyinin qiymətləndirilməsi üçün proqram?

Toplu proses funksiyası ilə hüceyrə hərəkətliliyinin qiymətləndirilməsi üçün proqram?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Hüceyrə hərəkətliliyinin qiymətləndirilməsi eksperimental biologiya və ya tibb elminin bir sahəsidir. Bir nümunə, bir heyvanın sperma hərəkətliliyinə müalicə təsirinin qiymətləndirilməsi ola bilər. Standart prosedur, mikroskop vasitəsilə sperma (və ya digər hərəkət edən cisimlərin) film kliplərinin çəkilməsini və bu film kliplərindəki hissəciklərin orta xətti sürətinin ölçülməsini əhatə edir. Bu xətti sürətləri ölçmək üçün istifadə olunan proqram vacibdir və mənim bildiyim qədər çox seçim yoxdur. Ancaq məlumatım məhdud ola bilər.

Mən əvvəllər spermanın üzmə sürətini ölçmək üçün CellTrak-dan istifadə etmişəm. Proqram yaxşı işləyir, lakin toplu işləmə funksiyası yoxdur. Qiymətləndirmə çox sayda təkrarlamaya əsaslandığı üçün təhlil edilməli olan 1000-2000 film klipi ilə sona çatıram və CellTrak üzərindən yolumu tıklamaq yorucu və qıcıqlandırıcı bir prosesdir. Həmçinin CellTrak lisenziyası belə pis yazılmış proqram üçün çox pula başa gəlir.

Buna görə də, mənim sualım belədir: CellTrak-a oxşar proqramdan xəbərdardırmı, hansı ki, toplu emal seçimini ehtiva edir və ya daha yaxşısı, komanda xətti ilə işləyən və dövrəyə çevrilə bilər? Geniş istifadə olunan açıq mənbə proqramları (ImageJ, Bioconductor və s.) üçün açıq mənbə seçimləri və ya genişləndirmələri varmı? Lütfən, təklif olunan proqramın (əgər varsa) istifadəsi ilə bağlı qısa dərslik/şəxsi təcrübə təqdim edin.


ImageJ-də bir neçə izləmə plaginləri var, yaxşısı TrackMate-dir. Onun funksiyalarının əksəriyyəti müxtəlif dillərdə yazıla bilər və Fiji paylanması da başsız rejimdə işləyə bilər. Bu açıq mənbədir və bir üçün sizə heç bir pul xərclənməyəcək çox lager feture dəsti.

Mən şəxsən ImageJ-ni öz makro dili ilə yazılmış başsız rejimdə istifadə etmişəm, çünki onu öyrənmək nisbətən asandır. Düzgün xatırlayıramsa, TrackMate də treklər üçün orta sürət çıxarmalıdır. Əks təqdirdə, izləmə məlumatlarından bunları ölçmək üçün bir skript yazmalı olacaqsınız. IJ makro dilindən, Python, Java və ya dəstəklənən digər dillərdən birini istifadə edə bilərsiniz.

Başsız rejimi üçün bash skripti sarğı ilə birlikdə mən hətta Makefiles-də tiff yığınlarımı avi-yə çevirmək və hər şeyə miqyaslı çubuqlar və vaxt möhürləri qoymaq üçün istifadə edirəm.

Ümid edirəm kömək edər.


Tək hüceyrəli RNT ardıcıllığı məlumatları üçün toplu effektli korreksiya üsullarının etalonudur

Fərqli texnologiyalardan istifadə edərək yaradılan genişmiqyaslı tək hüceyrəli transkriptomik məlumat topluları, partiya effektinin silinməsi və məlumat inteqrasiyası üçün problem yaradan partiyaya xas sistematik dəyişiklikləri ehtiva edir. ScRNA-seq məlumatlarında davamlı artım gözlənildikdə, mövcud hesablama mənbələri ilə təsirli toplu inteqrasiyaya nail olmaq çox vacibdir. Burada, partiya effektinin aradan qaldırılması üçün ən uyğun metodu müəyyən etmək üçün mövcud toplu korreksiya üsulları üzrə dərin etalon tədqiqat aparırıq.

Nəticələr

Hesablama müddəti, böyük məlumat dəstləri ilə işləmə qabiliyyəti və hüceyrə tipinin təmizliyini qoruyarkən toplu effektli düzəliş effektivliyi baxımından 14 metodu müqayisə edirik. Tədqiqat üçün beş ssenari hazırlanmışdır: fərqli texnologiyalı eyni hüceyrə tipləri, eyni olmayan hüceyrə tipləri, çoxlu partiyalar, böyük məlumatlar və simulyasiya edilmiş məlumatlar. Performans kBET, LISI, ASW və ARI daxil olmaqla dörd müqayisə meyarı ilə qiymətləndirilir. Biz həmçinin diferensial gen ifadəsini öyrənmək üçün toplu düzəliş edilmiş məlumatların istifadəsini araşdırırıq.

Nəticə

Nəticələrimizə əsasən, Harmony, LIGER və Seurat 3 partiya inteqrasiyası üçün tövsiyə olunan üsullardır. Əhəmiyyətli dərəcədə daha qısa işləmə müddətinə görə Harmony sınanmaq üçün ilk üsul kimi tövsiyə olunur, digər üsullar isə uyğun alternativlərdir.


Giriş

Hüceyrə miqrasiyası bir çox bioloji proseslərdə mühüm rol oynayır: məs. nəzarətsiz hüceyrə miqrasiyasının şişin yayılmasına səbəb ola biləcəyi və buna görə də xərçəngin inkişafına səbəb ola biləcəyi yaraların sağalması, embriogenez, iltihab və metastaz. Bu proseslərin öyrənilməsi tez -tez hüceyrə izləməsini tələb edir və bir qatlı mədəniyyətlərin ən çox hərəkətlilik tədqiqatları, floresan mikroskopiya tədqiqatlarına imkan verən hüceyrələrin floresan etiketlənməsini əhatə edir [1] [2]. Bu texnika ya tədqiq olunan hüceyrə növü ilə ifadə olunan floresan zülala sahib olmaq üçün geniş mutagenez tələb edir, ya da membrana bağlanan və ya keçirici floresan dərmanların tez-tez hüceyrə davranışını dəyişdirməsi ilə məhdudlaşır [3]. Nadir mədəniyyətlərdə hüceyrələr kifayət qədər yaxşı bir kontrasta sahib ola bilər ki, sərhədləri [4a] [4b] etiketlənmədən parlaq sahə mikroskopiyası ilə müəyyən edilə bilər. Bu, çox vaxt və əmək sərf etməklə, “göstər və vur” üsulları ilə əl ilə edilə bilər [5][6][7][8][9][10]. Yalnız bir neçə şəkildəki hüceyrələri izləmək lazım gəldikdə, bu çətin deyil. Bununla belə, hərəkətli hüceyrələrin uzun fasilələrlə ardıcıllığını təhlil etmək lazım olduqda, bu yanaşma praktiki deyil, etibarlı avtomatlaşdırılmış hüceyrə izləmə proqramına və analiz metodunun möhkəmliyinin qiymətləndirilməsinə ehtiyac yaradır.

Seyrək hüceyrə kulturasının analizi üçün proqramlar Cədvəl 1 -də verilmişdir. Bu cür proqramların əksəriyyəti (Cədvəl 1 -ə daxil deyil) floresan etiketli hüceyrələri izləmək üçün nəzərdə tutulmuşdur [1] [2] [15] [16] [17] [18]. Yüngül mikroskopik görüntülərlə istifadə üçün hazırlanmış proqramlar ya hüceyrə nüvəsini [19] [20] ya da bütün hüceyrəni [21] [11] [22] [12] izləyir. Hüceyrə mövqeyi aşağıdakı kimi təyin edilə bilər: (i) nüvənin mərkəzi [6] (ii) işıq mikroskopunda göründüyü kimi hüceyrə perimetrinin mərkəzidir [23] (iii) hüceyrənin ayaq izinin mərkəzində işıq mikroskopu [4] və (iv) floresan etiketli hüceyrələrin aktin sitoskeletinin mərkəzi hissəsi [24]. Bu proqramların əksəriyyəti açıq mənbə deyil və verilmiş təcrübənin xüsusi məqsədlərinə uyğunlaşmaq çətin ola bilər. Digər hallarda, sərhəd tanımaq üçün istifadə olunan riyazi prosedurların mürəkkəbliyi, kodu konkret bir məqsədə uyğunlaşdırmaq üçün bir maneə ola bilər [2] [20] [17]).

Cədvəl 1

Zaman aralığında işıq mikroskopiyası ilə hüceyrə izləmə üçün təmsilçi proqramlara ümumi baxış.

ProqramNəşriyyat/SatıcıKommersiyaAçıq mənbəKoordinat çıxış formatı
SərtlikİmprovizyonBəliYoxMətn
İmarisBitplaneBəliYoxExcel
Avtomatik zəng [11] Universitet və#x000e4t BremenBəliYoxMətn
TLA [12] Ulm UniversitetiYoxBəliExcel/Mətn
CellTrack [13] Ohio Dövlət UniversitetiYoxBəliMətn
ImageJ plaginləri [14] ETH & UCSFYoxBəliMətn

Mövcud ən müasir texnologiyalarda hüceyrə izlənməsinə iki əsas yanaşma mövcuddur [25][21][16][20][26][18]. Bir yanaşma, kadr-kadr şəkil bölmə və izləmədir [15] [27]. İlk addımda, obyekt namizədləri müəyyən xüsusiyyətlərə (sərhəd, toxuma, rəng) əsaslanaraq müəyyən bir çərçivədə aşkarlanır. Bu yanaşma obyektlərin sərhədləri kəskin olduqda effektivdir və ümumiyyətlə floresan etiketli hüceyrələr və digər yüksək kontrastlı şəkillərlə istifadə olunur. Digər yanaşma modeli çərçivədəki hüceyrələrə uyğunlaşdırmaq üçün parametrləşdirilmiş model formasının optimallaşdırılmasından ibarətdir. Bu metod çərçivədəki bütün obyektləri izləmək əvəzinə, seçilmiş model formasına uyğun olan namizədlərə diqqət yetirir [28] [29]. Birinci yanaşmada olduğu kimi, izlər çıxarmaq üçün aşkar edilmiş obyektlər ardıcıl çərçivələr arasında cütləşir.

Arxa planın silinməsi problemini həll etmək və real məlumatlarda fərqli proqramların performansını tam başa düşdüyümüz və nəzarət etdiyimiz bir baza ilə müqayisə etmək üçün burada PACT (rogram & & x00100utomated) adlandırdığımız yeni bir hüceyrə izləmə proqramını təqdim edirik. lənətləmək). PACT, düz və nano quruluşlu səthlərdə hərəkət edən hüceyrələri izləmək üçün uyğundur və istifadəçilərin eksperimental ehtiyaclarına uyğun olaraq sərbəst şəkildə dəyişdirmələri üçün kifayət qədər sadədir. Nanostrukturlu səthlər hazırda hüceyrə mədəniyyəti substratları kimi böyük maraq doğurduğundan və təsvirdə yüksək dərəcədə qeyri-bərabər fon kimi görünə bildiyindən, biz burada etibarlı məkan təsvir filtrinin istifadəsini vurğulayırıq – materiallar və üsullar bölməsində təfərrüata baxın və Matlab kodu üçün SuppInfo.zip faylı.

Test nəticələri, digər proqramların performansları ilə müqayisə edilən PACT -in performansı üçün təqdim olunur (TLA [12] və Avtomatik zəng [11]): obyektin aşkarlanması ilə bağlı səmərəlilik, mərkəzdə yerləşdirmənin dəqiqliyi və vaxt fasiləsi təhlili kontekstində seqmentləşdirmə performansı. Şüşə üzərində NIH 3T3 fibroblastlarının çəkildiyi bir filmdəki hüceyrə populyasiyasının ümumi hərəkətlilik statistikasını təyin etmək üçün fərdi hüceyrə parçaları ansamblı üzərində statistik analiz aparılır. Treklərdən sürətin avtomatik kovariasiya funksiyası təxmin edilir (əlavə məlumatda S1 tənliyi). Xarakterik vaxtı olan sadə bir eksponensial funksiya ilə yaxşı təsvir edilmişdir, P, əzmkarlıq vaxt hərəkətliliyinə görə (məlumatlar, məlumat bölməsində göstərilmişdir. 4). Sürətin avtomatik kovarians funksiyasının amplitudasını da təyin edirik, φ0, bu təxminən hüceyrələrin orta kvadrat sürətinə bərabərdir. PACT, TLA və Autozell ilə əldə edilən bu analizin nəticələri müqayisə edilir.

Hüceyrə izləmə proqramlarına və alqoritmlərinə ehtiyac olmasına baxmayaraq, onların performansını qiymətləndirən bir neçə tədqiqat tapdıq [11][12][26]. Bildiyimizə görə, bu sənəd hərəkətlilik modellərinin işlənib hazırlanması üçün etibarlı məlumatların əldə edilməsi qaydalarını təmin etmək miqyasında izləmə proqramlarının ilk müqayisəli təhlilidir. Nəticələrin istifadə olunan xüsusi alqoritm/proqram təminatına əhəmiyyətli dərəcədə həssas olduğunu görürük. Beləliklə, izləmə alqoritmi və nəticələrə təsiri gələcək tədqiqatlarda, məsələn, bu araşdırmada təsvir edildiyi kimi, yaxşı sənədləşdirilməlidir.


2. İcra

TIAM tərəfindən hərəkətliliyin inteqrativ təhlili üçün ümumi yanaşma Şek.ਁ-də ümumiləşdirilmişdir. Aşkarlama, izləmə, xüsusiyyət çıxarma və trekin redaktə alqoritmləri MATLAB-da (MathWorks-dən) həyata keçirilmişdir. İstifadəçi daxiletmələrini asanlaşdırmaq üçün istifadəçi interfeysi Java-da tətbiq edilmişdir. Fərdi və ya cüt parçaların dinamik vizualizasiyası üçün ikinci bir istifadəçi interfeysi MATLAB -da tətbiq edildi. TIAM proqram layihəsi mənbə koduna (https://github.com/willieneis/TIAM) pulsuz daxil olmaq üçün GitHub -da saxlanılmışdır. Ətraflı istifadəçi təlimatı, demo və etalon məlumat dəstləri üçün URL linki Github deposunda təqdim olunur. Alqoritmlərin əlavə təsvirini Əlavə üsullar bölməsində tapa bilərsiniz.

TIAM -da məlumat inteqrasiyası sxeminə ümumi baxış. Göndərilən işıq görüntüləri hüceyrələri aşkar etmək və izləmək üçün istifadə olunur. Hərəkətlilik xüsusiyyətlərini müəyyən edən bir neçə parametr hesablanır və MATLAB-da hüceyrə massivlərində saxlanılır. Fərdi izlər, çox kanallı zaman fasiləsi məlumatlarının bir hissəsi olan əks və flüoresan görüntülərdən məlumat çıxarmaq üçün nəzərdə tutulur. Track mövqelərindəki centroidlər, nəzərdən keçirilən hüceyrəyə uyğun gələn yerli seqmentləşdirmə və kontur üçün istifadə olunur. Xüsusiyyətlər göstərilən bölgələrdən hesablanır və izlə əlaqəli məlumatların qalan hissəsi ilə birlikdə saxlanılır.

2.1. Hüceyrələrin aşkarlanması

TIAM, parlaq sahə, diferensial müdaxilə kontrastı (DIC) və ya faza kontrastlı mikroskopiya ilə əldə edilənlər kimi ötürülən işıq görüntü seriyasındakı hüceyrələri aşkar etmək və izləmək üçün təchiz edilmişdir. Biz bu yanaşmanı bir çox səbəblərə görə seçdik: a) Hüceyrə sərhədlərini flüoresan məlumatlardan ayırd etmək çətin ola bilər ki, hüceyrələr izdihamlı mühitdə olarkən ötürülən işıq görüntülərinin xas təbiəti hüceyrə sərhədlərinin hətta izdihamlı mühitdə də müəyyən kontrast təmin etməsini təmin edir. b) Hüceyrələrin izlənməsi üçün ötürülən işıq görüntüləməsindən istifadə hüceyrələrin davranışı haqqında əlavə məlumat əldə etmək üçün flüoresan kanalı azad edir. c) Flüoresan mikroskopiya əvəzinə ötürülən işıq mikroskopiyasından istifadə fototoksiklik minimuma endirildiyinə görə uzunmüddətli canlı hüceyrə təsvirinə imkan verir.

TIAM-ın hüceyrə aşkarlama strategiyası, bir görüntüdə aşkar edilmiş kənar dəstində hüceyrə şəkilli nümunələrin tapılmasını əhatə edir. Bir Canny kənar filtri (Canny, 1986), müəyyən bir video çərçivədə bütün kənarları əks etdirən ikili bir görüntü yaratmaq üçün istifadə olunur və fərdi hüceyrələri aşkar etmək üçün bu ikili görüntü üzərində dairəvi Hough transformasiyası (CHT) (Duda və Hart, 1972) işləyir. Şəkil. ਂ a 𠄽). Bu iki addımlı strategiya əvvəllər zebra balığı embrionlarında nüvələri aşkar etmək üçün tətbiq edilmişdir (Melani et al., 2007). Hough çevrilməsi, şəkillərdəki parametrləşdirilmiş əyriləri aşkar etmək üçün güclü bir üsuldur, burada mürəkkəb piksel nümunələrini (bahalı bir qlobal axtarış problemi) aşkar etmək vəzifəsi bir parametr məkanında zirvələr qurmaq vəzifəsinə çevrilir. Hough transformasiyası səsvermə prosesini həyata keçirir, burada hər bir kənar piksel daha sonra uyğun olduğu əyri parametrlərə səs verir, parametr məkanında kifayət qədər səs toplayan yerlər qaytarılır. Bu parametr məkanındakı yerli maksimumlar hüceyrələrin mərkəz mərkəzləri kimi düşünülə bilər. Bu strategiya, CHT-nin bitişik olmayan və qismən kənar kənarlara əsaslanan formaları aşkar etmə qabiliyyətinə görə aşağı kontrast sərhədləri olan hüceyrələri aşkar etmək üçün faydalıdır. Bundan əlavə, ayrı-ayrı hüceyrələrin seqmentləşdirilməsinə olan ehtiyacı aşır və beləliklə yüksək sıxlıqlı mühitlərdə aşkarlanmanın dəqiqliyinə kömək edir (məsələn, S1). Tao Peng -in CHT (MATLAB Fayl Mübadilə anbarından CircularHough_Grd) tətbiqindən istifadə etdik, çünki səsvermə prosesində bir radius aralığını nəzərə alır və qeyri -kamil dairəvi formalar üzərində maksimumların axtarılması üçün əlavə bir parametr daxildir. Müvafiq olaraq, yuxarıda qeyd olunan hər üç ötürülən işıq mikroskopiyası texnikası ilə əldə edilən şəkillərdə qütbləşmiş T hüceyrələrini, eləcə də müxtəlif tipli, morfologiyalı və müxtəlif hüceyrə sıxlıqlarında olan hüceyrələri aşkar etmək üçün tətbiqimizi tapdıq (Şəkil ਂ, Şəkil S1, Şek. S2 və Videolar S1𠄳). Aşkarlama mərhələsində iştirak edən fərdi parametrlər Əlavə metodlar bölməsində daha ətraflı təsvir edilmişdir. Tipik olaraq T hüceyrə görüntüləmə təcrübələrimizdə istifadə olunan parametr dəyərləri də verilir.

TIAM tərəfindən hüceyrələrin aşkarlanması və izlənməsi. TIAM hüceyrələri aşkar etmək və izləmək üçün ötürülən işıq görüntülərindən istifadə edir. TIAM tərəfindən aşkarlanmanın təsviri nümunə ilə təqdim olunur (a𠄽). İnsanın əsas CD8 T hüceyrələrinin DIC şəkli istifadə olunur (a). Panellər, b-dən d, hüceyrə aşkarlanması zamanı ardıcıl mərhələləri təmsil edir. İlk addımda Canny kənar filtri hüceyrə sərhədlərinin ikili görüntüsünü yaratmaq üçün tətbiq olunur (b). Sonra bu ikili təsvirə dairəvi Hough çevrilməsi (CHT) tətbiq edilir. Bu əməliyyat, hüceyrə konturlarını səsvermə sxeminə (c) əsaslanaraq bir parametr məkanındakı nöqtələrlə əlaqələndirir. Parametr sahəsindəki lokal maksimumlar, hüceyrələrin sentroidlərini seçmək üçün istifadə olunur (d). TIAM, hüceyrələrin dəqiq aşkarlanmasına imkan vermək üçün istifadəçini kənar filtrasiya və CHT üçün parametrlərin seçilməsində gəzdirən qrafik istifadəçi interfeysinə malikdir.

Uğurlu aşkarlama sonrakı bütün hesablama addımları üçün çox vacibdir. Buna görə ötürülən işıq görüntülərində hüceyrələrin müvəffəqiyyətli aşkarlanmasına nail olmaq üçün Canny-kənar filtr və CHT parametrlərini interaktiv olaraq dəyişdirmək üçün Java-da qrafik istifadəçi interfeysi inkişaf etdirdik. İstifadəçi təlimatı parametr dəyərlərinin intuitiv seçilməsinə kömək etmək üçün bu prosesin nümunəsini təqdim edir. İstifadəçidən şəklin miqyasını elə tənzimləmək təklif olunur ki, hüceyrə ölçüsü istifadəçi təlimatında göstərilən nümunəyə bənzəsin. Bu, CHT səsvermə prosesi zamanı istifadə olunan standart radius diapazonunun yaxşı işləməsini təmin etməyə çalışır. Eynilə, kənar aşkarlama və əlavə CHT parametrləri bu mərhələlərin nümunə şəkilləri ilə müqayisə edilərək seçilə bilər. Hüceyrələri izləməyə davam etməzdən əvvəl, aşkarlama addımının sonunda mərkəz mövqeləri orijinal miqyasa çevrilir.

2.2. İzləmə

TIAM -da izləmə iki mərhələdə aparılır. İlk addımda, qısa yol və#x02018seqmentləri və#x02019 əldə etmək üçün hüceyrə aşkarlama addımının nəticələrinə dəyişdirilmiş ən yaxın qonşu assosiasiya alqoritmi tətbiq olunur (Şəkil S3a). Hər addımda t, hər bir hüceyrə əvvəlki zaman addımının məkan baxımından ən yaxın aşkar edilmiş hüceyrəsi ilə əlaqələndirilir t  − ਁ, ən yaxın aşkar edilmiş hüceyrənin icazə verilən maksimum məsafədə olması şərtilə r. Bu proses yalnız hüceyrələr kifayət qədər ayrıldıqda və izləmə qeyri -müəyyənliyi olmadıqda davam edir. İçərisində birdən çox hüceyrə varsa r, alqoritm həmin çərçivəyə qədər istehsal edilmiş trek seqmentini qaytarır və qeyri-müəyyənliyə səbəb olan qonşu hüceyrələrlə yeni trekləri işə salır. Bu, ümumiyyətlə hüceyrələrin yolları kəsişdiyi və ya yüksək yerli sıxlıqda olduqları hallarda olur. Beləliklə, bu trek seqmentləri alqoritmin izləmə nəticələrini əminliklə təmin edə biləcəyi ardıcıllığı təmsil edir. Ən müasir modelə əsaslanan izləmə yanaşmaları ilə müqayisədə həm icra, həm də performans baxımından sadəliyi və intuitivliyi üçün ən yaxın qonşu alqoritminə üstünlük verdik. Əlavə olaraq, uzunmüddətli (bir saatdan çox) çox kanallı zaman fasiləli görüntüləmə zamanı fototoksisiteyi azaltmaq üçün daha uzun zaman aralıqlarından istifadə etməyi üstün tuturuq. T hüceyrələrinin yüksək hərəkətli olması ilə, daha uzun zaman intervalları sonrakı kadrlarda üst-üstə düşən hüceyrələri təmin etməyə bilər ki, bu da kontur təkamülünə əsaslanan texnikaların məhdudlaşdırıcı tələbidir (Padfield və digərləri, 2011). Ən yaxın qonşu alqoritmi yüksək hüceyrə sıxlığında yaxşı performans göstərə bilməsə də, daha sonra müzakirə edildiyi kimi, görmə sahəsində təxminən əlli hüceyrə ilə dəqiq izləmə əldə etdik.

İkinci addımda, daha qısa seqmentləri uc-bucaqdan daha uzun hüceyrə yollarına birləşdirmək üçün tapşırıq alqoritmi istifadə olunur (Şəkil S3b). Seqment birləşməsini həyata keçirmək üçün əvvəlcə hər bir seqment cütü arasında onların başlanğıc/son çərçivəsi, yeri və sürəti kimi uyğunluq faktorları əsasında oxşarlıq müəyyən edilir. Ardından oxşarlıq matrisinə əsaslanaraq seqmentlər arasında qlobal olaraq optimal xəritələşmə tapmaq üçün Macar alqoritmi (Munkres, 1957) istifadə olunur (Bise və digərləri, 2011 Jaqaman və digərləri, 2008 Perera və digərləri, 2006). Bu xəritələşdirilmiş tapşırıqlardan seqmentlər yalnız onların oxşarlığı müəyyən həddən yuxarı olduqda birləşdirilir. İzləmə üçün iki pilləli yanaşma, izləmə ssenarisi sadə olduqda, ən yaxın qonşu alqoritmini izləmə ssenarisi sadə olduqda və izləmə ssenarisi qeyri-müəyyən olduqda ən yaxın qonşunun nəticələrini istifadə edərək daha mürəkkəb hesablamalar tətbiq edərək hesablama baxımından səmərəli olmağı hədəfləyir.

İzləmə alqoritmləri istifadə olunan parametr dəyərləri ilə birlikdə əlavə üsullar bölməsində ətraflı izah olunur. İzləmə alqoritmlərinin parametrləri TIAM-da sərt kodlaşdırılmışdır. İstifadəçi təlimatında, istəsəniz kodun harada dəyişdirilə biləcəyi barədə məlumat verdik. Hüceyrələrin hərəkətlilik xüsusiyyətlərini hesablamaq üçün qrafik istifadəçi interfeysi vasitəsilə şəkillər seriyasına xas olan məlumat müəyyən edilə bilər (istifadəçi təlimatına baxın).

2.3. Xüsusiyyətlərin çıxarılması və məlumatların inteqrasiyası

TIAM inteqrativ təhlili asanlaşdırmaq və T hüceyrələrinin hərəkətliliyinə dair anlayışları təmin etmək üçün izlənilən hüceyrələr haqqında əlavə məlumat əldə etmək üçün çoxkanallı görüntü seriyasından istifadə etmək üçün nəzərdə tutulmuşdur. TIAM-da tətbiq edilən xüsusiyyət çıxarma alqoritmləri, bəzi əsas substrata (əksetmə kanalından), polarite (keçirilmiş işıq kanalından) və flüoresan intensivliyi (iki flüoresan kanaldan) yapışma sahəsi kimi fiziki xüsusiyyətləri əldə etmək məqsədi daşıyır. və onları hüceyrənin sürəti, dönmə bucağı, həbs əmsalı və həbs indeksi kimi hərəkətlilik xüsusiyyətləri ilə birlikdə saxla/məlumat verin (təsvir üçün Əlavə üsullara baxın). İstifadəçi interfeysi, çıxarılacaq kanalları və xüsusiyyətləri təyin etmək üçün seçimlər təqdim edir (bax TIAM istifadəçi təlimatına). Bütün görüntü kanalları üçün ardıcıl perspektiv sayəsində ötürülən işıq görüntü kanalından izləmə nəticələri birbaşa ikinci dərəcəli kanallarla əlaqələndirilə bilər. Aşkarlama mərhələsində təxmin edilən hüceyrələrin mərkəzi bu ikincil kanallardan yerli piksel məlumatlarını treklərə bağlamaq üçün istifadə olunur (Şəkil ਁ).

Müəyyən bir hüceyrənin sərhəd konturunu ayırd etmək, həmin görüntü kanalından istənilən xüsusiyyətləri hesablamaq üçün Maraq Bölgəsi (ROI) kimi müəyyən edilə bilən hər hansı bir şəkil kanalına tətbiq edilən ümumi bir prosedurdur. Centroid mövqeyini nəzərə alaraq, yerli təsviri təcrid etmək və seçmək üçün mərkəz ətrafında əvvəlcədən müəyyən edilmiş ölçülü kvadrat qutu istifadə olunur. Bu yerli görüntü ideal olaraq yalnız maraq hüceyrəsini ehtiva edir. Yansıma və floresan kanalları üçün, yerli görüntü, Otsu metodu ilə bölünür (Otsu, 1979), o kanaldakı hüceyrə sərhədini verir. Qonşu hüceyrələrə toxunan hissələri ilə əlaqəli pikselləri silmək üçün ilkin seqmentləşdirilmiş təsvirin məsafəyə çevrilməsində Watershed alqoritmi (Meyer, 1994) istifadə olunur. Keçirilmiş işıq kanalı üçün ilk olaraq yerli görüntüdə hüceyrə sərhədlərini ayırd etmək üçün Canny kənarının aşkarlanması (Canny, 1986) istifadə olunur. Qonşu hüceyrələrə toxunan hissələrlə əlaqəli pikselləri atmaq üçün, kənar görüntünün CHT -də Watershed alqoritmi istifadə olunur. Havzası alqoritmi ilə müəyyən edilən, mərkəz hissəsi qutunun mərkəzindən müəyyən bir məsafədə olan ən böyük bölgə maraq hücrəsi sayılır.

Yerli seqmentləşdirmə yanaşması, ilk növbədə, qlobal həddən istifadəni istisna edən məkan-zaman baxımından dəyişən ön plan və fon piksel intensivliyi dəyərlərinə malik əks etdirmə təsviri seriyalarını idarə etmək üçün tətbiq edilmişdir. Əlavə olaraq, həyata keçirmə prosesində Watershed alqoritminin qlobal şəkillərdən daha çox yerli görüntülərdə daha etibarlı olduğunu gördük.

2.4. TIAM -da əlavə xüsusiyyətlər

TIAM, eksperimental məlumat toplularının toplu işlənməsinə imkan verir və diferensial floresan həyati boya etiketlərinə əsaslanaraq hüceyrə tiplərini avtomatik olaraq ayırd edə bilir (Əlavə metodlar və istifadəçi təlimatına baxın). TIAM həmçinin seçilmiş şəkil kanalının tiff təsvir seriyasında üst-üstə düşmüş hüceyrələrin konturları ilə təmin edilməsi seçimini təmin edir. Bu, həmin kanaldakı ayrı -ayrı hüceyrələrin seqmentasiya keyfiyyətinin vizual qiymətləndirilməsini təmin edə bilər. Video rejimində fərdi və ya cüt trekləri vizuallaşdırmaq üçün müstəqil MATLAB əsaslı istifadəçi interfeysi təmin edilir (istifadəçi təlimatına baxın). Bu, TIAM-dan izləmə nəticələrinin əl ilə yoxlanmasına imkan verir. Bu istifadəçi interfeysi həmçinin trek təyinatlarında istədiyiniz düzəlişlərin trek və çərçivə nömrələrini əl ilə qeyd etməyə kömək etmək üçün nəzərdə tutulub. TIAM, track tapşırıqlarında istədiyiniz düzəlişlərin əl ilə tərtib edilmiş siyahılarından istifadə edən müstəqil bir musiqi tənzimləmə xüsusiyyətini də təmin edir (istifadəçi təlimatına baxın). Parça düzəltmə alqoritmi, treklərin əvvəlcə müəyyən çərçivələrdə bölündüyü iki addımlı bir prosesdir (Şəkil S4). Daha sonra, ya ilk addımdakı qırılmalar nəticəsində, ya da alqoritm tərəfindən buraxılmış olan yollar və/və ya alt parçalar bir-birinə bağlanır. Açıq mənbəli təsvirin təhlili platforması olan Icy, həmçinin treklərə baxmaq və redaktə etmək üçün plug-in təqdim edir (de Chaumont et al., 2012).

2.5. Algılama və izləmə performansının qiymətləndirilməsi

Performansın qiymətləndirilməsi, həmçinin performans təhlili olaraq adlandırılan görüntü təhlili avtomatlaşdırılmış prosedurdan əldə edilən nəticələri əl ilə qurulmuş əsas həqiqətlə müqayisə edir. Burada əsas həqiqət izi, hücrənin ‘true ’ mövqelərini məhdudlaşdıran qutular ardıcıllığı olaraq təmsil edir. Video performansını qiymətləndirmə mənbəyi (ViPER) proqramından (Doermann və Mihalcik, 2000) istifadə edərək, hər bir video çərçivədəki hüceyrələrin ətrafına məhdudlaşdırıcı qutuları əl ilə çəkdik və parçaları təyin etmək üçün hər bir hüceyrəyə uyğun olan məhdudlaşdırıcı qutuların ardıcıllığını indeksləşdirdik.

TIAM və üçüncü tərəf vasitələrinin kəşf və izləmə performansını kəmiyyət və hərtərəfli qiymətləndirmək üçün performans qiymətləndirmə ölçüləri istifadə edilmişdir. Ardıcıl Çərçivə Algılama Dəqiqliyi (SFDA) və Orta İzləmə Dəqiqliyi (ATA) ölçülərini (Kasturi və digərləri, 2009) istifadə etdik, çünki bunlar tam avtomatlaşdırılmış bir şəkildə hesablana bilər və beləliklə aşkarlanmanın və izlənmənin müvəffəqiyyətinin təkrarlanan kəmiyyətinin ölçülməsinə imkan verir. obyektlər. Bundan əlavə, onlar insan səhvi və ya qərəz riskindən əziyyət çəkmirlər. Bu ölçülər Video Analizi və Məzmun Çıxarma (VACE) proqramı (http://marathon.csee.usf.edu/vace-links.html) və Hadisələrin, Fəaliyyətlərin və Münasibətlərin Təsnifatı (CLEAR) tərəfindən standart ölçülər kimi qəbul edilmişdir. ) konsorsium (www.clear-evaluation.org), video izləmə və qarşılıqlı təsir təhlili ilə əlaqəli iki geniş miqyaslı və cəmiyyət miqyasında səylərdir. Metriklər Jaccard Oxşarlığına əsaslanır (intuitiv təsvir üçün Şəkil S5 və riyazi təsvir üçün əlavə üsullar). SFDA və ATA-nı hesablamaq üçün əsas həqiqət və nəticə arasında təkbətək uyğunluq qurulmalıdır. Bu xəritələşdirməni yaratmaq üçün oxşarlıq matrisini qurmaq üçün istifadə edilən Jaccard Oxşarlığına əsaslanan metriklərlə Macarıstan alqoritmini (Munkres, 1957) istifadə etdik (ətraflı məlumat üçün Əlavə üsullara baxın).

Biz PACT (Cell Tracking Performance Analysis of Performance Analysis of Cell Tracking) adlandırdığımız ayrıca MATLAB əsaslı dəstdə performans təhlilini həyata keçirmək üçün proqram proqramlarını birləşdirdik. PACT kodu, onun istifadəçi təlimatı və müvafiq yer həqiqəti məlumat dəstləri https://github.com/willieneis/TIAM/tree/master/PACT/ saytında mövcuddur. İstifadəçi təlimatı, ViPER -in əsas həqiqət şərhləri üçün istifadəsinə dair xüsusi təlimatları da ehtiva edir.

2.6. Xüsusiyyətlərin çıxarılmasının performansının qiymətləndirilməsi

Xüsusiyyət çıxarma performansı da əsas həqiqətə qarşı qiymətləndirildi. ImageJ-də əllə və ya yarı avtomatlaşdırılmış prosedurlarla tərtib edilmiş konturlar ROI olaraq siyahıya alındı ​​və əsas həqiqət olaraq istifadə edildi (ətraflı məlumat üçün Əlavə üsullara baxın). Fərqli hüceyrələr və TIAM nəticəsi arasındakı tək-tək yazışmalar Macarıstan alqoritmi ilə əldə edilmişdir (Munkres, 1957). Macarıstan alqoritmi üçün oxşarlıq matrisi, hər bir çərçivə üçün TIAM nəticəsindəki hər mümkün hüceyrə cütlüyünün sentroidləri arasındakı məsafəni əsas həqiqətdə olanlar ilə qurulmuşdur. Bir-bir yazışma əldə edildikdən sonra, həqiqətdən əldə edilən kəmiyyət xüsusiyyətləri TIAM-dan fərqli olaraq müqayisə edildi.


MATERİALLAR VƏ METODLAR

ICAnet icmalı

ICAnet inteqrasiya, klasterləşdirmə və şəbəkə təhlili üçün nəzərdə tutulmuş modul əsaslı təkhüceyrəli RNT-seq analiz alətidir. Bu alət gen ifadə məlumatı və yüksək keyfiyyətli PPI şəbəkəsini tək hüceyrəli ifadə atlasının mənzərəsini dəqiq şəkildə bərpa etmək üçün yeni bir şəkildə birləşdirir. ICAnet üç əsas addımdan ibarətdir: (i) Gen ifadəsi matrisinin ilkin işlənməsi və parçalanması (ii) Çarpaz toplu ifadə proqramlarının klasterləşdirilməsi və (iii) Walk-trap əsaslı aktivləşdirilmiş “alt şəbəkə” (modul) identifikasiyası. Bu əsas addımların təfərrüatları aşağıda təsvir edilmişdir.

Gen ifadəsi matrisinin əvvəlcədən işlənməsi və parçalanması

Gen ifadəsinin normallaşdırılması

ICAnet, standart bir əvvəlcədən işləmə mərhələsi ilə normallaşdırılan bir hüceyrəli gen ifadə matrislərini tələb edir (hər bir hüceyrə üçün 10 000 ölçü faktoru istifadə edərək bütün gen ifadəsi matrisləri üçün log-normallaşdırma2CP10K). İstifadəçilər, digər növ gen ifadəsinin miqdarını (məsələn, TPM və ya RSEM) və normallaşdırma metodlarını da (məsələn. SCT -dən) ICAnet -in sonrakı əsas addımlarını işə salmadan əvvəl.

Denoising gen ifadə matrisi

ICAnet, inteqrasiya və ya qruplaşdırma üçün istifadə olunan hər bir verilənlər bazasında gen ifadəsi matrislərindən bioloji siqnalları və ortaq ifadə nümunələrini müəyyən etməyi hədəfləyir. Verilənlərin seyrəkliyinin müxtəlif səviyyələrinə malik olan verilənlər toplusunun müxtəlif qrupları üçün məlumatların seyrəkliyinin dəyişkənliyi ifadə proqramlarının müxtəlif verilənlər dəstləri üzrə müqayisəsinə mənfi təsir göstərəcək, çünki məlumat dəyişikliyinin (siqnalının) bir hissəsi faktiki bioloji siqnal deyil, verilənlərin seyrəkliyi ilə idarə olunur ( 30). Məlumat azlığından yaranan müdaxiləni azaltmaq üçün ICAnet iki alternativ strategiyanı həyata keçirdi: (i) Hesablama üstü K Hər bir gen üçün variasiya əmsalına uyğun olaraq hər bir partiya üçün dəyişən genlər, süzülmüş gen dəsti kimi dəyişən genlərin bütün dəstlərinin kəsişmə dəstini götürərək və ICAnet-i yerinə yetirmək üçün onların müvafiq ifadə profilindən istifadə etməklə (ii) Bu yaxınlarda hazırlanmış Python modulundan istifadə etməklə ( adlı təsadüfi) təsadüfi matris nəzəriyyəsinə əsaslanaraq, tək hüceyrəli seyrəkliyə bağlı siqnalları (30) aradan qaldırmaqda çox səmərəli işləyən verilənlər bazasını (30) yox etmək. ICAnet-in matrisin parçalanmasına verilənlərin seyrəkliyinin təsirinin qarşısını almaq üçün əvvəlcə verilənlər bazasını denoise etmək üçün ondan istifadə etdik. Bu araşdırmada, ICAnet-in toplu təsir korreksiyası performansını yaxşılaşdırmaq üçün pankreas adası scRNA-seq məlumat məcmularına yalnız denoising qabaqcadan işləmə addımını tətbiq etdik, çünki bu məlumat dəstləri fərqli kitabxana növlərindən yaradılmışdır və hər bir verilənlər bazası fərqli dərəcədə müxtəlifdir.

Müstəqil komponent analizi vasitəsilə bioloji siqnalın çıxarılması

Veri toplusundakı bioloji siqnalları (ifadə proqramlarını) müəyyən etmək üçün gen ifadəsi matrislərini gen ifadə proqramlarına ayırmaq üçün ICA -dan istifadə etdik. İfadə proqramlarının sayı ICAnet-də çox vacib parametrdir, ona görə də biz bu parametri müəyyən etmək üçün təsadüfi matris nəzəriyyəsinə (31, 32) əsaslanan nəzarətsiz metod təklif etdik (Əlavə Materiallarda Əlavə Qeydlər, Bölmə 1-ə baxın). Matris parçalanması üçün ICA həyata keçirilməzdən əvvəl hər bir verilənlər bazası mərkəzləşdirildi. ICAnet iki fərqli ICA tətbiqindən istifadə edə bilər. Birinci icra, eigenmatrislərin (JADE) birgə təxmini diaqnalizasiyasıdır (33). JADE-nin digər tətbiq həlləri üzərində əsas üstünlüyü ondan ibarətdir ki, o, matrisin diaqonallaşdırılmasını əhatə edən matris hesablamalarına əsaslanır və nəticədə qeyri-stokastik komponentlər yaranır. Digər alqoritmlər (məsələn, FastICA) optimallaşdırma proseduruna (məsələn, başlanğıc nöqtələri və optimallaşdırma yolları) əsaslanır (34), buna görə də dəyişən nəticələr verə bilər. İkinci tətbiq R paketinə əsaslanır MineICA (25) kimi eyni strategiyanı istifadə edir Icasso, iterativ komponent qruplaşması vasitəsilə FastICA (35) işlədərkən stoxastik problemi yüngülləşdirmək üçün. Bu araşdırmada biz JADE əsaslı ICA-dan gen ifadə matrislərini müstəqil komponentlərə (mənbə matrisi) parçalamaq üçün istifadə etdik və hər bir komponentin gen çəkiləri (əhəmiyyəti) vahid dispersiyaya və sıfıra bərabərdir.

Çapraz toplu ifadə proqramlarının qruplaşdırılması

Paylaşılan bioloji siqnalları tapmaq üçün ifadə proqramlarını qruplar arasında qruplaşdırmaq

ICAnet -in əsas xüsusiyyətlərindən biri, müstəqil məlumatların (və ya ifadə proqramlarının) fərqli məlumat dəstləri/qrupları arasında qruplaşdırılmasıdır. Birincisi, ICA hər bir məlumat dəsti/topunda müstəqil şəkildə yerinə yetirildi. Sonra, iki (və ya daha çox) tək hüceyrəli verilənlər bazasından hesablanmış müstəqil komponentlər seçilmiş genlərin müvafiq gen çəkiləri arasında Pearson korrelyasiya əmsalını hesablamaqla müqayisə edildi (proyeksiya dəyəri > müəyyən edilmiş komponentdə 2,5 standart sapma). Komponentləri müxtəlif məlumat toplularından/partiyalarından qruplaşdırdıqdan sonra, optimal nümunə sayını hesablamaq üçün orta siluet genişliyi ilə Medoidləri Aparma (PAM) alqoritmi (36) istifadə edilmişdir. Nəhayət, medoidlər daha çox şəbəkə çəkisi üçün qruplar arasında paylaşılan 'bazal proqramlar' olaraq seçildi.

Aktivləşdirilmiş “alt şəbəkə” (modul) identifikasiyası

Partiyalar arasında paylaşılan bazal proqramlarla çəkili PPI şəbəkələrinin qurulması

Növbəti addımda, məlumatlarını birləşdirmək üçün PPI şəbəkələrini və ifadə proqramlarını birləşdirdik. The PPI networks were obtained from the STRING database, a common and widely used PPI database ( 37). In this analysis, we used a threshold of a combined interaction score >600 to filter interactions, which is also a commonly used criterion for obtaining credible PPI networks ( 12, 38).

Those genes that significantly contribute to each expression program have been defined previously as the ‘activated genes’, which are identified using a weight threshold of three or four standard deviations from the mean. Here, we constructed weighted PPI network to produce activated sub-networks (or modules), wherein the edge-weight density is significantly greater than the rest of the network. We used the same weight scheme that used previously in computational epigenome model research ( 39). Specifically, for each component, the absolute weight value of each gene was determined and defined as ICA statistic |$(IC)$|⁠ . Assuming genes gh are connected in the PPI, we assigned the edge weight as the average of the individual node (or gene) statistics, i.e. |$<>> = frac<1><2> ( <>+ IC> )$|⁠ . To avoid prohibitive computational expenditures, we only assigned the edge weights to the edges with endpoint ICA statistics that passed the weight threshold and zero was assigned to other edges. The weight threshold can be manually adjusted, and in this analysis, we set it as 2.5 standard deviations from the mean.

Random walk trapping to identify sub-networks in weighted PPIs

To rapidly and robustly identify dense connected and activated sub-networks, we used the random walk approach ( 40) to decipher all the possible sub-networks (modules). We performed random walks of different lengths using our ICA statistics-weighted PPI networks and detected modules by applying walk-trap algorithm on each random walk-based distance matrix. All the detected modules greater than three were saved and pooled together as module sets. We then applied the AUCell algorithm to the raw single-cell datasets to construct activated module–cell matrix that calculates the enrichment of each module in each cell as an area under the recovery curve (AUC) across the expression value-based rankings of all or some of the genes. The cell–module activity is summarized in a matrix (termed as module activity matrix) wherein columns represent single cells and rows represent the predicted modules.

Evaluation of clustering performance

Adjusted Rand Index (ARI)

When cell labels and batch information are available, the ARI can be used to calculate the similarity between the ICAnet clustering result and the known cell or batch labels (see Supplementary Notes, Section 2 in the Supplementary Materials).

Inverse Simpson's Index (LISI)

We used a score metric, named as LISI, to measure local diversity based on local neighborhood distribution (See Supplementary Notes, Section 2 in the Supplementary Materials). This index represents the expected number of cells that need to be sampled before neighboring cells are drawn from the same batch. The greater the score, the stronger the local batch_ID (iLISI) or cell_type (cLISI) heterogeneity is.

Clustering methods for cell states identification

For the cell states identification benchmark task, several methods were systemically compared. Before running clustering methods, we used count per million to derive a normalized count matrix. For t-Distributed Stochastic Neighbor Embedding (t-SNE)+k-means, pcaReduce and SC3, we used a log-transformed dataset and adjusted the number of clusters to optimize the clustering performance, which was evaluated by the ARIhüceyrə növü. For SINCERA, we used z-score normalized data for the clustering analysis, and we also adjusted the number of expected clusters to optimize the ARIhüceyrə növü dəyərlər. For Seurat, we used the Seurat packages and processed related datasets in accordance with the tutorial (https://satijalab.org/seurat/v3.2/pbmc3k_tutorial.html). We then performed cell clustering multiple times using Louvain clustering with multi-level refinement algorithms on a shared-nearest-neighbor-based cell graph, during which we adjusted the parameter resolution for the maximal ARIhüceyrə növü. Three module-based clustering methods, SCENIC, SCORE and ICAnet, were compared in this study. All these methods quantified module activity based on AUCell. We ran each method and used the same aucMaxRank parameters to derive a module-based activity matrix.

For each clustering method, we used two variable gene selection criteria: the Top 5000 genes with the largest coefficient of variation, and the whole gene set. We then performed the above variable gene selection steps separately to select the criterion that produced the best clustering performance. For each test dataset, we re-analyzed the identifying novel rare cell types using Louvain clustering with a multilevel refinement algorithm ( 7) on a shared-nearest-neighbor-based cell graph derived from the module activity matrix to infer cell expression state.

Clustering methods for multi-batch datasets integration

In benchmarking different multi-batch integration methods, we used Louvain clustering with multilevel refinement algorithms on a shared-nearest-neighbor-based cell graph for each method, and adjusted the resolution parameter to obtain the optimal ARIhüceyrə növü dəyər. We then calculated corresponding LISI, iLISI and ARIdəstə dəyərlər. Additionally, for methods that correct batch effects on the Uniform Manifold Approximation (UMAP) space but not on the gene expression or PCA space in our study [e.g. BBKNN(41)], we applied Hierarchical DBSCAN + UMAP to cluster cells, and adjusted the parameters minPts to optimize the cell-clustering performance for comparisons.

Identification of cell type-specific activated modules

To identify activated modules for each cell type, we first identified cell type-associated modules using a receiver operating characteristic (ROC) curve analysis ( 7). For each gene, we evaluated a classifier that was built on that module alone, to distinguish a specific group of cells from other cells. An AUC value close to 1 indicates that this module is more specifically expressed in a specific cell group. We implemented the above analysis using the FindMarker function provided by Seurat ( 7), with AUC > 0.75 as a threshold to call cell type-associated modules. Then, among the cell type-associated modules, continuous module activity was converted into binary values using AUCell ( 11) and the Spearman's correlation coefficient between each cell type and the binarized module were calculated. The modules with Spearman's coefficient < 0.3 were filtered out. Finally, the resulting modules with statistical significances greater than the threshold (P-value < 0.05, see Supplementary Notes, Section 5 in the Supplementary Materials) were selected and defined as cell type-specific activated modules.

Stability and robustness evaluation of three module-based clustering algorithms

To test the stability of three module-based clustering algorithms [ICAnet, SCENIC ( 11) and SCORE ( 12)], we performed two different tests: (i) down-sampling the datasets with varied cell numbers (2000, 1000, 500 and 100) and (ii) simulation of low-sequencing depth by reducing the expression level to one-fifth of the original. We used the same down-sampling and gene expression simulation procedures for all the three tested methods, and the tSNE+DBSCAN clustering algorithm was performed to evaluate the newly predicted clusters. Finally, we calculated the ARI between the labels of identified clusters and previously annotated cell-type labels. In the clustering step, we ran DBSCAN multiple times, during which we altered the parameter epsilon in the range of 1.0–4.0 and minPts in the range of 1–50 to determine a maximal ARI.

Module recovery analysis

For the ICAnet-weighted PPI network, a K number of different weighted PPI networks were determined. An over estimation of the number of weighted PPI networks results in some false positives during module recovery therefore, we only computed the first independent component and created corresponding weighted PPI networks for the downstream analysis.

Label-association analysis using graph signal processing

To identify which is the novel cell type (or state) among our cell-type labeling results, the intrinsic ‘label association’ between our cell-type annotations and those defined by the original author need to be determined. Inspired by a recently proposed signal-enhancing model ( 44), we used graph signal smoothing to transform the binary ‘cell-type label signal’ into a continuous ‘cell-type label signal’ to enhance label association.

Buna görə də, y is the reconstructed continuous signal vector for cell type i. We applied graph smoothing to each cell type to derive their continuous signal vector, and calculated the Pearson's correlation matrix between our annotated cell types and those in the raw cell-type annotations. β was assigned a value of 0.8 in this step. Furthermore, we used cor’ = (1+cor)/2 to transform the correlation matrix, and used 0.6 (Pearson's correlation coefficient > 0.2) and the FDR (false discovery rate) < 0.05 as thresholds to identify significant associations.

Gen zənginləşdirmə təhlili

We used the software GSEA (version 4.1.0), a Java desktop application to assess potential enrichment of specific gene sets in a ranked list of differentially expressed genes for each cell type. The curated gene sets are consistent of cancer stemness/risk associated gene-sets ( 45) and AML risk-gene BAALC expression associated gene-set ( 46).

Survival analysis of acute myeloid leukemia (AML) patient based on module activity

To measure the activity levels of modules inferred from the scRNA-seq datasets in bulk RNA expression datasets, we first used gene set variation analysis (GSVA) ( 47) to calculate the module activity in each bulk sample. After converting the gene expression matrix into a module activity matrix, we selected the best subset of modules to predict survival in the training cohort. We used a linear regression model named Least Absolute Shrinkage and Selection Operator (LASSO) implemented by the glmnet R package ( 48). By enabling a 10-fold cross-validation to fit a Cox regression model, we were able to identify an optimized set of modules to predict survival. Owing to the randomness of the LASSO model, we applied a bootstrapping strategy to score each module. This procedure generated 100 resampled datasets from the complete sample sets, with a sample size equal to 80% of the whole samples. LASSO was performed with 10-fold cross validation to optimize the parameters for module selection in each resampled dataset. Finally, we scored each module based on how frequent this module was selected by the regression model during bootstrapping. On the basis of the resulting scores, we selected the top-K modules and performed PAM clustering on the samples guided by the selected feature modules to predict patient survival. We used the Top30 modules as AML patient-associated modules, because they yielded the most significant patient survival difference in the training dataset.


Materiallar və metodlar

Fermentation analysis

Two cultures of C. acetobutylicum ATCC 824 were grown in pH controlled (pH >5) bioreactors (Bioflow II and 110, New Brunswick Scientific, Edison, NJ, USA) [7]. Cell density, substrate and product concentrations were analyzed as described [56].

RNA isolation and cDNA labeling

Samples were collected by centrifuging 3-10 ml of culture at 5,000×g for 10 minutes, 4°C and storing the cell pellets at -85°C. Prior to RNA isolation, cells were washed in 1 ml SET buffer (25% sucrose, 50 mM EDTA [pH 8.0], and 50 mM Tris-HCl [pH 8.0]) and centrifuged at 5,000×g for 10 minutes, 4°C. Pellets were processed similarly to [7] but with the noted modifications. Cells were lysed by resuspending in 220 μl SET buffer with 20 mg/ml lysozyme (Sigma, St. Louis, MO, USA) and 4.55 U/ml proteinase K (Roche, Indianapolis, IN, USA) and incubated at room temperature for 6 minutes. Following incubation, 40 mg of acid-washed glass beads (≤106 μm Sigma) were added to the solution, and the mixture was continuously vortexed for 4 minutes at room temperature. Immediately afterwards, 1 ml of ice cold TRIzol (Invitrogen, Carlsbad, CA, USA) was added 500 μl of sample was diluted with an equal volume of ice cold TRIzol and purified. Following dilution, 200 μl of ice cold chloroform was added to each sample, mixed vigorously for 15 s, and incubated at room temperature for 3 minutes. Samples were then centrifuged at 12,000 rpm in a tabletop microcentrifuge for 15 minutes at 4°C. The upper phase was saved and diluted by adding 500 μl of 70% ethanol. Samples were then applied to the RNeasy Mini Kit (Qiagen, Valencia, CA, USA), following the manufacturer's instructions. To minimize genomic DNA contamination, samples were incubated with the RW1 buffer at room temperature for 4 minutes. The method disrupted all cell types equally, as evidenced by microscopy (data not shown). cDNA was generated and labeled as described [7]. The reference RNA pool contained 25 μg of RNA from samples taken from the same culture at 8, 10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 44, 48, 54, 58, and 66 h.

Mikroarray analizi

Agilent technology 22k arrays, (GEO accession number GPL4412) as described in [63], were hybridized, washed, and scanned per Agilent's recommendations. Spot quantification employed Agilent's eXtended Dynamic Range technique with gains of 100% and 10% (Agilent's Feature Extraction software (v. 9.1)). Normalization and slide averaging was carried out as described [7, 63]. A minimum intensity of 50 intensity units was used as described [63]. Microarray data have been deposited in the Gene Expression Omnibus database under accession number GSE6094. To gain a qualitative measure of the abundance of an mRNA transcript, the averaged normalized log mean intensity values were ranked on a scale of 1 (lowest intensity value) to 100 (highest intensity value). Genes were clustered using TIGR's MEV program [64].

Quantitative RT-PCR

Q-RT-PCR was performed as described [48]. Specific primer sequences are included in Additional data file 9 CAC3571 was used as the housekeeping gene.

Microscopy

For light microscopy, samples were stored at -85°C after 15% glycerol was added to the sampled culture. Samples were then pelleted, washed twice with 1% w/v NaCl and fixed using 50 μl of 0.05% HCl/0.5% NaCl solution to a final count of 10 6 cells/μl. Slides were imaged using a Leica widefield microscope with either phase contrast or Syto-9 and PI dyes (Invitrogen LIVE/DEAD BacLight Kit) to distinguish cell morphology.

For electron microscopy, samples were fixed by addition of 16% paraformaldehyde and 8% glutaraldehyde to the culture medium for a final concentration of 2% paraformaldehyde and 2% glutaraldehyde. For cultures grown on plates, colonies were scraped from the agar and suspended in 2% paraformaldehyde and 2% glutaraldehyde in 0.1 M sodium cacodylate buffer (pH 7.4). Cultures were fixed for 1 h at room temperature, pelleted and resuspended in buffer.

For transmission electron microscopy, bacteria were pelleted, embedded in 4% agar and cut into 1 mm × 1 mm cubes. The samples were washed three times for 15 minutes in 0.1 M sodium cacodylate buffer (pH 7.4), fixed in 1% osmium tetroxide in buffer for 2 h, and then washed extensively with buffer and double de-ionized water. Following dehydration in an ascending series of ethanol (25, 50, 75, 95, 100, 100% 15 minutes each), the samples were infiltrated with Embed-812 resin in 100% ethanol (1:3, 1:2, 1:1, 2:1, 3:1 1 h each) and then several changes in 100% resin. After an overnight infiltration in 100% resin, the samples were embedded in BEEM capsules and polymerized at 65°C for 48 h. Blocks were sectioned on a Reichert-Jung UltracutE ultramicrotome and ultrathin sections were collected onto formvar-carbon coated copper grids. Sections were stained with methanolic uranyl acetate and Reynolds' lead citrate [65] and viewed on a Zeiss CEM 902 transmission electron microscope at 80 kV. Images were recorded with an Olympus Soft Imaging System GmbH Megaview II digital camera. Brightness levels were adjusted in the images so that the background between images appeared similar.

For scanning electron microscopy, fixed samples were incubated on poly-L-lysine coated silica wafers for 1 h and then rinsed three times for 15 minutes in 0.1 M sodium cacodylate buffer (pH 7.4). The samples were fixed with 1% osmium tetroxide in buffer for 2 h, washed in buffer and double de-ionized water, and then dehydrated in ethanol (25, 50, 75, 95, 100, 100% 15 minutes each). The wafers were critical point dried in an Autosamdri 815B critical point drier and mounted onto aluminum stubs with silver paint. The samples were coated with Au/Pd with a Denton Bench Top Turbo III sputter-coater and viewed with a Hitachi 4700 FESEM at 3.0 kV.

Phylogenetic tree generation

Based on the genome annotations available at NCBI, we considered any sigma factor that was annotated as σ 70 or unannotated. A second filter was applied by requiring that all the sequences should contain a Region 2, the most conserved region of the σ 70 protein. All members of this class of sigma factor contain Region 2, and it was modeled with the HMM pfam04542. This criterion removed CAC0550, CAC1766 and CAP0157, but they were added to the list again despite their lack of a Region 2. The alignment was made using ClustalW 1.83 using the default settings and visualized as a radial tree as created by Phylodraw v. 0.8 from Pusan National University.

Generation and characterization of antisense strains

Oligonucleotides were designed to produce asRNA complementary to the upstream 20 bp and first 30-40 bp of the targeted genes' transcripts (Additional data file 7). The constructs were cloned into pSOS95del under the control of a thiolase (thl) promoter and confirmed by restriction digest. Plasmids were then methylated and transformed into C. acetobutylicum ATCC 824, as previously described [33, 55, 56]. Strains were grown in 10 ml cultures and characterized using microscopy and HPLC to analyze final product concentrations [56].


Məqsədlər

By doing this course well, students will develop basic knowledge and skills in cell and molecular biology and become aware of the complexity and harmony of the cell. As students proceed through the modules, they will be able to apply this knowledge, skill, and awareness to topics like the following:

  • Basic properties of cells
  • Prokaryotic and eukaryotic cells
  • Viruslar
  • Biological molecules: carbohydrates, lipids, proteins, and nucleic acids
  • Techniques used in cell and molecular biology
  • Fermentlər
  • Metabolizm
  • Mitochondrion structure and function
  • Chloroplast structure and function
  • Plasma membrane composition, structure, and function
  • The movement of substances across cell membranes
  • The endomembrane system
  • The extracellular matrix
  • The structure and function of the nucleus
  • Genes and chromosomes
  • DNT replikasiyası
  • Transkripsiya
  • Tərcümə
  • Cytoskeleton and cell motility
  • Cellular reproduction
  • Cell signaling
  • Xərçəng

Mücərrəd

Semen cryopreservation is a well-established procedure used in veterinary assisted reproduction technology applications. We investigated damaging effects of cryopreservation on the structural and ultrastructural characteristics of bull sperm induced at different temperatures and steps during standard cryopreservation procedure using transmission (TEM) and scanning electron microscopy. We also examined the effect of cryopreservation on sperm DNA and chromatin integrity. Five healthy, fertile Friesian bulls were used, and the ejaculates were obtained using an artificial vagina method. The semen samples were pooled and diluted in a tris-yolk fructose (TYF) for a final concentration of 80 × 10 6 spermatozoa/ml. The semen samples were packed in straws (0.25 ml), and stored in liquid nitrogen (−196°C). Samples were evaluated before dilution, just after dilution (at 37°C), at 2 h and 4 h during equilibration, and after thawing (37°C for 30 s in water bath). In association with step-wise decline in motility and viability, our results showed that the plasma membrane surrounding the sperm head was the most vulnerable structure to cryo-damage with various degrees of swelling, undulation, or loss affecting about 50% of the total sperm population after equilibration and freezing. Typical acrosome reaction was limited to 10% of the spermatozoa after freezing. We also observed increased number of mitochondria with distorted cristae (15%). Chromatin damage was significantly increased by cryopreservation as evident by TEM (9%). This was mainly due to DNA breaks as confirmed by Sperm Chromatin Structure Assay (SCSA) (8.4%) whereas the chromatin structure was less affected as evaluated microscopically by toluidine blue staining. We concluded that, using standard cryopreservation protocol, the most pronounced damage induced by cryopreservation is observed in the plasma membrane. Further improvement of cryopreservation protocols should thus be targeted at reducing plasma membrane damage. Acrosomal, mitochondrial and chromatin damage are also evident but appear to be within acceptable limits as discussed.


Fakültə

Michael Ailion | Neuromodulator release and signaling at the cellular and organismal levels.

Chip Asbury | Molecular basis of mitosis.

Jihong Bai | How synapses are assembled into functional circuits using a combination of genetic, biochemical, imaging, and electrophysiological methods..

Wyeth Bair | Computer modeling and electrophysiology of the visual system.

Sandra Bajjalieh | Cell biology of neurons with emphases on membrane trafficking and lipid signaling pathways.

Melissa Barker-Haliski | Preclinical models of epilepsy and mechanisms of epileptogenesis in the elderly.

Andres Barria | Molecular mechanisms controlling synaptic function and plasticity. Role of NMDA receptors.

Michael Beecher | Auditory communication in birds

Olivia Bermingham-McDonogh | Mechanisms of development and regeneration of the mammalian auditory system.

Marc Binder | Properties of voltage-gated membrane channels.

Martha Bosma | Development of central nervous system neurons using physiological and molecular techniques.

Mark Bothwell | Growth factor mechanisms in neural development and degenerative disease.

Geoffrey Boynton | Functional organization of human visual perception.

Eliot Brenowitz | Neural basis of biologically relevant behavior in animals, and the cellular and molecular mechanisms of plasticity in adult brains.

Michael Bruchas | Dr. Bruchas’ laboratory focuses on understanding how brain circuits are wired, how they communicate with one another, and dissecting the neural basis of stress, emotion and reward.

Bingni Brunton | Data-driven low-dimensional dynamic models of neuronal networks.

Linda Buck | Odors, tastes, pheromones, stimulating specific behaviors or physiological effects in conspecifics.

Steven Buck | Focuses on human color vision and linking perceptual visual experience and the underlying neural/genetic substrate.

Elizabeth Buffalo | Our research is aimed at understanding the neural mechanisms that support learning and memory.

Clemens Cabernard | The Cabernard lab is studying asymmetric cell division (ACD), a process that generates cellular diversity.

Erik Carlson | The study of cerebro-cerebellar circuits in mice relevant to neuropsychiatric and neurodegenerative disease.

Steven Carlson | Synapse formation – focusing on the formation of the active zone, the site of neurotransmitter release in the nerve terminal.

William Catterall | Molecular basis of electrical excitability molecular and cellular biology of ion channels function of calcium channels in neurotransmission.

Charles Chavkin | Using mouse genetic and optical stimulation of CNS pathways, we study how stress exposure affects depression, drug addiction risk, and cognition by affecting neural circuits and molecular signaling.

Daniel Chiu | The development of new tools, based on nanmaterials, optics, and microfluidics, for interfacing and interrogating neuronal systems and synaptic function at the nanometer scale.

Howard Chizeck | Biorobotics, telerobotics and neural engineering.

Eric Chudler | Cortical and basal ganglia mechanisms of nociception and pain, the neuroactive properties of medicinal plants and herbs, and translating basic neuroscientific research into language and activities for the general public.

John Clark | Characterizing the functional mechanism for the protective actions of the stress protein, human alphaB crystallin, a lens protein that is upregulated in aging diseases and protects against protein unfolding/misfolding and aggregation in Alzheimer’s, Huntington’s, Parkinson’s disease and cataracts.

David G. Cook | Molecular mechanisms of neurodegenerative disorders.

Mark Cooper | Gastrulation and neurulation in zebrafish embryos cell motility.

Ellen Covey | Structure and function of the central auditory system and the neural basis of echolocation neural mechanisms for processing temporal patterns of sound.

Dennis Dacey | Structure and function of the primate retina.

Valerie Daggett | Molecular modeling of proteins implicated in disease. Design and testing of diagnostic and therapeutic agents for neurodegenerative diseases.

Raimondo D’Ambrosio | Pathophysiology of glial cells and basic mechanisms of epilepsy. Specific current interest include glial extracellular ion homeostasis in traumatic brain injury, stroke and posttraumatic epilepsy membrane potassium channels edema.

Thomas Daniel | Sensorimotor control of animal movement.

Marie Y. Davis | The goal of my research is to understand mechanisms causing neurodegeneration in human movement disorders.

Horacio de la Iglesia | Neural basis of circadian behavior.

Nikolai C. H. Dembrow | How dendritic integration and the neuromodulation of intrinsic neuronal properties in distinct neuron types shapes neocortical function.

Peter Detwiler | Signal transduction in retinal photoreceptors.

Ajay Dhaka | Biology of somatosensation via molecular, cellular, developmental and behavioral investigation.

Jaime Diaz | Disruptions of the growth program affecting adult brain function and how other metabolic systems function.

Adrienne Fairhall | Computational approaches in neuroscience: adaptive and multimodal sensory processing, biophysics of computation by single neurons and small circuits, algorithms of computation in diverse systems .

Angela Fang | neurobiological correlates of maladaptive social cognition in anxiety and obsessive-compulsive related disorders to inform personalized treatment prediction role of oxytocin in the pathophysiology of these disorders.

Susan Ferguson | Using novel viral vector methods to unravel the role of cortico-basal ganglia circuitry in the development of behaviors that contribute to drug addiction, as well as in the processes that regulate decision-making, motivation and impulsivity.

Eberhard Fetz | Properties of cortical and spinal neurons controlling limb movement in primates dynamic neural network modeling implanted recurrent brain-computer interfaces.

Ione Fine | Effects of long-term visual deprivation, perceptual learning and plasticity, psychophysics, fMRI and computational vision.

Albert Folch | Neurobiology on a chip (Neuro-MEMS): Microengineered systems to study synaptogenesis, axon guidance, ion channel activity, and olfaction, among other neuroscience topics

Stanley Froehner | Molecular basis of synapse formation and function.

Jose M. Garcia | My research focuses on neuroendocrinologic aspects of traumatic brain injury and on hormonal pathways in wasting conditions.

David Gire | How neural circuits process natural spatiotemporal olfactory sensory cues to guide flexible, ethologically relevant behaviors.

Sam A. Golden | Neurobiology and circuitry of affective social behaviors and neuropychiatric disease.

Sharona Gordon | Ion channel biophysics & trafficking and regulation of neuronal plasticity in sensory transduction.

Thomas Grabowski | Functional magnetic resonance imaging studies of the neural systems basis of language and cognition in health and disease.

Brock Grill | Proteomic and genetic interrogation of neuronal signaling.

Chris Hague | Functional characterization of adrenergic receptors.

Julie Harris | Understanding the relationship between anatomical and functional neural circuitry between brain areas in normal and disease states.

Jeffrey Herron | Developing new research tools and systems to explore the applications of bi-directional neural interfaces to enable or improve the treatment of neurological diseases, disorders, and injuries.

Bertil Hille | Modulation of ion channels by G protein coupled receptors and membrane phosphoinositide lipids.

Greg Horwitz | Visual perception and viral vector-mediated gene transfer in primates.

Clifford Hume | Mammalian inner ear development, gene therapy of inner ear disorders, and imaging analysis of the inner ear.

James Hurley | Mechanisms of phototransduction light and dark adaptation.

Sandra Juul | Developing neuroprotective strategies for infants at high risk for neurodevelopmental impairment using in vivo and in vitro models of preterm and term brain injury.

Brian Kalmbach | Neurophysiology of primate neocortical cell types. Ion channels, neuromodulators and related genes.

Franck Kalume | Investigations of mechanisms and treatments of genetic epilepsies in animal models.

Jeansok Kim | Neurocognitive effects of stress basic mechanisms of fear.

Natalia Kleinhans | Multimodal imaging and neuropsychological assessment of neuropsychiatric disorders.

Andrew Ko |My research focuses on human electrophysiological and imaging correlates of behavior, disease, and interventions for epilepsy, movement disorders and pain.

Brian Kraemer |Molecular causes of neurodegeneration in Alzheimer’s disease, amyotrophic lateral sclerosis (ALS), and related disorders of the nervous system.

Patricia Kuhl | Speech perception throughout the lifespan with an emphasis on early development behavioral as well as ERP, fMRI, and MEG studies on language processing.

Adrian KC Lee | Auditory brain sciences and neuroengineering.

Ed Lein | Molecular, cellular and circuit organization of the developing and adult human neocortex.

Nicole Liachko | Seeks to understand the biology underlying neurodegenerative diseases of aging including Amyotrophic Lateral Sclerosis (ALS) and Alzheimer’s disease.

Michael Manookin | Neural circuits, cells, and synapses that mediate early visual processing.

Ludo Max | The role of sensorimotor integration in human motor learning and motor control, with an emphasis on auditory-motor learning in speech production and visuo-motor integration in limb movements.

G. Stanley McKnight | The role of intracellular signaling systems in the neuronal circuits that affect feeding and energy metabolism.

Kathleen Millen | The Millen laboratory uses molecular genetic approaches to explore the pathogenesis of congenital birth defects of the human and mouse brain and to study genes essential for normal neurodevelopment.

Dana Miller | We use C. elegans to understand how changes in environmental conditions are integrated into organism physiology, and how these responses modulate cellular processes involved in neurodegeneration.

Sheri J.Y. Mizumori | Neurobiology of learning and memory.

Cecilia Moens | Developmental genetics of brain patterning in the zebrafish.

William Moody | The role of spontaneous activity in cortical development, with some emphasis on the basic mechanisms underlying pediatric epilepsy.

Randall Moon | Functions and mechanisms of action of the wnt signaling pathways in embryonic development, regeneration, and diseases, and development of therapies to treat these diseases based on high throughput small molecule screens and genome-wide RNAi screens.

Claudia Moreno | Molecular mechanisms of aging.

Chet Moritz | We are developing neuroprosthetic technology for the treatment of paralysis and other movement disorders.

Gabe J. Murphy | We determine how particular synapses, cells, and circuits organize and extract the information that enables visually-guided behavior.

Scott O. Murray | Understand the brain mechanisms and cognitive process by combining behavioral and functional (fMRI) measurements of neural activity.

Neil M. Nathanson | Regulation of expression and function of muscarinic and neurokine receptors.

Jay Neitz | Biology of vision and vision disorders.

Maureen Neitz | Biology of vision and vision disorders.

John Neumaier | Molecular, cellular, and circuitry aspects of stress and addiction.

Jeffrey Ojemann | Electrocorticography studies of cognition and brain-computer interface.

Jaime Olavarria | Structure, function, and development of topographically organized circuits in the mammalian visual system.

Shawn Olsen | Cortical mechanisms of visual behavior and cognition.

Amy Orsborn | Engineering and understanding learning to develop neural interfaces

Lee Osterhout | Psychological and neural underpinnings of human language psychophysiological studies of human language and memory.

Leo Pallanck | Genetic analysis of neurotransmitter release mechanisms in Drosophila.

Richard Palmiter | Our laboratory uses mouse genetic models and viral gene transfer to dissect neural circuits involved in innate behaviors.

Jay Parrish | We are broadly interested in understanding the form and function of somatosensory neurons in Drosophila.

Anitha Pasupathy | Neural basis of visual shape representation and recognition in the primate brain.

David Perkel | Neural mechanisms of learning, focusing on vocal learning in songbirds anatomical and electrophysiological techniques for study of neuronal processing related to behavior.

Steve I. Perlmutter | Understanding and manipulating neural plasticity in mammalian motor systems to develop new therapies that improve recovery after spinal cord injury and brain damage.

Paul Phillips | The role of rapid dopamine neurotransmission in motivated behavior and decision making, and its dysfunction in mental health disorders including addiction.

Nicholas Poolos | Mechanisms of ion channel dysregulation in epilepsy, and impact on dendritic excitability.

Chantel Prat | My research investigates the biological basis of individual differences in language and cognitive abilities.

Daniel Promislow | We use quantitive genetics and systems biology to identify naturally occurring modifiers of neurodegenerative disease in the fruit fly.

David Raible | Zebrafish mechanosensory hair cell development, damage and regeneration: models for hearing loss.

Akhila Rajan | Fat-brain communication: how fat signals to the brain.

Jan-Marino (Nino) Ramirez | Understanding the neuronal basis of a variety of brain functions to find novel ways to treat and cure neurological disorders in children, including epilepsy, Rett syndrome, brain tumors, and sudden infant death syndrome.

Rajesh P.N. Rao | Computational neuroscience, machine vision and robotics, and brain-computer interfaces.

Wendy Raskind | The genetic etiologies of Mendelian neurodegenerative disorders, including ataxias and parapareses, and the complex neurobehavioral disorder dyslexia.

Jeff Rasmussen | Molecular and cellular regulation of zebrafish somatosensory neuron development and repair

Tom Reh | Determination of the mechanisms that control neuronal proliferation and differentiation during neurogenesis of the vertebrate CNS.

R. Clay Reid | Deciphering how information is encoded and processed in neural networks of the visual system, using behavior, anatomy and physiology.

Fred Rieke | Visual signal processing and computation phototransduction.

Jeff Riffell | Olfactory neurobiology and chemical communication processes.

Farrel R. Robinson | Cerebellar control of movements using monkey eye movements as a model.

Ariel Rokem | Conducts research on the biological basis of brain function using computational tools that we develop and maintain.

Edwin Rubel | evelopment and habilitation of the inner ear and CNS auditory pathways.

Jay Rubinstein | Signal processing, physiology, and perception with inner ear implants using both computational modeling and experimental techniques.

Hannele Ruohola-Baker | Regulation of stem cell self renewal and regeneration.

Ramkumar Sabesan | Functional imaging of the human retina.

Abigail G. Schindler | Computational medicine, iterative translation, and systems biology to understand traumatic stress and its comorbidities.

John Scott | Specificity of synaptic signaling events that are controlled by kinase anchoring proteins.

Eric Shea-Brown | Computational and theoretical neuroscience.

Andy Shih | Our lab uses imaging approaches to better understand the regulation of brain microvascular health, and the factors that lead to its dysfunction during disease.

Joseph Sisneros | Understanding how the vertebrate auditory system processes species-specific vocalizations and the adaptive mechanisms that are used to optimize the receiver’s sensitivity to social communication signals.

Stephen Smith | The behavior of protein interaction networks at the neuronal synapse.

William Spain | Transformation of synaptic inputs into patterns of action potential output information flow within the network of neurons.

Kat Steele | Dynamics and control of human movement.

Nicholas A. Steinmetz | Distributed neural circuits underlying visually-guided behavior in mice.

Nephi Stella | Activation of immune cells in the CNS.

Jennifer Stone | Study of cellular and molecular mechanisms underlying generation of sensory hair cells in the inner ear during development, under normal conditions, and after injury.

Daniel Storm | Molecular and cellular basis of long-term memory and memory persistence using an interdisciplinary approach.

Garret Stuber | Research in the Stuber lab uses an interdisciplinary approach to study the neural circuit basis of motivated behavior.

Jane Sullivan | Cellular and molecular mechanisms controlling synaptic transmission and plasticity.

Billie Swalla | he evolution of chordates, especially the central nervous system. We are studying the gene networks that specify the central nervous system, in invertebrate deuterostomes and chordate embryos and adults.

Gregory W. Terman | Neurophysiology and pharmacology of synaptic plasticity in pain transmission pathways of the central nervous system as a model for the pathogenesis of chronic pain.

James Thomas | Molecular evolution, especially the evolution and function of gene families implicated in environmental interactions and other rapidly changing selective pressures. Work is mostly on nematode and mammalian gene families, with some comparative analyses to other groups.

Jonathan T. Ting | Biophysical, anatomical, and molecular features of human neocortical cell types and leverage this information to develop novel molecular genetic tools for accessing and perturbing brain cell types across diverse mammalian species.

Eric Turner | The mechanisms of brain development and neural gene regulation, and brain pathways affecting mood and anxiety. Using transgenic mouse models.

John Tuthill | Neural mechanisms of somatosensory processing and adaptive motor control.

Russell Van Gelder | Natural and synthetic inner retinal and extraocular photoreception.

Oscar Vivas | My lab uses electrophysiology and imaging to understand the changes in the autonomic nervous system during aging.

Jack Waters | Cells and circuits of the neocortex and their modulation with behavioral state, studied primarily with optical techniques.

Kurt Weaver | My research focuses on the dynamic interplay between large-scale neural systems and cognitive function, how this interaction can better inform contemporary models of neurological and psychiatric disorders.

Sara J. Webb | The use of physiological and neuroimaging methods to study attention, perception and social learning in children and adults with autism and other neurodevelopmental disorders

Jonathan Weinstein | The neuroimmune response in stroke and ischemic preconditioning (IPC) with emphasis on the role of type 1 interferon signaling in microglia in IPC-mediated endogenous neuroprotection.

John Welsh | Our work focuses on the role of neuronal oscillation in cognitive and motor function.

Rachel Wong | Circuit assembly and reassembly in the developing nervous system.

Zhengui Xia | The effect of genes and environmental exposure on adult neurogenesis, cognitive impairment, and neurodegeneration.

Libin Xu | The roles of lipid oxidation and metabolism in neurological diseases.

Smita Yadav | Elucidating the role of kinase signaling in neuronal development and disease using chemical-genetics, proteomics and stem cell techniques.

Azadeh Yazdan-Shahmorad | Developing novel neural technologies for neurorehabilitation.

Jason Yeatman | Quantitative neuroimaging of brain development and learning to read

Jessica Young | Building robust human models of Alzheimer’s disease.

Cyrus P. Zabetian | The genetics of neurodegenerative diseases with an emphasis on Lewy body disorders.

William N. Zagotta | Mechanisms of ion channel function.

Jing Zhang | Proteomics investigation of molecular mechanisms of Parkinson’s disease, and biomarker discovery for neurodegenerative diseases.

Larry Zweifel | Understanding the mechanisms of phasic dopamine-dependent modulation of reward and punishment, and the role of dopamine in generalized fear and anxiety.


Mücərrəd

Mitochondrial quality is under surveillance by autophagy, the cell recycling process which degrades and removes damaged mitochondria. Inadequate autophagy results in deterioration in mitochondrial quality, bioenergetic dysfunction, and metabolic stress. Here we describe in an integrated work-flow to assess parameters of mitochondrial morphology, function, mtDNA and protein damage, metabolism and autophagy regulation to provide the framework for a practical assessment of mitochondrial quality. This protocol has been tested with cell cultures, is highly reproducible, and is adaptable to studies when cell numbers are limited, and thus will be of interest to researchers studying diverse physiological and pathological phenomena in which decreased mitochondrial quality is a contributory factor.


Videoya baxın: Sehir Proqramı by Ferahim (Sentyabr 2022).


Şərhlər:

  1. Navarro

    Bu maraqlıdır. Sürət, bu barədə oxuya biləcəyim yer?

  2. Gardagore

    O, nə planlaşdırır?

  3. Dougal

    Yavaş-yavaş yaxşı.

  4. Yasin

    Bravo, məncə bu gözəl ifadədir



Mesaj yazmaq