Informacija

Skeletas erdvėje

Skeletas erdvėje


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.

Erdvė, kurioje yra astronautas, išskrenda į kosmosą ir negali būti išgelbėtas. Erdvinėje ankštyje nėra vabzdžių, o vienintelės bakterijos yra tos, kurias iš pradžių atnešė astronautas. Yra daug deguonies (manyti, kad 20%), o interjeras ilgą laiką įkaista iki 20 laipsnių C radioizotopiniu šildytuvu.

Astronautas galiausiai miršta dėl maisto ar vandens trūkumo. Jo kūnas rastas po daugelio metų. Ką ras gelbėtojai? Kūnas ar skeletas?


Pirmiausia manau, kad daug metų prilygsta 10 ar daugiau metų, nors deguonies buvimas gali tai drastiškai pagreitinti arba trukdyti, sunku pasakyti. Niekas nebandė išsiaiškinti, kaip kažkas supūs sandariame, bet sąmoningai deguonies prisotintame konteineryje, nes iš esmės tai neegzistuoja be pagal užsakymą pagamintos kameros.

Jūsų pagrindinis veiksnys yra drėgmė, ty ar ankštys turi drėgmės kontrolę. Jei ji palaiko žmogui patogią drėgmę, turėsite skeleto mumiją, nes oda ir plaukai išliks, bet didelė kūno dalis išdžius. Jei elgsitės su juo kaip su sandariu indu, suskaidantys kūno skysčiai padidins drėgmę ir turėsite tik krūvą kaulų ir gana šlykščias sriubas. Užsandarintas konteineris yra vienas iš būdų supūti gyvūno skerdeną, kad būtų gauti kaulai. Tai vadinama maceracija ir tai, kas buvo gerai ištirta. Aš tai dariau daug kartų ir kelių metų yra daugiau nei pakankamai, kad skerdeną paversčiau iki skeleto. Atkreipkite dėmesį, priklausomai nuo to, kiek laiko lauksite, net kaulas gali būti pažeistas arba sunaikintas, nors ribota biota gali užkirsti kelią paskutiniams šio proceso etapams ir palikti labai trapius skeleto likučius.

Turiu pabrėžti, kad kvapas bus bjaurus, nes net patyrę tyrėjai mėtys sausainius, jei užuos. Beveik niekuo negalima apibūdinti sandariame inde pūvančio žmogaus kūno kvapo. Mūsų smegenys išsivystė taip, kad pūvantis žmogaus kūnas būtų kuo bjauresnis.

papildomam palyginimui a popierius, kuriame lyginamas kelių įbetonuotų kiaulių skerdenų irimas.

Šaltinio nuorodų adresai https://pubmed.ncbi.nlm.nih.gov/2738563/

https://onlinelibrary.wiley.com/doi/10.1002/9781118953358.ch33

https://journals.lww.com/amjforensicmedicine/Abstract/2013/03000/Burial_of_Piglet_Carcasses_in_Cement__A_Study_of.13.aspx


Patobulintas informuotas RRT*, naudojant tinklelio skeletą mobiliojo roboto kelio planavimui

Buvo pasiūlytas patobulintas Informed RRT* algoritmas, skirtas sutrumpinti skaičiavimo laiką net ir sudėtingoje aplinkoje. Skirtingai nuo RRT*, naudojamo informuotam RRT*, norint rasti pradinį visos konfigūracijos erdvės sprendimą, pirminiam sprendimui sukurti taikomas tinklelio skeleto sudarymo metodas. Kadangi skeleto sudarymo procesas gali būti atliktas greičiau ir patikimiau nei procesas, kai medis sudaromas atsitiktine RRT* atranka, pradinis sprendimas gaunamas efektyviai ir optimizuojamas anksčiau, palyginti su įprastais informuoto RRT* algoritmais. Siūlomo patobulinto Informed RRT* algoritmo modeliavimo rezultatai rodo, kad skaičiavimo laikas yra trumpesnis ir mažesnis standartinis nuokrypis nei įprasto Informed RRT*.

Tai prenumeruojamo turinio peržiūra, prieiga per jūsų įstaigą.


Skilimo etapai

Skilimas yra visiškai natūralus, normalus procesas. Mirus, širdis ir plaučiai nustoja veikti, o kraujas nustoja siurbti, deguonis nustoja tekėti, o viso kūno audiniai pradeda irti. Yra keturi skilimo etapai, kurių greitis organizme skirsis, priklausomai nuo įvairių veiksnių, tokių kaip oras, drėgmė, temperatūra, net kūno padėtis. Visa tai turi įtakos skilimo greičiui, tačiau vis tiek vyksta visi keturi etapai.

Kokios yra keturios skilimo stadijos

Kalbant konkrečiai, čia kalbame apie žmogaus skilimą. Nors esame biologinio pavojaus valymo ekspertai, nesame būdų ekspertai viskas suyra ir suyra, todėl reikia paminėti. Keturios skilimo stadijos yra: autolizė, pilvo pūtimas, aktyvus irimas ir skeleto susidarymas.

Štai ką šie etapai apima.

Autolizė

Autolizė yra pirmoji skilimo stadija ir įvyksta iškart po mirties, paprastai maždaug po 4 minučių. Autolizė yra tada, kai audiniai pradeda naikinti ir skaidyti jų pačių fermentų. Taip nutinka dėl to, kad sustojo kvėpavimas ir kraujo apytaka, organizmas nebepašalina atliekų ir nepristato naujo deguonies. Anglies dioidas kaupiasi, sukurdamas rūgštinę atmosferą, ląstelių membranos (ląstelių sienelės) suyra ir išleidžia fermentus, kurie vėliau virškina ląsteles iš vidaus.

Rigor mortis taip pat prasideda šiame etape. Raumenyse vyksta daugybė skirtingų cheminių reakcijų, dėl kurių jie sustingsta

Išsipūtimas

Dujos pradeda kauptis dėl autolizės metu nutekėjusių fermentų ir medžiagų. Bakterijos gamina sieros turintį junginį, kuris taip pat keičia spalvą. Pilvo pūtimo stadijoje žmogaus kūnas gali padvigubėti. Visa tai veda į puvimą ir nepaprastai blogi kvapai. Dažnai šis kvapas pritraukia kitų dėmesį. Šie kvapai taip pat gali išlikti ilgai po to, kai kūnas buvo paimtas.

Aktyvus skilimas

Po pilvo pūtimo prasideda aktyvus irimas. Kai visi minkštieji kūno audiniai suskystėja, organai, raumenys ir oda. Išlieka plaukai, kaulai, kremzlės ir kai kurios kitos medžiagos. Aktyvaus irimo stadijoje organizmas netenka didžiosios masės dalies.

Skeletonizacija

Po aktyvaus irimo stadijos atsiranda skeletonizacija. Tai yra tada, kai visa medžiaga suyra, paliekant tik kaulus. Nėra nustatyto laiko, kada įvyks skeleto formavimas, nes tai labai priklauso nuo kitų dalių praradimo.


Rezultatai

Mūsų metodas susideda iš kelių atskirų žingsnių, kuriuos čia aprašome atskirai.

Skaitmeninis vaizdo apdorojimas

Judančių ląstelių filmams generuoti naudojami įvairūs vaizdo gavimo būdai: fluorescencinis, fazinis kontrastas ir diferencialinis interferencinis kontrastas (DIC). Prieš atliekant tolesnę vaizdo analizę, atliekami du etapai, skirti apdoroti pirminius ląstelių filmus. Pirmas žingsnis yra segmentavimas, kuriame ląstelių sritys išgaunamos iš jų fono ir įgyjamos langelių formos kiekviename kadre. Remiantis vaizdo ypatybėmis, buvo sukurti skirtingi algoritmai, skirti specialiai trims minėtiems mikroskopijos metodams (A priedas). Antras žingsnis yra ribų išlyginimas, skirtas pašalinti aukšto dažnio erdvinius ląstelių ribos svyravimus, kuriuos sukelia vaizdo triukšmas. Vienodos kvadratinės B spline kreivės, kurios yra lygios kreivės su ištisinėmis pirmos eilės išvestinėmis ir plačiai taikomos kompiuteriniame geometriniame projekte, yra naudojamos ląstelių riboms pritaikyti [13]. Derinimo algoritmas remiasi erdvės formos modeliu ir rekursiniais mažiausiųjų kvadratų įvertinimais [14] (B priedas).

Skeletonizacija

Formos skeletas apibrėžiamas remiantis maksimalaus rutulio samprata 2D Euklido erdvės kontekste 3D erdvėje galimi tiesioginiai plėtiniai [8]. Rutulys, esantis uždaroje ribinėje kreivėje, apibrėžtoje plokštuma, laikomas maksimaliu, jei jo negalima laikyti jokiame kitame didesniame rutulyje, kuris taip pat yra visiškai įtrauktas į tą pačią kreivę. Plokščios formos skeletas apibrėžiamas kaip vidurinė formos ašis, kuri yra didžiausių tos formos rutuliukų centrų vieta. Atkreipkite dėmesį, kad visur, kur yra išsikišimas iš ląstelės membranos, skelete atsiranda bent viena šaka (1A-C pav.).

Praktikoje, kadangi formos gaunamos iš skaitmeninių vaizdų, apskaičiuoti skeletai yra tik ištisinės medialinės ašies apytikslės reikšmės. Buvo pasiūlyti keli algoritmai, nustatantys diskretizuota kreive apibrėžtos formos skeletą [15-20]. Anksčiau aprašyta medialinė ašis gali būti nustatyta remiantis atstumo žemėlapiais, „žolės ugnies“ modeliavimu arba Voronojaus diagramomis. Atstumo žemėlapyje kiekvienam taškui formos viduje priskiriama reikšmė, atitinkanti atstumą nuo šio taško iki ribos [16,17]. Skeleto taškai apibrėžiami kaip sukonstruoto kontūro sklypo keteros. Atliekant žolės laužo modeliavimą, kiekvienas formos ribos taškas yra bangos, kuri sklinda į vidų pastoviu greičiu, šaltinis [18,19]. Skeletas nustatomas kaip atskiri taškai, susidarantys bangoms susidūrus. Manoma, kad šios dvi algoritmų klasės suteikia lygiaverčius rezultatus. Galiausiai Voronojaus diagrama pagrįsti algoritmai naudoja faktą, kad figūros skeletas su atskirais ribiniais taškais gali būti aproksimuojamas Voronojaus diagramos pografu [20]. Šios klasės algoritmų skaičiavimo apkrova paprastai yra didesnė. Be tolesnio apdorojimo, šių algoritmų sukurti skeletai yra gana jautrūs formos svyravimams, nes nedideli ribinės kreivės trikdžiai gali sukelti reikšmingus vidurinės ašies pokyčius. Norint gauti prasmingesnį formos vaizdą, paprastai būtinas ribų išlyginimas (aprašyta aukščiau) ir šakų genėjimas (aptarta toliau).

Kita algoritmų klasė, kurianti skeletus, kurie atrodo panašūs į vidurinę ašį, bet nebūtinai atitinka vidurinę ašį, naudoja metodą, vadinamą retinimas. Šiuose algoritmuose regiono ribiniai pikseliai palaipsniui nulupami nekeičiant regiono topologijos, kol lieka tik skeleto struktūra [12]. Nors kai kuriose programose šis metodas yra labiau tinkamas, nes jis yra labiau atsparus ribiniams skirtumams, gali būti prarasta dominanti ląstelių formos informacija. Dėl šios priežasties naudojame medialinės ašies skeletus ir gauname juos naudodami funkciją bwmorph Matlab Image Processing Toolbox, kurio pagrindinis algoritmas yra grassfire modeliavimas (Mathworks, Natick, MA).

Šakų genėjimas

Kraštų išlyginimas padeda pašalinti klaidingas šakas, atsirandančias dėl triukšmingų vaizdų (​ pav. (2 pav.). 2 ). Nepaisant to, tolimesnė šaka genėjimas Būtina susieti kiekvieną žmogaus akimis suvokiamą pseudopodą tiksliai su viena skeleto šaka. Kaip rodo pavadinimas, šakų genėjimas padeda sumažinti skirtingų elementų skaičių ląstelės skeleto aprašyme. Sukurta daug įvairių genėjimo būdų [20-24]. Visi šie metodai veikia apibrėžiant skeleto taškų reikšmės metriką. Judrumo sukeltų ląstelių formos pakitimų atveju klaidingoms šakoms genėti taikomi du kriterijai (​ pav. (3 pav. 3).

Ribų išlyginimas. A. Chemotaksuojančios ląstelės fluorescencinis vaizdas. B. Uždaroji kreivė rodo segmentuotos formos kraštą prieš išlyginant linijos segmentus, sudarytus iš šios formos skeleto. C. Išlyginta riba ir gautas skeletas. D. Pradinių (pilkų) ir po ribą išlyginančių (juodų) griaučių palyginimas. Atkreipkite dėmesį, kad kelios šakos, kurios, kaip manoma, kyla dėl vaizdo triukšmo svyravimų, išnyko.

Šakų genėjimas. A. Judančiojo DIC vaizdas Diktiostelis ląstelė, kurioje skeletas (B) rodo tris skirtingas pagrindines šakas. Netoli ribos šios šakos gali išsišakoti ir sudaryti mažesnes šakas, trumpesnes nei ilgio slenkstis pslenkstis (įdėklai). Jei šaka yra nepriklausoma, tai yra, ji neturi šaknies su jokia kita išorine šaka (vidurinė intarpas, žalia šaka), pašaliname ją iš skeleto. Kitu atveju, jei šaka dalijasi šaknimi su kita šaka (mėlynos šakos visuose trijuose intarpuose), mes arba sujungiame dvi šakas (jei jos yra maždaug vienodo ilgio, ty ilgesnės šakos ilgis, padalintas iš trumpesnės, yra mažesnis nei santykio riba r, trys poros mėlynų šakų trijuose įdėkluose) arba pašalinkite trumpesnę šaką (kai jos yra labai skirtingo ilgio, t. y. ilgio santykis yra ne mažesnis kaip r, nerodoma). C. Skeletas po šakų genėjimo. D. Tikrasis išsikišimas arba atitraukimas dažniausiai atsiranda tada, kai šakos gnybtas yra arti ribos (raudona). Jei riba lokaliai suapvalinta (mėlyna), šaka bus toli ir mažai tikėtina, kad ten įvyks pseudopodinė veikla.

Pirma, trumpos skeleto šakos atitinka santykinai nedidelius formos svyravimus, priešingai, ilgos šakos atsiranda dėl reikšmingesnių formos ypatybių. Taigi, skeletas genimas pašalinus mažas šakas. The išorinės šakos griaučiai yra apibrėžiami kaip linijos segmentai, turintys bent vieną gnybtą, kuris nėra sujungtas su jokia kita skeleto dalimi. Taškas, jungiantis išorinę šaką su vidine skeleto dalimi, yra pažymėtas kaip šaknis šios šakos (​ pav. (3B pav., 3B , raudona). Iš anksto nustatyta ilgio riba pslenkstis pikselių ir ilgio santykio r > 1 (empirinės reikšmės pateiktos ​ 1 lentelėje), 1 ), kiekviena išorinė šaka trumpesnė nei pslenkstis Manoma:

1 lentelė

Iš anksto nustatytų parametrų reikšmės algoritmuose 1 .

KintamasisApibrėžimasNaudojama vertė
Šakų genėjimaspslenkstisIlgio slenkstis trumpai išorinei šakai identifikuoti1/10 ląstelės kūno ilgio 2
rSantykio slenkstis, skirtas nuspręsti, ar sujungti dvi šakas, ar ištrinti trumpesnę1.5
PrDistslenkstisAtstumo slenkstis, skirtas pašalinti šaką, esančią toli nuo ribos1/6 ląstelės kūno ilgio
Atgalinis sekimasTDidžiausia trukmė, per kurią dvi veiklos gali būti laikomos iš to paties pseudopodo 3 50 s
αPirmosios eilės skirtumo svoris apskaičiuojant kaštų funkciją sekimo metu0.5
βErdvinio atstumo svoris skaičiuojant atstumo balą0.5
RLąstelės spindulys5 μm
DistslenkstisAtstumo balo slenkstis, norint sugrupuoti dvi veiklas į tą patį pseudopodą1/10 ląstelės ribos perimetro

1 Šios reikšmės pasirinktos siekiant sumažinti automatinio metodo ir rankinio sprendimo neatitikimą. Šakos genėjimo algoritmui parenkamos skirtingų dydžių ir formų reprezentacinės ląstelės, o jų pseudopodus judėjimo metu nustato patyrę ląstelių biologai. Taikant atgalinio sekimo algoritmą, neautomatiniai sekimo rezultatai iš reprezentatyvių filmų gaunami nepriklausomai. Tada skirtingos parametrų reikšmės tikrinamos algoritmais, o geriausi deriniai parenkami kaip nurodyta.

2 "Ląstelės kūno ilgis" apskaičiuojamas kaip vidutinis kūno ilgis tarp visų ląstelių iš to paties eksperimento. Taigi, ji yra konstanta analizuojant filmus iš to paties eksperimento, bet gali skirtis atliekant skirtingus eksperimentus.

3 Šis parametras turi būti nustatytas empiriškai pagal konkretų kadrų dažnį, naudojamą vaizduojant, čia pasirinkta reikšmė filmams, atrinktiems 10 s/kadru. Visiems kitiems parametrams čia pateiktos vertės taikomos visiems mūsų filmams, įskaitant skirtingus langelių tipus, kadrų dažnį ir vaizdo padidinimą.

1. Jei šaka yra nepriklausoma, tai yra, ji neturi šaknies su jokia kita išorine šaka, tada ji pašalinama iš skeleto (​ pav. (3B pav., 3B , žalia).

2. Kitu atveju, jei šaka dalijasi šaknimis su kita šaka, lyginami atitinkami jų ilgiai:

▪ Jei ilgesnės šakos ilgis yra mažesnis nei r trumpesniojo ilgio kartų arba pats ilgesnis yra trumpesnis už pslenkstis, tada abi šakos sujungiamos į vieną, kylančią iš šaknies (​ pav. (3B pav., 3B , mėlyna).

▪ Jei ilgesnė šaka yra ilgesnė nei pslenkstis ir ilgiau nei r kartų trumpesnė, tada trumpesnė šaka pašalinama, o ilgesnė paliekama.

Jei daugiau nei dvi išorinės šakos turi bendrą šaknį, jos lyginamos ir, jei reikia, sujungiamos paeiliui. Norint sujungti dvi šakas, identifikuojamas ir su šaknimi susietas dviejų gnybtų, išskyrus šaknį, vidutinės padėties taškas. Taip ne tik išvengiama šakų sutrumpinimo tiesiog pašalinus dvi trumpas šakas, bet ir garantuojama, kad sujungta šaka atspindi apytikslę pseudopodo vidurio liniją (​ pav. (3C pav. 3C).

Antrasis genėjimo kriterijus pagrįstas ribinės kreivės lokaliu kreivumu, kurį galima nustatyti pagal svyruojančio apskritimo spindulio grįžtamąją vertę [25]. Paprastai kiekvienas išsikišimas arba atitraukimas vyksta netoli vieno taško, kuriame vietinis kreivumas yra palyginti didelis, palyginti su kitomis ribos dalimis (​ pav. (3D pav., 3D , raudona). Kadangi išorinės šakos galinis taškas yra šakos centras). apskritimas, susietas su šiuo ribiniu tašku, atstumas nuo galinio taško iki ribos parodo vietinio kreivumo matą. Kai šis atstumas didelis, riba lokaliai turi mažą kreivumą. Taigi vargu ar atitinkama atšaka nukreips į išsikišusią arba besitraukianti ląstelės sritis (​ pav. (3D pav., 3D , mėlyna). Kad pašalintumėte šias šakas, atstumo slenkstis (PrDistslenkstis ​ lentelė 1) 1) nustatoma ir pašalinamos visos šakos, kurių gnybtai (išskyrus jų šaknis) yra toliau nuo ląstelės membranos.

Pseudopodinio aktyvumo aptikimas

Ląstelėms judant, jų formos deformuojasi, todėl atitinkamuose skeletuose atsiranda laikinų pokyčių (​ pav. (4 pav.). 4 ). Siekiame apibūdinti šį dinamišką procesą ir sukurti algoritmą, leidžiantį nustatyti, ar ląstelės formos pokyčiai atitinka išsikišimus ar atitraukimus. Formų skirtumai reiškia sritis, kuriose forma keičiasi judrumo metu iš vieno kadro į kitą [26]. Jie gali būti „teigiami“ arba „neigiami“ srautai, priklausomai nuo to, ar plotai auga, ar mažėja. Tačiau dėl vaizdo triukšmo ir atsitiktinių membranos formos perturbacijų skirtumai ne visada yra gerai apibrėžti. Taigi, formų skirtumai derinami su skeletais, kad būtų galima nustatyti išsikišimo ir atitraukimo veiklą.

Dinaminiai skeletai. A. Du iš eilės chemotaksavimo vaizdai Diktiostelis ląstelė A2 rodo pastarąjį kadrą. Nuotraukų skirtumas yra 30 sekundžių. B. Ląstelių ribos ir atitinkami jų apkarpyti skeletai: Snankstesniam kadrui ir Sn+1 pastarajam. C. Palyginus dviejų vaizdų sritis, gaunamas skirtumų žemėlapis, apibūdinantis ląstelės deformaciją nuo vieno vaizdo iki kito. Baltieji regionai () auga, o juodieji () traukiasi. D.Skeleto šakos pastarajame kadre (raudonos linijos) signalizuoja iškyšos veiklą, jei jos nukreiptos į sritis, esančias , o skeleto šakos ankstesniame kadre (mėlynos linijos) signalizuoja apie atsitraukimus, jei jos nukreiptos į sritis, esančias . Šių veiklų startines pozicijas lemia taškai, kuriuose Sn+1 arba Snkerta ankstesnio kadro ribinę kreivę (raudoni taškai – išsikišimai ir mėlyni – atitraukimai). Veiklos dydis apskaičiuojamas kaip susijusios šakos dalies, esančios augančioje (L1 D1) arba pasitraukimas (L2 D2) plotas. E. Santykinis iškyšos kampas (θ3) arba atitraukimas (θ4) apibrėžiamas, kai ląstelė juda reaguodama į chemoatraktanto gradientą, remiantis ląstelės centru ankstesniame kadre (juodu tašku) ir veiklos pradžios tašku (raudonas taškas išsikišimui ir mėlynas taškas atitraukimui). .

Procesas pradedamas segmentuojant nuoseklius judančios ląstelės vaizdus (​ pav. (4A pav.). 4A). Tarkime, kad nir n+1 yra dvejetainės segmentacijos n ir (n+1) st kadrai atitinkamai, kur langelio pikseliai yra 1, o fono pikseliai – 0. Pažymėkite apkarpytus skeletus kadruose n ir (n + 1) pagal Snir Sn+1 atitinkamai (​ pav. (4B pav.). 4B ). Leisti D būti 2D erdvė, kurioje apibrėžiami visi filmo vaizdo kadrai, ir p būti duotu pikseliu D. Apibrėžkite pagal

atitinkamai besiplečiančios ir besitraukiančios ląstelės sritys iš n d. į (n+1) st rėmelis (​ pav. (4C pav.). 4C ). Atkreipkite dėmesį, kad skeleto šakos iš (n+1) st rėmas tęsiasi nuo jų šaknies į ir iš jų n rėmelis išsikiša nuo šaknų iki (​ pav. (4D pav. 4D).

A išsikišimas apibrėžiamas kaip regionas, apimantis šaką Sn+1 (4D1 pav.). Pradinė išsikišimo padėtis ant membranos rėmelyje n yra nustatyta sankirta Sn+1 ir riba n, ir išsikišimo tarp rėmų ilgis n ir (n +1) gaunamas pagal šakos, esančios (L1 4D1 paveiksle). Panašiai, a atsitraukimas apibrėžiamas kaip regionas, apimantis šaką Sn(4D2 pav.). Pradinė padėtis ant membranos rėmelyje n ir susitraukimo ilgis apibrėžiamas taip pat.

Gali būti situacijų, kai skeleto šaka neliečia ląstelės ribos. Tokiais atvejais mes išplečiame šaką iki membranos ir apskaičiuojame išplėstinį ilgį kaip veiklos žingsnio dydį.

Jei ląstelė juda reaguodama į išorinį signalą, pavyzdžiui, chemotaksės metu, mus taip pat domina, kaip išsikišimas arba atitraukimas yra suderintas su chemoattraktanto gradientu. Norint tai apskaičiuoti, linija 0° apibrėžiama kaip spindulys, prasidedantis nuo ląstelės centroido, išilgai kurio chemoatraktanto koncentracija didėja greičiausiai. Veiklos kampas apskaičiuojamas kaip kampas nuo anksčiau apibrėžtos 0° linijos iki linijos, jungiančios ląstelės centroidą ir šios veiklos pradžios tašką ant membranos (​ pav. (4E 4E pav.).

Įvykių laikas, erdvinės padėties pradžios ir pabaigos kadruose bei kampai nuo ląstelės centro užregistruojami visiems aptiktiems išsikišimams ir atitraukimams. Šie duomenys naudojami šios veiklos dinamikai apibūdinti.

Atgalinis pseudopodijų linijos sekimas

Buvo teigiama, kad skirtingų ląstelių padermių judrumas ir morfologiniai pokyčiai skiriasi, nes jie skirtingais būdais išplečia, atitraukia arba suskaido pseudopodus [27, 28]. Norint išanalizuoti kintančius pseudopodijų modelius, reikia nustatyti visų aptiktų išsikišimų ir atitraukimų kilmę. Šiuo tikslu kuriame automatizuotą sekimo algoritmą, kuris sugrupuoja veiklą į atskiras grupes, kurių kiekviena atspindi vieno pseudopodo išsikišusią ir besitraukiančią istoriją.

Pagrindinė algoritmo idėja yra modeliuoti pseudopodų dinamiką naudojant antros eilės autoregresinį procesą [29]. Tiksliau, daromos šios prielaidos:

1. Erdvinės padėties ir kampo pokyčiai to paties pseudopodo veikloje nuo vieno kadro iki kito yra daug mažesni nei atstumas tarp dviejų skirtingų pseudopodų

2. Kai keičiasi veiklos padėtis arba kampas, kitimo greitis būna pastovus.

3. Jei per tam tikrą laiko tarpą po paskutinės esamo pseudopodo užregistruotos veiklos nepastebėta jokio kito išsikišimo ar atsitraukimo, pseudopodas nutrūko. Taip atsižvelgiama į tai, kad pseudopodų gyvavimo laikas yra ribotas.

Kadangi manoma, kad pseudopodai judėdami dažnai skyla, jie sekami laiku atgal [30]. Būtina nuspręsti, ar kiekvienas tam tikru laiko momentu aptiktas išsikišimas arba atitraukimas yra vykstančio pseudopodo ar naujo pseudopodo dalis. Norėdami tai pasiekti, svertinis atstumo tarp veiklų metrika, kurioje atsižvelgiama į erdvinės vietos skirtumus (x, y), kampas (θ), ir laikas (t) yra apibrėžtas. Tiksliau, tarkime, kad dvi veiklos p1 = (x1, y1, θ1, t1) ir p2 = (x2, y2, θ2, t2), su t2>t1 buvo identifikuoti ir tai buvo laikoma p2 yra susijęs su veikla p3 = (x3, y3, θ3, t3), su t3>t2. Atstumo balas tarp p1 ir p2 apskaičiuojamas kaip

Terminai Δ1,2 ((x1, y1), (x2, y2), (x3, y3)) ir Δ1,2(θ1, θ2, θ3) yra atitinkamai erdviniai ir kampiniai atstumai, apskaičiuoti pagal lygtį, pagrįstą pirmos ir antros eilės skirtumais (C priedas). Vertybės β ir 1-β pasverkite šiuos du atstumus ir R yra ląstelės spindulys. Laiko skirtumo terminas kvadratinės šaknies ženkle reiškia, kad dviejų veiklų iš to paties pseudopodo tikimybė mažėja didėjant laiko tarpui tarp jų. Vertės, naudojamos β ir R yra pateiktos ​ 1 lentelėje. 1 . Po šio atstumo balas skaičiuojamas nuo kiekvienos nepriskirtos veiklos iki visų priskirtų iki T sekundžių, balai surūšiuojami ir pasirenkamas minimalus. Jei jis yra žemiau nurodytos ribos, Distslenkstis, veikla laikoma gauta iš to paties pseudopodo, kitaip nepriskirta veikla pažymėta kaip paskutinė aptikta naujo pseudopod veikla. Galiausiai, padalijimas įrašomas, kai dvi veiklos randa tą pačią ankstesnę veiklą, kaip ir jų bendras „protėvis“, atliekant atgalinį stebėjimą.

Naudodami aukščiau aprašytus metodus, apskaičiuojame atskirų pseudopodų ir pavienių ląstelių kiekių skaičių (​ lentelė (2 lentelė). 2 ). Šių parametrų skaičiavimo rezultatai ir skirtingų ląstelių padermių palyginimai pateikiami toliau.

2 lentelė

Morfologiniam elgesiui apibūdinti naudojami kiekiai.

klasifikacijavardasapibūdinimas
Individualūs pseudopodai
�ndraGyvenimasLaikotarpis, per kurį pseudopodas išsikiša arba atsitraukia
Aptiktų veiklų skaičiusBendras aptiktų veiklų skaičius per visą gyvenimą
Grynasis greitisGrynasis vietinės membranos poslinkis per visą eksploatavimo laiką, padalytas iš laiko trukmės
𠀻ūsenos dinamikaIškišimo / atitraukimo santykisIškišimo / atitraukimo veiklų santykis tarp visų aptiktų veiklų
Iškišimo / atsitraukimo greitisBendras išsikišusio / įtraukto poslinkio ilgis, padalytas iš bendro išsikišimo / įtraukimo trukmės
Išsikišimo / atitraukimo išlikimasIlgiausias nuoseklių išsikišimų / įtraukimų veikimo laikas, padalytas iš eksploatavimo trukmės
Valstybės atkaklumasIlgiausias nuoseklios būsenos veikimo laikas (išsikišimas arba įtraukimas), padalytas iš eksploatavimo trukmės
 Kampo dinamikaPradinis kampasKampas, kuriuo aptinkamas pirmasis pseudopodo aktyvumas
Vidutinis kampasKampas buvo vidutinis visose pseudopod veiklose
Linijinio kampo keitimo greitisPasikeičia linijos nuolydis, geriausiai atitinkantis veiklos kampą
Netendencijos kampo dispersijaAktyvumo kampų dispersija pašalinus tiesinį kitimo greitį
 Skilimo elgsenaKilmėPseudopod generuojamas naujai arba atskiriant nuo esamų
Padalijimų skaičiusKiek skilimų sugeneruoja pseudopodas per jo gyvavimo laiką
Ląstelių lygis
 Grupės elgsenaVidutinis pseudopodų skaičiusVidutinis aktyvių pseudopodų, esančių kartu ant ląstelės membranos, skaičius bet kuriuo laiko momentu
Pseudopodų santykis nuo skilimoPseudopodų skaičius, sugeneruotas išskaidžius, padalytas iš bendro pseudopodų skaičiaus
Vidutinė padalijimo normaBendras skilimų skaičius, padalytas iš judėjimo laikotarpio trukmės
 Vidutinis elgesysVidutinis išsikišimo / atsitraukimo išlikimasApskaičiuojama apskaičiuojant atitinkamų atskirų pseudopodų kiekių vidurkį, palyginti su visais pseudopodais ląstelėse.
Vidutinis būsenos išlikimas
Vidutinis išsikišimo / atsitraukimo greitis
Vidutinis tinklo greitis

Koreliacinė analizė

Fluorescencinė mikroskopija gali būti naudojama norint gauti kiekybinį molekulinių rūšių, kurios, kaip manoma, prisideda prie pseudopodų dinamikos, lokalizacijos ląstelėse. Šių duomenų erdvinė koreliacija su pseudopodų veiklos vietomis gali suteikti informacijos apie tai, kaip skirtingi baltymai prisideda prie ląstelių judrumo.

Tam tikros ląstelės aktyvumo kintamasis per tam tikrą laikotarpį, A(k, θ), apibrėžiamas kaip veiklos trukmė, jei veikla aptinkama kadro numeriu k, reiškiantis laiką ir kampą θ membranos išsikišimo ar atitraukimo aktyvumas. Jei veiklos neaptikta, tada A(k, θ) = 0. Intensyvumo kintamasis, (k, θ), apibrėžiamas pagal santykinio intensyvumo vertę kampu θ ir rėmas k ant membranos. Šių dviejų signalų kryžminės koreliacijos funkcija pateikiama pagal

Atminkite, kad aukščiau pateikti apibrėžimai negalioja, jei keli membranos taškai atitinka tą patį θ. Chemotaksavimo atveju situacija paprastai būna reta Diktiostelis ląstelėse mūsų filmuose nė viena ląstelė neparodė tokios formos jokiame kadre. Be to, net jei tokia situacija būtų, ji neturėtų įtakos anksčiau aprašytam pseudopodų aptikimo ir sekimo metodui, nes šie membranos taškai yra skirtingų skeleto šakų dalys, o kiekvieną veiklą apibrėžia ne tik kampas nuo centro, bet ir taip pat pagal erdvinę vietą (x, y). Taigi, jei jie atspindi skirtingą pseudopodijų veiklą, jie bus identifikuojami ir analizuojami atskirai.

Darant prielaidą, kad ląstelės membranos mėginiai imami kas Δθ laipsnių, matuojant pseudopodinį aktyvumą ir intensyvumo kintamuosius filme N kadrų, kryžminė koreliacija, apskaičiuota pagal 1 lygtį, yra dydžio matrica (360/Δθ) × (2N-1), kur kiekviena eilutė atitinka kampo reikšmę nuo - (180-Δθ)/Δθ° iki 180/Δθ°, ir kiekvienas stulpelis atitinka laiko poslinkio ilgį iš -(N-1) iki N-1 kadras. Didelė absoliuti vertė (Δk, Δθ) reiškia, kad tarp veiklos ir nustatytų intensyvumo yra tiesinis ryšys, teigiamas arba neigiamas (Δk, Δθ) toli. Ši koreliacija taip pat buvo naudojama analizuojant spontaniškos ląstelių migracijos modelius [5].

Iliustruojantis metodą

Norėdami parodyti mūsų metodų gebėjimą apibūdinti ląstelių formos pokyčius ameboidinio judrumo metu, įgyvendiname aukščiau aprašytus veiksmus chemotaksavimo vaizdams. Diktiostelis ląstelės. Sukurtas AX3 Diktiostelis ląstelės, akseninė laboratorinė padermė, dedamos į negilų cAMP gradientą, o DIC vaizdai gaunami 1 s/kadre [1 papildomas failas]. Šioje reprezentacinėje ląstelėje aptikti 58 pseudopodai. Dauguma (60 proc. n = 58) yra trumpalaikis, trunka ne ilgiau kaip 7 s ilgaamžės pseudopodai trunka mažiausiai 9 s ir sudaro daugiau nei 80 % visos aptiktos veiklos.

Iš mūsų analizės aišku, kad atskirų ilgaamžių pseudopodų elgesys labai skiriasi [2 papildomas failas]. Pseudopodų atsiranda visoje membranoje, be to, taip pat pastebimas pseudopodų kampinis dreifas [3 papildoma byla]. Nors kai kurie (22 proc. n = 23) ilgai gyvenantys pseudopodai lieka šalia ląstelės priekio arba galo, dauguma (70 %) nutolsta nuo priekio bent pusę savo gyvenimo. Kai pseudopodas pasislenka iš ląstelės priekio į šoną arba galą, jis dažniausiai pereina nuo išsikišimo į atitraukimą. Pseudopodų dydis taip pat labai skiriasi, be to, laikui bėgant kinta atskirų tų pačių pseudopodų veiklos trukmės [1 papildoma byla].

Nepaisant didžiulių ilgaamžių pseudopodų padėties ir dydžių skirtumų, jų išsikišimo / atsitraukimo būsenos dinamika skirstoma į tris pagrindinius veiklos modelius: nuoseklūs išsikišimai, nuoseklūs atitraukimai arba kintantys išsikišimų ir atitraukimų periodai (​ pav. (5 pav. 4 failas). Vidutinis šios ląstelės būsenos išlikimas yra 0,80, o tai reiškia, kad didžiąją savo gyvenimo dalį pseudopodai linkę išsikišti arba atsitraukti. Pastebėjome, kad pseudokodo išsiplėtimas ar atsitraukimas priklauso nuo pseudokodžio kampo chemoatraktanto gradientas. Pseudopodai, esantys netoli priekio, turi didesnę tikimybę išlaikyti greitą augimą (5D, G pav.). Ši tikimybė mažėja, jei pseudopodas nutolsta nuo priekio (5F, I pav.). Panašiai ir priekyje atsitraukimo tikimybė yra maža ląstelėje, bet didėja, kai pseudopodas artėja prie nugaros (5E, H pav.) Šie stebėjimai atitinka ankstesnius rezultatus [27,31].

Atskirų pseudopodų analizė. A-C. Būsenos ir kampų dinamika pseudopodams su nuosekliais išsikišimais (A), nuosekliais atitraukimais (B) ir išsikišimais, po kurių seka atitraukimai (C). Filmas buvo gautas N. Andrew ir R. H. Insallo dėka. Vaizduose pavaizduotos viena ant kitos esančios ląstelių formos (nuo kiekvieno pseudopodo pradžios) ir veiklos trajektorijos (raudona – išsikišimai, mėlyna – atitraukimai). Skaičiai rodo laiką (sekundėmis) nuo filmo pradžios. Atitinkami aktyvumo profiliai, palyginti su chemoatraktanto gradientu, yra pavaizduoti D-F. Šiuose brėžiniuose raudoni ir mėlyni taškai žymi atitinkamai išsikišimus ir atitraukimus, o žalios linijos sujungia veiklą iš to paties pseudopodo. G-J. Visų pseudopodų kampų dinamika, kurią sudaro ląstelės centroido kryptys (šviesiai mėlyni taškai). Pseudopodai su nuosekliu išsikišimo modeliu, nuosekliu atitraukimo modeliu, išsikišimu, po kurio seka atitraukimo raštas, atitinkamai paryškinti G-I kadre. Visi trumpalaikiai pseudopodai yra paryškinti J.

Buvo pranešta, kad m Diktiostelis ląstelės chemotaksuoja negiliais gradientais arba juda nesant išorinių užuominų, naujai sukurtos iškyšos dažniausiai atsiskiria nuo esamų pseudopodų [4,27]. Taikant mūsų metodą, tiek pseudopod kilmė, tiek skilimų skaičius per jo gyvavimo laikotarpį gaunami automatiškai [2 papildomas failas]. Pastebime, kad 74% visų pseudopodų susidaro suskaidant vidutiniškai kartą per 2,3 sekundės. Ilgaamžių pseudopodų atveju 78% susidaro dėl skilimo, o vidutinis dažnis yra kartą per 5,6 sekundės.

Anksčiau paskelbti pseudopodų gamybos greičio kiekybinio įvertinimo rezultatai parodė reikšmingus skirtumus. Naudojant rankinį identifikavimą, AX3 ląstelėms, judančioms sekliu gradientu, vidutiniškai kas 23 s sukuriamas naujas pseudopodas [27]. Taikant automatizuotus metodus, pagrįstus vietiniais atrinktų ribų kreiviais, šis skaičius sumažėja iki maždaug 14 s AX3 ląstelėms esant sekliam gradientui ir 13 s, kai nėra chemoatraktanto [28, 32]. Nors eksperimentinės sąlygos gali turėti įtakos, gali būti, kad šis neatitikimas atsiranda dėl skirtingų pseudopodų identifikavimo būdų. Norint tai ištirti, tiriama tos pačios AX3 ląstelės pseudopodijų dinamika skirtinguose lygiuose (​ pav. (6 pav.). 6 ). Pirmiausia parenkamas mažiausias pseudopodų skaičius, apimantis ne mažiau kaip 50% visų išsikišimo ir atitraukimo veiklų. Taikant šį kriterijų, nustatomi tik septyni ilgalaikiai pseudopodai, iš kurių penkiuose buvo reikšmingi išsikišimo procesai. Šie pseudopodai suteikia gamybos greitį

20 s vienam iškilusiam pseudopodui, skaičius panašus į gautą naudojant rankinį identifikavimą [27]. Nustačius aktyvumo procentinį lygį iki 60%, aptiktų pseudopodų su reikšmingais išsikišimais skaičius padidėja iki aštuonių. Jų vidutinis intervalas yra

Pseudopodų veiklos hierarchija. Pseudopod veikla kaip laiko funkcija, hierarchiškai reitinguojama. Skydelės rodo visus pseudopodus, kurie sudaro nuo 50 iki 100% viso ląstelės pseudopodinio aktyvumo. 5D-F paveikslo spalvų schema taikoma visiems pseudopodams, kurie nebuvo įtraukti į ankstesnes plokštes. Šie pseudopodai taip pat tapatinami su strėlių galvutėmis.

Fenotipo apibūdinimo statistika

Norėdami parodyti, kaip mūsų metodai gali būti naudojami atskirti skirtingas ląstelių padermes, filmus nuo dviejų Diktiostelis padermės: AX3 ir AX3:tsuA mutantas yra analizuojami. AX3:tsuA padermė, kurioje Diktiostelis Fused kinazės TsuA homologas yra išmuštas iš pirminės linijos AX3, yra sukonstruotas taip, kaip aprašyta anksčiau [33]. Abiejų padermių neišsivysčiusios ląstelės dedamos į folio rūgšties gradientą, išleistą iš mikropipetės, kurioje yra 1 M folio rūgšties. Vaizdai fiksuojami naudojant 60× objektyvą 10 s/kadru, erdvine raiška 0,1852 μm/pikselis. Apskaičiuojamas atskirų ląstelių pseudopodinis elgesys ir palyginamas tarp dviejų padermių (​ lentelė (3 lentelė). 3 ). AX3: tsuA ląstelės, reaguodamos į folio rūgštį, rodo keletą chemotaksės defektų. Vienas reikšmingiausių (p < 0,05, Stjudento t-testas) defektas – tai gebėjimas suskaidyti pseudopodus: naujai sukurtų pseudopodų santykis, atsirandantis dėl skilimų, sumažėja 27%, o skilimo greitis sumažėja 36%. Kitas neatitikimas yra valstybės išlikimas. AX3: tsuA ląstelėse išsikišimo išlikimas sumažėja 15%, o bendras būsenos išlikimas sumažėja 10%. Šie duomenys rodo, kad šioms ląstelėms sunku sukurti nuoseklias iškyšas.Pseudopodų grynasis greitis, kuris sumažėja 27%, taip pat gali būti susijęs su mažesniu išsikišimo išlikimu: pseudopodai linkę klaidžioti, o ne toli ištraukti membraną.

3 lentelė

Įvairių ląstelių padermių pseudopodų statistika.

Ląstelių padermė(ląstelių / kadrų skaičius)Vid. # pseudoankščių% nuo padalijimoVid. padalijimo greitis (#/min.)Vid. atkaklumasVid. valstybės atkaklumasVidutinis greitis (μm/min)
protr.retr. protr.retr.neto
AX3 (14/1075)reiškia4.2421.540.520.390.8210.89.37.8
STD0.9100.670.060.040.062.22.52.2
AX3:tsuA
(8/756)
reiškia3.6310.990.440.390.749.37.45.7
STD0.3100.310.050.040.081.81.31.1
p- vertė 0.070.020.040.010.940.010.120.050.02
AX2 (17/1043)reiškia2.9341.670.400.360.6716.811.38.5
STD0.7141.090.090.080.138.44.23.1
AX2: dynhp ​​(9/869)reiškia2.8311.660.420.360.7210.28.66.6
STD0.9151.070.070.050.102.21.51.5
p- vertė 0.670.560.980.540.910.350.030.080.095

Išvystytas chemotaktinis elgesys Diktiostelis Taip pat lyginamos AX2 ląstelės, akseninė laboratorinė padermė, ir AX2:dynhp ​​ląstelės, kuriose dinakortino, aktino kryžminio ryšio baltymo, išeikvojama RNRi (​ lentelė (3 lentelė). 3). Mutantinė padermė sukonstruota taip, kaip aprašyta anksčiau [34]. Ląstelės dedamos į cAMP gradientą, išleistą iš mikropipetės, kurioje yra 1 μM cAMP. Vaizdai fiksuojami naudojant 40× objektyvą 5 s/kadre greičiu, o erdvinė skiriamoji geba yra 0,3077 μm/pikselis. AX2: dynhp ​​ląstelės nerodo akivaizdaus padalijimo trūkumo. Būsenos išlikimas taip pat panašus į laukinio tipo ląstelių išlikimą. Tačiau ši padermė sukuria pseudopodus, kurie išsikiša ir traukiasi lėčiau: išsikišimo greitis sumažėja 39% (p < 0,05, Stjudento t testas) ir atitraukimo greitis sumažėja 24 % (p < 0.1, Stjudento t testas). Atitinkamai mažėja pseudopodų grynasis greitis (p < 0.1, Stjudento t testas).

Norint palyginti judėjimo efektyvumą chemotaksės metu, naudinga pažvelgti į pseudopodų kampų pasiskirstymą. Nubraižyta kiekvienos iš keturių aukščiau aprašytų deformacijų išsikišimo kampų histograma ir pritaikyta Gauso kreivė, apibūdinanti pasiskirstymą (​ pav. (7 pav.). 7 ). Vidutinis veiklos kampas rodo, ar ląstelės gali pajusti išorinius signalus ir generuoti skirtingus atsakymus priekyje ir gale, o dispersija matuoja, kaip efektyviai sukuriama veikla, leidžianti nukreipti ląstelės kūno judėjimą. Duomenys rodo, kad vegetatyvinės AX3: tsuA ląstelės nesulygina savo išsikišimų su chemoattraktanto gradientu. Kita vertus, sukurtos AX2: dynhp ​​ląstelės nukreipia savo išsikišimus į gradientą, bet ne taip efektyviai, kaip jų atitinkamos kontrolinės ląstelės.

Įvairių deformacijų išsikišimo kampų pasiskirstymas chemotaksės metu. Iškyšos kampo histograma (žalia), pritaikyta Gauso kreive (raudona linija) vegetatyvinėms AX3 ląstelėms (A) ir AX3:tsuA ląstelėms (B), tiek folio rūgšties gradiente, išleistoje iš adatos [33], tiek tų išsivysčiusioms AX2 ląstelėms (C) ir išsivysčiusioms AX2:dynhp ​​ląstelėms (D), abiem iš adatos išleisto cAMP gradiento [34]. Gauso jungiamosios detalės duoda skirtingas vidutines ± STD reikšmes: -15,5° ± 90,3° vegetacinėms AX3 ląstelėms (A), 0,0° ± 29,01� ), -2.3° ± 62.8°, skirta sukurtiems AX2:dynhp ​​elementams (D). Gauso derinys vegetatyvinėms AX3:tsuA ląstelėms nesutampa (B). Kitų pseudopodų statistikos palyginimai tarp šių padermių apibendrinti 3 lentelėje.

Koreliacija tarp pseudopodų ir molekulinių lokalizacijų

Norint ištirti pseudopodų formavimosi molekulinius veiksnius, apskaičiuojama koreliacija tarp pseudopodų veiklos laiko ir vietos su fluorescenciniu būdu pažymėtais baltymais. Sukuriamas AX3 pagrindu sukurtas ląstelių štamas, kuriame miozinas-II yra pažymėtas naudojant GFP, o tuo pačiu metu dinakortinas yra pažymėtas naudojant mCherry. Tuo pačiu metu patvirtinta, kad abi endogeninės išraiškos yra visiškai išeikvotos. Paprastai pripažįstama, kad miozinas-II praturtėjo užpakalinėje dalyje chemotaksės metu, generuodamas susitraukimo jėgą nugaroje ir išspausdamas ląstelės kūną į priekį [7, 35]. Kita vertus, dinakortinas paprastai koncentruojasi priekiniame krašte, kur manoma, kad jis bendradarbiauja su aktinu, kad paveiktų žievės klampumą [34]. Mūsų tyrime sukurtos ląstelės dedamos į chemoattraktanto gradientą, o chemotaksuojančių ląstelių vaizdai gaunami naudojant dvigubos emisijos mikroskopą (​ pav. (8A pav.). 8A). Atitinkamos fluorescencinės koncentracijos aptinkamos aplink ląstelės membraną (8B, D pav.), o pseudopodai identifikuojami ir klasifikuojami pagal tai, ar jie plečiasi ar susitraukia (​ pav. (8C pav.). 8C). mCherry-dinakortinas nuosekliai randamas ląstelės priekyje, suderintas su chemoattraktanto gradientu. Priešingai, nustatyta, kad GFP-miozinas-II daugiausia yra šone.

Miozino ir Dynacortin lokalizacijos chemotaksuojančiose ląstelėse. Chemotaksavimo fluorescenciniai vaizdai Diktiostelis ląstelė, ekspresuojanti mCherry-dinakortiną ir GFP-mioziną-II. Chemoatraktanto gradientas buvo sukurtas naudojant mikropipetės adatą kairėje, kaip aprašyta anksčiau [34]. Mažos rodyklės, esančios šalia ląstelės membranos, rodo pseudopodinę veiklą. Skaičiai dešiniajame viršutiniame kampe rodo laiką (sekundėmis) nuo filmo pradžios. Mastelio juosta reiškia 5 μm. B, D. mCherry-dinakortino (B) arba GFP-miozino-II (D) fluorescencinis intensyvumas kaip laiko funkcija aplink ląstelės perimetrą A skydelyje. Duomenys normalizuojami nuo minimumo (0) iki didžiausio ( 1). C. Pseudopod aktyvumas kaip laiko funkcija skydelyje A, naudojant tą pačią spalvų schemą, kaip parodyta 5D-F paveiksle. E. Kryžminės koreliacijos tarp dviejų fluorescenciniu būdu pažymėtų baltymų ir išsikišimo ar atitraukimo aktyvumo kaip laiko ir kampo funkcija. Kairieji skydeliai: vidurkis virš 37 langelių dešiniųjų skydelių: vidurkis virš 100 langelių. F. Vietinio išsikišimo arba atitraukimo ilgio pokyčiai viename kadre, priklausomai nuo GFP-miozino-II (100 ląstelių, 4254 kadrai) arba mCherry-dinakortino (37 ląstelės, 1533 kadrai) vietinio intensyvumo. Klaidų juostos rodo standartines klaidas.

Norint nustatyti, kaip šios baltymų lokalizacijos atitinka pseudopodialinę veiklą, apskaičiuojamos kryžminės koreliacijos funkcijos (1 lygtis) tarp dviejų fluorescencinių intensyvumų ir išsikišimo ar atitraukimo aktyvumo (​ pav. (8E pav.). 8E). Beveik visose ląstelėse, turinčiose geras mCherry išraiškas, dinakortino koncentracijos smailės atsirado tuo pačiu metu ir vietoje, kaip ir išsikišimai. Kita vertus, atsitraukimai ir didelės dinakortino koncentracijos sritys yra labai neigiamai koreliuojamos. Norėdami toliau tirti šias koreliacijas, apskaičiuojame koreliacijos koeficientą tarp dinakortino fluorescencijos ir aktyvumo ilgio, kad jis būtų 0,623, o 99 % pasikliautinasis intervalas yra nuo 0,595 iki 0,649 (​ pav. (9A pav.). 9A). Kita vertus, palyginus su fluorescencija kitoje ląstelės pusėje (180° atstumu), koreliacija yra neigiama: -0,577 su 99% pasikliautinuoju intervalu nuo -0,606 iki -0,577 (​ pav. (9B pav.). 9B). Matuojant nuo ląstelės iki ląstelės, visos ląstelės (n = 37) turi teigiamą koreliaciją tarp aktyvumo trukmės ir fluorescencijos veiklos vietoje ir neigiamą koreliaciją su veikla (180° atstumu) (​ pav. (9C pav.). 9C ). Vidutinis mCherry intensyvumas išsikišimų vietoje yra žymiai didesnis nei atitraukimo vietoje (1,06 ir -0,72 standartiniai nuokrypiai virš vidutinio fluorescencijos intensyvumo ląstelės periferijoje p < 10 -6 , Stjudento t testas).

Koreliacijos tarp pseudopodialinės veiklos ir baltymų lokalizacijos analizė. Sklaidos grafikas tarp veiklos ilgio (teigiamas ilgis reiškia išsikišimą, neigiamas ilgis - atitraukimą, matuojamas pikseliais) ir dinakortino-mCherry (standartinių nuokrypių skaičius virš vidutinės fluorescencijos aplink kiekvieną ląstelę) visoms veikloms veiklos vietoje (A ) ir 180° atstumu (B). Pateikiamas kiekvieno sklypo koreliacijos koeficientas (ρ). Šie duomenys atspindi 3333 veiklas 37 ląstelėse. C. Kiekvienos ląstelės veiklos vietoje (raudona) ir 180° (mėlyna) koreliacijos koeficientų histograma. D. Vidutinė dinakortino-mCherry fluorescencija išsikišimų ir atitraukimų vietose (klaidų juostos yra SEM). E-H. Panašūs miozino-II-GFP grafikai. Šie duomenys rodo 9019 veiklų 100 langelių.

Panaši GFP-miozino-II analizė atskleidžia, kad miozino-II koncentracija išilgai ląstelės membranos yra neigiamai koreliuojama su išsikišimo veikla (9E-G pav.). Tačiau ryšys tarp miozino II ir atsitraukimų yra sudėtingesnis. Kai kuriais atvejais (20 proc. n = 100), miozinas-II ir atitraukimai yra labai susiję. Tačiau daugeliu atvejų (60%) dvi didelės miozino-II koreliacijos smailės atrodo beveik simetriškai 0° linijos atžvilgiu. Likusiose ląstelėse pastebimi netaisyklingi modeliai, nerodomi akivaizdūs maksimumai ar minimumai. Vidutinis GFP-miozinas-II yra žymiai didesnis 90° atstumu nuo atitraukimo, nei esant faktiniam atitraukimui (0,283 ir -0,034 standartiniai nuokrypiai, viršijantys vidutinį fluorescencijos intensyvumą ląstelės periferijoje p < 10 -6 , Stjudento t testas) (​ pav. (9H pav.). 9H ). Taigi, ryšys tarp miozino II koncentracijos ir atitraukimo aktyvumo negali būti tiesiog apibūdintas kaip teigiamai ar neigiamai koreliuojantis, o kiti veiksniai nei miozino II susitraukimas, pavyzdžiui, žievės įtampa, gali prisidėti prie pseudopodų atitraukimo [7]. Norint toliau tirti šį ryšį, visų aptiktų išsikišimo ar atitraukimo veiklų ilgio pokyčiai vaizduojami kaip vietinio fluorescencijos intensyvumo funkcija (​ pav. (8F pav.). 8F). Stebimas intensyvumo diapazonas, kai iškyšų ilgis mažėja beveik tiesiškai, didėjant GFP-miozino-II intensyvumui. Kita vertus, atitraukimų ilgis padidėjo didėjant miozino II intensyvumui, bet su daug mažesniu nuolydžiu (​ pav. (8F pav.). 8F ). Kartu šie duomenys rodo, kad miozino II vaidmuo yra ne tik sukurti atitraukimus, bet ir slopinti šoninius išsikišimus. Įdomu tai, kad nors išsikišimo greitis AX2: dynhp ​​ląstelėse yra daug mažesnis nei kontrolinių ląstelių (​ lentelė (3 lentelė), 3 ), lokalizuotas mCherry-dinakortino buvimas nelabai prisidėjo prie išsikišimo ilgio, tačiau atitraukimo ilgis sumažėjo didėjant dinakortino koncentracijai membranoje.


Atskirų neuronų ir pėdsakų injekcijų aptikimas ir skeletonizavimas naudojant topologinius metodus

Neuromokslinė duomenų analizė tradiciškai rėmėsi tiesine algebra ir stochastinių procesų teorija. Tačiau į medį panašios neuronų formos negali būti lengvai apibūdintos kaip taškai vektorinėje erdvėje (dviejų neuronų formų atėmimas nėra prasminga operacija), o skaičiavimo topologijos metodai geriau tinka jų analizei. Čia pristatome Diskretinės Morzės (DM) teorijos metodus, skirtus atskirų neuronų medžių skeletams išgauti iš tūrinių smegenų vaizdo duomenų ir apibendrinti neuronų, pažymėtų žymeklio injekcijomis, rinkinius. Kadangi atskiri neuronai topologiškai yra medžiai, tikslinga apibendrinti neuronų kolekciją naudojant konsensuso medžio formą, kuri suteikia turtingesnę informacijos santrauką nei tradicinis regioninis „jungiamumo matricos“ metodas. Konceptualiai elegantiškam DM metodui trūksta rankiniu būdu suderintų parametrų ir fiksuojamos visuotinės duomenų savybės, priešingai nei ankstesni metodai, kurie iš esmės yra vietiniai. Atskirų retai paženklintų neuronų skeletonizavimo metu gauname reikšmingą našumo padidėjimą, palyginti su naujausiais netopologiniais metodais (daugiau nei 10 % pagerinamas tikslumas ir greitesnis korektūros skaitymas). Atsekiklio injekcijų sutarimo medžio santrauka apima regioninės jungiamumo matricos informaciją, bet papildomai fiksuoja kolektyvinius šalutinius neuronų, prijungtų prie injekcijos vietos, šakojimosi modelius ir sudaro tiltą tarp vieno neurono morfologijos ir žymeklio injekcijos duomenų.


Mokslininkų tinklų kūrimas ir profiliavimas (SNAP)

Pagrindinis mokslininkas
Audinių inžinerijos ir regeneracinės medicinos laboratorijos (TERM) vadovas
Mokslinis direktorius – klinikinių tyrimų paslaugų branduolys
Pirmininkas – Nemours instituciniai biologinės saugos komitetai
Delavero klinikinių ir vertimo tyrimų ACCEL programos profesinio tobulėjimo direktorius
Delavero INBRE tyrimų direktorius

Pagrindinis mokslininkas
Ped Clin Res and Develop centro direktorius
Vadovas, audinių inžinierius ir regeneracinės medicinos tyrimai
DE universiteto docentas

Turiu daugiau nei 25 metų mokslinio darbo patirtį Nemours – Alfredo I. duPont vaikų ligoninėje, PNT namų institucijoje. Šiuo metu esu vyriausiasis mokslininkas (visas profesorius), audinių inžinerijos ir regeneracinės medicinos tyrimų vadovas bei Vaikų klinikinių tyrimų ir plėtros centro direktorius. Mano moksliniai tyrimai yra skirti regeneracinei medicinai ir tikslios terapijos kūrimui, ypač daug dėmesio skiriant pamokančioms ir reaguojančioms biomedžiagoms, kurias galima individualiai pritaikyti terapiniam naudojimui. Taip pat turiu didelę patirtį kuriant ir diegiant biomolekulinę diagnostiką, įskaitant klinikinį b tipo natriurezinio peptido kiekio naudojimą širdies ir kraujagyslių chirurgijos pacientams, o pastaruoju metu – galimą epigenetinių biomarkerių naudojimą identifikuojant vaikus, sergančius statine encefalopatija ir su smegenų spazmu. paralyžius.

Mano, kaip Vaikų klinikinių tyrimų ir plėtros centro direktoriaus, darbas yra susijęs su tyrimų integravimu į klinikinę-akademinę aplinką ir klinikinių bei transliacinių mokslininkų ugdymu. Turiu didelę patirtį kuriant sėkmingas mentorystės, profesinio tobulėjimo ir bandomąsias apdovanojimų programas Delavere, o šiuo metu dirbu IDeA finansuojamos Delavero CTR ACCEL programos (CTR U54 GM104941) profesinio tobulėjimo branduolio direktoriumi. Taip pat užimu vadovaujančias arba patariamąsias pareigas INBRE, ECHO ir trijose COBRE programose valstybėje. Apibendrinant, mano vaidmuo CTR, INBRE, ECHO ir COBRE remiamose programose leido sukurti infrastruktūros paramą klinikiniam ir transliaciniam mokslui pagrindinėse valstijos mokslinių tyrimų ir švietimo įstaigose. Šios pareigos ir programos suteiks PNT mokslininkams esminių ryšių su ištekliais ir galimybėmis.

Taip pat jau seniai domiuosi tikslia terapija ir terapijos metodais, skirtais vaikų chirurgijos pacientams, ypač siekiant padėti vaikams, sergantiems įgimtomis ir įgytomis ligomis, kurioms reikia kelių chirurginių procedūrų. Šios pastangos apėmė daugybę klinikinių ir pagrindinių disciplinų, įskaitant medžiagų inžineriją, biologijos mokslus, chirurgiją, širdies ir kraujagyslių mokslą, pažangų vaizdavimą ir ikiklinikinių studijų planą. Turiu didelę ląstelių fiziologijos ir molekulinės biologijos, 3D mono- ir kokultūros metodologijų, biomolekulinių analizių, ląstelių ir audinių vaizdavimo būdų bei biomedžiagų naudojimo patirtį. Be to, mano pareigos Nemours ir DE-INBRE bei CTR suteikia man daug galimybių bendradarbiauti su gydytojais ir pagrindiniais mokslininkais. Tarp šio vaisingo bendradarbiavimo mano grupei pavyko sukurti ir pradėti ikiklinikinius pažangių hidrogelio pagrindu pagamintų medžiagų tyrimus, siekiant pagerinti pooperacinį gijimą. Šie tyrimai pateikiami šiuose rankraščiuose:

  1. Mahadevaiah, S., Robinson, K.G., Kharkar, P.M., Kiick, K.L., Akinsas, R.E. Mažėjantis PEG hidrogelių matricos modulis sukelia kraujagyslių fenotipą žmogaus virkštelės kraujo kamieninėse ląstelėse. Biomedžiagos (2015) 62: 24-34. PMID: 26016692 PMCID: PMC4470844.
  2. Scott, R.A., Kharkar, P.M., Kiick, K.L. ir Akins R.E. Aortos atsitiktinis fibroblastų jautrumas mitogeno aktyvuotiems proteinkinazės inhibitoriams priklauso nuo substrato standumo. Biomedžiagos (2017) 137: 1-10. PMID: 28527302 PMCID: PMC5554066.
  3. Robinson, K.G., Scott, R.A., Hesek, A.M., Woodford, E.J., Amiras, W., Planchon, T.A., Kiickas, K.L. ir Akinsas, R.E. Sumažėjęs arterijų elastingumas dėl chirurginio skeleto yra pagerintas ablumininiu PEG hidrogeliu. Bioinžinerija ir transliacinė medicina (2017). 2(2):222-232. PMID: 28932820 PubMed Central PMCID: PMC5579730.
  4. Greco, C.T., Akinsas, R.E., Epps, T.H. ir Sullivan M.O.. Maladaptyvių atsakų susilpnėjimas aortos adventiciniuose fibroblastuose per stimuliuojamą siRNR išsiskyrimą iš lipidų ir ndashpolimerų nanokompleksų. Pažangios biosistemos. (2017). PMCID: laukiama.

1992 & ndash &rsquo95 Doktorantūros mokslinis bendradarbis, Ortopedinės chirurgijos skyrius, Thomas Jefferson universitetas, Filadelfija, PA ir Medicininių tyrimų skyrius, Nemours &ndash Alfred I. duPont ligoninė vaikams, Vilmingtonas, DE.

1993 m. Kviestinis mokslininkas, Nacionalinės Chubu ligoninės kardiologijos ir farmakologijos tyrimų skyriai, Obu-shi, Aichi-ken, Japonija.

1995 &ndash &lsquo97 Mokslininko padėjėjas (asistentas), Medicininių tyrimų skyrius, Nemours &ndash Alfred I. duPont vaikų ligoninė, Vilmingtonas, DE.

1996 &ndash &lsquo97 Laikinas raumenų regeneracijos tyrimų vadovas, Nemours Children&rsquos klinikos Medicininių tyrimų departamentas / Alfred I. duPont Hospital for Children, Wilmington, DE.

1997 m. &ndash &lsquo03 Mokslininkas (docentas)

1997 &ndash pres. Audinių inžinerijos ir regeneracinės medicinos tyrimų vadovas, Nemours &ndash Alfred I. duPont vaikų ligoninė, Vilmingtonas, DE.

1998 &ndash &lsquo04 Fakultetas, Ląstelių ir audinių inžinerijos programa, Magistrantūros studijų koledžas, Thomas Jefferson universitetas, Filadelfija, PA.

2004 &ndash pres. Delavero universiteto Biologijos mokslų katedros docentas, Niuarkas, DE.

2005 &ndash &lsquo12 vyresnysis mokslo darbuotojas (visas profesorius), Nemours &ndash Alfred I. duPont vaikų ligoninė, Vilmingtonas, DE.

2007 &ndash pres. Delavero universiteto Medžiagų mokslo inžinerijos katedros docentas, Niuarkas, DE.

2007 &ndash &lsquo14 Širdies diagnostikos tyrimų vadovas (CLIA ID 08D1071151).

2009 &ndash pres. Direktorius, Vaikų klinikinių tyrimų ir plėtros centras, Nemours Biomedical Research, Alfred I. duPont Hospital for Children, Wilmington, DE.

2013 &ndash pres. Biomedicinos inžinerijos docentas, Delavero universitetas, Niuarkas, DE.

2013 &ndash pres. Pagrindinis mokslo darbuotojas (visas profesorius), Nemours &ndash Alfred I. duPont ligoninė vaikams, Vilmingtonas, DE.

2002 m. – Amerikos širdies asociacijos, širdies, krūtinės ląstos ir kraujagyslių chirurgijos tarybos narys. 2004 – Redakcinė kolegija, DNR ir ląstelių biologija, Mary-Ann Liebert, Inc. 2007 – Redakcinė kolegija, Klinikinė medicina: Pediatrics, Libertas Academica Press.2008 m. – Pelizaeus-Merzbacher fondo mokslinė patariamoji taryba. 2009- Mokslinė patariamoji taryba, Univ. Dela., Kiekybinės biologijos programa. 2010 – Redakcinė kolegija, International Journal of Tissue Engineering, Hindawi Press. 2011–2012 m. NIH studijų skyrius: biomedžiagos ir biosąsajos (BMBI) 2011–2012 m. NIH studijų skyrius: mikrofiziologinės sistemos (ZRG1 BST-N(50)) 2011–2012 m. VA studijų skyrius: reabilitacijos tyrimai ir regeneracinė medicina Studijų skyrius: Transformacinis R01s (BCMB-A &ndash pašto apžvalgininkas) 2012 m. – Delavero neuromokslų tyrimų centro išorės patariamoji taryba COBRE apdovanojimas.

Amerikos širdies asociacijos pagrindinių širdies ir kraujagyslių mokslų taryba

Amerikos širdies asociacijos širdies, krūtinės ir kraujagyslių chirurgijos taryba

Amerikos širdies asociacijos taryba dėl jaunų širdies ir kraujagyslių ligų

Biomedicinos inžinerijos draugija

Audinių inžinerijos draugija Tarptautinė neurologijos draugija

Naujausi apdovanojimai ir profesinės stipendijos

2002-pre. Amerikos širdies asociacijos, širdies ir kraujagyslių chirurgijos ir anestezijos tarybos narys (pradinis narys).

2008-pre. Pelizaeus-Merzbacher fondo mokslinė patariamoji taryba.

2009-pre. Mokslo patariamoji taryba, Univ. Dela., Kiekybinės biologijos programa.

2012 m. Išorinė patariamoji taryba, Delavero neuromokslų tyrimų centro COBRE apdovanojimas.

2012 m. Delavero INBRE tyrimų aukščiausiojo lygio susitikimo apdovanojimas.

2013 m. Amerikos cerebrinio paralyžiaus ir vystymosi medicinos akademijos narys.

2013 m. metų neuromokslininkas, Delavero neurologijos draugija.

2014 Nemours – Delavero slėnio metų tyrinėtojo apdovanojimas.

2017 m. Nacionalinės biomedicinos inžinerijos draugijos metinio susirinkimo sesijos pirmininkė širdies ir kraujagyslių inžinerijai: širdies ir kraujagyslių prietaisai. Finiksas, AZ.

PAGRINDINIAI TYRIMŲ INTERESAI

Atkuriamoji terapija vaikų įgytoms ir įgimtoms ligoms gydyti.

Biosintetiniai audiniai tyrimams, farmakologiniams tyrimams ir implantavimui.

Mokomosios ląstelės biomedžiagos.

Vaistų pristatymas naudojant inžinerines medžiagas, siekiant pagerinti ilgalaikį gydymo režimą.

Išplėstinė diagnostika, biomarkeriai ir patikra.

  1. Wee J, Rahmanas T, Seliktar R, Akinsas R, Levine D, Richardson D, Dodge GR, Thabet AM, Holmes L, Mackenzie WG. (2010) Jėgos grįžtamasis ryšys ilginant galūnes. Conf Proc IEEE Eng Med Biol Soc. 1:5109-12.
  2. Robertas E. Akinsas Jr., Danielle Rockwood, Karyn G. Robinson, Daniel Sandusky, John Rabolt, Christian Pizarro. (2010) Trimatė kultūra keičia pirminį širdies ląstelių fenotipą. Audinių inžinerija A dalis. 16(2): 629-641.
  3. Modla S, Mendonca J, Czymmek KJ, Akinsas RE. (2010) Neuroraumeninių jungčių identifikavimas koreliacine konfokaline ir perdavimo elektronine mikroskopija. J Neurosci metodai. 2010 rugpjūčio 30191(2):158-65.
  4. Wee J, Rahmanas T, Akinsas RE, Seliktar R, Levine DG, Richardson DW, Dodge GR, Thabet AM, Holmes L, Mackenzie WG. (2010) Išsiblaškymo jėgų naudojimas norint vairuoti autodistraktorių ilginant galūnes. Med Eng Phys. 2011 m. spalio 33 d. (8): 1001-7
  5. Rahmanas, T. Akinsas, RE, Wee, J. ir Mackenzie, W. (2011), Nuolatinis jėgos matavimas ilginant galūnes. J Bioinžinierius. & Biomedicina. Sci. 1(2): dx.doi.org/10.4172/2155-9538.1000104.
  6. Akinsas, R. ir Rabolt, J. (2011) Electrospinning Fundamentals and Applications. in Biomedžiagų mokslas: įvadas į medžiagas medicinoje. Red.: Ratneris, Hoffmanas, Schoenas ir Lemonsas.
  7. Baldwin, A., Robinson, KG, Militar, JL, Derby, CD, Kiick, KL ir Akinsas, RE. (2012) In situ kryžminami heparino turintys poli(etilenglikolio) hidrogeliai, užtikrinantys ilgalaikį antikoagulianto išsiskyrimą J. Biomed. Mater. Res - A.
  8. Robinson, KG, Nie, T., Baldwin, A., Yang, E., Kiick, KL ir Akinsas, RE. (2012) Skirtingas substrato modulio poveikis žmogaus kraujagyslių endotelio, lygiųjų raumenų ir fibroblastinėms ląstelėms. J. Biomed. Mater. Res - A.
  9. Barthold, JS, Wang, Y, Reilly, A, Robbins, A, Figueroa, TE, BaniHani, A, Hagerty, J ir Akinsas, RE (2012) Sumažėjusi androgenų receptorių ir miozino sunkiosios grandinės mRNR ekspresija berniukų, sergančių nesindrominiu kriptorchizmu, kremzliniame raumenyje. J. Urologija.
  10. Robinson, KG, Mendonca, J, Militar, J, Theroux, M, Dabney, K, Shah, S, Miller, F ir Akinsas, RE. (peržiūra) Bazinių sluoksnių komponentų sutrikimas vaikų, sergančių spastiniu keturkampiu cerebriniu paralyžiumi, neuromotorinėse sinapsėse. PLoS ONE.

2013 m. &ndash &rsquo18 Nacionaliniai sveikatos institutai (NIGMS). Pagrindinio komponento veiklos vadovas U54-GM104941 (PI: Binder-Macleod) Delavero klinikinių ir transliacinių tyrimų centro KCA 3.2 vyriausiasis tyrėjas ir kuravimo, švietimo ir karjeros plėtros pagrindas.

2013 m. &ndash &rsquo17 (nce) Nacionaliniai sveikatos institutai (NHLBI). Pagrindinis R01-HL108110 tyrėjas: Mokomoji medžiaga, skirta kraujagyslių transplantatų inžinerijai.

2014 m. &ndash &rsquo19 Nacionaliniai sveikatos institutai (NIGMS). P20-GM103446 (bendras PI: Stanhope) Delavero IDeA biomedicininių tyrimų kompetencijos tinklo plėtros tyrimų projektų programos tyrimų direktorius ir PD. Tai infrastruktūros dotacija, skirta remti mokslinių tyrimų plėtrą Delavero valstijoje.

2016 m. &ndash &rsquo21 Nacionaliniai sveikatos institutai (NIGMS). Delavero Nemours – vaikų ligoninės duPont ligoninės vaikų klinikinių tyrimų tinklo, kuris yra NIH aplinkos poveikio vaikų sveikatos rezultatams (ECHO) programos, dalis (Nemours PI: „Delavero Nemours“ – „DuPont“ vaikų klinikinių tyrimų tinklo „Obcomes That Matter“ tarybos ir Iniciatyvinio komiteto narys). Judith Ross).

2016 m. &ndash &rsquo18 Delavero taikomųjų technologijų bio centras. CoPI (su Erin Crowgey) dirbs kartu su Genome Profiling LLC, kad sukurtų biomarkerius, galinčius identifikuoti pacientus, sergančius spazminiu cerebriniu paralyžiumi.

2017 m. &ndash &rsquo18 Amerikos cerebrinio paralyžiaus ir vystymosi medicinos akademijos (AACPDM) PI dėl dotacijos įvertinti pacientų, sergančių diskinetiniu ar ataksiniu cerebriniu paralyžiumi, biomarkerius.

1993 m. &ndash &lsquo95 Nacionalinės aeronautikos ir kosmoso administracijos kosmoso biologijos mokslinio bendradarbio apdovanojimas. SBRA93-15: Imituotos mikrogravitacijos poveikis kultivuojamų širdies miocitų susitraukimo funkcijoms. Bendra dotacijos suma yra 42 000 USD (2 metai).

1994 m. &ndash &lsquo95 Amerikos širdies asociacija, Delavero filialas, pradinė subsidija. Pagrindinis tyrėjas dėl dotacijos Nr. 9406244S: „Feriprotoporfirino IX poveikis kultivuojamų kardiomiocitų susitraukimo funkcijoms“. Bendra dotacijos suma yra 27 747 USD (per metus).

1997 &ndash &lsquo99. Nacionalinės aeronautikos ir kosmoso administracijos RPG apdovanojimas, pagrindinis tyrėjas (kartu su Charlesu Hartzellu) NAG9-656: „Širdies struktūrų surinkimas mikrogravitacijoje naudojant šaudyklinę spintelę BSTC viduryje“.

2000 &ndash &rsquo01 Nemours Foundation apdovanojimas. Tyrimo bendradarbis (PI buvo Randy Brennas) dėl W20.8655: &ldquoTEG, krešėjimo parametrai ir kraujo tūris vaikams, sergantiems skolioze PSF metu.&rdquo Bendra dotacija PI yra 15 396 USD (per metus).

2000 &ndash &rsquo01 Nemours fondo apdovanojimas. Pagrindinis tyrėjas (kartu su Kirk Dabney) W20.8651: &bdquoIn vitro modelis uždelstai neuronų mirčiai po mechaninio sužalojimo.&ldquo Bendra dotacijos suma yra 24 991 USD (per metus).

2000 &ndash &lsquo01 Nemours Foundation apdovanojimas. Pagrindinis tyrėjas (kartu su Marshallu Schwartzu ir Richardu Mainwaringu) W20.8639: &bdquoIplantuojamų širdies konstrukcijų audinių inžinerija&ldquo Bendra dotacijos suma – 119 635 USD (per 2 metus).

2000 &ndash &rsquo01 Nemours Foundation apdovanojimas. Vienas iš pagrindinių tyrėjų (PI buvo Robertas Akinsas ir Mary Theroux) dėl W20.8642: &bdquoExtra-junkciniai acetilcholino receptoriai sergant cerebriniu paralyžiumi.&ldquo Bendra dotacija – 54 856 USD (per 2 metus).

2001 &ndash &lsquo03 Nemours Foundation apdovanojimas. Tyrimo bendradarbis (PI buvo Jimas Sylvesteris) C20.8854: &bdquoMitochondrijų baltymų sintezės vaidmuo žmogaus širdies vystymuisi.&ldquo Bendra stipendija PI 193 894 USD (per 2 metus).

2001 m. &ndash &lsquo03 Nemours Foundation apdovanojimas: pagrindinis tyrėjas (PI buvo Robertas Akinsas ir Vicky Funanage) W20.8679: „Transkripcijos faktoriai ir žmogaus širdies apsigimimai“. Bendra dotacija – 198 603 USD (per 2 metus).

2001 &ndash &lsquo05 Nacionalinės aeronautikos ir kosmoso administracijos RPG apdovanojimas. Pagrindinis tyrėjas dėl dotacijos NRA00-HEDS03: &ldquoCell: ląstelių tarpininkaujamas širdies audinio surinkimas mikrogravitacijos aplinkoje.&rdquo Bendra dotacijos suma yra 499 000 USD (per 3,5 metų).

2003 m. &rsquo05 Nemourso fondo apdovanojimas: vienas iš pagrindinių tyrėjų (PI buvo Robertas Akinsas ir Christianas Pizarro) dėl &bdquoNeurohormoninių faktorių Fontano pacientams.&rdquo Bendra stipendija PI 24 000 USD (per metus).

2003 m. &ndash &lsquo05 Nemours Foundation apdovanojimas: vienas iš pagrindinių tyrėjų (PI buvo Robertas Akinsas ir Mary Theroux) dėl "Neuroraumeninių jungčių sergant cerebriniu paralyžiumi". Bendra stipendija – 129 000 USD (per 2 metus).

2003 m. – &rsquo05 Nemours Foundation apdovanojimas: bendradarbis (kartu su Williamu Mackenzie) dėl &ldquoForce kontroliuojamo galūnių ilginimo.&rdquo Bendra dotacija – 23 300 USD (per metus).

2004 &ndash &rsquo09 Nacionaliniai sveikatos institutai (NCRR). Bendradarbiaujantis tyrėjas, mentorius ir administracinis personalas 1P20 RR020173-01: Biomedicininių tyrimų meistriškumo centro stipendija, pavadinta „Pediatrinių tyrimų centras“ (PI buvo Thomas Shaffer ir Carolyn Schanen PI). Bendra dotacija PI yra 9,8 mln. USD (per 5 metus).

2006 &ndash &rsquo08 Amerikos širdies asociacijos PA/DE filialas. Bendras tyrėjas 0665433U: fibulino-2 vaidmuo pereinant nuo kompensacinės hipertrofijos prie skilvelių remodeliavimo. (Andy Tsuda buvo PI). Bendra dotacija PI yra 100 000 USD (per 2 metus).

2007 &ndash &rsquo12 Nacionaliniai sveikatos institutai (NICHD). 1R01 HD-037874 bendradarbis: tikslinis MeCP2 tyrimas sergant Retto sindromu (Carolyn Schanen buvo PI). Bendra dotacija PI yra 200 000 USD (per metus).

2007 &ndash &rsquo10 Nacionaliniai sveikatos institutai (NICHD). Pagrindinis tyrėjas dėl 1R03 HD-051738 neuromuskulinių jungčių sergant cerebriniu paralyžiumi (PI buvo Robertas Akinsas). Bendra dotacijos suma yra 100 000 USD (per 2 metus).

2008 &ndash &lsquo10 Nemours Foundation apdovanojimas: pagrindinis tyrėjas (PI buvo Robertas Akinsas ir Christopheris Derby) dėl &ldquoTime išleisto LMWH, skirto antikoaguliacinei terapijai.&ldquo Bendra dotacijos suma yra 129 000 USD (per 2 metus).

2009 &ndash &lsquo14 Nacionaliniai sveikatos institutai (NCRR). Pagrindinis tyrėjas subprojekte, kuriam taikomas P20 RR016472-10 Delavero INBRE dotacija (tikslinis PI buvo Robertas Akinsas, bendras PI buvo Davidas Weiras). Bendra dotacija PI yra 20 mln. USD (per 5 metus).

2010 &ndash &lsquo15 Nacionaliniai sveikatos institutai (NCRR/NIGMS). 1P20 RR020173-01: Biomedicininių tyrimų kompetencijos centro stipendija „Pediatrinių tyrimų centras“ (Thomas Shaffer ir Carolyn Schanen buvo PI) bendradarbis tyrėjas, mentorius ir mokslinis direktorius. Bendra dotacija PI yra 10 milijonų USD (per 5 metus).

2010 &ndash &rsquo15 Nacionaliniai sveikatos institutai (NICHD). R01 HD060769-01A1 bendradarbis: genetinis kriptorchizmo pagrindas. (Julia Barthold buvo PI). Bendra dotacija PI yra 1,25 mln. USD (per 5 metus).

2011 &ndash &rsquo14 Delavero sveikatos mokslų aljansas. Mokomojo apdovanojimo bendradarbis, skirtas parengti ir įgyvendinti klinikinio panardinimo kursą biomedicinos inžinerijos studentams.

2012 &ndash &rsquo17 Swank fondas. Vyriausiasis tyrėjas 32-02669-011: Neuro-ortopedinių audinių saugykla. Bendra dotacija 500 000 USD.

2012 m. &ndash &rsquo17 Nacionaliniai sveikatos institutai (NIGMS). Išorės patariamosios tarybos narys P20 GM103653: Delavero neurologijos tyrimų centras.

2013 &ndash &lsquo17 Pediatric Trials Network (NICHD &ndash Duke University Centered Network). Svetainės vyriausiasis tyrėjas.


Skeletas erdvėje – biologija

Adaptive Resolution Orientation Space

Mikroskopiniuose citoskeleto, branduolio ir skeleto ir kitų gijinių struktūrų vaizduose yra sudėtingų jungčių, kuriose persidengia keli skirtingų orientacijų siūlai, tačiau naujausia programinė įranga paprastai naudoja vienos orientacijos analizę šioms struktūroms segmentuoti. Aprašome vaizdų analizės metodą, skirtą mikroskopiniuose vaizduose vienu metu segmentuoti tiek siūlines struktūras, tiek jų susikirtimo vietas (savavališkos geometrijos), remiantis analitiniu būdu išsprendžiant sutampančius kelias orientacijas filtruojant vaizdą taip, kad būtų subalansuota orientacijos skiriamoji geba ir erdvinė lokalizacija.

„Sudėtingų siūlinių tinklo vaizdų adaptyvi kelių orientacijų skyros analizė“

Mark Kittisopikul 1,2, Amiras Vahabikashi 2, Takeshi Shimi 2,3, Robertas D. Goldmanas 2 ir Khuloudas Jaqamanas 1,4

  1. Biofizikos skyrius, UT Pietvakarių medicinos centras, Dalasas, TX 75390
  2. Ląstelių ir vystymosi biologijos katedra, Feinbergo medicinos mokykla, Šiaurės vakarų universitetas, Čikaga, IL 60611
  3. Inovatyvių tyrimų institutas, Tokijo technologijos institutas, Jokohama, Japonija
  4. Bioinformatikos skyrius, UT Pietvakarių medicinos centras, Dalasas, TX 75390
  • Optimizavimo įrankių rinkinys
  • Signalų apdorojimo įrankių rinkinys
  • Vaizdo apdorojimo įrankių rinkinys
  • Statistika ir mašininio mokymosi įrankių rinkinys
  • Kreivės pritaikymo įrankių rinkinys
  • Bioinformatikos įrankių rinkinys
  • Parallel Computing Toolbox
  • MATLAB paskirstytasis skaičiavimo serveris

Git (2.2 ar naujesnė versija) diegimui (arba atsisiųskite ZIP failą)

Įprastas diegimo laikas: 5 minutės

Yra keletas programinės įrangos diegimo parinkčių.

Grafinės vartotojo sąsajos diegimas į MATLAB:

Šie metodai nereikalauja esamo MATLAB diegimo.

Atskiras vykdomasis diegimo įrankis

  1. Atsisiųskite AROS_Installer_web.exe
  2. Vykdykite diegimo programą, kuri atsisiųs MATLAB Compiler Runtime 2017a (

Atskiras vykdomasis ZIP failas

  1. Atsisiųskite standaloneAROS.zip
  2. Išpakuokite failus
  3. Atsisiųskite ir įdiekite MATLAB Compiler Runtime 2017a iš http://www.mathworks.com/products/compiler/mcr/index.html

Grafinė vartotojo sąsaja dabar leidžia analizuoti atskirus bet kokio biologinio vaizdo kadrus, suderinamą su Bio-Formats 5.9.2

  1. Pirmiausia pasirinkite biologinio vaizdo failą, pasirinkdami mygtuką „Naršyti vaizdo failą“.
  2. Jei faile yra keli vaizdai, naudokite z, c ir t suktuko valdiklius, kad pasirinktumėte norimą analizuoti vaizdo failo plokštumą.
  3. Paspauskite mygtuką „Peržiūros kaukė“, kad parodytumėte kaukę, kurią naudos analizės programinė įranga.
  4. Jei kaukė yra mažesnė nei numatyta analizės sritis, atlikite vieną ar daugiau iš šių veiksmų, kad padidintumėte kaukės išsiplėtimo disko spindulį, kad padidintumėte analizės sritį, ir (arba) pažymėkite žymimąjį laukelį „Užpildyti kaukės skylutes“.
  5. Norėdami pradėti analizės procesą, pasirinkite „Vykdyti analizę“.
  6. Duomenys bus išsaugoti AROS_Output.mat

  1. Sureguliuokite tvarką, kad pasirinktumėte didžiausią orientacijos skiriamąją gebą. Didesnė orientacijos skiriamoji geba leis aiškiau atskirti kampus ir gali kainuoti erdvinės lokalizacijos išlaidas. Mažesnė orientacijos skiriamoji geba padės apriboti analizę.
  2. Sureguliuokite sigmą, kad sureguliuotumėte filtro plotį. Mažesnis plotis leis analizei atrasti smulkesnes linijas. Didesnis plotis sutelks analizę į kurso eilutes.
  3. Pakeitus slenksčio metodą į Rosin, vaizdams su unimodalinėmis histogramomis bus sukurtos geresnės slenksčiai.
  4. Pakeitus kaukės tipą, galima aiškiai valdyti kaukę: 4a. Pasirinkite Kaukės tipas „ROI mask“, tada pasirinkite „Browse for Mask“, kad apribotumėte analizę tam tikroje srityje, naudojant išorinį dvejetainį vaizdą, kuriame balti pikseliai nurodo dominančią sritį. 4b. Pasirinkite Kaukės tipas „NLMS mask“, kad tiesiogiai nustatytumėte analizės sritį naudodami išorinį dvejetainį vaizdą, kuriame balti pikseliai nurodo analizuojamą sritį. 4c. Norėdami išanalizuoti visą vaizdą, pasirinkite Kaukės tipas „No Mask“. Tai gali sulėtėti, jei vaizdas yra didelis.

Atlikite prisitaikančios skiriamosios gebos orientacijos erdvės segmentavimą. Tai yra pagrindinė vairuotojo funkcija, kuri atlieka visą segmentavimą, kaip aprašyta S6 skyriuje ir parodyta S4 paveiksle.

PAGRINDINĖ ĮVESTIS (SUSAKYTI ARGUMENTAI)

Vienintelė reikalinga įvestis yra 2D vaizdas. Kitos dvi pagrindinės įvesties, kurios yra neprivalomos, leidžia tinkinti analizę.

IŠPLĖSTINĖS ĮVESTYS (PAVARDINIAI PARAMETRAI)

KITI IŠPLĖSTINĖS ĮVESTYS: NESUSIJUSIOS ĮVESTYS (PAVARDINIAI PARAMETRAI)

Šie parametrai leidžia kai kuriuos išvestis struktūroje kitas, žemiau, kad būtų grąžintas į funkciją, kad būtų gauta visa funkcijos išvestis. Taip siekiama, kad visą išvestį būtų galima atkurti iš išvesties poaibio, įrašyto į diską arba kitaip suskirstyti į seriją, nereikalaujant visiško pakartotinio skaičiavimo.

Išsamų aukščiau aprašytų dalykų aprašymą rasite OUTPUT.

Taip pat atkreipkite dėmesį, kad StructExpand įmontuoto varianto inputParser yra nustatytas į true, o tai reiškia, kad pavadintus parametrus galima perduoti naudojant struktūrą.

Pagrindinis funkcijos rezultatas yra segmentavimas pagal atsaką, kaip nurodyta S6 skyriuje. Tai trečiasis išėjimas, nms, kaip aprašyta toliau. Dvejetainiam segmentavimui – 2D žemėlapis nms gali būti apribotas vienu slenksčiu (pvz., nms > 0 ) arba slenksčių žemėlapiu, pvz. reiškiaResponse arba attenuatedMeanResponse išvesties struktūroje kitas.

Be to, orientacijos, teta, ir atitinkamas atsakymą vertės esant K = Km pateikiami atitinkamai kaip 2-asis ir 1-asis išėjimai. Tai palengvina funkcijos naudojimą kaip orientacijos detektorių. Tai skirta imituoti išvestuves, kurias teikia funkcija „steerableDetector MATLAB“, kurią galima įsigyti iš François Aguet arba kaip siūlų analizės programinės įrangos dalis.

Ketvirtasis išėjimas, kampinis atsakas, yra atrinkti orientacijos atsakai, kai K = Kh ir vėl yra skirtas suderinamumui su steerableDetector. The kampinis atsakas gali būti naudojamas statyti OrientacijaSpaceResponse žemiau. Tai gali būti naudojama tolesnei orientacijos erdvės analizei, įskaitant mažesnę skiriamąją gebą (K < Kh).

Penktasis išėjimas, kitas, yra struktūra, kurioje yra laukai, nurodantys tarpinius rezultatus, sukurtus per visą analizės procesą. Svarbu tai, kad jame yra informacijos apie tris AR-NLMS šakas, naudojamas segmentavimui. Dėl didžiausių atsako projekcijų, atliekamų įvairiuose algoritmo etapuose, ši informacija nėra lengvai išgaunama iš ankstesnių išėjimų. Informacija, esanti kitas gali būti naudojamas norint nustatyti, kuriame procedūros etape pikselis buvo pridėtas arba pašalintas iš galutinės išvesties. Be to, orientacijos informacija gali būti naudojama tikslesnėms lokalizacijos operacijoms atlikti.

Apibendrinant galima pasakyti, kad išvestis leidžia paprastai naudoti kaip segmentavimo schemą (nms) ir orientacijos detektorius (atsakymą, teta, kampinis atsakas), ir pažangiam naudojimui kaip tarpinė rutina, skirta tolesnei nustatytų kelių raiškos funkcijų analizei (kitas).

OrientationSpaceFilter reiškia filtrą, kuris yra atskiriamas Furjė srityje. Jį viduje naudoja steerableAdaptiveResolutionOrientationSpaceDetector, bet galima naudoti ir atskirai.

  • f_c yra centrinis filtro dažnis
  • b_f yra dažnio juostos plotis
  • K yra filtro tvarka, kuri nustato orientacijos skiriamąją gebą
  • K_f yra radialinio dažnio tvarka, f_c^2/b_f^2. Tai 1 šiame darbe.

Šie du pavyzdžiai yra lygiaverčiai f_c = b_f = 1/(4*pi), K_f = 1 ir K = 8

R yra OrientacijaSpaceResponse objekto egzempliorius

Sąranka ir vizualizacija be vaizdo

OrientationSpaceResponse reiškia filtro atsaką. Jį viduje naudoja steerableAdaptiveResolutionOrientationSpaceDetector, tačiau jį galima naudoti atskirai filtro atsakui ištirti.

Atsakymo objektas paprastai sukuriamas naudojant OrientationSpaceFilter, kaip nurodyta aukščiau.

Gaukite keteros orientacijos vietinius maksimumus, atsaką ir ne vietinių maksimumų slopinimą

Gaukite atsaką, kai K = 3, ir nevietinį maksimumų slopinimą

Gaukite atsako išvestinę orientacijos atžvilgiu

Autorių teisės (C) 2019, Jaqaman Lab – UT Southwestern, Goldman Lab – Northwestern

Šis failas yra „AdaptiveResolutionOrientationSpace“ dalis.

AdaptiveResolutionOrientationSpace yra nemokama programinė įranga: galite ją platinti ir (arba) modifikuoti pagal GNU bendrosios viešosios licencijos sąlygas, paskelbtas Free Software Foundation, 3 licencijos versiją arba (jūsų pasirinkimu) bet kurią vėlesnę versiją.

„AdaptiveResolutionOrientationSpace“ platinama tikintis, kad ji bus naudinga, tačiau BE JOKIOS GARANTIJOS net be numanomos PARDUOTAMUMO ar TINKAMUMO TAM TAM TAM TIKSLUI garantijos. Daugiau informacijos rasite GNU bendrojoje viešojoje licencijoje.

Turėjote gauti GNU bendrosios viešosios licencijos kopiją kartu su AdaptiveResolutionOrientationSpace. Jei ne, žr. http://www.gnu.org/licenses/.


Skeletas erdvėje – biologija

Šiame straipsnyje pamatysime, kaip galime atlikti vaizdo skeletizavimą retinant mahatas. Skeleto formavimas yra procesas, skirtas dvejetainio vaizdo priekinio plano sritims sumažinti iki skeleto liekanos, kuri iš esmės išsaugo pradinės srities mastą ir ryšį, kartu išmetant didžiąją dalį pradinio priekinio plano pikselių. Retinimas yra morfologinė operacija, naudojama pašalinti pasirinktus priekinio plano pikselius iš dvejetainių vaizdų, panašiai kaip erozija ar atidarymas.

Šioje pamokoje naudosime „lena“ vaizdą, žemiau yra komanda jį įkelti.

Tam naudosime mahotas.thin metodą

Sintaksė: mahotas.thhin(img)

Argumentas: Vaizdo objektas laikomas argumentu

Grąžinti: Jis grąžina vaizdo objektą

Pastaba: Įvesties vaizdas turi būti filtruojamas arba įkeltas kaip pilkas


Abstraktus

Viena iš paprasčiausių Langmuir-Blodgett plėvelių yra riebalų rūgščių sluoksnių, sujungtų dvivalenčių katijonų, krūva. Tam tikra riebalų rūgščių dalis lieka protonuota, o kiekis, kurį lemia vandeninės subfazės sąlygos plėvelės nusodinimo metu, šios plėvelės susideda iš dviejų komponentų, kurių tirpumas organiniuose tirpikliuose skiriasi. Ištyrėme vadinamąjį skeletonizacijos procesą, kuris vyksta, kai beheno rūgšties daugiasluoksniai yra panardinami į benzeną. Visų pirma, mes naudojome kvarco kristalų mikrobalansą, norėdami išmatuoti plėvelės masės praradimą ir nustatėme, kad jis gerai sutampa su protonuotos rūgšties kiekiu originalioje plėvelėje. Mes taip pat panaudojome kvarco kristalų mikrobalansą, kad ištirtume nemodifikuotų plėvelių pusiausvyros garų sorbcijos savybes ir palygintume jas su skeletuotų plėvelių savybėmis. Abiejų tipų plėvelės sugeria beveik tą patį vandens kiekį, tačiau sugeria labai skirtingus pasirinktų organinių garų kiekius.


Turinys

Mokymo pavyzdžiai yra vektoriai daugiamačio objekto erdvėje, kiekvienas su klasės etikete. Algoritmo mokymo fazė susideda tik iš mokymo pavyzdžių savybių vektorių ir klasių etikečių saugojimo.

Klasifikavimo etape, k yra vartotojo apibrėžta konstanta, o nepažymėtas vektorius (užklausa arba bandymo taškas) klasifikuojamas priskiriant etiketę, kuri yra dažniausiai pasitaikanti tarp k mokymo pavyzdžiai arčiausiai to užklausos taško.

Dažniausiai naudojama atstumo metrika nuolatiniams kintamiesiems yra Euklido atstumas. Atskiriems kintamiesiems, pvz., teksto klasifikavimui, galima naudoti kitą metriką, pvz., sutapimo metrika (arba Hamingo atstumas). Pavyzdžiui, genų ekspresijos mikrogardelių duomenų kontekste, k-NN buvo naudojamas su koreliacijos koeficientais, tokiais kaip Pearsonas ir Spearmanas, kaip metrika. [6] Dažnai klasifikavimo tikslumas k-NN galima žymiai pagerinti, jei atstumo metrika išmokama naudojant specializuotus algoritmus, tokius kaip Large Margin Nearest Neighbor arba Neighborhood komponentų analizė.

Pagrindinės „balsavimo daugumos“ klasifikacijos trūkumas atsiranda, kai klasių pasiskirstymas yra iškreiptas. Tai yra, dažnesnės klasės pavyzdžiai linkę dominuoti numatant naują pavyzdį, nes jie dažniausiai būna tarp k artimiausi kaimynai dėl didelio jų skaičiaus. [7] Vienas iš būdų išspręsti šią problemą yra klasifikuoti pagal svorį, atsižvelgiant į atstumą nuo bandymo taško iki kiekvieno jo. k artimiausi kaimynai. Kiekvienos iš jų klasė (arba vertė, regresijos uždaviniuose). k artimiausi taškai padauginami iš svorio, proporcingo atstumo nuo to taško iki bandymo taško atvirkštinei vertei. Kitas būdas įveikti iškreipimą yra duomenų pateikimo abstrakcija. Pavyzdžiui, savaime besitvarkančiame žemėlapyje (SOM) kiekvienas mazgas yra panašių taškų klasterio atstovas (centras), neatsižvelgiant į jų tankį pradiniuose mokymo duomenyse. KTada -NN galima pritaikyti SOM.

Geriausias pasirinkimas iš k paprastai priklauso nuo duomenų, didesnės reikšmės k sumažina triukšmo poveikį klasifikacijai [8], tačiau ribos tarp klasių tampa mažiau aiškios. Geras k galima pasirinkti įvairiais euristiniais metodais (žr. hiperparametrų optimizavimą). Ypatingas atvejis, kai numatoma, kad klasė bus artimiausios mokymo imties klasė (t. y. kai k = 1) vadinamas artimiausio kaimyno algoritmu.

Tikslumas k-NN algoritmas gali būti labai pablogintas dėl triukšmingų ar nereikšmingų savybių arba jei funkcijų skalės neatitinka jų svarbos. Buvo įdėta daug tyrimų, kad būtų atrenkamos arba keičiamos funkcijos, siekiant pagerinti klasifikaciją. Ypač populiarus [ reikalinga citata ] metodas yra evoliucinių algoritmų naudojimas siekiant optimizuoti funkcijų mastelį. [9] Kitas populiarus būdas yra ypatybių mastelio keitimas pagal abipusę mokymo duomenų informaciją su mokymo klasėmis. [ reikalinga citata ]

Dvejetainės (dviejų klasių) klasifikacijos uždaviniuose naudinga pasirinkti k nelyginis skaičius, nes taip išvengiama po lygių balsų. Vienas populiarus būdas pasirinkti empiriškai optimalų k šiame nustatyme yra per bootstrap metodą. [10]

Pats intuityviausias artimiausio kaimyno tipo klasifikatorius yra artimiausio kaimyno klasifikatorius, priskiriantis tašką x artimiausio kaimyno klasei objektų erdvėje, tai yra C n 1 n n ( x ) = Y ( 1 ) ^<1nn>(x)=Y_<(1)>> .

Mokymo duomenų rinkinio dydžiui artėjant prie begalybės, vienas artimiausio kaimyno klasifikatorius garantuoja ne blogesnį nei dvigubai Bayes klaidų lygį (minimalus pasiekiamas klaidų lygis atsižvelgiant į duomenų pasiskirstymą).

Naivią algoritmo versiją nesunku įgyvendinti skaičiuojant atstumus nuo bandomojo pavyzdžio iki visų saugomų pavyzdžių, tačiau ji reikalauja daug skaičiavimo didelių treniruočių rinkinių atveju. Naudojant apytikslį artimiausio kaimyno paieškos algoritmą k-NN skaičiuojamas net ir dideliems duomenų rinkiniams. Bėgant metams buvo pasiūlyta daug artimiausių kaimynų paieškos algoritmų, kuriais paprastai siekiama sumažinti faktiškai atliekamų atstumo vertinimų skaičių.

k-NN turi keletą stiprių nuoseklumo rezultatų. Duomenų kiekiui artėjant prie begalybės, dviejų klasių k-NN algoritmas garantuoja, kad klaidų lygis ne mažesnis nei dvigubai didesnis nei Bayes klaidų lygis (minimalus pasiekiamas klaidų lygis atsižvelgiant į duomenų pasiskirstymą). [15] Įvairūs patobulinimai k-NN greitis yra įmanomas naudojant artumo grafikus. [16]

Skirta kelioms klasėms k-NN klasifikacija, Cover ir Hart (1967), įrodo viršutinės ribos klaidų lygį

Yra daug rezultatų, susijusių su k artimiausių kaimynų klasifikatorių klaidų lygiu. [17] [18] K - artimiausio kaimyno klasifikatorius yra tvirtai (ty bet kokiam bendram paskirstymui ( X , Y ) ) nuoseklus, jei k := k n > skiriasi ir k n / n /n> susilieja į nulį, kai n → ∞ .

K-artimiausio kaimyno klasifikavimo našumas dažnai gali būti žymiai pagerintas per (prižiūrimą) metrinį mokymąsi. Populiarūs algoritmai yra kaimynystės komponentų analizė ir didelė artimiausio kaimyno marža. Prižiūrimi metrikos mokymosi algoritmai naudoja etiketės informaciją, kad išmoktų naują metriką arba pseudometriką.

Kai algoritmo įvesties duomenys yra per dideli, kad juos būtų galima apdoroti, ir įtariama, kad jie yra pertekliniai (pvz., tie patys matavimai pėdomis ir metrais), įvesties duomenys bus transformuojami į sumažintą funkcijų rinkinį (taip pat vadinamą funkcijų vektoriumi ). Įvesties duomenų pavertimas ypatybių rinkiniu vadinamas funkcijų išskyrimu. Jei išskirtos funkcijos yra kruopščiai parinktos, tikimasi, kad funkcijų rinkinys išskirs atitinkamą informaciją iš įvesties duomenų, kad galėtų atlikti norimą užduotį naudojant šį sumažintą atvaizdą, o ne viso dydžio įvestį. Funkcijų išskyrimas atliekamas iš neapdorotų duomenų prieš taikant k-NN algoritmas transformuotiems duomenims objektų erdvėje.

Tipiško kompiuterinio regėjimo skaičiavimo vamzdyno, skirto veidui atpažinti, pavyzdys k-NN, įskaitant funkcijų ištraukimo ir matmenų mažinimo išankstinio apdorojimo veiksmus (paprastai įgyvendinama naudojant OpenCV):

    veido aptikimo sekimo analizė arba Fisher LDA projekcija į objektų erdvę, o po to k-NN klasifikacija

Didelių matmenų duomenims (pvz., kai matmenų skaičius didesnis nei 10) matmenys paprastai mažinami prieš taikant k-NN algoritmas, siekiant išvengti matmenų prakeiksmo padarinių. [19]

Matmenų prakeiksmas k-NN kontekstas iš esmės reiškia, kad Euklido atstumas yra nenaudingas esant dideliems matmenims, nes visi vektoriai yra beveik vienodu atstumu nuo paieškos užklausos vektoriaus (įsivaizduokite kelis taškus, esančius daugiau ar mažiau apskritime, o užklausos taškas yra centre atstumas nuo užklausos iki visų duomenų taškai paieškos erdvėje yra beveik vienodi).

Funkcijų išskyrimas ir matmenų mažinimas gali būti sujungti vienu žingsniu, naudojant pagrindinių komponentų analizę (PCA), linijinę diskriminacinės analizės (LDA) arba kanoninės koreliacijos analizės (CCA) metodus kaip išankstinio apdorojimo etapą, o po to sugrupuojant k-NN ypatybių vektoriuose sumažintų matmenų erdvėje. Šis procesas taip pat vadinamas mažo matmens įterpimu. [20]

Labai didelės apimties duomenų rinkiniams (pvz., atliekant panašumo paiešką tiesioginiuose vaizdo įrašų srautuose, DNR duomenyse arba didelės apimties laiko eilutėse) apytikslis k-NN paieška naudojant vietovei jautrią maišą, „atsitiktines projekcijas“, [21] „eskizus“ [22] ar kitus didelio matmens panašumo paieškos būdus iš VLDB įrankių rinkinio gali būti vienintelė įmanoma parinktis.

Artimiausio kaimyno taisyklės netiesiogiai apskaičiuoja sprendimo ribą. Taip pat galima aiškiai apskaičiuoti sprendimo ribą ir tai padaryti efektyviai, kad skaičiavimo sudėtingumas būtų ribos sudėtingumo funkcija. [23]

Duomenų mažinimas yra viena iš svarbiausių problemų dirbant su didžiuliais duomenų rinkiniais. Paprastai tiksliam klasifikavimui reikia tik kai kurių duomenų taškų. Tie duomenys vadinami prototipai ir galima rasti taip:

  1. Pasirinkite klasės išskirtiniai, tai yra treniruočių duomenys, kurie neteisingai klasifikuojami pagal k-NN (tam tikram k)
  2. Likusius duomenis padalinkite į du rinkinius: i) prototipus, kurie naudojami klasifikavimo sprendimams priimti, ir ii) sugertų taškų kuriuos galima teisingai klasifikuoti pagal k-NN naudojant prototipus. Tada sugertus taškus galima pašalinti iš treniruočių komplekto.

Klasės nukrypimų pasirinkimas Redaguoti

Mokymo pavyzdys, apsuptas kitų klasių pavyzdžių, vadinamas klasės išskirtinumu. Klasės nukrypimų priežastys yra šios:

  • atsitiktinė klaida
  • nepakankamai šios klasės mokymo pavyzdžių (vietoj klasterio rodomas atskiras pavyzdys)
  • trūksta svarbių savybių (klasės yra atskirtos kitais aspektais, kurių mes nežinome)
  • per daug kitų klasių (nesubalansuotų klasių) mokymo pavyzdžių, kurie sukuria „priešišką“ foną konkrečiai mažai klasei

Klasės nuokrypiai su k-NN kelia triukšmą. Juos galima aptikti ir atskirti būsimai analizei. Duoti du natūralieji skaičiai, k>r>0, mokymo pavyzdys vadinamas a (k, r)NN klasės išskirtinė vertė, jei ji yra k artimiausi kaimynai apima daugiau nei r kitų klasių pavyzdžiai.

Sutrumpintas artimiausias kaimynas duomenų mažinimui Redaguoti

Susitraukęs artimiausias kaimynas (CNN, Harto algoritmas) yra algoritmas, skirtas sumažinti duomenų rinkinį k-NN klasifikacija. [24] Jis parenka prototipų rinkinį U iš treniruočių duomenų, kad 1NN su U gali klasifikuoti pavyzdžius beveik taip pat tiksliai, kaip tai daro 1NN su visu duomenų rinkiniu.

Duotas treniruočių rinkinys X, CNN veikia iteratyviai:

  1. Nuskaitykite visus elementus X, ieško elemento x kurio artimiausias prototipas iš U turi skirtingą etiketę nei x.
  2. Pašalinti xX ir pridėkite prie U
  3. Kartokite nuskaitymą, kol nebebus pridėta prototipų U.

Naudokite U vietoj X klasifikavimui. Pavyzdžiai, kurie nėra prototipai, vadinami „sugertais“ taškais.

Mokymo pavyzdžius efektyvu nuskaityti mažėjančio kraštų santykio tvarka. [25] Mokymo pavyzdžio ribų santykis x yra apibrėžiamas kaip

a(x) = | | x'-y | | / | | x-y | |

kur | | x-y | | yra atstumas iki artimiausio pavyzdžio y turinčios kitokią spalvą nei x, ir | | x'-y | | yra atstumas nuo y artimiausiam jos pavyzdžiui x' su ta pačia etikete kaip x.

Sienos santykis yra intervale [0,1], nes | | x'-y | | niekada neviršija | | x-y | | . Šis išdėstymas suteikia pirmenybę klasių riboms, įtraukiant į prototipų rinkinį U. Kitos etiketės taškas nei x vadinamas išoriniu x. Sienos santykio apskaičiavimą iliustruoja paveikslas dešinėje. Duomenų taškai pažymėti spalvomis: pradinis taškas yra x o jo etiketė raudona. Išoriniai taškai yra mėlyni ir žali. Arčiausiai x išorinis taškas yra y. Arčiausiai y raudonas taškas yra x' . Sienos santykis a(x) = | | x'-y | | / | | x-y | | yra pradinio taško atributas x.

Žemiau pateikiama CNN iliustracija paveikslų serijoje. Yra trys klasės (raudona, žalia ir mėlyna). 1 pav.: iš pradžių kiekvienoje klasėje yra 60 taškų. 2 pav. parodytas 1NN klasifikacijos žemėlapis: kiekvienas pikselis klasifikuojamas pagal 1NN, naudojant visus duomenis. 3 pav. parodytas 5NN klasifikacijos žemėlapis. Baltos sritys atitinka neklasifikuotus regionus, kuriuose 5NN balsai yra lygūs (pavyzdžiui, jei tarp 5 artimiausių kaimynų yra du žali, du raudoni ir vienas mėlynas taškai). 4 pav. parodytas sumažintas duomenų rinkinys. Kryželiai yra klasių nuokrypiai, parinkti pagal (3,2)NN taisyklę (visi trys artimiausi šių atvejų kaimynai priklauso kitoms klasėms), kvadratai yra prototipai, o tušti apskritimai yra absorbuoti taškai. Kairiajame apatiniame kampe rodomi visų trijų klasių išskirtinių klasių, prototipų ir absorbuotų taškų numeriai. Šiame pavyzdyje skirtingų klasių prototipų skaičius svyruoja nuo 15% iki 20%. 5 pav. parodyta, kad 1NN klasifikacijos žemėlapis su prototipais yra labai panašus į pradinį duomenų rinkinį. Figūros buvo pagamintos naudojant Mirkes programėlę. [25]


Žiūrėti video įrašą: გიგანტების 12 მეტრიანი ჩონჩხი საინტერესო,აღმოჩენები (Spalio Mėn 2022).