Este trabajo fue financiado por el subsidio N º P50NS071675 (Morris K. Udall Center de Excelencia en Investigación de la Enfermedad de Parkinson en el Instituto Feinstein para la Investigación Médica) para DE, del Instituto Nacional de Trastornos Neurológicos y Accidentes Cerebrovasculares. El contenido es de exclusiva responsabilidad de sus autores y no representa necesariamente las opiniones oficiales del Instituto Nacional de Trastornos Neurológicos y Accidentes Cerebrovasculares o de los Institutos Nacionales de Salud. El patrocinador no jugó un papel en el diseño del estudio, la recogida, análisis e interpretación de datos, redacción del informe o en la decisión de presentar el documento para su publicación.

1. Recolección de datos y preprocesamiento <ol><li> El método SSM / PCA se puede aplicar a imágenes de volumen individuales obtenidos a partir de diversas fuentes y modalidades. En concreto, para en el lugar de la PET del metabolismo, prepare un trazador radionucleido adecuado como [18 F]-FDG (FDG) y administrar a cada paciente. Los pacientes suelen ser escaneados en reposo con los ojos abiertos, tras un ayuno de al menos 12 horas, frente a los medicamentos. </li><li> Analiza cada materia para la evaluación individual o de grupo. Por derivación modelo, escanear un número igual de pacientes y controles de género y de edad correspondiente. </li><li> La transferencia de datos a una estación de trabajo y convertir a un formato adecuado para el análisis de su plataforma. Nuestro PC basado en Windows software de análisis de MATLAB (scanvp, ssm_pca, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> ) requiere analizar o imágenes en formato NIfTI (Mayo Clinic, Rochester, MN). Proporciona una rutina t conversiónescáner o transformación GE anticipada (Milwaukee, WI, EE.UU.) y otras imágenes en formato de analizar formato. </li><li> Normalizar la imagen de cada sujeto a un espacio estereotáxico común (por ejemplo, el Instituto Neurológico de Montreal [MNI]) usando un paquete de software estándar de neuroimagen como la cartografía estadística paramétrica (SPM) ( <a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a> ) de modo que hay un uno-a-uno de los valores de voxel entre sujetos (Figura 2). Enmascaramiento de limitar el análisis a las áreas de materia gris (Figura 3) y la transformación de registro se describen en los siguientes pasos. </li></ol> 2. Realizar multivariado SSM / PCA Operaciones para multivariante SSM / PCA (Figura 4) pueden ser realizadas por software externo. Los pasos detallados a continuación reflejan los procedimientos que se realizan en su mayor parte de forma automática por las rutinas de nuestra in-house (Figura 5) (scanvp / ssmpca, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> también disponible como una caja de herramientas ssm_pca SPM). <ol><li> Datos de la máscara utilizando una imagen disponible 0/1 para eliminar áreas no deseadas del espacio voxel como la materia blanca y los ventrículos. Uso de la rutina ssmpca, el usuario se le da la opción de seleccionar el valor predeterminado o otra máscara externa (Figura 3) o para que el programa crea automáticamente una máscara mediante la eliminación de valores inferiores a un porcentaje fijo seleccionado de datos máxima de cada sujeto. Máscaras sujetos individuales se multiplican para determinar una máscara compuesta. Las áreas dentro de la máscara definen un espacio común del voxel distinto de cero para el análisis. </li><li> Convertir los datos en 3D voxel imagen enmascarada de cada sujeto a un vector fila continua añadiendo líneas de barrido secuencial de planos consecutivos (Figura 4a). Formar una matriz de datos de grupo (D), de modo que los datos de cada sujeto corresponde a una r específicaow de la matriz. Cada columna representa entonces un voxel particular, a través de temas. Idealmente, para la obtención de biomarcadores, la matriz se compone de un número igual de filas de datos sujetos normales de control y datos sujetos enfermedad. </li><li> Transformar cada entrada de datos de forma logarítmica. </li><li> La matriz de datos, restando cada media fila o sujeto centro medio de los elementos de fila. El promedio de todas las filas centrados representa un grupo característico significa imagen Registro denomina un perfil de media del grupo (GMP, Figura 4a). Restar las medias de las columnas que son los elementos de la GMP de los elementos de columna de matriz correspondientes. Cada fila de la matriz de centrado doble representa una imagen &quot;residual&quot; denomina un perfil de materia residual (SRP) cuyos elementos representan desviaciones de tanto el sujeto s y voxel medias de los grupos v (Figura 4b). SRP sv = logD sv - significará s - GMP v </li><li> Construir el subjcovarianza ect-por-sujeto matriz C de la matriz de datos centrada en el doble de material compuesto mediante el cálculo de la covarianza no normalizada entre cada par sujeto i, j de SRP filas de la matriz evalúa como un producto de elementos voxel correspondientes sumada sobre todos los voxels V (Figura 4b) . C ij = Σ v (SRP iv x SRP jv) </li><li> Aplicar PCA a la covarianza sujeto por sujeto matriz C. El resultado será un conjunto de puntuación sujetos vectores propios con valores propios asociados. Ponderar cada vector de multiplicar por la raíz cuadrada de su correspondiente valor propio. El conjunto de vectores propios puntuación está representada por las columnas de la matriz resultante S en la Figura 4c. </li><li> Vectores propios Voxel para el mismo conjunto de valores propios se pueden determinar mediante la aplicación de PCA a la columna por la columna o matriz de covarianza por esta alternativa computacionalmente menos exigentes procediUre representa en la (Figura 4c). Izquierda multiplicar la matriz de puntuación vector derivado previamente por la matriz SRP transposición para derivar una matriz P de vectores propios patrones voxel por orden de valores propios (Figura 4c, la Figura 6, Figura 7) descendente. P = SRP T x S Cada vector de columna representa un componente principal patrón de imagen (PC) del análisis SSM / PCA atribuido a un por ciento de la varianza total representaron (VAF) correspondiente al tamaño relativo de su valor propio. </li></ol> 3. Patrón de biomarcadores Derivación <ol><li> Examine los resultados del análisis anterior para determinar los patrones de PC que están asociados con valores altos VAF. Dentro de nuestra rutina, vectores patrón voxel son Z-transformado de modo que sus valores representan desviaciones estándar positivos y negativos de su media. A continuación, se forman de nuevo en formato de imagen antes de la visualización (Figura 7). </li><li&gt; En algunos casos, los patrones con desviaciones regionales conocidos asociados con la enfermedad pueden ser identificados visualmente. La formulación matemática considera formas positivas y negativas de los PCs derivados como soluciones equivalentes, en cuyo caso tanto los PCs y sus puntajes asociados pueden ser multiplicados por menos uno de ajustarse a una interpretación física correcta. </li><li> Las puntuaciones correspondientes a cada modelo de PC se muestran en forma de gráficos de barras y gráficos de dispersión (Figura 7). Las parcelas ROC opcional se puede generar (Figura 7d). Para identificar un patrón específico de la enfermedad, cuenta la diferenciación de las puntuaciones de los sujetos entre los pacientes y los controles reflejan los valores de p de la muestra de dos t-test y los valores AUC correspondientes. Limitar el análisis a aquellos ordenadores asociados con una alta VAF y alta diferenciación para algunos valores de corte fijos (por ejemplo, p &lt;0,05 y VAF&gt; 5%). Por lo general, sólo una o dos PCs satisfacen este criterio para los datos de PET. </li><li> Hay variabilidadotras formas sas para selección de PC que pueden ser considerados 44. El gráfico de sedimentación secuencial (Figura 6) puede dar un valor de corte afilado representado por una curva en la curva y una fuerte reducción de la pendiente de la curva en la que los valores propios comienzan a degenerar. Otro método es incluir a todos los equipos que representan el 50% superior de la varianza. Un procedimiento ampliamente aceptada es la de calcular el Criterio de Información de Akaike (AIC) 45 para determinar qué combinación de PCs definir el modelo con el valor de AIC que puede distinguir entre pacientes y controles. </li><li> El PC seleccionado (s) puede ser vector normalizado y combinan linealmente para producir un único patrón de la enfermedad relacionada con. Nuestro software utiliza opcionalmente la función glmfit MATLAB para determinar coeficientes basados ​​en modelos de regresión logística o de otro tipo aplicados a puntuaciones de los sujetos. A pesar de la diferenciación de los pacientes y grupos de control por lo general mejora con los PCs adicionales considerados en el degrupo rivation, los patrones resultantes son una representación compuesta que pueden no corresponder a una sola red física o puede incorporar desviaciones atípicas (Figuras 7a y 7c). </li><li> Se requiere más validación de la fiabilidad y la importancia potencial. Remuestreo bootstrap se puede realizar como se discute a continuación 8 para identificar los vóxeles más fiables dentro del conjunto de datos original de derivación asociado con la menor desviación estándar en derivación patrón repetido. Reenviar validación se realiza para detectar la sensibilidad y especificidad de la discriminación grupo independiente derivando calificaciones de los grupos potenciales de los pacientes y los controles utilizando el método de evaluación de puntuación de una sola materia (Figura 4d) se describe en el siguiente segmento del protocolo. </li></ol> 4. Único sujeto prospectivo Puntuación de evaluación mediante un biomarcador predeterminados <ol><li> Una vez que un patrón significativo biomarcador SSM-GISha sido identificado, una puntuación por su expresión en un sujeto potencial puede ser evaluado de la exploración de ese individuo utilizando un simple cálculo del producto vectorial interna de la del sujeto SRP vector y el vector patrón SIG (Figura 4d, la Figura 7d). SCORE = SRP • Patrón </li><li> La operación anterior se automatiza por nuestra rutina TPR. Sin embargo, para obtener de forma independiente la SRP vector objeto utilizar la máscara GIS intrínseca asociada a los datos transformados logarítmicamente y restar tanto la media como sujeto y los valores de voxel correspondientes de la referencia prederived grupo GMP como en el paso 2.4. Esto asegura que los resultados se pueden comparar con el rango de referencia predeterminado. Las puntuaciones para un nuevo grupo pueden ser evaluados de manera similar como un conjunto de puntuaciones de los sujetos individuales posibles. Para el uso con un grupo de referencia diferente o ajuste, GMP puede ser recalibrado mientras que el patrón no se ha modificado. </li></ol>

El Dr. Eidelberg aparece como co-inventor de dos patentes de EE.UU. sobre el uso de los marcadores de formación de imágenes para evaluar a los pacientes para la disfunción del sistema nervioso (sin ganancia financiera). No hay revelaciones adicionales.

El modelo de SSM / PCA presentó originalmente por Moeller et al. 4 ha evolucionado 1-3 en una técnica sencilla y robusta para el análisis de los datos de neuroimagen. Sin embargo, ha habido ambigüedad en la aplicación de esta metodología que hemos intentado aclarar aquí y en publicaciones anteriores 5-7,10. Algunas de estas cuestiones han sido abordadas en el texto, pero se volvió a hacer hincapié aquí debido a su importancia. Como se detalla en la Introducción, SSM /...

Los trastornos neurodegenerativos se han estudiado ampliamente el uso de técnicas que localizar y cuantificar las anomalías del metabolismo del cerebro, así como métodos no inferenciales que estudian las interacciones regionales 17. Estrategias de análisis multivariados por datos tales como el análisis de componentes principales (PCA) 1,2,4,18 y análisis de componentes independientes (ICA) 19,20, así como las técnicas supervisadas tales como mínimos cuadrados parciales (PLS) 21 y las tendencias ordinales canónicas análisis de variables aleatorias (ORT / CVA) 22 puede revelar patrones característicos o &quot;redes&quot; de actividad interrelacionadas. Los fundamentos de los procedimientos multivariantes, en particular el modelo subperfil escala (SSM) 1,2,4-6,18 se han descrito anteriormente en JoVe 3. Este enfoque basado en PCA fue desarrollado originalmente para examinar las relaciones de covarianza funcionales anormales entre las regiones cerebrales en imágenes de volumen individuales en estado estacionario de flujo sanguíneo cerebral y el metabolismo ACQpedirá otra en el estado de reposo de modalidades tales como PET y SPECT que exhiben altas características de señal-a-ruido. Patrones SSM enfermedades específicas son biomarcadores de imagen que reflejan las diferencias generales en la topografía regional en los pacientes en comparación con los sujetos normales 7,16 y puede reflejar un proceso de red única o la asimilación de varias funciones anormales complejos 23. Redes cerebrales patrón de covarianza metabólicos se asocian con los valores de expresión (puntuaciones de los sujetos) que pueden distinguir entre grupos de controles y la enfermedad y proporcionar medidas basadas en la red que se correlacionan con puntuaciones clínicas de gravedad de la enfermedad. Típicamente, puntuaciones de los sujetos para tales patrones aumentan con la progresión de la enfermedad e incluso pueden ser expresados ​​antes de inicio de los síntomas 14,24. En efecto, los biomarcadores de la red relacionados con la enfermedad se han caracterizado para los trastornos neurodegenerativos como la enfermedad de Parkinson 10 (PD), la enfermedad de Huntington 25 (HD), y la enfermedad de Alzheimer 8 </sup&gt; (AD). Es importante destacar que, topografías metabólicos relacionados con la enfermedad también han sido identificados para los trastornos del movimiento parkinsonianos atípicos tales como la atrofia multisistémica (MSA) y la parálisis supranuclear progresiva (PSP). Estos patrones se han utilizado en concierto para el diagnóstico diferencial de los individuos con síndrome clínicamente similares &quot;semejanza&quot; 12,13,26. Por el contrario, los métodos univariados voxel basados ​​fMRI típicos evaluar la significación de las diferencias entre pacientes y controles en racimos cerebrales aisladas. Más recientemente, se han desarrollado métodos para medir la conectividad funcional entre las regiones del cerebro diversamente definidos 27-29. Esta definición de la conectividad funcional se limita a los sujetos y la región interacciones específicas y se desvía desde el concepto original SSM / PCA que se refiere a la interconexión de la sección transversal de las regiones cerebrales de red distribuidos espacialmente intrínsecas 1,2,23,30. Para su beneficio, plataformas de MRI unvolver fácilmente instalado, ampliamente disponible, no invasivo y típicamente requieren tiempo de exploración más corto que las modalidades de imagen de radiotrazadores tradicionales tales como PET o SPECT, que resulta en un aumento de las metodologías potenciales descritos en la literatura reciente. Sin embargo, las señales de resonancia magnética funcional en función del tiempo resultantes proporcionan medidas indirectas de la actividad neuronal local de 31,32. Los algoritmos analíticos generalmente complejas empleadas han sido limitados por el gran tamaño de los conjuntos de datos, el ruido fisiológica inherente a las señales de resonancia magnética funcional, así como la alta variabilidad en la actividad cerebral que existe entre los sujetos y regiones 19,23. Aunque la información interesante con respecto a la organización del cerebro puede deducirse de las propiedades de &quot;redes&quot; fMRI, que no han sido lo suficientemente estable como para ser utilizado como biomarcadores de la enfermedad fiables. Por otra parte, las topografías de red resultantes no son necesariamente equivalentes a los identificados usando metodologías de imágenes funcionales establecidos, como SSM / PCA. Para the mayor parte, rigurosa validación cruzada de las topografías fMRI resultantes ha faltado con algunos ejemplos de aplicación hacia adelante con éxito de patrones derivados de datos de exploración de posibles casos individuales. Una ventaja de análisis de covarianza PCA reside en su capacidad para identificar las fuentes más importantes de variación de los datos en los primeros pocos componentes principales, pero es ineficaz si los vectores propios prominentes representan los factores de ruido al azar en lugar de respuesta real de la red intrínseca. Al seleccionar sólo los primeros vectores propios y limitar a los que muestran diferencias significativas en las puntuaciones de control de los pacientes en comparación con lo normal, se reduce en gran medida la influencia de los elementos de ruido. Sin embargo, para el enfoque básico descrito aquí, estas medidas pueden no ser adecuadas para generar estimadores robustos en un conjunto de datos de resonancia magnética funcional típico con la excepción de las modalidades descritas a continuación. Por lo tanto, debido a la relación directa estable de g regionallucosa metabolismo y la actividad sináptica de 33 años, esta metodología se ha aplicado principalmente en el análisis de datos de PET con FDG estado de reposo. Sin embargo, dado que el flujo sanguíneo cerebral (FSC) está estrechamente acoplado a la actividad metabólica en el estado de reposo 10,11,34, 35,36 SPECT y más recientemente arterial spin labeling (SNM) métodos de formación de imágenes de resonancia magnética de perfusión 37,38, se han utilizado para evaluar la actividad metabólica anormal en casos individuales. Dicho esto, la derivación de los patrones espaciales de covarianza fiables con fMRI estado de reposo (rsfMRI) es como antes no se observó sencilla 31,32. A pesar de ello, el análisis de SSM / PCA preliminar de los datos rsfMRI de los pacientes con EP y sujetos control ha revelado algunas homologías topográficas entre los patrones relacionados con la enfermedad identificados con las dos modalidades, PET y la amplitud de las fluctuaciones de baja frecuencia (ALFF) de BOLD fMRI 39,40 . Por último, observamos también que este enfoque se ha aplicado con éxito en voxel basada morphometría (VBM) datos de resonancia magnética estructurales 41,42, revelando los patrones espaciales de covarianza distintivos asociados con la pérdida de volumen relacionada con la edad y en otras comparaciones de VBM y los patrones de ASL en los mismos 43 sujetos. La relación entre el SSM / PCA topografías covarianza espacial y las redes cerebrales análogas identificadas utilizando diferentes enfoques analíticos y plataformas de formación de imágenes es un tema de investigación en curso.

<table border="1">
 <tbody>
 <tr>
 <td>Name of Equipment</td>
 <td>Company</td>
 <td>Catalog Number</td>
 <td>Comments</td>
 </tr>
 <tr>
 <td></td>
 <td></td>
 <td></td>
 <td>Image Acquisition </td>
 </tr>
 <tr>
 <td>PET Scanner</td>
 <td>GE Medical Systems</td>
 <td>GE Advance</td>
 <td>Any PET, PET/CT and PET/MRI Scanners from GE, Siemens and Philips </td>
 </tr>
 <tr>
 <td>PC Workstations</td>
 <td>Lenovo</td>
 <td>Any</td>
 <td><a href="http://www.lenovo.com/us/en/" target="_blank">http://www.lenovo.com/us/en/</a></td>
 </tr>
 <tr>
 <td></td>
 <td></td>
 <td></td>
 <td>Radiopharmaceuticals </td>
 </tr>
 <tr>
 <td>[18F]-fluorodeoxyglucose</td>
 <td>Feinstein Institute for Medical Research</td>
 <td>Routine Production</td>
 <td>Also distributed by Cardinal Health <a href="http://www.cardinal.com/" target="_blank">http://www.cardinal.com/</a> </td>
 </tr>
 <tr>
 <td></td>
 <td></td>
 <td></td>
 <td>Software </td>
 </tr>
 <tr>
 <td>ScanVP</td>
 <td>Feinstein Institute for Medical Research</td>
 <td>Version 5.9.1, Version 6.2, To be released</td>
 <td><a href="http://www.feinsteinneuroscience.org/" target="_blank">www.feinsteinneuroscience.org</a></td>
 </tr>
 <tr>
 <td>SPM</td>
 <td>The UCL Institute of Neurology</td>
 <td>spm99-spm8</td>
 <td><a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a></td>
 </tr>
 <tr>
 <td>Windows</td>
 <td>Microsoft</td>
 <td>Any</td>
 <td></td>
 </tr>
 <tr>
 <td>Matlab</td>
 <td>Mathworks</td>
 <td>Matlab Version 7.0, 7.3</td>
 <td><a href="http://www.mathworks.com/" target="_blank">http://www.mathworks.com/</a></td>
 </tr>
 <tr>
 <td>JMP</td>
 <td>SAS</td>
 <td>Version 5</td>
 <td><a href="http://www.jmp.com/" target="_blank">http://www.jmp.com/</a></td>
 </tr>
 </tbody>
</table>

identification of disease-related spatial covariance patterns using neuroimaging data

El modelo subperfil escala (SSM) 1-4 es un algoritmo multivariante PCA basado en que se determinan las principales fuentes de variación en el paciente y los datos de imagen del cerebro del grupo de control al tiempo que rechaza los componentes menores (Figura 1). Aplicado directamente a los datos de covarianza voxel por voxel de imágenes multimodalidad en estado estacionario, todo un conjunto de imágenes de grupo se puede reducir a unos patrones de covarianza linealmente independientes significativos y resultados sujetos correspondientes. Cada patrón, denomina un grupo subperfil invariante (SIG), es un componente principal ortogonal que representa una red distribuida espacialmente de las regiones del cerebro relacionadas entre sí funcionalmente. Grandes efectos globales escalares medios que pueden oscurecer pequeñas contribuciones específicas de la red se eliminan mediante la conversión logarítmica inherente y significan el centrado de los datos 2,5,6. Los sujetos expresan cada uno de estos patrones en un grado variable representada por una puntuación escalar simple que se puede correlacionar con Clin independientedescriptores cos o psicométrica 7,8. Mediante un análisis de regresión logística de las puntuaciones de objeto (es decir, los valores de expresión de patrones), los coeficientes lineales se pueden derivar de combinar múltiples componentes principales en los patrones de covarianza espaciales relacionados con la enfermedad individual, es decir, redes compuestas con una mejor discriminación de los pacientes de control sanos 5,6. La validación cruzada dentro del grupo de derivación se puede realizar utilizando técnicas de remuestreo bootstrap 9. Validación Forward se confirma fácilmente por evaluación directa puntuación de los patrones derivados de los posibles conjuntos de datos 10. Una vez validados, los patrones relacionados con la enfermedad se pueden utilizar para marcar los pacientes individuales con respecto a una muestra de referencia fija, a menudo el conjunto de sujetos sanos que se utilizó (con el grupo de enfermedad) en la derivación patrón original 11. Estos valores estandarizados pueden a su vez ser utilizados para ayudar en el diagnóstico diferencial de 12,13 y para evaluar la enfermedadprogresión y tratamiento de los efectos a nivel de red 7,14-16. Se presenta un ejemplo de la aplicación de esta metodología a los datos FDG PET de pacientes con enfermedad de Parkinson y los controles normales que utilizan nuestro software propio para derivar una covarianza patrón característico de biomarcadores de la enfermedad.

Una sencilla aplicación de análisis SSM / PCA multivariado para derivar un patrón de biomarcadores de neuroimagen para PD se ilustra a continuación. FDG PET imágenes de cada diez pacientes diagnosticados clínicamente PD (6M/4F, 59a 7y ± sd) de duración variable de enfermos (9y 5a ± sd) y diez años de edad y el sexo controles pareados normales (6M/4F, 58y 7y ± DE) fueron analizados utilizando nuestra rutina ssmpca. Los veinte correspondientes imágenes espacialmente pre-normalizados fueron seleccionad...

Watch this Scientific Journal Video about Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data at JoVE.com

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Técnicas multivariantes, incluyendo el análisis de componentes principales (PCA) se han utilizado para identificar los patrones de la firma de cambio regional en las imágenes funcionales del cerebro. Hemos desarrollado un algoritmo para identificar biomarcadores de red reproducibles para el diagnóstico de trastornos neurodegenerativos, la evaluación de la progresión de la enfermedad, y la evaluación objetiva de los efectos del tratamiento en poblaciones de pacientes.

Identificación de los modelos de covarianza espaciales relacionados con la enfermedad utilizando los datos de neuroimagen

The scaled subprofile model (SSM)1-4 is a multivariate PCA-based algorithm that identifies major sources of variation in patient and control group brain ...

identification-disease-related-spatial-covariance-patterns-using

Research

JoVE Journal

Medicine

15.5K vistas.  The Feinstein Institute for Medical Research. Técnicas multivariantes, incluyendo el análisis de componentes principales (PCA) se han utilizado para identificar los patrones de la firma de cambio regional en las imágenes funcionales del cerebro. Hemos desarrollado un algoritmo para identificar biomarcadores de red reproducibles para el diagnóstico de trastornos neurodegenerativos, la evaluación de la progresión de la enfermedad, y la evaluación objetiva de los efectos del tratamiento en poblaciones de paciente...

Video: Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Identification of Sleeping Beauty Transposon Insertions in Solid Tumors using Linker-mediated PCR

Genomic, proteomic, transcriptomic, and epigenomic analyses of human tumors indicate that there are thousands of anomalies within each cancer genome compared to matched normal tissue. Based on these analyses it is evident that there are many undiscovered genetic drivers of cancer1. Unfortunately these drivers are hidden within a much larger number of passenger anomalies in the genome that do not directly contribute to tumor formation. Another aspect of the cancer genome is that there is considerable genetic heterogeneity within similar tumor types. Each tumor can harbor different mutations that provide a selective advantage for tumor formation2. Performing an unbiased forward genetic screen in mice provides the tools to generate tumors and analyze their genetic composition, while reducing the background of passenger mutations. The Sleeping Beauty (SB) transposon system is one such method3. The SB system utilizes mobile vectors (transposons) that can be inserted throughout the genome by the transposase enzyme. Mutations are limited to a specific cell type through the use of a conditional transposase allele that is activated by Cre Recombinase. Many mouse lines exist that express Cre Recombinase in specific tissues. By crossing one of these lines to the conditional transposase allele (e.g. Lox-stop-Lox-SB11), the SB system is activated only in cells that express Cre Recombinase. The Cre Recombinase will excise a stop cassette that blocks expression of the transposase allele, thereby activating transposon mutagenesis within the designated cell type. An SB screen is initiated by breeding three strains of transgenic mice so that the experimental mice carry a conditional transposase allele, a concatamer of transposons, and a tissue-specific Cre Recombinase allele. These mice are allowed to age until tumors form and they become moribund. The mice are then necropsied and genomic DNA is isolated from the tumors. Next, the genomic DNA is subjected to linker-mediated-PCR (LM-PCR) that results in amplification of genomic loci containing an SB transposon. LM-PCR performed on a single tumor will result in hundreds of distinct amplicons representing the hundreds of genomic loci containing transposon insertions in a single tumor4. The transposon insertions in all tumors are analyzed and common insertion sites (CISs) are identified using an appropriate statistical method5. Genes within the CIS are highly likely to be oncogenes or tumor suppressor genes, and are considered candidate cancer genes. The advantages of using the SB system to identify candidate cancer genes are: 1) the transposon can easily be located in the genome because its sequence is known, 2) transposition can be directed to almost any cell type and 3) the transposon is capable of introducing both gain- and loss-of-function mutations6. The following protocol describes how to devise and execute a forward genetic screen using the SB transposon system to identify candidate cancer genes (Figure 1).

Identification of Sleeping Beauty Transposon Insertions in Solid Tumors using Linker-mediated PCR

A method of identifying unknown drivers of carcinogenesis using an unbiased approach is described. The method uses the Sleeping Beauty transposon as a random mutagen directed to specific tissues. Genomic mapping of transposon insertions that drive tumor formation identifies novel oncogenes and tumor suppressor genes

Identificación de los<em&gt; La Bella Durmiente</em&gt; Transposón inserciones en tumores sólidos utilizando vinculador mediada por PCR

Genomic, proteomic, transcriptomic, and epigenomic analyses of human tumors indicate that there are thousands of anomalies within each cancer genome ...

Investigación

Medicina

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

We demonstrate methods for the detection of architectural distortion in prior mammograms of interval-cancer cases based on analysis of the orientation of breast tissue patterns in mammograms. We hypothesize that architectural distortion modifies the normal orientation of breast tissue patterns in mammographic images before the formation of masses or tumors. In the initial steps of our methods, the oriented structures in a given mammogram are analyzed using Gabor filters and phase portraits to detect node-like sites of radiating or intersecting tissue patterns. Each detected site is then characterized using the node value, fractal dimension, and a measure of angular dispersion specifically designed to represent spiculating patterns associated with architectural distortion.
Our methods were tested with a database of 106 prior mammograms of 56 interval-cancer cases and 52 mammograms of 13 normal cases using the features developed for the characterization of architectural distortion, pattern classification via quadratic discriminant analysis, and validation with the leave-one-patient out procedure. According to the results of free-response receiver operating characteristic analysis, our methods have demonstrated the capability to detect architectural distortion in prior mammograms, taken 15 months (on the average) before clinical diagnosis of breast cancer, with a sensitivity of 80% at about five false positives per patient.

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

We demonstrate methods for the detection of architectural distortion in prior mammograms. Oriented structures are analyzed using Gabor filters and phase portraits to detect sites of radiating tissue patterns. Each site is characterized and classified using measures to represent spiculating patterns. The methods should assist in the detection of breast cancer.

La detección de la distorsión de la arquitectura en las mamografías previas<em&gt; Vía</em&gt; Análisis de los patrones Orientadas

We demonstrate methods for the detection of architectural distortion in prior mammograms of interval-cancer cases based on analysis of the orientation of ...

Using Continuous Data Tracking Technology to Study Exercise Adherence in Pulmonary Rehabilitation

Pulmonary rehabilitation (PR) is an important component in the management of respiratory diseases. The effectiveness of PR is dependent upon adherence to exercise training recommendations. The study of exercise adherence is thus a key step towards the optimization of PR programs. To date, mostly indirect measures, such as rates of participation, completion, and attendance, have been used to determine adherence to PR. The purpose of the present protocol is to describe how continuous data tracking technology can be used to measure adherence to a prescribed aerobic training intensity on a second-by-second basis.
In our investigations, adherence has been defined as the percent time spent within a specified target heart rate range. As such, using a combination of hardware and software, heart rate is measured, tracked, and recorded during cycling second-by-second for each participant, for each exercise session. Using statistical software, the data is subsequently extracted and analyzed. The same protocol can be applied to determine adherence to other measures of exercise intensity, such as time spent at a specified wattage, level, or speed on the cycle ergometer. Furthermore, the hardware and software is also available to measure adherence to other modes of training, such as the treadmill, elliptical, stepper, and arm ergometer. The present protocol, therefore, has a vast applicability to directly measure adherence to aerobic exercise.

Pulmonary rehabilitation is widely recognized in the management of respiratory diseases. A key component to successful pulmonary rehabilitation is adherence to the recommended exercise training. The purpose of the present protocol is to describe how continuous data tracking technology can be used to precisely measure adherence to a prescribed aerobic training intensity.

El uso de la tecnología de seguimiento de datos continua para Estudiar Ejercicio Adherencia en Rehabilitación Pulmonar

Pulmonary rehabilitation (PR) is an important component in the management of respiratory diseases. The effectiveness of PR is dependent upon adherence to ...

Microarray-based Identification of Individual HERV Loci Expression: Application to Biomarker Discovery in Prostate Cancer

The prostate-specific antigen (PSA) is the main diagnostic biomarker for prostate cancer in clinical use, but it lacks specificity and sensitivity, particularly in low dosage values1&#8203;&#8203;. &#8216;How to use PSA&#39; remains a current issue, either for diagnosis as a gray zone corresponding to a concentration in serum of 2.5-10 ng/ml which does not allow a clear differentiation to be made between cancer and noncancer2 or for patient follow-up as analysis of post-operative PSA kinetic parameters can pose considerable challenges for their practical application3,4. Alternatively, noncoding RNAs (ncRNAs) are emerging as key molecules in human cancer, with the potential to serve as novel markers of disease, e.g. PCA3 in prostate cancer5,6 and to reveal uncharacterized aspects of tumor biology. Moreover, data from the ENCODE project published in 2012 showed that different RNA types cover about 62% of the genome. It also appears that the amount of transcriptional regulatory motifs is at least 4.5x higher than the one corresponding to protein-coding exons. Thus, long terminal repeats (LTRs) of human endogenous retroviruses (HERVs) constitute a wide range of putative/candidate transcriptional regulatory sequences, as it is their primary function in infectious retroviruses. HERVs, which are spread throughout the human genome, originate from ancestral and independent infections within the germ line, followed by copy-paste propagation processes and leading to multicopy families occupying 8% of the human genome (note that exons span 2% of our genome). Some HERV loci still express proteins that have been associated with several pathologies including cancer7-10. We have designed a high-density microarray, in Affymetrix format, aiming to optimally characterize individual HERV loci expression, in order to better understand whether they can be active, if they drive ncRNA transcription or modulate coding gene expression. This tool has been applied in the prostate cancer field (Figure 1).

Human endogenous retroviruses (HERV), which occupy 8% of the human genome, retain scarce coding capacities but a hundred thousand long terminal repeats (LTRs). A custom Affymetrix microarray was designed to identify individual HERV locus expression and was used on prostate cancer tissues as a proof of concept for future clinical studies.

La identificación basada en microarrays de expresión individual HERV Loci: Aplicación al descubrimiento de biomarcadores en el cáncer de próstata

The prostate-specific antigen (PSA) is the main diagnostic biomarker for prostate cancer in clinical use, but it lacks specificity and sensitivity, ...

In Vivo Tracking of Edema Development and Microvascular Pathology in a Model of Experimental Cerebral Malaria Using Magnetic Resonance Imaging

Cerebral malaria is a sign of severe malarial disease and is often a harbinger of death. While aggressive management can be life-saving, the detection of cerebral malaria can be difficult. We present an experimental mouse model of cerebral malaria that shares multiple features of the human disease, including edema and microvascular pathology. Using magnetic resonance imaging (MRI), we can detect and track the blood-brain barrier disruption, edema development, and subsequent brain swelling. We describe multiple MRI techniques that can visualize these pertinent pathological changes. Thus, we show that MRI represents a valuable tool to visualize and track pathological changes, such as edema, brain swelling, and microvascular pathology, in vivo.

In Vivo Tracking of Edema Development and Microvascular Pathology in a Model of Experimental Cerebral Malaria Using Magnetic Resonance Imaging

We describe a mouse model of experimental cerebral malaria and show how inflammatory and microvascular pathology can be tracked in vivo using magnetic resonance imaging.

Seguimiento In Vivo del Desarrollo del Edema y Patología Microvascular en un Modelo de Malaria Cerebral Experimental usando Imágenes de Resonancia Magnética

Cerebral malaria is a sign of severe malarial disease and is often a harbinger of death. While aggressive management can be life-saving, the detection of ...

High-Throughput Analysis of Optical Mapping Data Using ElectroMap

Optical mapping is an established technique for high spatio-temporal resolution study of cardiac electrophysiology in multi-cellular preparations. Here we present, in a step-by-step guide, the use of ElectroMap for analysis, quantification, and mapping of high-resolution voltage and calcium datasets acquired by optical mapping. ElectroMap analysis options cover a wide variety of key electrophysiological parameters, and the graphical user interface allows straightforward modification of pre-processing and parameter definitions, making ElectroMap applicable to a wide range of experimental models. We show how built-in pacing frequency detection and signal segmentation allows high-throughput analysis of entire experimental recordings, acute responses, and single beat-to-beat variability. Additionally, ElectroMap incorporates automated multi-beat averaging to improve signal quality of noisy datasets, and here we demonstrate how this feature can help elucidate electrophysiological changes that might otherwise go undetected when using single beat analysis. Custom modules are included within the software for detailed investigation of conduction, single file analysis, and alternans, as demonstrated here. This software platform can be used to enable and accelerate the processing, analysis, and mapping of complex cardiac electrophysiology.

This protocol describes the setup and use of ElectroMap, a MATLAB-based open-source software platform for analysis of cardiac optical mapping data. ElectroMap provides a versatile high-throughput tool for analysis of optical mapping voltage and calcium datasets across a wide range of cardiac experimental models.

Análisis de alto rendimiento de datos de asignación óptica mediante electromap

Optical mapping is an established technique for high spatio-temporal resolution study of cardiac electrophysiology in multi-cellular preparations. Here we ...

Virtual Reality Tools for Assessing Unilateral Spatial Neglect: A Novel Opportunity for Data Collection

Unilateral spatial neglect (USN) is a syndrome characterized by inattention to or inaction in one side of space and affects between 23-46% of acute stroke survivors. The diagnosis and characterization of these symptoms in individual patients can be challenging and often requires skilled clinical staff. Virtual reality (VR) presents an opportunity to develop novel assessment tools for patients with USN.
We aimed to design and build a VR tool to detect and characterize subtle USN symptoms, and to test the tool on subjects treated with inhibitory repetitive transcranial magnetic stimulation (TMS) of cortical regions associated with USN.
We created three experimental conditions by applying TMS to two distinct regions of cortex associated with visuospatial processing- the superior temporal gyrus (STG) and the supramarginal gyrus (SMG) - and applied sham TMS as a control. We then placed subjects in a virtual reality environment in which they were asked to identify the flowers with lateral asymmetries of flowers distributed across bushes in both hemispaces, with dynamic difficulty adjustment based on each subject's performance. 
We found significant differences in average head yaw between subjects stimulated at the STG and those stimulated at the SMG and marginally significant effects in the average visual axis.
VR technology is becoming more accessible, affordable, and robust, presenting an exciting opportunity to create useful and novel game-like tools. In conjunction with TMS, these tools could be used to study specific, isolated, artificial neurological deficits in healthy subjects, informing the creation of VR-based diagnostic tools for patients with deficits due to acquired brain injury. This study is the first to our knowledge in which artificially generated USN symptoms have been evaluated with a VR task.

The goal was to design, build, and pilot a novel virtual reality task to detect and characterize unilateral spatial neglect, a syndrome affecting 23-46% of acute stroke survivors, expanding the role of virtual reality in the study and management of neurologic disease.

Herramientas de realidad virtual para evaluar la negligencia espacial unilateral: una nueva oportunidad para la recopilación de datos

Unilateral spatial neglect (USN) is a syndrome characterized by inattention to or inaction in one side of space and affects between 23-46% of acute stroke ...

Detection and Removal of Tooth-Colored Composite Resin Using the Fluorescence-Aided Identification Technique

The detection and removal of tooth-colored filling materials is a major challenge for every dentist. The Fluorescence-aided Identification Technique (FIT) is a noninvasive tool to facilitate the distinction of composite resin material from sound tooth substance. Compared to conventional illumination, FIT is a very accurate, reliable, and fast diagnostic method. When composite resin is illuminated with a wavelength of approximately 398 &plusmn; 5 nm, certain fluorescent components make the composite resin appear brighter than the tooth structure. Any fluorescence-inducing light source with the appropriate wavelength can be used for this method. Optimally, this technique is used without additional natural or artificial lighting. The application of FIT can be used for diagnostic purposes, for example, dental charts, and additionally for the complete and minimally invasive removal of composite resin restorations, bracket debonding, and trauma splint removal. The assessment of volumetric changes after composite removal can be provided by overlapping pre- and postoperative scans and subsequent calculation using suitable software.

The Fluorescence-aided Identification Technique is a practicable, fast, and reliable approach for the differentiation of composite resin restorations from tooth substance, and facilitates the minimally invasive and complete removal of composite resin restorations and composite bonded trauma splints.

Detección y eliminación de resina compuesta del color del diente utilizando la técnica de identificación asistida por fluorescencia

The detection and removal of tooth-colored filling materials is a major challenge for every dentist. The Fluorescence-aided Identification Technique (FIT) ...

Visualization of Metabolites Identified in the Spatial Metabolome of Traditional Chinese Medicine Using DESI-MSI

The medicinal use of traditional Chinese medicine is mainly due to its secondary metabolites. Visualization of the distribution of these metabolites has become a crucial topic in plant science. Mass spectrometry imaging can extract huge volumes of data and provide spatial distribution information about these by analyzing tissue slices. With the advantage of high throughput and higher accuracy, desorption electrospray ionization mass spectrometry imaging (DESI-MSI) is often used in biological research and in the study of traditional Chinese medicine. However, the procedures used in this research are complicated and not affordable. In this study, we optimized sectioning and DESI imaging procedures and developed a more cost-effective method to identify the distribution of metabolites and categorize these compounds in plant tissues, with a special focus on traditional Chinese medicines. The study will promote the utilization of DESI in metabolite analysis and standardization of traditional Chinese medicine/ethnic medicine for research-related technologies.

In this study, a series of methods are presented to prepare DESI-MSI samples from plants, and a procedure of DESI assembly installation, MSI data acquisition, and processing is described in detail. This protocol can be applied in several conditions for acquiring spatial metabolome information in plants.

Visualización de metabolitos identificados en el metaboloma espacial de la medicina tradicional china utilizando DESI-MSI

The medicinal use of traditional Chinese medicine is mainly due to its secondary metabolites. Visualization of the distribution of these metabolites has ...

Un modelo completo de distribución de la función de la grasa hepática en 3D mediante la resonancia magnética de Dixon

A 3D Quantification Technique for Liver Fat Fraction Distribution Analysis Using Dixon Magnetic Resonance Imaging

This study presents a 3D quantification methodology for the distribution of liver fat fraction (LFF) through the utilization of Dixon MRI image analysis. The central aim is to offer a highly accurate and non-invasive means of evaluating liver fat content. The process involves the acquisition of In-phase and Water-phase images from a Dixon sequence. LFF maps are then meticulously computed voxel by voxel by dividing the Lipid Phase images by the In-phase images. Simultaneously, 3D liver contours are extracted from the In-phase images. These crucial components are seamlessly integrated to construct a comprehensive 3D-LFF distribution model. This technique is not limited to healthy livers but extends to those afflicted by hepatic steatosis. The results obtained demonstrate the remarkable effectiveness of this approach in both visualizing and quantifying liver fat content. It distinctly discerns patterns that differentiate between normal and steatotic livers. By harnessing Dixon MRI to extract the 3D structure of the liver, this method offers precise LFF assessments spanning the entirety of the organ, thereby holding great promise for the diagnosis of hepatic steatosis with remarkable effectiveness.

Autor destacado: Una herramienta no invasiva para evaluar y diferenciar los patrones de grasa en el hígado mediante la resonancia magnética 3D de Dixon 

This study introduces a unique 3D quantification method for liver fat fraction (LFF) distribution using Dixon Magnetic Resonance Imaging (Dixon MRI). LFF maps, derived from in-phase and water-phase images, are integrated with 3D liver contours to differentiate LFF patterns between normal and steatotic livers, enabling precise assessment of liver fat content.

Una técnica de cuantificación 3D para el análisis de la distribución de la fracción de grasa hepática mediante imágenes de resonancia magnética Dixon

This study presents a 3D quantification methodology for the distribution of liver fat fraction (LFF) through the utilization of Dixon MRI image analysis. ...