dual-mode-imaging-cutaneous-tissue-oxygenation-vascular

Dual-mode Imaging of Cutaneous Tissue Oxygenation and Vascular Function

Accurate assessment of cutaneous tissue oxygenation and vascular function is important for appropriate detection, staging, and treatment of many health ...

The Ohio State University

&#x6539;&#x53D8;&#x7684;&#x57FA;&#x56E0;&#x7684;&#x8868;&#x8FBE;&#x662F;&#x7684;&#x8BF1;&#x5BFC;&#x548C;&#x7EF4;&#x6301;&#x809D;&#x7EC6;&#x80DE;&#x764C; (HCC) &#x7684;&#x5173;&#x8054;&#x3002;&#x82E5;&#x8981;&#x786E;&#x5B9A; HCR2 &#x5728;&#x809D;&#x764C;&#x4E2D;&#x7684;&#x610F;&#x4E49;&#xFF0C;&#x5728;&#x8FD9;&#x91CC;&#x6211;&#x4EEC;&#x6BD4;&#x8F83; HCR2 &#x764C;&#x548C;&#x6210;&#x5BF9;&#x4F7F;&#x7528;&#x534A;&#x5B9A;&#x91CF;&#x9006;&#x8F6C;&#x5F55;-&#x805A;&#x5408;&#x9176;&#x94FE;&#x53CD;&#x5E94; (RT-PCR)&#x3001; &#x5370;&#x8FF9;&#x5206;&#x6790;&#x548C;&#x514D;&#x75AB;&#x7EC4;&#x5316;&#x67D3;&#x8272;&#x7684;&#x975E;&#x764C;&#x7EC4;&#x7EC7;&#x4E2D;&#x7684;&#x8868;&#x8FBE;&#x6C34;&#x5E73;&#x3002;&#x6BCF;&#x79CD;&#x60C5;&#x51B5;&#x4E0B;&#xFF0C;&#x8BA1;&#x7B97;&#x8868;&#x8FBE;&#x5F0F; &#xFF08;ER&#xFF09; &#x7684;&#x6BD4;&#x7387; HCR2 &#x80BF;&#x7624;&#x548C;&#x914D;&#x5BF9;&#x65E0;&#x7624;&#x7EC4;&#x7EC7;&#x4E4B;&#x95F4;&#x548C;&#x6570;&#x636E;&#x662F; clinicopathologically &#x8FDB;&#x884C;&#x5206;&#x6790;&#x3002;HCR2 mRNA &#x8868;&#x8FBE;&#x88AB;&#x53D1;&#x73B0;&#x4E0E;&#x914D;&#x5BF9;&#x7684;&#x6B63;&#x5E38;&#x7EC4;&#x7EC7;&#x76F8;&#x6BD4;&#x7684;&#x809D;&#x764C;&#x7EC4;&#x7EC7;&#x4E2D;&#x660E;&#x663E;&#x4E0B;&#x964D; (P &lt; 0.001&#xFF09;&#x3002;HCR2 &#x662F;&#x7F16;&#x7801;&#x5728; 58%(n = 22&#xFF09; &#x7684; 38 &#x7684;&#x809D;&#x764C;&#x60A3;&#x8005;&#x3002;ER HCR2 &#x662F;&#x9AD8;&#x5728;&#x57C3;&#x5FB7;&#x8499;&#x68EE;&#x7684; I &#x7EA7;&#x6216; II &#x764C;&#xFF0C;&#x5728;&#x57C3;&#x5FB7;&#x8499;&#x68EE;&#x6BD4;&#x7B49;&#x7EA7; III/IV &#x764C; (P &lt; 0.05&#xFF09;&#x3002;&#x5370;&#x8FF9;&#x5206;&#x6790;&#x663E;&#x793A;&#xFF0C;HCR2 &#x662F; 4 3 &#x51FA;&#x7684;&#x809D;&#x764C;&#x60A3;&#x8005;&#x7684;&#x764C;&#x7EC4;&#x7EC7;&#x4E2D;&#x503C;&#x5F97;&#x6CE8;&#x610F;&#x7684;&#x662F;&#x90C1;&#x95F7;&#x3002;&#x514D;&#x75AB;&#x7EC4;&#x7EC7;&#x5316;&#x5B66;&#x67D3;&#x8272;&#x6CD5;&#x6307;&#x51FA;&#x5927;&#x591A;&#x6570; HCR2 &#x86CB;&#x767D;&#x79EF;&#x7D2F;&#x7684;&#x975E;&#x764C;&#x7EC6;&#x80DE;&#x3002;&#x8FD9;&#x4E9B;&#x7ED3;&#x679C;&#x8868;&#x660E; HCR2 &#x8868;&#x8FBE;&#x6539;&#x53D8;&#x53EF;&#x80FD;&#x5728;&#x764C;&#x53D8;&#x548C;&#x809D;&#x764C;&#xFF0C;&#x8FDB;&#x5C55;&#x4E2D;&#x7684;&#x4F5C;&#x7528;&#x548C;&#x5B83;&#x53EF;&#x80FD;&#x662F;&#x4E34;&#x5E8A;&#x9884;&#x540E;&#x3001; &#x6807;&#x8BB0;&#x548C;&#x7B5B;&#x9009;&#x6F5C;&#x5728;&#x6297;&#x809D;&#x764C;&#x836F;&#x7269;&#x5206;&#x5B50;&#x7684;&#x76EE;&#x6807;&#x3002;

&#x51CF;&#x5C11;&#x4EBA;&#x7C7B;&#x7FB0;&#x57FA;&#x8FD8;&#x539F;&#x9176; 2 &#x57FA;&#x56E0; HCR2 &#x5728;&#x809D;&#x764C;&#x4E2D;&#x7684;&#x8868;&#x8FBE;&#x5F0F;&#x3002;

Altered gene expression was associated with the induction and maintenance of hepatocellular carcinoma (HCC). To determine the significance of HCR2 in HCC, here we compare the expression levels of HCR2 in carcinoma and in paired non-carcinoma tissues using semiquantitative reverse-transcription polymerase chain reaction (RT-PCR), Western blot analysis, and immunohistochemical staining. The expression ratio (ER) of HCR2 between the tumor and paired tumor-free tissues was calculated for each case and the data was clinicopathologically analyzed. The expression of HCR2 mRNA was found to be significantly decreased in HCC tissues compared with paired normal tissues (P < 0.001). HCR2 was downregulated in 58% (n = 22) of 38 HCC patients. The ER of HCR2 was higher in Edmondson's grade I/II carcinomas than that in Edmondson's grade III/IV carcinomas (P < 0.05). Western blot analysis showed HCR2 to be notably depressed in carcinoma tissues in 3 out of 4 HCC patients. Immunohistochemical staining indicated most HCR2 protein accumulated in non-carcinoma cells. These results suggested that altered HCR2 expression might play roles in the carcinogenesis and progression of HCC, and it could be a clinical marker for prognosis, and a molecular target for screening potential anti-HCC drugs.

Decreased expression of the human carbonyl reductase 2 gene HCR2 in hepatocellular carcinoma.

L&#39;expression des g&egrave;nes modifi&eacute;s a &eacute;t&eacute; associ&eacute;e &agrave; l&#39;induction et l&#39;entretien du carcinome h&eacute;patocellulaire (CHC). Pour d&eacute;terminer l&#39;importance des HCR2 &agrave; la Haute Cour constitutionnelle, ici, on compare les niveaux d&#39;expression de HCR2 dans le cancer et dans les tissus non-carcinome appari&eacute;s &agrave; l&#39;aide de la PCR semi-quantitative polym&eacute;rase de transcription inverse (RT-PCR), analyse par Western blot et coloration immunohistochimique. Le ratio d&#39;expression (ER) de HCR2 entre la tumeur et les tissus de tumeur-free appari&eacute;s a &eacute;t&eacute; calcul&eacute; pour chaque cas et les donn&eacute;es ont &eacute;t&eacute; analys&eacute;e de clinicopathologically. L&#39;expression des ARNm de HCR2 s&#39;est av&eacute;r&eacute;e &ecirc;tre consid&eacute;rablement diminu&eacute; dans les tissus HCC compar&eacute;es aux tissus normaux appari&eacute;s (P &lt; 0,001). HCR2 a &eacute;t&eacute; diminu&eacute; de 58 % (n = 22) de 38 patients HCC. L&#39;ER de HCR2 &eacute;tait plus &eacute;lev&eacute;e chez de Edmondson grade I / carcinomes II que de cette Edmondson en grade carcinomes III/IV (P 0,05 &lt;). Analyse par Western blot a montr&eacute; HCR2 d&#39;&ecirc;tre particuli&egrave;rement d&eacute;prim&eacute;s dans les tissus de carcinome chez les patients HCC 3 sur 4. IMMUNOHISTOCHEMICAL souillant indiqu&eacute; plus HCR2 prot&eacute;ine accumul&eacute;s dans les cellules non-carcinome. Ces r&eacute;sultats sugg&egrave;rent que l&#39;expression alt&eacute;r&eacute;e de HCR2 pourrait jouer un r&ocirc;le dans la carcinogen&egrave;se et la progression du carcinome h&eacute;patocellulaire, et &ccedil;a pourrait &ecirc;tre un marqueur clinique pour le pronostic et une cible mol&eacute;culaire pour le d&eacute;pistage des drogues anti-HCC potentiels.

Diminution de l&#39;expression du g&egrave;ne humain carbonyl r&eacute;ductase 2 HCR2 dans le carcinome h&eacute;patocellulaire.

Ver&auml;nderte Genexpression war Induktion und Aufrechterhaltung der hepatozellul&auml;ren Karzinom (HCC) zugeordnet. Um die Bedeutung des HCR2 im HCC zu bestimmen, vergleichen wir hier die Stufen des HCR2 in Karzinom und gepaarten nicht-Karzinom-Gewebe mittels semiquantitativer R&uuml;ckseite-Transkription-Polymerase-Kettenreaktion (RT-PCR), Western-Blot-Analyse und Immunohistochemical beflecken. Das Ausdruck Verh&auml;ltnis (ER) HCR2 zwischen der Tumor und gepaarten Tumor-freien Gewebe wurde berechnet f&uuml;r jeden Fall und die Daten waren Clinicopathologically analysiert. Der Ausdruck der HCR2 mRNA wurde festgestellt, dass im HCC-Gewebe verglichen mit gepaarten normalen Geweben erheblich verringert werden (P &lt; 0,001). HCR2 wurde Downregulated in 58 % (n = 22) 38 HCC-Patienten. Die ER HCR2 lag in Racetracks Grad I / II-Karzinome als dieser in Racetracks Grad III/IV-Karzinome (P &lt; 0,05). Western-Blot-Analyse zeigte HCR2 insbesondere in Karzinom-Gewebe in 3 von 4 HCC Patienten depressiv werden. Immunohistochemical Beflecken angegebenen die meisten HCR2 Protein im nicht-Karzinom-Zellen gesammelt. Diese Ergebnisse erweckten die ver&auml;nderte HCR2 Ausdruck m&ouml;glicherweise eine Rolle in der Karzinogenese und der Weiterentwicklung von HCC spielen, und es k&ouml;nnte eine klinische Marker f&uuml;r die Prognose und ein molekulares Ziel f&uuml;r das screening potenzieller Anti-HCC-Drogen.

Verminderte Ausdruck im menschlichen Carbonyl-Reduktase 2-gen HCR2 in hepatozellul&auml;ren Karzinom.

Espressione del gene alterato &egrave; stato associato con l&#39;induzione e la manutenzione del carcinoma epatocellulare (HCC). Per determinare il significato di HCR2 in HCC, qui si confrontano i livelli di espressione di HCR2 nel carcinoma e nei tessuti di carcinoma non accoppiati mediante semiquantitativo reverse transcription polymerase chain reaction (RT-PCR), analisi Western blot e colorazione immunoistochimica. Il rapporto di espressione (ER) di HCR2 tra il tumore e tessuti accoppiati tumore-libero &egrave; stato calcolato per ogni caso e i dati sono stati analizzati clinicopathologically. L&#39;espressione del mRNA di HCR2 &egrave; stato trovato per essere diminuito in modo significativo nei tessuti HCC rispetto ai tessuti normali accoppiati (P &lt; 0.001). HCR2 era downregolata nel 58% (n = 22) di 38 pazienti HCC. ER di HCR2 era superiore in di Edmondson grado I / carcinomi II rispetto di quella Edmondson in grado carcinomi III/IV (P &lt; 0,05). Analisi Western blot ha mostrato HCR2 di essere depresso in particolare nei tessuti di carcinoma nei pazienti HCC 3 di 4. Immunohistochemical colorazione indicata la maggior parte delle proteine HCR2 accumulato in non-carcinoma a cellule. Questi risultati suggerito alterata espressione di HCR2 potrebbe giocare ruoli nella cancerogenesi e progressione di HCC, che potrebbe essere un marker per la prognosi clinico e un bersaglio molecolare per lo screening potenziali farmaci anti-HCC.

Ridotta espressione del gene umano carbonil reduttasi 2 HCR2 nel carcinoma epatocellulare.

&#x907A;&#x4F1D;&#x5B50;&#x767A;&#x73FE;&#x5909;&#x5316;&#x8A98;&#x5C0E;&#x3068;&#x809D;&#x7D30;&#x80DE;&#x764C; (HCC) &#x306E;&#x7DAD;&#x6301;&#x306B;&#x95A2;&#x9023;&#x4ED8;&#x3051;&#x3089;&#x308C;&#x3066;&#x3044;&#x305F;&#x3002;&#x809D;&#x7D30;&#x80DE;&#x764C;&#x306B;&#x304A;&#x3051;&#x308B; HCR2 &#x306E;&#x91CD;&#x8981;&#x6027;&#x3092;&#x5224;&#x65AD;&#x3059;&#x308B;&#x306B;&#x306F;&#x3001;&#x3053;&#x3053;&#x6211;&#x3005; HCR2 &#x306E;&#x767A;&#x73FE;&#x91CF;&#x764C;&#x3068;&#x5B9A;&#x91CF;&#x7684;&#x9006;&#x8EE2;&#x5199;&#x30DD;&#x30EA;&#x30E1;&#x30E9;&#x30FC;&#x30BC;&#x9023;&#x9396;&#x53CD;&#x5FDC; (RT-PCR)&#x3001;&#x897F;&#x90E8;&#x306E;&#x3057;&#x307F;&#x306E;&#x5206;&#x6790;&#x3001;&#x304A;&#x3088;&#x3073;&#x514D;&#x75AB;&#x7D44;&#x7E54;&#x5316;&#x5B66;&#x67D3;&#x8272;&#x3092;&#x7528;&#x3044;&#x305F;&#x4E00;&#x5BFE;&#x306E;&#x975E;&#x764C;&#x7D44;&#x7E54;&#x3092;&#x6BD4;&#x8F03;&#x3057;&#x307E;&#x3059;&#x3002;&#x816B;&#x760D;&#x3068;&#x30DA;&#x30A2;&#x306B;&#x306A;&#x3063;&#x3066;&#x3044;&#x308B;&#x7121;&#x6599;&#x306E;&#x816B;&#x760D;&#x7D44;&#x7E54;&#x9593;&#x306E; HCR2 &#x5F0F;&#x6BD4; (ER) &#x305D;&#x308C;&#x305E;&#x308C;&#x306E;&#x30B1;&#x30FC;&#x30B9;&#x306B;&#x3064;&#x3044;&#x3066;&#x8A08;&#x7B97;&#x3057;&#x3001;&#x30C7;&#x30FC;&#x30BF;&#x5206;&#x6790;&#x306E;&#x81E8;&#x5E8A;&#x75C5;&#x7406;&#x5B66;&#x7684;&#x3060;&#x3063;&#x305F;&#x3002;HCR2 mRNA &#x306E;&#x767A;&#x73FE;&#x30DA;&#x30A2;&#x306E;&#x6B63;&#x5E38;&#x7D44;&#x7E54;&#x3068;&#x6BD4;&#x8F03;&#x3057;&#x305F;&#x809D;&#x7D30;&#x80DE;&#x764C;&#x7D44;&#x7E54;&#x306B;&#x304A;&#x3051;&#x308B;&#x6709;&#x610F;&#x306B;&#x6E1B;&#x5C11;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x308F;&#x304B;&#x3063;&#x305F; (P 0.001 &lt;)&#x3002;HCR2 &#x3060;&#x3063;&#x305F; downregulated 58% (n = 22) 38 &#x809D;&#x7D30;&#x80DE;&#x764C;&#x60A3;&#x8005;&#x306E;&#x3002;HCR2 ER &#x30A8;&#x30C9;&#x30E2;&#x30F3;&#x30C9;&#x30BD;&#x30F3;&#x3067;&#x9AD8;&#x304B;&#x3063;&#x305F; &#x2170;/II &#x764C;&#x305D;&#x306E; in &#x30A8;&#x30C9;&#x30E2;&#x30F3;&#x30C9;&#x30BD;&#x30F3;&#x3088;&#x308A;&#x30B0;&#x30EC;&#x30FC;&#x30C9; III/IV &#x306E;&#x764C; &#xFF08;P 0.05 &lt;)&#x3002;&#x897F;&#x90E8;&#x306E;&#x3057;&#x307F;&#x306E;&#x5206;&#x6790; 3 &#x3046;&#x3061; 4 &#x809D;&#x7D30;&#x80DE;&#x764C;&#x60A3;&#x8005;&#x306E;&#x764C;&#x7D44;&#x7E54;&#x3067;&#x7279;&#x306B;&#x9B31;&#x306B;&#x306A;&#x308B; HCR2 &#x3092;&#x793A;&#x3057;&#x305F;&#x3002;&#x307B;&#x3068;&#x3093;&#x3069;&#x306E; HCR2 &#x86CB;&#x767D;&#x8CEA;&#x306F;&#x793A;&#x3055;&#x308C;&#x305F;&#x67D3;&#x8272;&#x975E;&#x764C;&#x7D30;&#x80DE;&#x306B;&#x84C4;&#x7A4D;&#x3002;HCR2 &#x767A;&#x73FE;&#x304C;&#x3093;&#xFF0C; &#x9032;&#x884C;&#x809D;&#x7D30;&#x80DE;&#x764C;&#x3001;&#x5F79;&#x5272;&#x3092;&#x679C;&#x305F;&#x3059;&#x304B;&#x3082;&#x3057;&#x308C;&#x306A;&#x3044;&#x3057;&#x3001;&#x4E88;&#x5F8C;&#x306E;&#x81E8;&#x5E8A;&#x30DE;&#x30FC;&#x30AB;&#x30FC;&#x3068;&#x30B9;&#x30AF;&#x30EA;&#x30FC;&#x30CB;&#x30F3;&#x30B0;&#x6F5C;&#x5728;&#x7684;&#x306A;&#x6297;&#x809D;&#x7D30;&#x80DE;&#x764C;&#x306E;&#x85AC;&#x7269;&#x5206;&#x5B50;&#x30BF;&#x30FC;&#x30B2;&#x30C3;&#x30C8;&#x304B;&#x3082;&#x3057;&#x308C;&#x306A;&#x3044;&#x793A;&#x5506;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;

&#x809D;&#x7D30;&#x80DE;&#x764C;&#x306B;&#x304A;&#x3051;&#x308B;&#x4EBA;&#x9593;&#x306E;&#x30AB;&#x30EB;&#x30DC;&#x30CB;&#x30EB;&#x9084;&#x5143;&#x9175;&#x7D20; 2 &#x907A;&#x4F1D;&#x5B50; HCR2 &#x306E;&#x767A;&#x73FE;&#x3002;

&#xBCC0;&#xACBD; &#xB41C; &#xC720;&#xC804;&#xC790; &#xBC1C;&#xD604; &#xC720;&#xB3C4; &#xBC0F; &#xAC04;&#xC138;&#xD3EC; &#xC554; (HCC)&#xC758; &#xC720;&#xC9C0; &#xAD00;&#xB9AC;&#xC640; &#xAD00;&#xB828; &#xB418;&#xC5C8;&#xB2E4;. HCC&#xC5D0; hcr2&#xC758; &#xC758;&#xBBF8;&#xB97C; &#xD655;&#xC778; &#xD558;&#xB824;&#xBA74; &#xC5EC;&#xAE30; &#xC6B0;&#xB9AC; &#xC554; &#xC885; &#xACE0; semiquantitative &#xC5ED; &#xC804;&#xC0AC; &#xD6A8;&#xC18C; &#xC5F0;&#xC1C4; &#xBC18;&#xC751; (RT-PCR), &#xC11C;&#xCABD; &#xC624; &#xC810; &#xBD84;&#xC11D; &#xBC0F; immunohistochemical &#xC5BC;&#xB8E9;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC30D;&#xC744; &#xC774;&#xB8E8;&#xB294; &#xBE44; &#xC554; &#xC870;&#xC9C1; hcr2&#xC758; &#xC2DD; &#xC218;&#xC900;&#xC744; &#xBE44;&#xAD50; &#xD569;&#xB2C8;&#xB2E4;. &#xAC04;&#xC758; &#xC885;&#xC591;&#xACFC; &#xC885;&#xC591; &#xBB34;&#xB8CC; &#xACB0;&#xD569;&#xB41C; &#xC870;&#xC9C1; hcr2&#xC758; &#xC2DD; &#xBE44;&#xC728; (ER)&#xB294; &#xAC01;&#xAC01;&#xC758; &#xACBD;&#xC6B0;&#xC5D0; &#xB300; &#xD55C; &#xACC4;&#xC0B0; &#xD558; &#xACE0; &#xB370;&#xC774;&#xD130;&#xB294; clinicopathologically &#xBD84;&#xC11D;. HCR2 mRNA &#xD45C;&#xD604; HCC &#xC870;&#xC9C1;&#xC744; &#xC774;&#xB8E8;&#xB294; &#xC815;&#xC0C1; &#xC870;&#xC9C1;&#xC5D0; &#xBE44;&#xD574; &#xD06C;&#xAC8C; &#xAC10;&#xC18C; &#xB420; &#xAC83;&#xC744; &#xBC1C;&#xACAC; &#xD588;&#xB2E4; (P &lt; 0.001). Hcr2&#xB294; downregulated 58%&#xC5D0;&#xC11C; (n = 22) 38 HCC &#xD658;&#xC790;&#xC758;. HCR2 ER&#xB294; Edmondson&#xC758;&#xC5D0; &#xB354; &#xB192;&#xC740; &#xD559;&#xB144; &#xC804; / &#xADF8; &#xC2DC;&#xB0B4; Edmondson &#xBCF4;&#xB2E4; II carcinomas &#xD559;&#xB144; III/IV carcinomas (P &lt; 0.05). &#xC11C;&#xCABD; &#xC624; &#xC810; &#xBD84;&#xC11D; HCR2 3 4 HCC &#xD658;&#xC790;&#xC758; &#xC554; &#xC870;&#xC9C1;&#xC5D0;&#xC11C; &#xD2B9;&#xD788; &#xC6B0;&#xC6B8; &#xD588;&#xB2E4;. &#xD45C;&#xC2DC; &#xB41C; &#xB300;&#xBD80;&#xBD84;&#xC758; HCR2 &#xB2E8;&#xBC31;&#xC9C8; &#xC5BC;&#xB8E9; Immunohistochemical &#xC544;&#xB2CC; &#xC554; &#xC138;&#xD3EC;&#xC5D0; &#xCD95;&#xC801;. &#xC774; &#xACB0;&#xACFC; &#xBCC0;&#xACBD; &#xB41C; HCR2 &#xC2DD; &#xBC1C;&#xC554; &#xBC0F; HCC, &#xC9C4;&#xD589; &#xC5ED;&#xD560;&#xC744; &#xC7AC;&#xC0DD;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xADF8;&#xB9AC;&#xACE0; &#xADF8;&#xAC83;&#xC740; &#xC784;&#xC0C1; &#xC608; &#xD6C4;, &#xD45C;&#xC2DD;&#xC744; &#xACE0; &#xC7A0;&#xC7AC;&#xC801;&#xC778; &#xC548;&#xD2F0; HCC &#xB9C8;&#xC57D; &#xAC80;&#xC0AC;&#xB97C; &#xC704;&#xD55C; &#xBD84;&#xC790; &#xB300;&#xC0C1; &#xC218; &#xC81C;&#xC548; &#xD588;&#xB2E4;.

&#xAC04;&#xC138;&#xD3EC; &#xC554; &#xC885;&#xC5D0;&#xC11C; &#xC778;&#xAC04;&#xC758; carbonyl reductase 2 &#xC720;&#xC804;&#xC790; hcr2&#xC758; &#xAC10;&#xC18C; &#xC2DD;.

Expresi&oacute;n del gen alterado se asoci&oacute; con la inducci&oacute;n y el mantenimiento de carcinoma hepatocelular (HCC). Para determinar el significado de HCR2 en HCC, aqu&iacute; se comparan los niveles de expresi&oacute;n de HCR2 en carcinoma y en tejidos de no-carcinoma apareados usando la reacci&oacute;n en cadena de polimerasa semicuantitativa de reverso-transcripci&oacute;n (RT-PCR), an&aacute;lisis de Western blot y tinci&oacute;n inmunohistoqu&iacute;mica. La relaci&oacute;n (ER) de la expresi&oacute;n de HCR2 entre el tumor y los tejidos pares libres de tumor se calcul&oacute; para cada caso y los datos fueron clinicopathologically analizado. La expresi&oacute;n del ARNm de HCR2 fue encontrada para ser disminuy&oacute; significativamente en los tejidos HCC en comparaci&oacute;n con los tejidos normales emparejados (P &lt; 0.001). HCR2 fue regulada en 58% (n = 22) de 38 pacientes HCC. La ER de HCR2 fue mayor en Edmondson grado I / grado de carcinomas II que de eso Edmondson en carcinomas de III/IV (P &lt; 0.05). An&aacute;lisis de Western blot demostr&oacute; HCR2 ser notablemente deprimido en tejidos de carcinoma en 3 de cada 4 pacientes HCC. Immunohistochemical que manchaba indicado m&aacute;s prote&iacute;na HCR2 acumulado en c&eacute;lulas no-carcinoma. Estos resultados sugirieron que la expresi&oacute;n alterada de HCR2 podr&iacute;a desempe&ntilde;ar funciones en la carcinog&eacute;nesis y la progresi&oacute;n del CHC, y podr&iacute;a ser un marcador cl&iacute;nico de pron&oacute;stico y una Diana molecular para la detecci&oacute;n de posibles f&aacute;rmacos anti-HCC.

Expresi&oacute;n disminuida del humano carbonil reductasa 2 gen HCR2 en carcinoma hepatocelular.

&#x624B;&#x52A8;&#x7684;&#x6807;&#x5FD7;&#x7B26;&#x53F7;&#x8BED;&#x8A00;&#x751F;&#x6210;&#x548C;&#x4F7F;&#x7528;&#x4E09;&#x4E2A;&#x57FA;&#x672C;&#x6784;&#x9020;&#x5757;&#x89E3;&#x91CA;&#xFF1A; handshape&#xFF0C;&#x8FD0;&#x52A8;&#x548C;&#x53D1;&#x97F3;&#x90E8;&#x4F4D;&#x3002;&#x7ED3;&#x5408;&#x4F7F;&#x7528;&#x65F6;&#xFF0C;&#x8FD9;&#x4E09;&#x4E2A;&#x7EC4;&#x4EF6; &#xFF08;&#x4E0E; palm &#x65B9;&#x5411;&#xFF09; &#x552F;&#x4E00;&#x5730;&#x786E;&#x5B9A;&#x624B;&#x52A8;&#x7B26;&#x53F7;&#x7684;&#x542B;&#x4E49;&#x3002;&#x8FD9;&#x610F;&#x5473;&#x7740;&#x8FD9;&#x4E9B;&#x7EC4;&#x4EF6;&#x7684;&#x4E00;&#x4E2A;&#x5B50;&#x96C6;&#xFF0C;&#x53EA;&#x96C7;&#x7528;&#x7684;&#x6A21;&#x5F0F;&#x8BC6;&#x522B;&#x6280;&#x672F;&#x7684;&#x4F7F;&#x7528;&#x662F;&#x4E0D;&#x6070;&#x5F53;&#x7684;&#x89E3;&#x91CA;&#x7B26;&#x53F7;&#x6216;&#x751F;&#x6210;&#x7684;&#x8BED;&#x8A00;&#x81EA;&#x52A8;&#x8BC6;&#x522B;&#x5668;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x5B9A;&#x4E49;&#x6A21;&#x578B;&#x8FD9;&#x4E09;&#x4E2A;&#x57FA;&#x672C;&#x7EC4;&#x4EF6;&#x5F62;&#x5F0F;&#x7684;&#x4E00;&#x79CD;&#x7B97;&#x6CD5;&#x5355;&#x4E2A;&#x89C6;&#x9891;&#x5E8F;&#x5217;&#x7684;&#x4E8C;&#x7EF4;&#x56FE;&#x7247;&#x7684;&#x4E00;&#x4E2A;&#x6807;&#x5FD7;&#x3002;&#x7136;&#x540E;&#xFF0C;&#x7ED3;&#x5408;&#x8FD9;&#x4E09;&#x4E2A;&#x7EC4;&#x4EF6;&#x7684;&#x8BC6;&#x522B;&#x6765;&#x786E;&#x5B9A;&#x7C7B;&#x89C6;&#x9891;&#x7684;&#x6807;&#x5FD7;&#x3002;&#x5B9E;&#x9A8C; &#xFF08;&#x72EC;&#x7ACB;&#xFF09; &#x7F8E;&#x56FD;&#x624B;&#x8BED; (ASL) &#x6807;&#x5FD7;&#x7684;&#x6570;&#x636E;&#x5E93;&#x4E0A;&#x6267;&#x884C;&#x3002;&#x7ED3;&#x679C;&#x8868;&#x660E;&#x4F7F;&#x7528;&#x534A;&#x81EA;&#x52A8;&#x68C0;&#x6D4B;&#xFF0C;&#x6240;&#x6709;&#x4E09;&#x4E2A;&#x7EC4;&#x4EF6;&#x53EF;&#x4EE5;&#x53EF;&#x9760;&#x5730;&#x6062;&#x590D;&#x4ECE;&#x4E8C;&#x7EF4;&#x89C6;&#x9891;&#x5E8F;&#x5217;&#xFF0C;&#x5141;&#x8BB8;&#x7CBE;&#x786E;&#x7684;&#x4EE3;&#x8868;&#x6027;&#x548C;&#x8BA4;&#x53EF;&#x6807;&#x5FD7;&#x3002;

&#x5EFA;&#x6A21;&#x548C;&#x8BC6;&#x522B;&#x4E2D;&#x7F8E;&#x56FD;&#x624B;&#x8BED;&#x7684;&#x8BED;&#x8A00;&#x7EC4;&#x4EF6;&#x3002;

The manual signs in sign languages are generated and interpreted using three basic building blocks: handshape, motion, and place of articulation. When combined, these three components (together with palm orientation) uniquely determine the meaning of the manual sign. This means that the use of pattern recognition techniques that only employ a subset of these components is inappropriate for interpreting the sign or to build automatic recognizers of the language. In this paper, we define an algorithm to model these three basic components form a single video sequence of two-dimensional pictures of a sign. Recognition of these three components are then combined to determine the class of the signs in the videos. Experiments are performed on a database of (isolated) American Sign Language (ASL) signs. The results demonstrate that, using semi-automatic detection, all three components can be reliably recovered from two-dimensional video sequences, allowing for an accurate representation and recognition of the signs.

Modelling and Recognition of the Linguistic Components in American Sign Language.

Les signes manuels en langues des signes sont g&eacute;n&eacute;r&eacute;es et interpr&eacute;t&eacute;es &agrave; l&#39;aide de trois &eacute;l&eacute;ments de base : handshape, mouvement et le point d&#39;articulation. Lorsqu&#39;il est combin&eacute;, ces trois composants (ainsi que l&#39;orientation de la paume) d&eacute;terminent uniquement le sens du signe manuel. Cela signifie que l&#39;utilisation de techniques de reconnaissance de mod&egrave;le qui emploient seulement un sous-ensemble de ces composants est inappropri&eacute;e pour l&#39;interpr&eacute;tation du signe ou de construire des modules de reconnaissance automatiques de la langue. Dans cet article, nous d&eacute;finissons un algorithme permettant de mod&eacute;liser la forme de ces trois composants de base une seule s&eacute;quence vid&eacute;o des images bidimensionnelles d&#39;un signe. La reconnaissance de ces trois composantes sont ensuite combin&eacute;s pour d&eacute;terminer la classe des signes dans les vid&eacute;os. Des exp&eacute;riences sont effectu&eacute;es sur une base de donn&eacute;es des signes d&#39;American Sign Language (ASL) (isol&eacute;). Les r&eacute;sultats d&eacute;montrent que, &agrave; l&#39;aide de d&eacute;tection semi-automatique, tous les trois composants peuvent fiable r&eacute;cup&eacute;r&eacute;s dans des s&eacute;quences vid&eacute;o &agrave; deux dimensions, permettant une repr&eacute;sentation fid&egrave;le et la reconnaissance des signes.

Mod&eacute;lisation et reconnaissance des composants linguistiques en American Sign Language.

Die manuellen Zeichen in Geb&auml;rdensprachen werden generiert und mit drei Grundbausteine interpretiert: Handshape, Motorsteuerungs- und Ort der Artikulation. In Kombination dieser drei Komponenten (zusammen mit Palm-Orientierung) eindeutig die Bedeutung des Zeichens manuelle festzustellen. Dies bedeutet, dass die Verwendung von Muster-Anerkennung-Techniken, die nur eine Teilmenge dieser Komponenten besch&auml;ftigen ungeeignet f&uuml;r die Interpretation der Zeichens oder automatische Erkennung der Sprache zu erstellen. In diesem Papier definieren wir einem Algorithmus, um diese drei grundlegenden Komponenten bilden model eine einzige Videosequenz von zweidimensionalen Bildern eines Zeichens. Anerkennung dieser drei Komponenten werden dann kombiniert, um die Klasse der Zeichen in den Videos zu bestimmen. F&uuml;r eine Datenbank (isoliert) American Sign Language (ASL) Zeichen werden Experimente durchgef&uuml;hrt. Die Ergebnisse zeigen, dass mit halbautomatischer Erkennung, alle drei Komponenten zuverl&auml;ssig aus zweidimensionalen Videosequenzen, erm&ouml;glicht eine genaue Darstellung und die Anerkennung der Zeichen wiederhergestellt werden k&ouml;nnen.

Modellierung und Anerkennung der linguistischen Komponenten in amerikanische Geb&auml;rdensprache.

La segnaletica manuale nelle lingue dei segni sono generata e interpretato utilizzando tre blocchi predefiniti: handshape, movimento e luogo di articolazione. Combinati, questi tre componenti (insieme all&#39;orientamento del palmo) determinano in modo univoco il significato del segno manuale. Questo significa che l&#39;uso di tecniche di riconoscimento di pattern che impiegano solo un sottoinsieme di questi componenti &egrave; inappropriato per interpretare il segno o per costruire sistemi di riconoscimento automatici della lingua. In questa carta, si definisce un algoritmo per il modello di queste tre componenti di base form una singola sequenza video di immagini bidimensionali di un segno. Riconoscimento di questi tre componenti sono poi combinate per determinare la classe dei segni nei video. Gli esperimenti vengono eseguiti su un database di segni American Sign Language (ASL) (isolato). I risultati dimostrano che, tramite rilevamento semi-automatica, tutti i tre componenti possono essere attendibilmente recuperati da sequenze video bidimensionale, permettendo un&#39;accurata rappresentazione e riconoscimento dei segni.

Modellazione e riconoscimento delle componenti linguistici nella lingua dei segni americana.

&#x624B;&#x52D5;&#x6A19;&#x8B58;&#x8A18;&#x53F7;&#x8A00;&#x8A9E;&#x3067;&#x751F;&#x6210;&#x3055;&#x308C;&#x3001;3 &#x3064;&#x306E;&#x57FA;&#x672C;&#x7684;&#x306A;&#x30D3;&#x30EB;&#x30C7;&#x30A3;&#x30F3;&#x30B0; &#x30D6;&#x30ED;&#x30C3;&#x30AF;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x89E3;&#x91C8;: &#x624B;&#x8A71;&#x3001;&#x30E2;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3001;&#x304A;&#x3088;&#x3073;&#x8ABF;&#x97F3;&#x306E;&#x5834;&#x6240;&#x3002;&#x7D50;&#x5408;&#x3055;&#x308C;&#x305F;&#x3068;&#x304D;&#x3001;&#x3053;&#x308C;&#x3089; 3 &#x3064;&#x306E;&#x30B3;&#x30F3;&#x30DD;&#x30FC;&#x30CD;&#x30F3;&#x30C8; &#xFF08;&#x4E00;&#x7DD2;&#x306B;&#x624B;&#x306E;&#x3072;&#x3089;&#x306E;&#x5411;&#x304D;) &#x306F;&#x4E00;&#x610F;&#x306B;&#x624B;&#x52D5;&#x306E;&#x8A18;&#x53F7;&#x306E;&#x610F;&#x5473;&#x3092;&#x6C7A;&#x5B9A;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x306F;&#x3001;&#x3053;&#x308C;&#x3089;&#x306E;&#x30B3;&#x30F3;&#x30DD;&#x30FC;&#x30CD;&#x30F3;&#x30C8;&#x306E;&#x30B5;&#x30D6;&#x30BB;&#x30C3;&#x30C8;&#x306E;&#x307F;&#x3092;&#x63A1;&#x7528;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x8A8D;&#x8B58;&#x306E;&#x624B;&#x6CD5;&#x306E;&#x4F7F;&#x7528;&#x304C;&#x9069;&#x5207;&#x306A;&#x8A18;&#x53F7;&#x3092;&#x89E3;&#x91C8;&#x3059;&#x308B;&#x305F;&#x3081;&#x307E;&#x305F;&#x306F;&#x8A00;&#x8A9E;&#x306E;&#x81EA;&#x52D5;&#x8A8D;&#x8B58;&#x6A5F;&#x80FD;&#x3092;&#x69CB;&#x7BC9;&#x3059;&#x308B;&#x3092;&#x610F;&#x5473;&#x3057;&#x307E;&#x3059;&#x3002;&#x672C;&#x7A3F;&#x3067;&#x306F;, &#x5358;&#x4E00;&#x306E;&#x30D3;&#x30C7;&#x30AA; &#x30B7;&#x30FC;&#x30B1;&#x30F3;&#x30B9;&#x306E;&#x6A19;&#x8B58;&#x306E;&#x4E8C;&#x6B21;&#x5143;&#x753B;&#x50CF;&#x306E;&#x3053;&#x308C;&#x3089; 3 &#x3064;&#x306E;&#x57FA;&#x672C;&#x7684;&#x306A;&#x30B3;&#x30F3;&#x30DD;&#x30FC;&#x30CD;&#x30F3;&#x30C8;&#x306E;&#x30D5;&#x30A9;&#x30FC;&#x30E0;&#x3092;&#x30E2;&#x30C7;&#x30EB;&#x5316;&#x3059;&#x308B;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x5B9A;&#x7FA9;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089; 3 &#x3064;&#x306E;&#x30B3;&#x30F3;&#x30DD;&#x30FC;&#x30CD;&#x30F3;&#x30C8;&#x306E;&#x8A8D;&#x8B58;&#x306E;&#x52D5;&#x753B;&#x3067;&#x306F;&#x6A19;&#x8B58;&#x306E;&#x30AF;&#x30E9;&#x30B9;&#x3092;&#x6C7A;&#x5B9A;&#x3059;&#x308B;&#x7D50;&#x5408;&#x3057;&#x307E;&#x3059;&#x3002;&#x5B9F;&#x9A13; (&#x5206;&#x96E2;&#x30D7;&#x30ED;&#x30BB;&#x30B9;) &#x30A2;&#x30E1;&#x30EA;&#x30AB;&#x624B;&#x8A71; &#xFF08;ASL&#xFF09; &#x306E;&#x6A19;&#x8B58;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9;&#x3067;&#x5B9F;&#x884C;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x534A;&#x81EA;&#x52D5;&#x691C;&#x51FA;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3001;3 &#x3064;&#x306E;&#x30B3;&#x30F3;&#x30DD;&#x30FC;&#x30CD;&#x30F3;&#x30C8;&#x3092;&#x3059;&#x3079;&#x3066;&#x78BA;&#x5B9F;&#x306B;&#x3001;&#x6B63;&#x78BA;&#x306A;&#x8868;&#x73FE;&#x3068;&#x3001;&#x6A19;&#x8B58;&#x306E;&#x8A8D;&#x8B58;&#x3092;&#x53EF;&#x80FD;&#x306B;&#x3001;&#x4E8C;&#x6B21;&#x5143;&#x306E;&#x30D3;&#x30C7;&#x30AA; &#x30B7;&#x30FC;&#x30B1;&#x30F3;&#x30B9;&#x304B;&#x3089;&#x56DE;&#x5FA9;&#x3067;&#x304D;&#x308B;&#x3088;&#x3046;&#x306B;&#x304C;&#x793A;&#x5506;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;

&#x30E2;&#x30C7;&#x30EB;&#x5316;&#x3068;&#x8A8D;&#x8B58;&#x306E;&#x30A2;&#x30E1;&#x30EA;&#x30AB;&#x624B;&#x8A71;&#x8A00;&#x8A9E;&#x30B3;&#x30F3;&#x30DD;&#x30FC;&#x30CD;&#x30F3;&#x30C8;&#x3002;

&#xAE30;&#xD638; &#xC5B8;&#xC5B4;&#xC5D0; &#xC218;&#xB3D9; &#xC2E0;&#xD638; &#xC0DD;&#xC131; &#xB418; &#xACE0; &#xC138; &#xAC00;&#xC9C0; &#xAE30;&#xBCF8; &#xBE4C;&#xB529; &#xBE14;&#xB85D;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xD574;&#xC11D;: handshape, &#xBAA8;&#xC158; &#xBC0F; &#xC870;&#xC74C;&#xC758; &#xC7A5;&#xC18C;. &#xACB0;&#xD569; &#xB420; &#xB54C;, &#xC774;&#xB7EC;&#xD55C; &#xC138; &#xAC00;&#xC9C0; &#xAD6C;&#xC131; &#xC694;&#xC18C; (&#xC640; &#xD568;&#xAED8; &#xD31C; &#xBC29;&#xD5A5;) &#xC218;&#xB3D9; &#xB85C;&#xADF8;&#xC778;&#xC758; &#xC758;&#xBBF8;&#xB97C; &#xACE0;&#xC720; &#xD558; &#xAC8C; &#xACB0;&#xC815; &#xD569;&#xB2C8;&#xB2E4;. &#xC989;,&#xB294; &#xC774;&#xB7EC;&#xD55C; &#xAD6C;&#xC131; &#xC694;&#xC18C;&#xC758; &#xD558;&#xC704; &#xC9D1;&#xD569;&#xC744; &#xC0AC;&#xC6A9; &#xD558;&#xB294; &#xD328;&#xD134; &#xC778;&#xC2DD; &#xAE30;&#xC220;&#xC758; &#xC0AC;&#xC6A9; &#xAE30;&#xD638; &#xD574;&#xC11D;&#xC5D0; &#xB300; &#xD55C; &#xB610;&#xB294; &#xC790;&#xB3D9; &#xC778;&#xC2DD;&#xAE30; &#xC5B8;&#xC5B4;&#xC758; &#xAD6C;&#xCD95;&#xC5D0; &#xC801;&#xD569; &#xD558;&#xB2E4;&#xB294; &#xAC83;. &#xC774; &#xB17C;&#xBB38;&#xC5D0;&#xC11C;&#xB294; 2 &#xCC28;&#xC6D0; &#xC0AC;&#xC9C4; &#xC0AC;&#xC778;&#xC758; &#xB2E8;&#xC77C; &#xBE44;&#xB514;&#xC624; &#xC2DC;&#xD000;&#xC2A4; &#xC774;&#xB7EC;&#xD55C; &#xC138; &#xAC00;&#xC9C0; &#xAE30;&#xBCF8; &#xAD6C;&#xC131; &#xD615;&#xD0DC;&#xB97C; &#xBAA8;&#xB378;&#xB9C1; &#xD558;&#xB294; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xC815;&#xC758; &#xD569;&#xB2C8;&#xB2E4;. &#xC774;&#xB7EC;&#xD55C; &#xC138; &#xAC00;&#xC9C0; &#xAD6C;&#xC131; &#xC694;&#xC18C;&#xC758; &#xC778;&#xC2DD; &#xB3D9;&#xC601;&#xC0C1;&#xC5D0;&#xC11C; &#xD45C;&#xC2DC;&#xC758; &#xD074;&#xB798;&#xC2A4;&#xB97C; &#xD655;&#xC778; &#xD558;&#xB824;&#xBA74; &#xB2E4;&#xC74C; &#xACB0;&#xD569; &#xB429;&#xB2C8;&#xB2E4;. &#xC2E4;&#xD5D8; (&#xACE0;&#xB9BD; &#xB41C;) &#xBBF8;&#xAD6D; &#xC218; &#xD654; (ASL) &#xD45C;&#xC9C0;&#xD310;&#xC758; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4;&#xC5D0;&#xC11C; &#xC218;&#xD589; &#xB429;&#xB2C8;&#xB2E4;. &#xACB0;&#xACFC;, &#xC138;&#xBBF8;-&#xC790;&#xB3D9; &#xAC10;&#xC9C0;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xBAA8;&#xB4E0; &#xC138; &#xAC00;&#xC9C0; &#xAD6C;&#xC131; &#xC694;&#xC18C; &#xBCF5;&#xAD6C;&#xD560; &#xC218; &#xC788;&#xB3C4;&#xB85D; &#xC548;&#xC815;&#xC801;&#xC73C;&#xB85C; &#xC815;&#xD655;&#xD55C; &#xD45C;&#xD604;&#xACFC; &#xD45C;&#xC9C0;&#xD310;&#xC758; &#xC778;&#xC2DD;&#xC5D0; &#xB300; &#xD55C; &#xD5C8;&#xC6A9; &#xD558;&#xB294; 2 &#xCC28;&#xC6D0; &#xBE44;&#xB514;&#xC624; &#xC2DC;&#xD000;&#xC2A4;&#xC5D0;&#xC11C; &#xBCF4;&#xC5EC; &#xC90D;&#xB2C8;&#xB2E4;.

&#xBAA8;&#xB378;&#xB9C1; &#xBC0F; &#xBBF8;&#xAD6D; &#xC218; &#xD654;&#xC5D0; &#xC5B8;&#xC5B4; &#xAD6C;&#xC131; &#xC694;&#xC18C;&#xB97C; &#xC778;&#xC2DD; &#xD569;&#xB2C8;&#xB2E4;.

Las se&ntilde;ales manuales en lenguaje de se&ntilde;as se generan y se interpretan usando tres pilares b&aacute;sicos: se&ntilde;a, movimiento y lugar de la articulaci&oacute;n. Cuando se combinan, estos tres componentes (junto con la orientaci&oacute;n de la palma) &uacute;nicamente determinan el significado del signo manual. Esto significa que el uso de t&eacute;cnicas de reconocimiento de patr&oacute;n que emplean s&oacute;lo un subconjunto de estos componentes es inadecuado para la interpretaci&oacute;n de la se&ntilde;al o construir reconocedores autom&aacute;ticos de la lengua. En este papel, definimos un algoritmo para modelar la forma de estos tres componentes b&aacute;sicos de una sola secuencia de v&iacute;deo de im&aacute;genes bidimensionales de una se&ntilde;al. Reconocimiento de estos tres componentes se combinan para determinar la clase de los signos en los videos. Los experimentos se realizan en una base de datos de muestras (aislada) de lenguaje de se&ntilde;as americano (ASL). Los resultados demuestran que, usando la detecci&oacute;n semiautom&aacute;tica, los tres componentes pueden ser confiablemente recuperados de secuencias de v&iacute;deo bidimensionales, lo que permite una representaci&oacute;n precisa y reconocimiento de los signos.

Modelado y reconocimiento de los componentes ling&uuml;&iacute;sticos en lenguaje de se&ntilde;as americano.

&#x4EBA;&#x7C7B;&#x7FB0;&#x57FA;&#x8FD8;&#x539F;&#x9176; 1 (CBR1) &#x8F6C;&#x6362;&#x7684;&#x6297;&#x80BF;&#x7624;&#x836F;&#x7269;&#x548C;&#x84BD;&#x73AF;&#x7C7B;&#x836F;&#x7269;&#x67D4;&#x7EA2;&#x9709;&#x7D20; (DNR) &#x9152;&#x7CBE;&#x4EE3;&#x8C22;&#x4EA7;&#x7269; daunorubicinol (DNROL) &#x4E0E;&#x6297;&#x80BF;&#x7624;&#x6D3B;&#x6027;&#x663E;&#x8457;&#x964D;&#x4F4E;&#x548C;&#x5FC3;&#x810F;&#x6BD2;&#x6027;&#xFF0C;&#xFF0C;&#x8FD9;&#x5C31;&#x9650;&#x5236;&#x4E86;&#x4E34;&#x5E8A;&#x4F7F;&#x7528; DNR&#x3002;CBR1 &#x6291;&#x5236;&#x56E0;&#x6B64;&#x53EF;&#x4EE5;&#x589E;&#x52A0;&#x7597;&#x6548;&#x548C;&#x51CF;&#x5C11; DNR &#x7684;&#x6BD2;&#x6027;&#x3002;&#x5728;&#x8FD9;&#x91CC;&#x6211;&#x4EEC;&#x62A5;&#x544A;&#xFF0C;(-)-&#x8336;&#x7D20;&#x6CA1;&#x98DF;&#x5B50;&#x9178; (EGCG) &#x4ECE;&#x7EFF;&#x8336;&#x662F;&#x4E00;&#x79CD;&#x6709;&#x524D;&#x9014;&#x7684;&#x6291;&#x5236;&#x5242; CBR1&#x3002;EGCG &#x76F4;&#x63A5;&#x4E0E; CBR1 &#x8FDB;&#x884C;&#x4EA4;&#x4E92;&#xFF0C;&#x5E76;&#x4F5C;&#x4E3A;&#x51CF;&#x5C11;&#x8F85;&#x9176;&#x70DF;&#x9170;&#x80FA;&#x817A;&#x560C;&#x5464;&#x4E8C;&#x6838;&#x82F7;&#x9178;&#x78F7;&#x9178;&#x548C;&#x886C;&#x5E95;&#x975B;&#x7EA2;&#x7684;&#x7ADE;&#x4E89;&#x6027;&#x6291;&#x5236;&#x5242;&#x3002;&#x6291;&#x5236;&#x4F5C;&#x7528;&#x662F;&#x4F9D;&#x8D56;&#x4E8E; ph &#x503C;&#x548C;&#x513F;&#x8336;&#x7D20;&#x6CA1;&#x98DF;&#x5B50;&#x9178;&#x7ED3;&#x6784;&#x662F;&#x6240;&#x5FC5;&#x9700;&#x7684;&#x6D3B;&#x52A8;&#x3002;&#x5206;&#x5B50;&#x5EFA;&#x6A21;&#x8868;&#x660E; EGCG &#x5360;&#x636E;&#x7684; CBR1 &#x6D3B;&#x52A8;&#x7F51;&#x7AD9;&#x3002;&#x6B64;&#x5916;&#xFF0C;EGCG &#x4E13;&#x95E8;&#x589E;&#x5F3A;&#x6297;&#x80BF;&#x7624;&#x6D3B;&#x6027;&#x7684; DNR &#x6297;&#x809D;&#x764C; SMMC7721 &#x7EC6;&#x80DE;&#x8868;&#x8FBE;&#x9AD8;&#x6C34;&#x5E73;&#x7684; CBR1 &#x548C;&#x76F8;&#x5E94;&#x7684;&#x5F02;&#x79CD;&#x79FB;&#x690D;&#x3002;&#x6211;&#x4EEC;&#x8FD8;&#x8868;&#x660E; EGCG &#x80FD;&#x514B;&#x670D; DNR Hep3B &#x7EC6;&#x80DE;&#x7A33;&#x5B9A;&#x8868;&#x8FBE; CBR1 &#x4F46;&#x4E0D;&#x662F;&#x7531; RNA &#x5E72;&#x6270; CBR1 HepG2 &#x7EC6;&#x80DE;&#x7684;&#x6297;&#x6027;&#x3002;DNROL &#x4EE3;&#x8C22;&#x7269;&#x6C34;&#x5E73;&#x4EA7;&#x751F;&#x4E0D;&#x5229;&#x4E0E;&#x76F8;&#x5173;&#x7684; EGCG &#x7684;&#x5355;&#x5143;&#x683C;&#x4E2D;&#x63D0;&#x53D6;&#x3002;&#x6700;&#x540E;&#xFF0C;EGCG &#x4E0B;&#x8DCC; DNR &#x7684;&#x6BD2;&#x6027;&#x4F5C;&#x7528;&#x5C0F;&#x9F20; SMMC7721 &#x548C; Hep3B &#x7EC6;&#x80DE;&#x4E0E;&#x764C;&#x7EC6;&#x80DE;&#x5F02;&#x79CD;&#x79FB;&#x690D;&#x6A21;&#x578B;&#x4E2D;&#x3002;&#x7ED3;&#x8BBA;&#xFF1A; &#x8FD9;&#x4E9B;&#x7ED3;&#x679C;&#x5F3A;&#x70C8;&#x8868;&#x660E; EGCG &#x53EF;&#x6291;&#x5236; CBR1 &#x6D3B;&#x52A8;&#x548C;&#x63D0;&#x9AD8;&#x6548;&#x7387;&#xFF0C;&#x5E76;&#x51CF;&#x5C11;&#x5FC3;&#x810F;&#x6BD2;&#x6027;&#x7684;&#x6297;&#x764C;&#x836F;&#x7269; DNR&#x3002;&#x8FD9;&#x4E9B;&#x7814;&#x7A76;&#x7ED3;&#x679C;&#x8FD8;&#x8868;&#x660E; EGCG &#x548C; DNR &#x7684;&#x7EC4;&#x5408;&#x53EF;&#x80FD;&#x8868;&#x793A;&#x809D;&#x7EC6;&#x80DE;&#x764C;&#x6CBB;&#x7597;&#x6216;&#x5316;&#x5B66;&#x9884;&#x9632;&#x7684;&#x65B0;&#x7B56;&#x7565;&#x3002;

&#x7FB0;&#x57FA;&#x8FD8;&#x539F;&#x9176;&#x4F5C;&#x4E3A;&#x4E00;&#x79CD;&#x65B0;&#x578B;&#x7684;&#x76EE;&#x6807; 1 &#x7684; (-)-&#x8336;&#x7D20;&#x6CA1;&#x98DF;&#x5B50;&#x9178;&#x5BF9;&#x809D;&#x7EC6;&#x80DE;&#x764C;&#x3002;

Human carbonyl reductase 1 (CBR1) converts the antitumor drug and anthracycline daunorubicin (DNR) into the alcohol metabolite daunorubicinol (DNROL) with significantly reduced antitumor activity and cardiotoxicity, and this limits the clinical use of DNR. Inhibition of CBR1 can thus increase the efficacy and decrease the toxicity of DNR. Here we report that (-)-epigallocatechin gallate (EGCG) from green tea is a promising inhibitor of CBR1. EGCG directly interacts with CBR1 and acts as a noncompetitive inhibitor with respect to the cofactor reduced nicotinamide adenine dinucleotide phosphate and the substrate isatin. The inhibition is dependent on the pH, and the gallate moiety of EGCG is required for activity. Molecular modeling has revealed that EGCG occupies the active site of CBR1. Furthermore, EGCG specifically enhanced the antitumor activity of DNR against hepatocellular carcinoma SMMC7721 cells expressing high levels of CBR1 and corresponding xenografts. We also demonstrated that EGCG could overcome the resistance to DNR by Hep3B cells stably expressing CBR1 but not by RNA interference of CBR1-HepG2 cells. The level of the metabolite DNROL was negatively correlated with that of EGCG in the cell extracts. Finally, EGCG decreased the cardiotoxicity of DNR in a human carcinoma xenograft model with both SMMC7721 and Hep3B cells in mice. Conclusion: These results strongly suggest that EGCG can inhibit CBR1 activity and enhance the effectiveness and decrease the cardiotoxicity of the anticancer drug DNR. These findings also indicate that a combination of EGCG and DNR might represent a novel approach for hepatocellular carcinoma therapy or chemoprevention.

Carbonyl reductase 1 as a novel target of (-)-epigallocatechin gallate against hepatocellular carcinoma.

R&eacute;ductase humaine carbonyle 1 (CBR1) convertit les m&eacute;dicaments antitumoraux et anthracycline daunorubicine (DNR) dans le daunorubicinol de m&eacute;tabolite de l&#39;alcool (DNROL) r&eacute;duite significativement l&#39;activit&eacute; antitumorale et de cardiotoxicit&eacute; et cela limite l&#39;utilisation clinique de DNR. L&#39;inhibition de la CBR1 peut ainsi augmenter l&#39;efficacit&eacute; et diminuer la toxicit&eacute; du MRN. Nous rapportons ici que (&ndash;)-&eacute;pigallocat&eacute;chine gallate (EGCG) du th&eacute; vert est un inhibiteur prometteur de CBR1. EGCG directement interagit avec CBR1 et agit comme un inhibiteur non comp&eacute;titif en ce qui concerne le cofacteur r&eacute;duit nicotinamide ad&eacute;nine dinucl&eacute;otide phosphate et l&#39;isatine de substrat. L&#39;inhibition est d&eacute;pendante du pH, et la voie gallate EGCG est n&eacute;cessaire pour l&#39;activit&eacute;. Mod&eacute;lisation mol&eacute;culaire a r&eacute;v&eacute;l&eacute; que l&#39;EGCG occupe le site actif de CBR1. En outre, EGCG am&eacute;lior&eacute; sp&eacute;cifiquement les antitumoraux activit&eacute; de DNR contre carcinome h&eacute;patocellulaire SMMC7721 cellules exprimant des niveaux &eacute;lev&eacute;s de CBR1 et x&eacute;nogreffes correspondantes. Nous avons aussi d&eacute;montr&eacute; que l&#39;EGCG pourrait surmonter la r&eacute;sistance &agrave; la DNR par les cellules Hep3B CBR1 exprimant de mani&egrave;re stable, mais non par l&#39;interf&eacute;rence d&#39;ARN des cellules CBR1-HepG2. Le niveau du m&eacute;tabolite DNROL corr&eacute;lation n&eacute;gative avec que des EGCG dans la cellule des extraits. Enfin, l&#39;EGCG a diminu&eacute; la cardiotoxicit&eacute; de DNR dans un mod&egrave;le de x&eacute;nogreffe de carcinome humain avec les SMMC7721 et Hep3B cellules de souris. Conclusion : Ces r&eacute;sultats sugg&egrave;rent fortement que EGCG peut inhiber l&#39;activit&eacute; CBR1 et am&eacute;liorer l&#39;efficacit&eacute; et diminuer la cardiotoxicit&eacute; de la drogue anticanc&eacute;reuse DNR. Ces r&eacute;sultats indiquent aussi qu&#39;une combinaison d&#39;EGCG et DNR constituent une nouvelle approche pour le traitement du carcinome h&eacute;patocellulaire ou chimiopr&eacute;vention.

R&eacute;ductase de carbonyle 1 comme une nouvelle cible de (&ndash;)-&eacute;pigallocat&eacute;chine gallate contre carcinome h&eacute;patocellulaire.

Menschliche Carbonyl-Reduktase 1 (CBR1) konvertiert antitumor Drogen- und Anthrazyklin Daunorubicin (DNR) in den Alkohol Metabolit Daunorubicinol (DNROL) mit deutlich reduzierten antitumor-Aktivit&auml;t und Cardiotoxine und Dies schr&auml;nkt die klinische Verwendung von DNR. Hemmung der CBR1 kann so die Wirksamkeit zu erh&ouml;hen und verringern die Toxizit&auml;t des DNR. Hier berichten wir, dass (-)-Epigallocatechingallat (EGCG) aus gr&uuml;nem Tee ist ein vielversprechender Inhibitor der CBR1. EGCG direkt interagiert mit CBR1 und fungiert als ein au&szlig;er Konkurrenz-Hemmer bez&uuml;glich der Cofaktor reduziert-Nicotinamid-adenin-dinucleotid-phosphat und das Substrat Isatin. Die Hemmung ist abh&auml;ngig von der pH-Wert und die Gallate Teil von EGCG ist notwendig f&uuml;r die Schneidefunktion. Molekulare Modellierung hat ergeben, dass EGCG die aktive Seite des CBR1 belegt. Dar&uuml;ber hinaus verbessert insbesondere EGCG die antitumor Aktivit&auml;t des DNR gegen Hepatozellul&auml;res Karzinom SMMC7721 Zellen auszudr&uuml;cken hohe CBR1 und entsprechenden Xenografts. Wir zeigte auch, dass EGCG die Resistenz gegen DNR von Hep3B Zellen stabil ausdr&uuml;ckt CBR1 aber nicht von RNA-Interferenz CBR1-HepG2-Zellen &uuml;berwinden konnte. Das Ma&szlig; der Metabolit DNROL war negativ korreliert mit, dass von EGCG in der Zelle extrahiert. Schlie&szlig;lich sank EGCG die Cardiotoxine des DNR in einem menschlichen Karzinom-Xenograft--Modell mit SMMC7721 und Hep3B Zellen in M&auml;usen. Fazit: Diese Ergebnisse empfehlen dringend, dass EGCG kann CBR1 Aktivit&auml;t zu hemmen und die Effizienz steigern und die Cardiotoxine der krebsbek&auml;mpfende Droge DNR zu verringern. Diese Befunde zeigen auch, dass eine Kombination von EGCG und DNR einen neuartigen Ansatz f&uuml;r das Hepatozellul&auml;re Karzinom Therapie oder Chemoprevention darstellen k&ouml;nnte.

Carbonyl-Reduktase 1 als neuartige Ziel (-)-Epigallocatechingallat gegen hepatozellul&auml;ren Karzinom.

Reduttasi umana carbonile 1 (CBR1) converte il farmaco antitumorale e antracicline daunorubicina (DNR) l&#39;alcol metabolita daunorubicinol (DNROL) con significativamente ridotta attivit&agrave; antitumorale e cardiotoxicity, e questo limita l&#39;uso clinico della DNR. Inibizione di CBR1 pu&ograve; cos&igrave; aumentare l&#39;efficacia e diminuire la tossicit&agrave; della DNR. Qui riportiamo quello (-)-epigallocatechina gallato (EGCG) da t&egrave; verde &egrave; un inibitore di CBR1 promettente. EGCG direttamente interagisce con CBR1 e agisce come un inibitore non competitivo per quanto riguarda il cofattore ridotto nicotinammide adenina dinucleotide fosfato e il substrato isatin. L&#39;inibizione dipende dal pH, e il gruppo Gallato di EGCG &egrave; necessaria per l&#39;attivit&agrave;. Modellazione molecolare ha rivelato che l&#39;EGCG occupa il sito attivo della CBR1. Inoltre, EGCG enhanced specificamente l&#39;antitumorale attivit&agrave; di DNR contro il carcinoma epatocellulare SMMC7721 le cellule che esprimono alti livelli di CBR1 e xenotrapianti corrispondente. Abbiamo anche dimostrato che EGCG potrebbe superare la resistenza di DNR Hep3B cellule che esprimono stabilmente CBR1 ma non interferenza del RNA di cellule HepG2 CBR1. Il livello di un metabolita di DNROL era negativamente correlato con EGCG nella cella estratti. Infine, EGCG &egrave; diminuito il cardiotoxicity di DNR in un modello di xenoinnesto carcinoma umano con cellule sia SMMC7721 e Hep3B nei topi. Conclusioni: Questi risultati suggeriscono fortemente che EGCG pu&ograve; inibire l&#39;attivit&agrave; CBR1 e migliorare l&#39;efficacia e diminuire il cardiotoxicity del farmaco antitumorale DNR. Questi risultati indicano anche che una combinazione di EGCG e DNR potrebbe rappresentare un nuovo approccio per la terapia del carcinoma epatocellulare o chemioprevenzione.

Reduttasi carbonile 1 come destinazione di romanzo di (-)-epigallocatechina gallato contro il carcinoma epatocellulare.

&#x5927;&#x5E45;&#x306B;&#x524A;&#x6E1B;&#x306E;&#x6297;&#x816B;&#x760D;&#x6D3B;&#x6027;&#x3068;&#x5FC3;&#x6BD2;&#x6027;&#x306B;&#x6297;&#x816B;&#x760D;&#x85AC;&#x3068;&#x30A2;&#x30F3;&#x30C8;&#x30E9;&#x30B5;&#x30A4;&#x30AF;&#x30EA;&#x30F3; &#x30C0;&#x30A6;&#x30CE;&#x30EB;&#x30D3;&#x30B7;&#x30F3; (DNR) &#x30A2;&#x30EB;&#x30B3;&#x30FC;&#x30EB;&#x4EE3;&#x8B1D;&#x7523;&#x7269; daunorubicinol &#xFF08;DNROL&#xFF09; &#x306B;&#x4EBA;&#x9593;&#x306E;&#x30AB;&#x30EB;&#x30DC;&#x30CB;&#x30EB;&#x9084;&#x5143;&#x9175;&#x7D20; 1 (CBR1) &#x3092;&#x5909;&#x63DB;&#x3057;&#x3001;&#x3053;&#x308C; DNR &#x306E;&#x81E8;&#x5E8A;&#x4F7F;&#x7528;&#x3092;&#x5236;&#x9650;&#x3057;&#x307E;&#x3059;&#x3002;CBR1 &#x306E;&#x963B;&#x5BB3;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x3001;&#x52B9;&#x529B;&#x611F;&#x3092;&#x9AD8;&#x3081;&#x308B;&#x3057;&#x3001;DNR &#x306E;&#x6BD2;&#x6027;&#x3092;&#x6E1B;&#x5C11;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x3053;&#x3053;&#x3067;&#x306F;&#x5831;&#x544A;&#x305D;&#x306E; (-)-&#x30A8;&#x30D4;&#x30AC;&#x30ED;&#x30AB;&#x30C6;&#x30AD;&#x30F3;&#x30AC; &#x30EC;&#x30FC;&#x30C8; (EGCG) &#x7DD1;&#x8336;&#x304B;&#x3089; CBR1 &#x306E;&#x6709;&#x671B;&#x306A;&#x963B;&#x5BB3;&#x5264;&#x3067;&#x3059;&#x3002;EGCG &#x306F;&#x76F4;&#x63A5; CBR1 &#x3068;&#x5BFE;&#x8A71;&#x3057;&#x3066;&#x56E0;&#x5B50;&#x6E1B;&#x5C11;&#x30CB;&#x30B3;&#x30C1;&#x30F3;&#x30A2;&#x30DF;&#x30C9;&#x30A2;&#x30C7;&#x30CB;&#x30F3;&#x30B8;&#x30CC;&#x30AF;&#x30EC;&#x30AA;&#x30C1;&#x30C9;&#x30EA;&#x30F3;&#x9178;&#x3068;&#x57FA;&#x677F;&#x30A4;&#x30B5;&#x30C1;&#x30F3;&#x306B;&#x95A2;&#x3057;&#x3066;&#x975E;&#x7AF6;&#x5408;&#x7684;&#x963B;&#x5BB3;&#x5264;&#x3068;&#x3057;&#x3066;&#x306E;&#x884C;&#x70BA;&#x3002;&#x6291;&#x5236;&#x306F; pH &#x306B;&#x4F9D;&#x5B58;&#x3057; EGCG &#x306E;&#x6CA1;&#x98DF;&#x5B50;&#x9178;&#x90E8;&#x4F4D;&#x306E;&#x6D3B;&#x52D5;&#x304C;&#x5FC5;&#x8981;&#x3067;&#x3059;&#x3002;&#x5206;&#x5B50;&#x30E2;&#x30C7;&#x30EA;&#x30F3;&#x30B0; EGCG CBR1 &#x306E;&#x6D3B;&#x6027;&#x90E8;&#x4F4D;&#x3092;&#x5360;&#x3081;&#x3066;&#x3044;&#x308B;&#x3053;&#x3068;&#x3092;&#x660E;&#x3089;&#x304B;&#x306B;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x307E;&#x305F;&#x3001;EGCG &#x306F;&#x3001;&#x5177;&#x4F53;&#x7684;&#x306B;&#x306F;&#x3001;&#x6297;&#x816B;&#x760D;&#x5F37;&#x5316; DNR &#x306E;&#x6D3B;&#x52D5;&#x306B;&#x5BFE;&#x3059;&#x308B;&#x809D;&#x7D30;&#x80DE;&#x764C; SMMC7721 &#x7D30;&#x80DE; CBR1 &#x3068;&#x5BFE;&#x5FDC;&#x3059;&#x308B;&#x7570;&#x7A2E;&#x79FB;&#x690D;&#x7247;&#x306E;&#x8868;&#x73FE;&#x3059;&#x308B;&#x9AD8;&#x30EC;&#x30D9;&#x30EB;&#x3002;&#x6211;&#x3005; &#x3082; EGCG DNR &#x5B89;&#x5B9A; CBR1 &#x3092;&#x8868;&#x73FE;&#x3059;&#x308B; Hep3B &#x30BB;&#x30EB;&#x3067;&#x306F;&#x306A;&#x3044; CBR1 HepG2 &#x7D30;&#x80DE;&#x306E; RNA &#x5E72;&#x6E09;&#x3078;&#x306E;&#x62B5;&#x6297;&#x3092;&#x514B;&#x670D;&#x3067;&#x304D;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x305F;&#x3002;DNROL &#x4EE3;&#x8B1D;&#x7269;&#x306E;&#x30EC;&#x30D9;&#x30EB;&#x306B;&#x60AA;&#x5F71;&#x97FF; EGCG &#x306E;&#x30BB;&#x30EB;&#x306E;&#x62BD;&#x51FA;&#x3059;&#x308B;&#x76F8;&#x95A2;&#x3092;&#x793A;&#x3057;&#x305F;&#x3002;&#x6700;&#x5F8C;&#x306B;&#x3001;EGCG &#x306F;&#x3001;DNR &#x306E;&#x5FC3;&#x6BD2;&#x6027;&#x3072;&#x3068;&#x764C;&#x7570;&#x7A2E;&#x79FB;&#x690D;&#x30E2;&#x30C7;&#x30EB; &#x30DE;&#x30A6;&#x30B9;&#x306B;&#x304A;&#x3051;&#x308B; SMMC7721 &#x3068; Hep3B &#x306E;&#x4E21;&#x65B9;&#x306E;&#x30BB;&#x30EB;&#x306B;&#x6E1B;&#x5C11;&#x3002;&#x7D50;&#x8AD6;&#xFF1A; &#x3053;&#x308C;&#x3089;&#x306E;&#x7D50;&#x679C;&#x306F; EGCG CBR1 &#x6D3B;&#x6027;&#x3092;&#x963B;&#x5BB3;&#x3057;&#x3001;&#x52B9;&#x679C;&#x3092;&#x5F37;&#x5316;&#x3084;&#x6297;&#x304C;&#x3093;&#x5264; DNR &#x306E;&#x5FC3;&#x6BD2;&#x6027;&#x3092;&#x6E1B;&#x5C11;&#x3055;&#x305B;&#x308B;&#x3053;&#x3068;&#x3092;&#x5F37;&#x304F;&#x304A;&#x52E7;&#x3081;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x8ABF;&#x67FB;&#x7D50;&#x679C;&#x306F;&#x307E;&#x305F;&#x3001;EGCG &#x304A;&#x3088;&#x3073; DNR &#x306E;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x304C;&#x809D;&#x7D30;&#x80DE;&#x764C;&#x6CBB;&#x7642;&#x307E;&#x305F;&#x306F;&#x4E88;&#x9632;&#x306E;&#x305F;&#x3081;&#x306E;&#x65B0;&#x305F;&#x306A;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x8868;&#x3059;&#x3060;&#x308D;&#x3046;&#x3068;&#x3092;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;

&#x30AB;&#x30EB;&#x30DC;&#x30CB;&#x30EB;&#x9084;&#x5143;&#x9175;&#x7D20; 1 &#x65B0;&#x3057;&#x3044;&#x6A19;&#x7684;&#x3068;&#x3057;&#x3066;&#x306E; (-)-&#x30A8;&#x30D4;&#x30AC;&#x30ED;&#x30AB;&#x30C6;&#x30AD;&#x30F3;&#x30AC; &#x30EC;&#x30FC;&#x30C8;&#x809D;&#x7D30;&#x80DE;&#x764C;&#x306B;&#x5BFE;&#x3057;&#x3066;&#x3002;

&#xC778;&#xAC04; &#xCE74; reductase 1 (CBR1) &#xBCC0;&#xD658; antitumor &#xB9C8;&#xC57D;&#xACFC; &#xC548;&#xD2B8;&#xB77C;&#xC0AC;&#xC774;&#xD074;&#xB9B0; daunorubicin (DNR) &#xC54C;&#xCF54;&#xC62C; &#xB300;&#xC0AC; &#xC0B0;&#xBB3C; daunorubicinol (DNROL)&#xB85C; &#xD06C;&#xAC8C; &#xAC10;&#xC18C; antitumor &#xD65C;&#xB3D9;&#xACFC; cardiotoxicity&#xC640; &#xD558; &#xACE0; DNR&#xC758; &#xC784;&#xC0C1; &#xC0AC;&#xC6A9; &#xC81C;&#xD55C;. &#xB530;&#xB77C;&#xC11C; cbr1&#xC758; &#xC800;&#xD574; &#xD6A8;&#xB2A5; &#xB192;&#xC778; DNR&#xC758; &#xB3C5;&#xC131;&#xC744; &#xC904;&#xC77C; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC5EC;&#xAE30;&#xC11C; &#xC6B0;&#xB9AC;&#xB294; (-) &#xBCF4;&#xACE0;&#xC11C;-&#xB179;&#xCC28;&#xC5D0;&#xC11C; epigallocatechin gallate (EGCG) cbr1&#xC758; &#xC720;&#xB9DD;&#xD55C; &#xC5B5;&#xC81C;&#xC81C; &#xC774;&#xB2E4;. EGCG &#xC9C1;&#xC811; CBR1 &#xC0C1;&#xD638; &#xC791;&#xC6A9; &#xD558;&#xB294; &#xD558; &#xAC10;&#xC18C; cofactor &#xB2C8;&#xCF54;&#xD2F4;&#xC544;&#xBBF8;&#xB4DC; &#xC544;&#xB370;&#xB2CC; &#xB514;&#xB274;&#xD074;&#xB808;&#xC624;&#xD2F0;&#xB4DC; &#xC778;&#xC0B0; &#xC5FC; &#xBC0F; &#xAE30;&#xD310; isatin &#xD68C;&#xC7A5; &#xC5B5;&#xC81C;&#xC81C; &#xC5ED;&#xD560;&#xC744; &#xD569;&#xB2C8;&#xB2E4;. &#xC5B5;&#xC81C;&#xB294; Ph&#xC5D0; &#xB530;&#xB77C; &#xB2EC;&#xB77C; &#xC9D1;&#xB2C8;&#xB2E4; &#xBC0F; EGCG&#xC758; gallate moiety &#xD65C;&#xB3D9;&#xC5D0; &#xB300; &#xD55C; &#xD544;&#xC694; &#xD569;&#xB2C8;&#xB2E4;. &#xBD84;&#xC790; &#xBAA8;&#xB378;&#xB9C1; EGCG &#xCC28;&#xC9C0; cbr1&#xC758; &#xD65C;&#xC131; &#xC0AC;&#xC774;&#xD2B8; &#xACF5;&#xAC1C; &#xD588;&#xB2E4;. &#xB610;&#xD55C; EGCG &#xD2B9;&#xBCC4;&#xD788; &#xAC15;&#xD654;&#xB294; antitumor &#xAC04;&#xC138;&#xD3EC; &#xC554; &#xC885; smmc7721&#xC5D0; &#xB300; &#xD55C; DNR&#xC758; &#xC791;&#xC5C5; &#xC140; CBR1 &#xBC0F; &#xD574;&#xB2F9; xenografts&#xC758; &#xB192;&#xC740; &#xC218;&#xC900;&#xC758; &#xD45C;&#xD604;. &#xC6B0;&#xB9AC;&#xB294; &#xB610;&#xD55C; EGCG DNR CBR1 HepG2 &#xC138;&#xD3EC;&#xC758; RNA &#xAC04;&#xC12D; &#xD558;&#xC9C0;&#xB9CC; Hep3B &#xC138;&#xD3EC;&#xB97C; &#xC548;&#xC815;&#xC801;&#xC73C;&#xB85C; cbr1&#xC744; &#xD45C;&#xD604; &#xD558; &#xC5EC;&#xC5D0; &#xB300; &#xD55C; &#xC800;&#xD56D;&#xC744; &#xADF9;&#xBCF5;&#xD560; &#xC218; &#xC2DC;&#xC5F0; &#xD588;&#xB2E4;. DNROL &#xB300;&#xC0AC; &#xC0B0;&#xBB3C;&#xC758; &#xB808;&#xBCA8;&#xC740; &#xBD80;&#xC815;&#xC801;&#xC778; &#xC138;&#xD3EC;&#xC5D0; EGCG&#xC758; &#xCD94;&#xCD9C;&#xC640; &#xC0C1;&#xAD00; &#xB41C;&#xB2E4;. &#xB9C8;&#xC9C0;&#xB9C9;&#xC73C;&#xB85C;, EGCG &#xC950;&#xC5D0; smmc7721&#xACFC; Hep3B &#xC138;&#xD3EC;&#xC640; &#xC778;&#xAC04;&#xC758; &#xC554; &#xB1CC;&#xC885;&#xC591; &#xBAA8;&#xB378;&#xC5D0;&#xC11C; DNR cardiotoxicity &#xAC10;&#xC18C;. &#xACB0;&#xB860;: &#xC774;&#xB7EC;&#xD55C; &#xACB0;&#xACFC; EGCG &#xC218; CBR1 &#xD65C;&#xB3D9;&#xC744; &#xC5B5;&#xC81C; &#xD558; &#xACE0; &#xD6A8;&#xC728;&#xC131;&#xC744; &#xD5A5;&#xC0C1; &#xBC0F; &#xD56D; &#xC554; &#xC57D;&#xBB3C; DNR cardiotoxicity &#xAC10;&#xC18C;&#xB294; &#xAC15;&#xB825; &#xD558; &#xAC8C; &#xAD8C;&#xD574; &#xB4DC;&#xB9BD;&#xB2C8;&#xB2E4;. &#xC774;&#xB7EC;&#xD55C; &#xC5F0;&#xAD6C; &#xACB0;&#xACFC; &#xB610;&#xD55C; EGCG&#xC640; DNR &#xAC04;&#xC138;&#xD3EC; &#xC554; &#xC885; &#xCE58;&#xB8CC; &#xB610;&#xB294; &#xC790;&#xC131;&#xC5D0; &#xB300; &#xD55C; &#xC0C8;&#xB85C;&#xC6B4; &#xC811;&#xADFC; &#xBC29;&#xC2DD;&#xC744; &#xB098;&#xD0C0;&#xB0BC; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xB098;&#xD0C0;&#xB0C5;&#xB2C8;&#xB2E4;.

(-)&#xC758; carbonyl reductase &#xC18C;&#xC124;&#xC744; &#xB300;&#xC0C1;&#xC73C;&#xB85C; 1-epigallocatechin gallate &#xAC04;&#xC138;&#xD3EC; &#xC554; &#xC885;&#xC5D0; &#xB300;&#xD558;&#xC5EC;.

Reductasa de carbonilo humano 1 (CBR1) convierte la droga antitumoral y antraciclina daunorrubicina (DNR) en el daunorubicinol del metabolito del alcohol (DNROL) con una reducci&oacute;n significativa actividad antitumoral y cardiotoxicidad, y esto limita el uso cl&iacute;nico de DNR. Inhibici&oacute;n de CBR1 as&iacute; puede aumentar la eficacia y disminuir la toxicidad de DNR. Aqu&iacute; divulgamos que (-)-galato de epigalocatequina (EGCG) del t&eacute; verde es un inhibidor de la prometedora de CBR1. EGCG directamente interact&uacute;a con CBR1 y act&uacute;a como un inhibidor no competitivo con respecto al cofactor reducido nicotinamida adenina dinucle&oacute;tido fosfato y el sustrato isatin. La inhibici&oacute;n es dependiente en el pH, y la mol&eacute;cula de galato de EGCG se requiere para la actividad. Modelado molecular ha revelado que EGCG ocupa el sitio activo de CBR1. Adem&aacute;s, EGCG mejorado espec&iacute;ficamente el antitumoral actividad de DNR contra carcinoma hepatocelular SMMC7721 las c&eacute;lulas que expresan altos niveles de CBR1 y xenoinjertos correspondientes. Tambi&eacute;n demostramos que EGCG podr&iacute;a vencer la resistencia a DNR por c&eacute;lulas Hep3B estable expresando CBR1 pero no por la interferencia del ARN de las c&eacute;lulas HepG2-CBR1. El nivel del metabolito DNROL se correlacion&oacute; negativamente con que de EGCG en la c&eacute;lula extractos. Finalmente, EGCG disminuy&oacute; la cardiotoxicidad de DNR en un modelo de xenoinjerto de carcinoma humano con c&eacute;lulas tanto SMMC7721 y Hep3B en ratones. CONCLUSI&Oacute;N: Estos resultados sugieren fuertemente que EGCG puede inhibir la actividad de CBR1 y aumentar la eficacia y disminuir la cardiotoxicidad de la droga antic&aacute;ncer DNR. Estos resultados tambi&eacute;n indican que una combinaci&oacute;n de EGCG y DNR podr&iacute;a representar un nuevo enfoque para el tratamiento de carcinoma hepatocelular o quimioprevenci&oacute;n.

Reductasa de carbonilo 1 como una nueva Diana de (-)-galato de epigalocatequina contra el carcinoma hepatocelular.

&#x4EBA;&#x8138;&#x68C0;&#x6D4B;&#x57FA;&#x4E8E;&#x5916;&#x89C2;&#x7684;&#x65B9;&#x6CD5;&#x5728;&#x8FC7;&#x53BB;&#x7684;&#x51E0;&#x5E74;&#x4E2D;&#x53D6;&#x5F97;&#x4E86;&#x4F1F;&#x5927;&#x8FDB;&#x6B65;&#x3002;&#x5728;&#x6B64;&#x65B9;&#x6CD5;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x4E86;&#x89E3;&#x56FE;&#x50CF;&#x7EDF;&#x8BA1;&#x63CF;&#x8FF0;&#x6211;&#x4EEC;&#x60F3;&#x8981;&#x4F8B;&#x5982;&#xFF0C;&#x4EBA;&#x8138;&#x68C0;&#x6D4B;&#x7684;&#x5BF9;&#x8C61;&#x7C7B;&#x7684;&#x7EB9;&#x7406;&#x56FE;&#x6848; &#xFF08;&#x5916;&#x89C2;&#xFF09;&#x3002;&#x4F46;&#x662F;&#xFF0C;&#x8FD9;&#x79CD;&#x65B9;&#x6CD5;&#x4EA7;&#x751F;&#x4E86;&#x6709;&#x9650;&#x7684;&#x6210;&#x529F;&#x63D0;&#x4F9B;&#x5185;&#x90E8;&#x7684;&#x9762;&#x90E8;&#x7279;&#x5F81;&#xFF0C;&#x5373;&#x773C;&#x3001; &#x7709;&#x3001; &#x9F3B;&#x548C;&#x5634;&#x7684;&#x51C6;&#x786E;&#x548C;&#x8BE6;&#x7EC6;&#x7684;&#x8BF4;&#x660E;&#x3002;&#x4E00;&#x822C;&#x60C5;&#x51B5;&#x4E0B;&#xFF0C;&#x8FD9;&#x662F;&#x56E0;&#x4E3A;&#x7531;&#x5B66;&#x4E60;&#x7684;&#x7EDF;&#x8BA1;&#x6A21;&#x578B;&#x7684;&#x6709;&#x9650;&#x4FE1;&#x606F;&#x3002;&#x867D;&#x7136;&#x8138;&#x6A21;&#x677F;&#x662F;&#x6BD4;&#x8F83;&#x4E30;&#x5BCC;&#x7684;&#x7EB9;&#x7406;&#xFF0C;&#x9762;&#x90E8;&#x7279;&#x5F81; &#xFF08;&#x4F8B;&#x5982;&#xFF0C;&#x773C;&#x775B;&#x3001; &#x9F3B;&#x548C;&#x53E3;&#xFF09; &#x4E0D;&#x5E26;&#x6B67;&#x89C6;&#x6027;&#x7684;&#x8DB3;&#x591F;&#x4FE1;&#x606F;&#xFF0C;&#x544A;&#x8BC9;&#x4ED6;&#x4EEC;&#x9664;&#x4E86;&#x6240;&#x6709;&#x53EF;&#x80FD;&#x7684;&#x80CC;&#x666F;&#x56FE;&#x50CF;&#x3002;&#x6211;&#x4EEC;&#x901A;&#x8FC7;&#x5728;&#x7EDF;&#x8BA1;&#x6A21;&#x578B;&#x7684;&#x8BBE;&#x8BA1;&#x4E2D;&#x6DFB;&#x52A0;&#x6BCF;&#x4E2A;&#x9762;&#x90E8;&#x7279;&#x5F81;&#x7684;&#x4E0A;&#x4E0B;&#x6587;&#x4FE1;&#x606F;&#x6765;&#x89E3;&#x51B3;&#x6B64;&#x95EE;&#x9898;&#x3002;&#x62DF;&#x8BAE;&#x7684;&#x529E;&#x6CD5;&#xFF0C;&#x5728;&#x4E0A;&#x4E0B;&#x6587;&#x4FE1;&#x606F;&#x5B9A;&#x4E49;&#x4E0E;&#x5468;&#x56F4;&#x73AF;&#x5883;&#x7684;&#x9762;&#x90E8;&#x7684;&#x6BCF;&#x4E2A;&#x7EC4;&#x4EF6;&#x7684;&#x6700;&#x76F8;&#x5173;&#x7684;&#x56FE;&#x50CF;&#x7EDF;&#x8BA1;&#x4FE1;&#x606F;&#x3002;&#x8FD9;&#x610F;&#x5473;&#x7740;&#x5F53;&#x6211;&#x4EEC;&#x641C;&#x7D22;&#x65F6;&#x7684;&#x8138;&#x90E8;&#x6216;&#x9762;&#x90E8;&#x7279;&#x5F81;&#xFF0C;&#x6211;&#x4EEC;&#x5BFB;&#x627E;&#x90A3;&#x4E9B;&#x4F4D;&#x7F6E;&#x6700;&#x7C7B;&#x4F3C;&#x4E8E;&#x529F;&#x80FD;&#x5374;&#x662F;&#x5176;&#x4E0A;&#x4E0B;&#x6587;&#x6700;&#x76F8;&#x4F3C;&#x4E4B;&#x5904;&#x3002;&#x8FD9;&#x4E0D;&#x540C;&#x7684;&#x73AF;&#x5883;&#x7279;&#x70B9;&#x4E0E;&#x90E8;&#x961F;&#x63A2;&#x6D4B;&#x5668; middle &#x51C6;&#x786E;&#x4F30;&#x8BA1;&#x7684;&#x9762;&#x90E8;&#x7279;&#x5F81;&#x7684;&#x4F4D;&#x7F6E;&#x3002;&#x5B66;&#x4E60;&#x529F;&#x80FD;&#x548C;&#x4E0A;&#x4E0B;&#x6587;&#x6A21;&#x677F;&#x4E4B;&#x95F4;&#x7684;&#x6B67;&#x89C6;&#x662F;&#x56F0;&#x96BE;&#x7684;&#x4F46;&#x662F;&#xFF0C;&#x56E0;&#x4E3A;&#x9762;&#x90E8;&#x7279;&#x5F81;&#x7684;&#x7EB9;&#x7406;&#x548C;&#x80CC;&#x666F;&#x4E0B;&#x6839;&#x636E;&#x4E0D;&#x65AD;&#x53D8;&#x5316;&#x7684;&#x8868;&#x8FBE;&#x3001; &#x59FF;&#x52BF;&#x548C;&#x7167;&#x660E;&#xFF0C;&#x5DEE;&#x522B;&#x5F88;&#x5927;&#xFF0C;&#x751A;&#x81F3;&#x53EF;&#x80FD;&#x7C7B;&#x4F3C;&#x4E8E;&#x53E6;&#x4E00;&#x4E2A;&#x3002;&#x6211;&#x4EEC;&#x89E3;&#x51B3;&#x8FD9;&#x4E00;&#x95EE;&#x9898;&#x4E0E;&#x4F7F;&#x7528;&#x5B50;&#x7C7B;&#x5206;&#x88C2;&#x3002;&#x6211;&#x4EEC;&#x63A8;&#x5BFC;&#x51FA;&#x4E24;&#x79CD;&#x7B97;&#x6CD5;&#x5C06;&#x81EA;&#x52A8;&#x8BAD;&#x7EC3;&#x6837;&#x672C;&#x7684;&#x6BCF;&#x4E2A;&#x9762;&#x90E8;&#x7279;&#x5F81;&#x5206;&#x4E3A;&#x4E00;&#x7EC4;&#x7684;&#x5B50;&#x7C7B;&#xFF0C;&#x6BCF;&#x4E2A;&#x4EE3;&#x8868;&#x540C;&#x4E00;&#x9762;&#x90E8;&#x7EC4;&#x4EF6;&#x4E0D;&#x540C;&#x65BD;&#x5DE5; (&#x4F8B;&#x5982;&#xFF0C;&#x7741;&#x5F00;&#x773C;&#x775B;&#x4E0E;&#x5173;&#x95ED;&#xFF09; &#x6216;&#x5176;&#x4E0A;&#x4E0B;&#x6587; &#xFF08;&#x4F8B;&#x5982;&#xFF0C;&#x4E0D;&#x540C;&#x7684;&#x53D1;&#x578B;&#xFF09;&#x3002;&#x7B2C;&#x4E00;&#x79CD;&#x7B97;&#x6CD5;&#x57FA;&#x4E8E;&#x5224;&#x522B;&#x5206;&#x6790;&#x5236;&#x5B9A;&#x3002;&#x7B2C;&#x4E8C;&#x79CD;&#x7B97;&#x6CD5;&#x662F; AdaBoost &#x65B9;&#x6CD5;&#x7684;&#x6269;&#x5C55;&#x3002;&#x6211;&#x4EEC;&#x63D0;&#x4F9B;&#x5E7F;&#x6CDB;&#x7684;&#x5B9E;&#x9A8C;&#x7ED3;&#x679C;&#xFF0C;&#x4ECD;&#x7136;&#x4F7F;&#x7528;&#x56FE;&#x50CF;&#x548C;&#x89C6;&#x9891;&#x5E8F;&#x5217;&#x7684; 3,930 &#x56FE;&#x50CF;&#x603B;&#x6570;&#x3002;&#x6211;&#x4EEC;&#x8868;&#x660E;&#x7ED3;&#x679C;&#x662F;&#x90A3;&#x4E9B;&#x83B7;&#x5F97;&#x4E0E;&#x624B;&#x52A8;&#x68C0;&#x6D4B;&#x51E0;&#x4E4E;&#x4E00;&#x6837;&#x597D;&#x3002;

&#x4E0E;&#x4E0A;&#x4E0B;&#x6587;&#x7684;&#x529F;&#x80FD;&#xFF1A; &#x7CBE;&#x786E;&#x548C;&#x8BE6;&#x7EC6;&#x68C0;&#x6D4B;&#x548C;&#x5212;&#x5B9A;&#x7684;&#x9762;&#x5B54;&#x548C;&#x9762;&#x90E8;&#x7279;&#x5F81;&#x7684;&#x4E00;&#x79CD;&#x65B9;&#x6CD5;&#x3002;

The appearance-based approach to face detection has seen great advances in the last several years. In this approach, we learn the image statistics describing the texture pattern (appearance) of the object class we want to detect, e.g., the face. However, this approach has had limited success in providing an accurate and detailed description of the internal facial features, i.e., eyes, brows, nose, and mouth. In general, this is due to the limited information carried by the learned statistical model. While the face template is relatively rich in texture, facial features (e.g., eyes, nose, and mouth) do not carry enough discriminative information to tell them apart from all possible background images. We resolve this problem by adding the context information of each facial feature in the design of the statistical model. In the proposed approach, the context information defines the image statistics most correlated with the surroundings of each facial component. This means that when we search for a face or facial feature, we look for those locations which most resemble the feature yet are most dissimilar to its context. This dissimilarity with the context features forces the detector to gravitate toward an accurate estimate of the position of the facial feature. Learning to discriminate between feature and context templates is difficult, however, because the context and the texture of the facial features vary widely under changing expression, pose, and illumination, and may even resemble one another. We address this problem with the use of subclass divisions. We derive two algorithms to automatically divide the training samples of each facial feature into a set of subclasses, each representing a distinct construction of the same facial component (e.g., closed versus open eyes) or its context (e.g., different hairstyles). The first algorithm is based on a discriminant analysis formulation. The second algorithm is an extension of the AdaBoost approach. We provide extensive experimental results using still images and video sequences for a total of 3,930 images. We show that the results are almost as good as those obtained with manual detection.

Features versus context: An approach for precise and detailed detection and delineation of faces and facial features.

L&#39;approche ax&eacute;e sur l&#39;aspect de d&eacute;tection de visage a vu de grands progr&egrave;s dans les derni&egrave;res ann&eacute;es. Dans cette approche, nous apprenons les statistiques d&#39;images d&eacute;crivant le mod&egrave;le de texture (apparence) de la classe object, que nous voulons d&eacute;tecter, par exemple, le visage. Toutefois, cette approche a eu gu&egrave;re de succ&egrave;s en fournissant une description exacte et d&eacute;taill&eacute;e des traits du visage internes, c&#39;est-&agrave;-dire, yeux, sourcils, nez et bouche. En g&eacute;n&eacute;ral, cela est d&ucirc; &agrave; l&#39;information limit&eacute;e par le mod&egrave;le statistique savant. Tandis que le mod&egrave;le de visage est relativement riche en texture, les traits du visage (yeux, nez et bouche, par exemple) ne portent pas suffisamment d&#39;informations discriminatoire pour leur dire en dehors de toutes les images de fond possible. Nous r&eacute;soudre ce probl&egrave;me en ajoutant les informations de contexte de chacune des caract&eacute;ristiques faciales dans la conception du mod&egrave;le statistique. Dans l&#39;approche propos&eacute;e, les informations de contexte d&eacute;finissent les statistiques de l&#39;image plus corr&eacute;l&eacute;es avec l&#39;environnement de chaque composant du visage. Cela signifie que lorsque nous recherchons un visage ou un visage caract&eacute;ristique, nous attendons pour les endroits qui ressemblent plus &agrave; la fonctionnalit&eacute; encore sont plus dissemblable &agrave; son contexte. Cette dissemblance avec les caract&eacute;ristiques du contexte oblige le d&eacute;tecteur &agrave; graviter vers une estimation pr&eacute;cise de la position de la caract&eacute;ristique du visage. Apprendre &agrave; distinguer les mod&egrave;les de fonction et le contexte est difficile, cependant, parce que le contexte et la texture des caract&eacute;ristiques faciales varient grandement l&#39;&eacute;volution expression, pose et illumination et peuvent m&ecirc;me ressembler &agrave; un autre. Nous abordons ce probl&egrave;me avec l&#39;utilisation des divisions de la sous-classe. Nous tirons deux algorithmes diviser automatiquement les mod&egrave;les de formation de chacune des caract&eacute;ristiques faciales en un ensemble de sous-classes, chacune repr&eacute;sentant une construction distincte de la m&ecirc;me composante du visage (par exemple, ferm&eacute; par rapport aux yeux ouverts) ou de son contexte (par exemple, diff&eacute;rentes coiffures). Le premier algorithme est bas&eacute; sur une formulation de l&#39;analyse discriminante. Le deuxi&egrave;me algorithme est une extension de l&#39;approche AdaBoost. Nous fournissons des r&eacute;sultats exp&eacute;rimentaux utilisant encore des images et des s&eacute;quences vid&eacute;o, pour un total de 3 930 images. Nous montrons que les r&eacute;sultats sont presque aussi bons que ceux obtenus avec la d&eacute;tection manuelle.

Caract&eacute;ristiques et contexte : une approche pour la d&eacute;tection pr&eacute;cise et d&eacute;taill&eacute;e et de la d&eacute;limitation des visages et des traits du visage.

Der Darstellung-Ansatz zur Gesichtserkennung hat gro&szlig;e Fortschritte in den letzten Jahren gesehen. Hierbei lernen wir die Bildstatistik, beschreibt das Textur-Muster (aussehen) der Object-Klasse, die wollen wir erkennen, z. B. das Gesicht. Allerdings hat dieser Ansatz hatte Erfolg bei der Bereitstellung einer genauen und detaillierten Beschreibungdes der internen Gesichtsz&uuml;ge, d.h., Augen, Augenbrauen, Nase und Mund begrenzt. Im Allgemeinen ist dies aufgrund der begrenzten Informationen, die von den Gelehrten statistisches Modell durchgef&uuml;hrt. W&auml;hrend die Gesicht-Vorlage relativ reich an Textur ist, tragen Gesichtsz&uuml;ge (z.B. Augen, Nase und Mund) nicht gen&uuml;gend diskriminierende Informationen, um ihnen zu sagen, abgesehen von allen m&ouml;glichen Hintergrundbilder. Wir l&ouml;sen dieses Problem durch Hinzuf&uuml;gen von Kontextinformationen jedes Gesichts Feature bei der Gestaltung des statistischen Modells. In das vorgeschlagene Konzept definiert die Kontextinformationen der Bildstatistik am meisten korrelierte mit der Umgebung jeder Gesichts-Komponente. Dies bedeutet, dass wenn wir ein Gesicht oder Gesichts-Funktion suchen, suchen wir nach diesen Orten die meisten die Funktion noch sind die meisten un&auml;hnlich zu seinem Kontext &auml;hneln. Diese Verschiedenheit mit den Kontext-Features zwingt den Detektor in Richtung eine genaue Sch&auml;tzung der Position des Gesichts KE heranzur&uuml;cken. Lernen zu unterscheiden zwischen Funktion und Kontext-Vorlagen ist schwierig, jedoch, da der Kontext und die Beschaffenheit der Gesichtsz&uuml;ge unter wechselnden, Ausdruck, Pose und Beleuchtung sehr unterschiedlich und sogar einander &auml;hneln k&ouml;nnen. Wir l&ouml;sen dieses Problem mit der Verwendung der Unterklasse Divisionen. Wir leiten zwei Algorithmen, um automatisch die Ausbildung Muster der jedes Gesichts-Feature in einer Reihe von Unterklassen, jeweils eine unterschiedliche Konstruktion derselben Gesichts Komponente darstellen unterteilen (z. B. im Vergleich zu offenen Augen geschlossen) oder seinem Kontext (z. B. verschiedene Frisuren). Der erste Algorithmus basiert auf einer Diskriminante Analyse Formulierung. Der zweite Algorithmus ist eine Erweiterung des AdaBoost Ansatzes. Wir bieten umfangreiche experimentelle Ergebnisse, die mit noch Bilder und Videosequenzen f&uuml;r insgesamt 3.930 Aufnahmen. Wir zeigen, dass die Ergebnisse fast so gut wie die manuelle Erkennung entnommen sind.

Funktionen im Vergleich zu Kontext: ein Konzept f&uuml;r die pr&auml;zise und detaillierte Erkennung und Abgrenzung der Gesichter und Gesichtsz&uuml;ge.

L&#39;approccio basato sulla presenza di face detection ha visto grandi progressi negli ultimi anni. In questo approccio, impariamo le statistiche di immagine che descrive il motivo della texture (aspetto) della classe dell&#39;oggetto che vogliamo rilevare, ad esempio, il volto. Tuttavia, questo approccio ha avuto scarso successo nel fornire una descrizione accurata e dettagliata delle caratteristiche facciali interne, vale a dire, gli occhi, sopracciglia, naso e bocca. In generale, ci&ograve; &egrave; dovuto le informazioni limitate realizzate dal modello statistico imparato. Mentre il modello faccia &egrave; relativamente ricco di texture, le caratteristiche facciali (per esempio, occhi, naso e bocca) non trasportano abbastanza informazioni discriminatorio per dire loro a parte tutte le immagini di sfondo possibili. Risolveremo questo problema aggiungendo le informazioni sul contesto di ogni caratteristica del viso nella progettazione del modello statistico. L&#39;approccio proposto, le informazioni di contesto definiscono le statistiche di immagine pi&ugrave; correlate con l&#39;ambiente di ogni componente del viso. Questo significa che quando si cerca una faccia o un facciale caratteristica, guardiamo per quelle posizioni che pi&ugrave; ricordano la caratteristica ancora sono pi&ugrave; dissimile al suo contesto. Questa dissomiglianza con le caratteristiche del contesto impone il rilevatore a gravitare verso una stima precisa della posizione della caratteristica del viso. Imparare a discriminare tra modelli di caratteristica e il contesto &egrave; difficile, tuttavia, perch&eacute; il contesto e la trama delle caratteristiche facciali variano ampiamente sotto cambiando espressione, posa e illuminazione e pu&ograve; anche assomigliare ad uno altro. Affrontiamo questo problema con l&#39;uso delle divisioni di sottoclasse. Deriviamo due algoritmi per automaticamente dividere i campioni di formazione di ogni caratteristica del viso in una serie di sottoclassi, ognuna delle quali rappresenta una costruzione distinte dello stesso componente del viso (ad es., chiuso rispetto a occhi aperti) o il suo contesto (ad esempio, diverse acconciature). Il primo algoritmo si basa su una formulazione di analisi discriminante. Il secondo algoritmo &egrave; un&#39;estensione dell&#39;approccio AdaBoost. Forniamo vaste risultati sperimentali ancora utilizzando immagini e sequenze video per un totale di 3.930 immagini. Mostriamo che i risultati sono quasi buoni come quelli ottenuti con il rilevamento manuale.

Caratteristiche versus contesto: un approccio per la rilevazione precisa e dettagliata e delineazione dei volti e delle caratteristiche del viso.

&#x9854;&#x691C;&#x51FA;&#x3078;&#x306E;&#x30A2;&#x30D4;&#x30A2;&#x30E9;&#x30F3;&#x30B9; &#x30D9;&#x30FC;&#x30B9; &#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x5049;&#x5927;&#x306A;&#x9032;&#x6B69;&#x306F;&#x3001;&#x6700;&#x5F8C;&#x306E;&#x6570;&#x5E74;&#x9593;&#x3067;&#x898B;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3067;&#x306F;&#x3001;&#x4F8B;&#x3048;&#x3070;&#x3001;&#x9854;&#x691C;&#x51FA;&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8; &#x30AF;&#x30E9;&#x30B9;&#x306E;&#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3; &#x30D1;&#x30BF;&#x30FC;&#x30F3; (&#x5916;&#x89B3;) &#x3092;&#x8A18;&#x8FF0;&#x3059;&#x308B;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x306E;&#x7D71;&#x8A08;&#x60C5;&#x5831;&#x306E;&#x3053;&#x3068;&#x3092;&#x5B66;&#x3076;&#x3002;&#x305F;&#x3060;&#x3057;&#x3001;&#x3053;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x304C;&#x6301;&#x3063;&#x3066;&#x3044;&#x305F;&#x5236;&#x9650;&#x304C;&#x5185;&#x90E8;&#x306E;&#x9854;&#x306E;&#x7279;&#x5FB4;&#x3001;&#x3059;&#x306A;&#x308F;&#x3061;&#x3001;&#x76EE;&#x3001;&#x7709;&#x3001;&#x9F3B;&#x3001;&#x304A;&#x3088;&#x3073;&#x53E3;&#x306E;&#x6B63;&#x78BA;&#x3067;&#x8A73;&#x7D30;&#x306A;&#x8AAC;&#x660E;&#x3092;&#x63D0;&#x4F9B;&#x3059;&#x308B;&#x3053;&#x3068;&#x306B;&#x6210;&#x529F;&#x3002;&#x4E00;&#x822C;&#x306B;&#x3001;&#x3053;&#x308C;&#x306F;&#x5B66;&#x3093;&#x3060;&#x7D71;&#x8A08;&#x30E2;&#x30C7;&#x30EB;&#x306B;&#x3088;&#x3063;&#x3066;&#x904B;&#x3070;&#x308C;&#x305F;&#x9650;&#x3089;&#x308C;&#x305F;&#x60C5;&#x5831;&#x306E;&#x305F;&#x3081;&#x3067;&#x3059;&#x3002;&#x9854;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x306F;&#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x3067;&#x6BD4;&#x8F03;&#x7684;&#x8C4A;&#x5BCC;&#x3067;&#x3059;&#x304C;&#x3001;&#x3059;&#x3079;&#x3066;&#x306E;&#x53EF;&#x80FD;&#x306A;&#x80CC;&#x666F;&#x753B;&#x50CF;&#x304B;&#x3089;&#x96E2;&#x308C;&#x3066;&#x305D;&#x308C;&#x3089;&#x3092;&#x4F1D;&#x3048;&#x308B;&#x306E;&#x306B;&#x5341;&#x5206;&#x306A;&#x8B58;&#x5225;&#x60C5;&#x5831; &#xFF08;&#x4F8B;&#x3048;&#x3070;&#x3001;&#x76EE;&#x3001;&#x9F3B;&#x3001;&#x304A;&#x3088;&#x3073;&#x53E3;&#xFF09; &#x306E;&#x9854;&#x306E;&#x7279;&#x5FB4;&#x3092;&#x6301;&#x3061;&#x904B;&#x3070;&#x306A;&#x3044;&#x3067;&#x304F;&#x3060;&#x3055;&#x3044;&#x3002;&#x6211;&#x3005; &#x306F;&#x7D71;&#x8A08;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x8A2D;&#x8A08;&#x3067;&#x306F;&#x5404;&#x9854;&#x7279;&#x5FB4;&#x306E;&#x30B3;&#x30F3;&#x30C6;&#x30AD;&#x30B9;&#x30C8;&#x60C5;&#x5831;&#x3092;&#x8FFD;&#x52A0;&#x3059;&#x308B;&#x3053;&#x3068;&#x306B;&#x3088;&#x3063;&#x3066;&#x3053;&#x306E;&#x554F;&#x984C;&#x3092;&#x89E3;&#x6C7A;&#x3057;&#x307E;&#x3059;&#x3002;&#x63D0;&#x6848;&#x624B;&#x6CD5;&#x3067;&#x306F;, &#x30B3;&#x30F3;&#x30C6;&#x30AD;&#x30B9;&#x30C8;&#x60C5;&#x5831;&#x5404;&#x9854;&#x90E8;&#x54C1;&#x306E;&#x74B0;&#x5883;&#x3068;&#x6700;&#x3082;&#x76F8;&#x95A2;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x306E;&#x7D71;&#x8A08;&#x60C5;&#x5831;&#x3092;&#x5B9A;&#x7FA9;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x306F;&#x3001;&#x6211;&#x3005; &#x306F;&#x9854;&#x3084;&#x9854;&#x306E;&#x7279;&#x5FB4;&#x3092;&#x691C;&#x7D22;&#x3059;&#x308B;&#x3068;&#x3001;&#x6211;&#x3005; &#x306E;&#x6700;&#x3082;&#x6A5F;&#x80FD;&#x307E;&#x3060;&#x306F;&#x305D;&#x306E;&#x30B3;&#x30F3;&#x30C6;&#x30AD;&#x30B9;&#x30C8;&#x306B;&#x6700;&#x3082;&#x7570;&#x7A2E;&#x306E;&#x3088;&#x3046;&#x306B;&#x305D;&#x308C;&#x3089;&#x306E;&#x5834;&#x6240;&#x3092;&#x898B;&#x308B;&#x3053;&#x3068;&#x3092;&#x610F;&#x5473;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x30B3;&#x30F3;&#x30C6;&#x30AD;&#x30B9;&#x30C8;&#x306E;&#x6A5F;&#x80FD;&#x3092;&#x6301;&#x3064;&#x975E;&#x985E;&#x4F3C;&#x5EA6;&#x306E;&#x9854;&#x306E;&#x7279;&#x5FB4;&#x306E;&#x4F4D;&#x7F6E;&#x306E;&#x6B63;&#x78BA;&#x306A;&#x898B;&#x7A4D;&#x3082;&#x308A;&#x306B;&#x5411;&#x304B;&#x3063;&#x3066;&#x5F15;&#x304D;&#x5BC4;&#x305B;&#x3089;&#x308C;&#x308B;&#x691C;&#x51FA;&#x5668;&#x3092;&#x5F37;&#x5236;&#x3057;&#x307E;&#x3059;&#x3002;&#x305F;&#x3060;&#x3057;&#x3001;&#x30B3;&#x30F3;&#x30C6;&#x30AD;&#x30B9;&#x30C8;&#x3068;&#x9854;&#x306E;&#x7279;&#x5FB4;&#x306E;&#x8CEA;&#x611F;&#x8868;&#x73FE;&#x3001;&#x30DD;&#x30FC;&#x30BA;&#x3001;&#x7167;&#x660E;&#x3001;&#x5909;&#x5316;&#x306B;&#x3088;&#x3063;&#x3066;&#x5E83;&#x304F;&#x5909;&#x308F;&#x308B;&#x3057;&#x3001;&#x3082;&#x4E92;&#x3044;&#x306B;&#x4F3C;&#x3066;&#x3044;&#x308B;&#x304B;&#x3082;&#x3057;&#x308C;&#x307E;&#x305B;&#x3093;&#x306E;&#x3067;&#x306F;&#x3001;&#x6A5F;&#x80FD;&#x304A;&#x3088;&#x3073;&#x30B3;&#x30F3;&#x30C6;&#x30AD;&#x30B9;&#x30C8; &#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x306E;&#x9593;&#x3067;&#x533A;&#x5225;&#x3059;&#x308B;&#x5B66;&#x7FD2;&#x56F0;&#x96E3;&#x3067;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x3053;&#x306E;&#x554F;&#x984C;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x30B5;&#x30D6;&#x30AF;&#x30E9;&#x30B9;&#x306E;&#x90E8;&#x9580;&#x306E;&#x30A2;&#x30C9;&#x30EC;&#x30B9;&#x3057;&#x307E;&#x3059;&#x3002;&#x81EA;&#x52D5;&#x7684;&#x306B;&#x30C8;&#x30EC;&#x30FC;&#x30CB;&#x30F3;&#x30B0; &#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x5404;&#x9854;&#x7279;&#x5FB4;&#x306E;&#x305D;&#x308C;&#x305E;&#x308C;&#x540C;&#x3058;&#x9854;&#x30B3;&#x30F3;&#x30DD;&#x30FC;&#x30CD;&#x30F3;&#x30C8;&#x306E;&#x660E;&#x78BA;&#x306A;&#x5EFA;&#x8A2D;&#x3092;&#x8868;&#x3059;&#x306E;&#x30B5;&#x30D6;&#x30AF;&#x30E9;&#x30B9;&#x306E;&#x30BB;&#x30C3;&#x30C8;&#x306B;&#x5206;&#x5272;&#x3059;&#x308B; 2 &#x3064;&#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x6D3E;&#x751F; &#xFF08;&#x4F8B;&#x3048;&#x3070;&#x3001;&#x5BFE;&#x30AA;&#x30FC;&#x30D7;&#x30F3;&#x306E;&#x76EE;&#x3092;&#x9589;&#x3058;&#x3066;&#xFF09; &#x307E;&#x305F;&#x306F;&#x305D;&#x306E;&#x524D;&#x5F8C;&#x95A2;&#x4FC2; (&#x4F8B;&#x3048;&#x3070;&#x3001;&#x5225;&#x306E;&#x9AEA;&#x578B;&#xFF09;&#x3002;&#x6700;&#x521D;&#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306B;&#x5BFE;&#x3059;&#x308B;&#x5224;&#x5225;&#x89E3;&#x6790;&#x5B9A;&#x5F0F;&#x5316;&#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;2 &#x756A;&#x76EE;&#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x3001;AdaBoost &#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306E;&#x62E1;&#x5F35;&#x3067;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x307E;&#x3060;&#x5408;&#x8A08; 3,930 &#x753B;&#x50CF;&#x306E;&#x305F;&#x3081;&#x306E;&#x753B;&#x50CF;&#x3084;&#x30D3;&#x30C7;&#x30AA; &#x30B7;&#x30FC;&#x30B1;&#x30F3;&#x30B9;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x5E83;&#x7BC4;&#x306A;&#x5B9F;&#x9A13;&#x7D50;&#x679C;&#x3092;&#x63D0;&#x4F9B;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x7D50;&#x679C;&#x304C;&#x624B;&#x52D5;&#x691C;&#x51FA;&#x3067;&#x5F97;&#x3089;&#x308C;&#x305F;&#x7D50;&#x679C;&#x3068;&#x307B;&#x307C;&#x826F;&#x3044;&#x3067;&#x3042;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;

&#x30B3;&#x30F3;&#x30C6;&#x30AD;&#x30B9;&#x30C8;&#x5BFE;&#x6A5F;&#x80FD;&#xFF1A; &#x6B63;&#x78BA;&#x304B;&#x3064;&#x8A73;&#x7D30;&#x306A;&#x691C;&#x51FA;&#x53CA;&#x3073;&#x63CF;&#x5199;&#x306E;&#x9854;&#x3068;&#x9854;&#x306E;&#x7279;&#x5FB4;&#x306E;&#x305F;&#x3081;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3002;

&#xC5BC;&#xAD74; &#xD0D0;&#xC9C0;&#xB97C; &#xBAA8;&#xC591;&#xC5D0; &#xAE30;&#xCD08;&#xB97C; &#xB454; &#xC811;&#xADFC; &#xC9C0;&#xB09C; &#xBA87; &#xB144; &#xB3D9;&#xC548; &#xD070; &#xBC1C;&#xC804;&#xC744; &#xBCF4;&#xC774;&#xACE0; &#xC788;&#xB2E4;. &#xC774; &#xBC29;&#xBC95;&#xC740; &#xC608;&#xB97C; &#xB4E4;&#xC5B4;, &#xC5BC;&#xAD74;&#xC744; &#xAC10;&#xC9C0; &#xD558;&#xB824;&#xB294; &#xAC1C;&#xCCB4; &#xD074;&#xB798;&#xC2A4;&#xC758; &#xC9C8;&#xAC10; &#xD328;&#xD134; (&#xBAA8;&#xC591;)&#xC744; &#xC124;&#xBA85; &#xD558;&#xB294; &#xC774;&#xBBF8;&#xC9C0; &#xD1B5;&#xACC4;&#xC5D0; &#xC124;&#xBA85; &#xD569;&#xB2C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;&#xC774; &#xBC29;&#xBC95;&#xC744; &#xC0AC;&#xC6A9; &#xD588;&#xB2E4;, &#xC81C;&#xD55C; &#xB41C; &#xB0B4;&#xBD80; &#xC5BC;&#xAD74; &#xD2B9;&#xC9D5;, &#xC989;, &#xB208;, &#xB208; &#xC379;, &#xCF54; &#xBC0F; &#xC785;&#xC5D0; &#xB300; &#xD55C; &#xC815;&#xD655; &#xD558; &#xACE0; &#xC0C1;&#xC138;&#xD55C; &#xC124;&#xBA85;&#xC744; &#xC81C;&#xACF5; &#xD558;&#xB294; &#xC131;&#xACF5;&#xC744;. &#xC77C;&#xBC18;&#xC801;&#xC73C;&#xB85C;, &#xBC30;&#xC6B4;&#xB41C; &#xD1B5;&#xACC4; &#xBAA8;&#xB378;&#xC5D0; &#xC758;&#xD574; &#xC218;&#xD589; &#xD558;&#xB294; &#xC81C;&#xD55C; &#xB41C; &#xC815;&#xBCF4; &#xB54C;&#xBB38;&#xC785;&#xB2C8;&#xB2E4;. &#xC5BC;&#xAD74; &#xC11C;&#xC2DD; &#xD30C;&#xC77C;&#xC740; &#xC0C1;&#xB300;&#xC801;&#xC73C;&#xB85C; &#xD48D;&#xBD80;&#xD55C; &#xC9C8;&#xAC10;, &#xC5BC;&#xAD74; &#xD2B9;&#xC9D5; (&#xC608;&#xB97C; &#xB4E4;&#xC5B4;, &#xB208;, &#xCF54; &#xBC0F; &#xC785;)&#xB294; &#xBAA8;&#xB4E0; &#xAC00;&#xB2A5;&#xD55C; &#xBC30;&#xACBD; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xC81C;&#xC678; &#xD558; &#xACE0; &#xADF8;&#xB4E4;&#xC5D0; &#xAC8C; &#xCDA9;&#xBD84; &#xD55C; &#xAD6C;&#xBCC4; &#xC815;&#xBCF4;&#xB97C; &#xC218;&#xD589; &#xD558;&#xC9C0; &#xC54A;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xD1B5;&#xACC4; &#xBAA8;&#xB378;&#xC758; &#xB514;&#xC790;&#xC778;&#xC5D0; &#xAC01; &#xC5BC;&#xAD74; &#xD2B9;&#xC9D5;&#xC758; &#xCEE8;&#xD14D;&#xC2A4;&#xD2B8; &#xC815;&#xBCF4;&#xB97C; &#xCD94;&#xAC00; &#xD558; &#xC5EC;&#xC774; &#xBB38;&#xC81C;&#xB97C; &#xD574;&#xACB0; &#xD569;&#xB2C8;&#xB2E4;. &#xC81C;&#xC548; &#xB41C; &#xBC29;&#xBC95;&#xC5D0;&#xC11C;&#xB294; &#xCEE8;&#xD14D;&#xC2A4;&#xD2B8; &#xC815;&#xBCF4; &#xAC01; &#xC5BC;&#xAD74; &#xAD6C;&#xC131;&#xC758; &#xC8FC;&#xC704;&#xC640; &#xAC00;&#xC7A5; &#xC0C1;&#xAD00;&#xB41C; &#xC774;&#xBBF8;&#xC9C0; &#xD1B5;&#xACC4;&#xB97C; &#xC815;&#xC758;&#xD569;&#xB2C8;&#xB2E4;. &#xC989;, &#xC6B0;&#xB9AC;&#xAC00; &#xC5BC;&#xAD74;&#xC774; &#xB098; &#xC548; &#xBA74; &#xAE30;&#xB2A5;&#xC5D0; &#xB300; &#xD55C; &#xAC80;&#xC0C9;, &#xC6B0;&#xB9AC; &#xAE30;&#xB2A5; &#xC544;&#xC9C1; &#xB9E5;&#xB77D;&#xC5D0; &#xAC00;&#xC7A5; &#xBE44;&#xC2B7;&#xD558;&#xC9C0;&#xB294; &#xAC00;&#xC7A5; &#xB2EE;&#xC740; &#xADF8; &#xC704;&#xCE58;&#xC5D0; &#xB300; &#xD55C; &#xBCF4;&#xACE0;. &#xC0C1;&#xD669;&#xC5D0; &#xB9DE;&#xB294; &#xAE30;&#xB2A5;&#xC744; &#xAC16;&#xCD98;&#xC774; &#xBE44;&#xC2B7;&#xD558;&#xC9C0; &#xAC15;&#xC81C;&#xB85C; &#xC5BC;&#xAD74; &#xD2B9;&#xC9D5;&#xC758; &#xC704;&#xCE58;&#xB97C; &#xC815;&#xD655; &#xD558; &#xAC8C; &#xC608;&#xCE21;&#xD560; &#xCABD;&#xC73C;&#xB85C; &#xBAB0;&#xB9AC;&#xB294; &#xAC80;&#xCD9C;&#xAE30;. &#xADF8;&#xB7EC;&#xB098; &#xAE30;&#xB2A5; &#xBC0F; &#xCEE8;&#xD14D;&#xC2A4;&#xD2B8; &#xD15C;&#xD50C;&#xB9BF; &#xAC04;&#xC5D0; &#xCC28;&#xBCC4;&#xC744; &#xC5B4;&#xB824;&#xC6B4;, &#xCEE8;&#xD14D;&#xC2A4;&#xD2B8;&#xC640; &#xC5BC;&#xAD74; &#xD2B9;&#xC9D5;&#xC758; &#xC9C8;&#xAC10; &#xD45C;&#xD604;&#xACFC; &#xD3EC;&#xC988;, &#xC870;&#xBA85;, &#xBCC0;&#xACBD;&#xC5D0;&#xC11C; &#xAD11;&#xBC94;&#xC704; &#xD558; &#xAC8C; &#xBCC0;&#xD654; &#xD558; &#xACE0; &#xC2EC;&#xC9C0;&#xC5B4; &#xC11C;&#xB85C; &#xC720;&#xC0AC;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xD558;&#xC704; &#xD074;&#xB798;&#xC2A4; &#xBD84;&#xD560; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC;&#xC774; &#xBB38;&#xC81C;&#xB97C; &#xD574;&#xACB0;. &#xC6B0;&#xB9AC;&#xB294; &#xB450; &#xAC00;&#xC9C0; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xC790;&#xB3D9;&#xC73C;&#xB85C; &#xB098;&#xB204;&#xC5B4; &#xAC01; &#xC5BC;&#xAD74; &#xAE30;&#xB2A5; &#xD6C8;&#xB828; &#xC0D8;&#xD50C; &#xC11C;&#xBE0C; &#xD074;&#xB798;&#xC2A4;, &#xC9D1;&#xD569; &#xAC01;&#xAC01; &#xB098;&#xD0C0;&#xB0B4;&#xB294; &#xACE0;&#xC720;&#xD55C; &#xAC19;&#xC740; &#xC5BC;&#xAD74; &#xAD6C;&#xC131; &#xC694;&#xC18C; &#xAC74;&#xC124; &#xD30C;&#xC0DD; (&#xC608;&#xB97C; &#xB4E4;&#xC5B4;, &#xC624;&#xD508; &#xB208; &#xB300; &#xD3D0;&#xC1C4;) &#xB610;&#xB294; &#xCEE8;&#xD14D;&#xC2A4;&#xD2B8; (&#xC608;: &#xB2E4;&#xB978; &#xD5E4;&#xC5B4;&#xC2A4;&#xD0C0;&#xC77C;). &#xCCAB; &#xBC88;&#xC9F8; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xC904;&#xC774;&#xAE30; &#xC704;&#xD574;&#xC11C;&#xB294; &#xD310;&#xBCC4;&#xC2DD; &#xBD84;&#xC11D; &#xC218;&#xB9BD;&#xC744; &#xAE30;&#xBC18;&#xC73C;&#xB85C; &#xD569;&#xB2C8;&#xB2E4;. &#xB450; &#xBC88;&#xC9F8; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC740; AdaBoost &#xC811;&#xADFC;&#xC758; &#xD655;&#xC7A5;. &#xC6B0;&#xB9AC;&#xB294; &#xAD11;&#xBC94;&#xC704; &#xD55C; &#xC2E4;&#xD5D8; &#xACB0;&#xACFC; &#xC5EC;&#xC804;&#xD788; &#xC774;&#xBBF8;&#xC9C0; &#xBC0F; &#xBE44;&#xB514;&#xC624; &#xC2DC;&#xD000;&#xC2A4; 3,930 &#xC774;&#xBBF8;&#xC9C0;&#xC758; &#xCD1D;&#xC5D0; &#xB300; &#xD55C; &#xC0AC;&#xC6A9;&#xC744; &#xC81C;&#xACF5; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xCF54;&#xB4DC;&#xC758; &#xACB0;&#xACFC;&#xAC00; &#xAC70;&#xC758; &#xC218;&#xB3D9; &#xAC80;&#xC0C9;&#xC73C;&#xB85C; &#xC5BB;&#xC740; &#xB9CC;&#xD07C; &#xC88B;&#xC740; &#xBCF4;&#xC5EC;&#xC90D;&#xB2C8;&#xB2E4;.

&#xC0C1;&#xD669;&#xC5D0; &#xB9DE;&#xB294; &#xB300; &#xAE30;&#xB2A5;: &#xC815;&#xD655; &#xD558; &#xACE0; &#xC0C1;&#xC138;&#xD55C; &#xD0D0;&#xC9C0;&#xC640; &#xC5BC;&#xAD74;&#xACFC; &#xC5BC;&#xAD74;&#xC758; &#xD2B9;&#xC9D5;&#xC758; &#xBB18;&#xC0AC;&#xC5D0; &#xB300; &#xD55C; &#xC811;&#xADFC;.

Detecci&oacute;n de rostros basado en el aspecto ha experimentado grandes avances en los &uacute;ltimos a&ntilde;os. En este enfoque, nos enteramos de las estad&iacute;sticas de imagen describir el patr&oacute;n de la textura (aspecto) de la clase de objeto que queremos detectar, por ejemplo, la cara. Sin embargo, este enfoque ha tenido poco &eacute;xito en proporcionar una descripci&oacute;n exacta y detallada de las caracter&iacute;sticas faciales internas, es decir, ojos, cejas, nariz y boca. En general, esto es debido a la limitada informaci&oacute;n llevada por el modelo estad&iacute;stico docto. Mientras que la plantilla de cara es relativamente rica en textura, caracter&iacute;sticas faciales (por ejemplo, ojos, nariz y boca) no tienen suficiente informaci&oacute;n discriminativa para decirles aparte de todas las im&aacute;genes de fondo posible. Resolvemos este problema a&ntilde;adiendo la informaci&oacute;n de contexto de cada rasgo facial en el dise&ntilde;o del modelo estad&iacute;stico. En la propuesta, la informaci&oacute;n de contexto define las estad&iacute;sticas de imagen m&aacute;s correlacionadas con el entorno de cada componente facial. Esto significa que cuando se busca una cara o un rasgo facial, buscamos los lugares que m&aacute;s se asemejan a la funci&oacute;n, sin embargo son m&aacute;s dis&iacute;mil en su contexto. Esta desemejanza con las caracter&iacute;sticas del contexto obliga el detector para gravitar hacia una estimaci&oacute;n exacta de la posici&oacute;n de la funci&oacute;n facial. Aprender a discriminar entre las plantillas de funci&oacute;n y contexto es dif&iacute;cil, sin embargo, porque el contexto y la textura de las caracter&iacute;sticas faciales var&iacute;an ampliamente bajo iluminaci&oacute;n, pose y expresi&oacute;n y pueden incluso parecerse a uno con el otro. Nos dirigimos a este problema con el uso de las divisiones de la subclase. Derivamos dos algoritmos para autom&aacute;ticamente dividir las muestras de la formaci&oacute;n de cada rasgo facial en un conjunto de subclases, cada una representando una construcci&oacute;n distinta del mismo componente facial (por ejemplo, cerradas frente a ojos abiertos) o su contexto (por ejemplo, diferentes peinados). El primer algoritmo est&aacute; basado en una formulaci&oacute;n de an&aacute;lisis discriminante. El segundo algoritmo es una extensi&oacute;n del enfoque AdaBoost. Proporcionamos amplios resultados experimentales a&uacute;n usando im&aacute;genes y secuencias de v&iacute;deo para un total de 3.930 im&aacute;genes. Demostramos que los resultados son casi tan buenos como los obtenidos con la detecci&oacute;n manual.

Caracter&iacute;sticas y contexto: un enfoque para la detecci&oacute;n precisa y detallada y delineaci&oacute;n de caras y rasgos faciales.

&#x6162;&#x6027;&#x6DCB;&#x5DF4;&#x7EC6;&#x80DE;&#x6027;&#x767D;&#x8840;&#x75C5; (&#x642D;&#x5EFA;) &#x662F;&#x6700;&#x5E38;&#x89C1;&#x7684;&#x6210;&#x4EBA;&#x767D;&#x8840;&#x75C5;&#x3002;&#x5B83;&#x662F;&#x4E00;&#x4E2A;&#x975E;&#x5E38;&#x4E0D;&#x540C;&#x7684;&#x75BE;&#x75C5;&#xFF0C;&#x5E76;&#x53EF;&#x5927;&#x81F4;&#x5206;&#x4E3A;&#x57FA;&#x4E8E;&#x7ECF;&#x5178;&#x4E34;&#x5E8A;&#x6807;&#x8BB0;&#x7684;&#x61D2;&#x6563;&#xFF0C;&#x6E10;&#x8FDB;&#x9636;&#x6BB5;&#x3002;&#x514D;&#x75AB;&#x7403;&#x86CB;&#x767D;&#x91CD;&#x94FE;&#x53EF;&#x53D8;&#x533A; (IgVH) &#x7A81;&#x53D8;&#x72B6;&#x6001;&#x88AB;&#x53D1;&#x73B0;&#x8981;&#x4E0E;&#x75C5;&#x4EBA;&#x751F;&#x5B58;&#x7ED3;&#x679C;&#x76F8;&#x5173;&#x8054;&#x5E76;&#x94FE;&#x63A5;&#x5230; IgVH &#x72B6;&#x6001;&#x7684;&#x751F;&#x7269;&#x6807;&#x5FD7;&#x7269;&#x4E00;&#x76F4;&#x642D;&#x5EFA;&#x9884;&#x540E;&#x7814;&#x7A76;&#x9886;&#x57DF;&#x4E2D;&#x7684;&#x4E00;&#x4E2A;&#x91CD;&#x70B9;&#x3002;&#x7136;&#x800C;&#xFF0C;&#x4E0E; IgVH &#x7A81;&#x53D8;&#x72B6;&#x6001;&#xFF0C;&#x53EF;&#x4EE5;&#x51C6;&#x786E;&#x5730;&#x9884;&#x6D4B;&#x751F;&#x5B58;&#x7ED3;&#x679C;&#x9AD8;&#x5EA6;&#x76F8;&#x5173;&#x7684;&#x751F;&#x7269;&#x6807;&#x5FD7;&#x7269;&#x4ECD;&#x672A;&#x88AB;&#x53D1;&#x73B0;&#x3002;

&#x5229;&#x7528;&#x57FA;&#x56E0;&#x5171;&#x8868;&#x8FBE;&#x7F51;&#x7EDC;&#x5206;&#x6790;&#x9884;&#x6D4B;&#x6162;&#x6027;&#x6DCB;&#x5DF4;&#x7EC6;&#x80DE;&#x6027;&#x767D;&#x8840;&#x75C5;&#x7684;&#x751F;&#x7269;&#x6807;&#x5FD7;&#x7269;&#x3002;

Chronic lymphocytic leukemia (CLL) is the most common adult leukemia. It is a highly heterogeneous disease, and can be divided roughly into indolent and progressive stages based on classic clinical markers. Immunoglobin heavy chain variable region (IgVH) mutational status was found to be associated with patient survival outcome, and biomarkers linked to the IgVH status has been a focus in the CLL prognosis research field. However, biomarkers highly correlated with IgVH mutational status which can accurately predict the survival outcome are yet to be discovered.

Using gene co-expression network analysis to predict biomarkers for chronic lymphocytic leukemia.

Leuc&eacute;mie lympho&iuml;de chronique (LLC) est la plus courante leuc&eacute;mie adulte. C&#39;est une maladie h&eacute;t&eacute;rog&egrave;ne et peut &ecirc;tre subdivis&eacute; grossi&egrave;rement en stades indolents et progressives bas&eacute;es sur des marqueurs cliniques classiques. Statut mutationnel d&#39;immunoglobine cha&icirc;ne lourde r&eacute;gion variable (IgVH) s&#39;est av&eacute;r&eacute; pour &ecirc;tre associ&eacute;s &agrave; l&#39;issue de la survie des patients, et biomarqueurs li&eacute;s &agrave; la qualit&eacute; de la IgVH a fait l&#39;objet dans le champ de recherche de pronostic CLL. Cependant, biomarqueurs, fortement corr&eacute;l&eacute;es avec le statut mutationnel de IgVH qui peut pr&eacute;dire le r&eacute;sultat de survie sont encore &agrave; d&eacute;couvrir.

&Agrave; l&#39;aide d&#39;analyse des r&eacute;seaux co-expression du g&egrave;ne pour pr&eacute;dire des biomarqueurs pour la leuc&eacute;mie lympho&iuml;de chronique.

Chronischer lymphatischer Leuk&auml;mie (CLL) ist die h&auml;ufigste Leuk&auml;mieform. Es ist eine sehr heterogene Erkrankung und kann grob in indolenten und progressive Stadien basierend auf klassischen klinischen Markern unterteilt werden. Mutationszucht-Status f&uuml;r Immunglobulin-schwere Kette-Variable Region (IgVH) wurde festgestellt, dass Patienten &uuml;berleben Ergebnis zugeordnet werden und Biomarkern, die Verbindung mit den IgVH-Status wurde ein Schwerpunkt im Bereich CLL-Prognose-Forschung. Allerdings sind Biomarker stark korreliert mit IgVH teilhabende Status, die genau das &Uuml;berleben-Ergebnis Vorhersagen kann noch entdeckt werden.

Verwenden gen Koexpression Netzwerkanalyse Biomarker f&uuml;r chronische lymphatische Leuk&auml;mie vorherzusagen.

Leucemia linfocitica cronica (CLL) &egrave; la leucemia pi&ugrave; comune degli adulti. &Egrave; una malattia estremamente eterogenea e pu&ograve; essere diviso approssimativamente in fasi indolente e progressivi basati su marcatori clinici classici. Stato mutazionale di immunoglobulina catena pesante della regione variabile (Hypermutationen) &egrave; stato trovato per essere associato con esito di sopravvivenza del paziente, e biomarkers allo stato Hypermutationen &egrave; stata una messa a fuoco nel campo della ricerca CLL prognosi. Tuttavia, biomarcatori altamente correlati con Hypermutationen status mutazionale che pu&ograve; prevedere con precisione i risultati di sopravvivenza sono ancora da scoprire.

Mediante analisi del gene co-expression rete per predire i biomarcatori per leucemia linfocitica cronica.

&#x6162;&#x6027;&#x30EA;&#x30F3;&#x30D1;&#x6027;&#x767D;&#x8840;&#x75C5; (CLL) &#x6700;&#x3082;&#x4E00;&#x822C;&#x7684;&#x306A;&#x6210;&#x4EBA;&#x767D;&#x8840;&#x75C5;&#x3067;&#x3059;&#x3002;&#x305D;&#x308C;&#x306F;&#x975E;&#x5E38;&#x306B;&#x7570;&#x7A2E;&#x75BE;&#x60A3;&#x3067;&#x3042;&#x308A;&#x3001;&#x307B;&#x307C;&#x30AF;&#x30E9;&#x30B7;&#x30C3;&#x30AF;&#x306E;&#x81E8;&#x5E8A;&#x30DE;&#x30FC;&#x30AB;&#x30FC;&#x3092;&#x7528;&#x3044;&#x305F;&#x7121;&#x75DB;&#x3068;&#x9032;&#x6B69;&#x7684;&#x306A;&#x6BB5;&#x968E;&#x306B;&#x5206;&#x3051;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;Immunoglobin &#x91CD;&#x9396;&#x53EF;&#x5909;&#x9818;&#x57DF; (IgVH) &#x306E;&#x7A81;&#x7136;&#x5909;&#x7570;&#x306E;&#x72B6;&#x614B;&#x306F;&#x60A3;&#x8005;&#x306E;&#x751F;&#x5B58;&#x306E;&#x7D50;&#x679C;&#x306B;&#x95A2;&#x9023;&#x4ED8;&#x3051;&#x3089;&#x308C;&#x3066;&#x3044;&#x308B;&#x3053;&#x3068;&#x304C;&#x5224;&#x660E;&#x3057;&#x305F;&#x3001;&#x30D0;&#x30A4;&#x30AA; &#x30DE;&#x30FC;&#x30AB;&#x30FC; IgVH &#x72B6;&#x614B;&#x306B;&#x30EA;&#x30F3;&#x30AF;&#x3055;&#x308C;&#x3066;&#x306F;&#x3001;CLL &#x4E88;&#x5F8C;&#x306E;&#x7814;&#x7A76;&#x5206;&#x91CE;&#x306B;&#x7126;&#x70B9;&#x3092;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x305F;&#x3060;&#x3057;&#x306F;&#x751F;&#x5B58;&#x306E;&#x7D50;&#x679C;&#x3092;&#x6B63;&#x78BA;&#x306B;&#x4E88;&#x6E2C;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059; IgVH &#x7A81;&#x7136;&#x5909;&#x7570;&#x306E;&#x72B6;&#x614B;&#x3068;&#x9AD8;&#x3044;&#x76F8;&#x95A2;&#x3092;&#x793A;&#x3059;&#x30D0;&#x30A4;&#x30AA; &#x30DE;&#x30FC;&#x30AB;&#x30FC;&#x306F;&#x307E;&#x3060;&#x767A;&#x898B;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x6162;&#x6027;&#x30EA;&#x30F3;&#x30D1;&#x6027;&#x767D;&#x8840;&#x75C5;&#x306B;&#x5BFE;&#x3059;&#x308B;&#x30D0;&#x30A4;&#x30AA; &#x30DE;&#x30FC;&#x30AB;&#x30FC;&#x3092;&#x4E88;&#x6E2C;&#x3059;&#x308B;&#x907A;&#x4F1D;&#x5B50;&#x767A;&#x73FE;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x89E3;&#x6790;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x304F;&#x3060;&#x3055;&#x3044;&#x3002;

&#xB9CC;&#xC131; &#xB9BC;&#xD504;&#xBAA8;&#xAD6C; &#xBC31;&#xD608;&#xBCD1; (CLL)&#xC740; &#xAC00;&#xC7A5; &#xC77C;&#xBC18;&#xC801;&#xC778; &#xC131;&#xC778; &#xBC31;&#xD608;&#xBCD1;. &#xB9E4;&#xC6B0; &#xC774;&#xC9C8;&#xC801;&#xC778; &#xC9C8;&#xD658; &#xC774;&#xBA70; &#xB300;&#xB7B5; &#xACE0;&#xC804; &#xC784;&#xC0C1; &#xB9C8;&#xCEE4; &#xAE30;&#xBC18; &#xB098;&#xD0DC; &#xD558; &#xACE0; &#xC9C4;&#xBCF4;&#xC801;&#xC778; &#xB2E8;&#xACC4;&#xB85C; &#xB098;&#xB20C; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. Immunoglobin &#xBB34;&#xAC70;&#xC6B4; &#xCCB4;&#xC778; &#xBCC0;&#xC218; &#xC601;&#xC5ED; (IgVH) mutational &#xC0C1;&#xD0DC; &#xD658;&#xC790; &#xC0DD;&#xC874; &#xACB0;&#xACFC;&#xC640; &#xAD00;&#xB828; &#xB41C; &#xBC1C;&#xACAC; &#xD558; &#xACE0; IgVH &#xC0C1;&#xD0DC;&#xC5D0; &#xC5F0;&#xACB0; &#xB41C; &#xC0DD;&#xCCB4; CLL &#xC608; &#xD6C4; &#xC5F0;&#xAD6C; &#xBD84;&#xC57C;&#xC5D0; &#xCD08;&#xC810; &#xB418;&#xC5C8;&#xC2B5;&#xB2C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;, &#xBC14;&#xC774;&#xC624; &#xB9C8;&#xCEE4;&#xC758; &#xB192;&#xC740; &#xC0DD;&#xC874; &#xACB0;&#xACFC; &#xC815;&#xD655; &#xD558; &#xAC8C; &#xC608;&#xCE21;&#xD560; &#xC218; &#xC788;&#xB294; IgVH mutational &#xC0C1;&#xD0DC;&#xC640; &#xC0C1;&#xAD00;&#xB294; &#xC544;&#xC9C1; &#xBC1C;&#xACAC; &#xB41C; &#xAC83; &#xC774;&#xB2E4;&#xC785;&#xB2C8;&#xB2E4;.

&#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC0DD;&#xCCB4; &#xB9CC;&#xC131; &#xB9BC;&#xD504;&#xBAA8;&#xAD6C; &#xBC31;&#xD608;&#xBCD1;&#xC5D0; &#xB300; &#xD55C; &#xC608;&#xCE21; &#xC720;&#xC804;&#xC790; co-expression &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xBD84;&#xC11D;.

Leucemia linfoc&iacute;tica cr&oacute;nica (CLL) es la leucemia adulta m&aacute;s com&uacute;n. Es una enfermedad muy heterog&eacute;nea y puede dividirse aproximadamente en etapas indolentes y progresivas basadas en marcadores cl&iacute;nicos cl&aacute;sicos. Estado mutacional de regi&oacute;n variable (IgVH) de la cadena pesada de inmunoglobulina fue encontrado para ser asociado con el resultado de la supervivencia de los pacientes, y biomarcadores vinculados a la condici&oacute;n de IgVH ha sido un foco en el campo de investigaci&oacute;n del pron&oacute;stico CLL. Sin embargo, biomarcadores altamente correlacionados con el estado mutacional de IgVH que puede predecir con precisi&oacute;n los resultados de supervivencia son a&uacute;n por descubrir.

Usando an&aacute;lisis de red de coexpresi&oacute;n g&eacute;nica para predecir biomarcadores para la leucemia linfoc&iacute;tica cr&oacute;nica.

&#x5927;&#x8111;&#x76AE;&#x5C42;&#x5305;&#x542B;&#x5174;&#x594B;&#x6027;&#x795E;&#x7ECF;&#x5143;&#x548C;&#x6291;&#x5236; interneurons&#x3002;&#x76AE;&#x5C42;&#x5174;&#x594B;&#x6027;&#x795E;&#x7ECF;&#x5143;&#x6765;&#x81EA;&#x540C;&#x4E00;&#x7956;&#x7EC6;&#x80DE;&#x7684;&#x514B;&#x9686;&#x7A7A;&#x95F4;&#x7EC4;&#x7EC7;&#x548C;&#x529F;&#x80FD;&#x7684;&#x5FAE;&#x7535;&#x8DEF;&#x7684;&#x5F62;&#x6210;&#x4F5C;&#x51FA;&#x8D21;&#x732E;&#x3002;&#x76F8;&#x6BD4;&#x4E4B;&#x4E0B;&#xFF0C;&#x76F8;&#x5BF9;&#x4E86;&#x89E3;&#x751A;&#x5C11;&#x7684;&#x751F;&#x4EA7;&#x548C;&#x7EC4;&#x7EC7;&#x76AE;&#x5C42;&#x6291;&#x5236; interneurons&#x3002;&#x6211;&#x4EEC;&#x53D1;&#x73B0;&#x4F5C;&#x4E3A;&#x53D1;&#x5C55;&#x4E2D;&#x56FD;&#x5BB6;&#x7684;&#x8179;&#x4FA7;&#x7AEF;&#x8111;&#x7684;&#x7A7A;&#x95F4;&#x7EC4;&#x7EC7;&#x65E0;&#x6027;&#x7CFB;&#x5355;&#x4F4D;&#x5236;&#x4F5C;&#x4E86;&#x76AE;&#x5C42;&#x6291;&#x5236; interneurons&#x3002;&#x6B64;&#x5916;&#xFF0C;&#x65E0;&#x6027;&#x7E41;&#x6B96;&#x76F8;&#x5173;&#x7684; interneurons &#x672A;&#x6709;&#x968F;&#x673A;&#x6D88;&#x6563;&#xFF0C;&#x4F46;&#x5728;&#x5927;&#x8111;&#x76AE;&#x5C42;&#x4E2D;&#x5F62;&#x6210;&#x7A7A;&#x95F4;&#x4E0A;&#x5B64;&#x7ACB;&#x7684;&#x56E2;&#x7C07;&#x3002;Interneurons &#x8868;&#x793A;&#x7684;&#x76F8;&#x540C;&#x6216;&#x4E0D;&#x540C;&#x7684;&#x795E;&#x7ECF;&#x5316;&#x5B66;&#x6807;&#x8BB0;&#x7EC4;&#x6210;&#x7684;&#x4E2A;&#x522B;&#x65E0;&#x6027;&#x7CFB;&#x96C6;&#x7FA4;&#x5C55;&#x793A;&#x6E05;&#x695A;&#x5782;&#x76F4;&#x6216;&#x6C34;&#x5E73;&#x7684;&#x7EC4;&#x7EC7;&#x3002;&#x8FD9;&#x4E9B;&#x7ED3;&#x679C;&#x8868;&#x660E;&#x6CBF;&#x88AD;&#x5173;&#x7CFB;&#x5728;&#x5927;&#x8111;&#x76AE;&#x5C42;&#x6291;&#x5236; interneurons &#x7EC4;&#x7EC7;&#x4E2D;&#x53D1;&#x6325;&#x4E86;&#x5173;&#x952E;&#x4F5C;&#x7528;&#x3002;

&#x65E0;&#x6027;&#x7CFB;&#x751F;&#x4EA7;&#x53CA;&#x7EC4;&#x7EC7;&#x5728;&#x5927;&#x8111;&#x76AE;&#x5C42;&#x6291;&#x5236; interneurons&#x3002;

The neocortex contains excitatory neurons and inhibitory interneurons. Clones of neocortical excitatory neurons originating from the same progenitor cell are spatially organized and contribute to the formation of functional microcircuits. In contrast, relatively little is known about the production and organization of neocortical inhibitory interneurons. We found that neocortical inhibitory interneurons were produced as spatially organized clonal units in the developing ventral telencephalon. Furthermore, clonally related interneurons did not randomly disperse but formed spatially isolated clusters in the neocortex. Individual clonal clusters consisting of interneurons expressing the same or distinct neurochemical markers exhibited clear vertical or horizontal organization. These results suggest that the lineage relationship plays a pivotal role in the organization of inhibitory interneurons in the neocortex.

Clonal production and organization of inhibitory interneurons in the neocortex.

Le n&eacute;ocortex contient des neurones excitateurs et les interneurones inhibiteurs. Clones de neurones excitateurs n&eacute;ocorticales, provenant de la m&ecirc;me cellule prog&eacute;nitrice sont organis&eacute;s dans l&#39;espace et contribuent &agrave; la formation des microcircuits fonctionnelles. En revanche, relativement peu est connu sur la production et l&#39;Organisation des interneurones inhibiteurs n&eacute;ocorticales. Nous avons trouv&eacute; que des interneurones inhibiteurs n&eacute;ocorticales ont &eacute;t&eacute; produites comme des unit&eacute;s organis&eacute;es spatialement clonales dans le t&eacute;lenc&eacute;phale ventral en voie de d&eacute;veloppement. En outre, les interneurones li&eacute;s par clonage ; ne pas disperser au hasard mais forment des groupes isol&eacute;s dans l&#39;espace dans le n&eacute;ocortex. Individuels grappes clonales compos&eacute; des interneurones exprimant les marqueurs neurochimiques identiques ou diff&eacute;rentes expos&eacute;es organisation claire verticale ou horizontale. Ces r&eacute;sultats sugg&egrave;rent que la relation de la lign&eacute;e joue un r&ocirc;le central dans l&#39;Organisation des interneurones inhibiteurs dans le n&eacute;ocortex.

Production clonale et l&#39;Organisation des interneurones inhibiteurs dans le n&eacute;ocortex.

Neocortex enth&auml;lt exzitatorischen Neuronen und inhibitorischen Interneuronen. Klone der neokortikalen exzitatorischen Neuronen aus der gleichen Stammvater-Zelle sind r&auml;umlich organisiert und tragen zur Bildung von funktionalen Mikroschaltungen. Im Gegensatz dazu ist relativ wenig &uuml;ber die Produktion und Organisation der neokortikalen hemmenden Interneuronen bekannt. Wir fanden, dass neokortikalen hemmende Interneuronen als r&auml;umlich organisierten klonalen Einheiten in den Entwicklungsl&auml;ndern ventralen Telencephalon produziert wurden. Au&szlig;erdem klonal Verwandte Interneuronen nicht zuf&auml;llig verteilen aber r&auml;umlich isolierte Clustern in der Gro&szlig;hirnrinde gebildet. Einzelne klonalen Cluster bestehend aus Interneuronen, die die gleiche oder unterschiedliche neurochemische Marker auszudr&uuml;cken ausgestellt klare vertikale oder horizontale Organisation. Diese Ergebnisse legen nahe, dass die Herkunfts-Beziehung eine zentrale Rolle in der Organisation von hemmenden Interneuronen in der Gro&szlig;hirnrinde spielt.

Klonale Produktion und Organisation von hemmenden Interneuronen in der Gro&szlig;hirnrinde.

Il neocortex contiene neuroni eccitatori e inibitorio interneurons. Cloni di neocortical neuroni eccitatori provenienti dalla stessa cellula progenitrice sono organizzati spazialmente e contribuiscono alla formazione di microcircuiti funzionali. Al contrario, relativamente poco si sa circa la produzione e l&#39;organizzazione dei interneurons inibitori corticali. Abbiamo trovato che interneurons inibitori corticali sono state prodotte come spazialmente organizzato unit&agrave; clonale nel telencefalo ventrale in via di sviluppo. Inoltre, interneurons clonale non ha fatto disperdere casualmente ma formano grappoli spazialmente isolati nella neocorteccia. Singoli cluster clonale composto interneurons esprimendo la stesse o distinti marcatori neurochimici esposto organizzazione chiara verticale o orizzontale. Questi risultati suggeriscono che il rapporto di discendenza gioca un ruolo fondamentale nell&#39;organizzazione della inibitorio interneurons nella neocorteccia.

Clonale produzione e organizzazione di inibitorio interneurons nella neocorteccia.

&#x5927;&#x8133;&#x76AE;&#x8CEA;&#x306B;&#x306F;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x8208;&#x596E;&#x6027;&#x3068;&#x6291;&#x5236;&#x6027;&#x4ECB;&#x5728;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x304C;&#x542B;&#x307E;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x30AF;&#x30ED;&#x30FC;&#x30F3;&#x5143;&#x306E;&#x540C;&#x3058;&#x306E;&#x524D;&#x99C6;&#x7D30;&#x80DE;&#x304B;&#x3089;&#x5927;&#x8133;&#x76AE;&#x8CEA;&#x306E;&#x8208;&#x596E;&#x6027;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x7A7A;&#x9593;&#x7684;&#x6574;&#x7406;&#x3055;&#x308C;&#x3066;&#x304A;&#x308A;&#x3001;&#x6A5F;&#x80FD;&#x7684;&#x56DE;&#x8DEF;&#x306E;&#x5F62;&#x6210;&#x306B;&#x5BC4;&#x4E0E;&#x3057;&#x307E;&#x3059;&#x3002;&#x5BFE;&#x7167;&#x7684;&#x306B;&#x3001;&#x6BD4;&#x8F03;&#x7684;&#x307B;&#x3068;&#x3093;&#x3069;&#x751F;&#x7523;&#x3068;&#x65B0;&#x76AE;&#x8CEA;&#x6291;&#x5236;&#x6027;&#x4ECB;&#x5728;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x7D44;&#x7E54;&#x306B;&#x3064;&#x3044;&#x3066;&#x77E5;&#x3089;&#x308C;&#x3066;&#x3044;&#x307E;&#x305B;&#x3093;&#x3002;&#x6211;&#x3005; &#x306F;&#x767A;&#x5C55;&#x9014;&#x4E0A;&#x306E;&#x8179;&#x5074;&#x7D42;&#x8133;&#x306B;&#x304A;&#x3051;&#x308B;&#x7A7A;&#x9593;&#x7684;&#x7D44;&#x7E54;&#x30AF;&#x30ED;&#x30FC;&#x30CA;&#x30EB; &#x30E6;&#x30CB;&#x30C3;&#x30C8;&#x3068;&#x3057;&#x3066;&#x65B0;&#x76AE;&#x8CEA;&#x6291;&#x5236;&#x6027;&#x4ECB;&#x5728;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x304C;&#x751F;&#x6210;&#x3055;&#x308C;&#x305F;&#x3053;&#x3068;&#x3092;&#x767A;&#x898B;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x3055;&#x3089;&#x306B;&#x3001;clonally &#x95A2;&#x9023;&#x4ECB;&#x5728;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306F;&#x30E9;&#x30F3;&#x30C0;&#x30E0;&#x306B;&#x5206;&#x6563;&#x3057;&#x305F;&#x304C;&#x5927;&#x8133;&#x76AE;&#x8CEA;&#x306B;&#x7A7A;&#x9593;&#x7684;&#x5B64;&#x7ACB;&#x3057;&#x305F;&#x30AF;&#x30E9;&#x30B9;&#x30BF;&#x30FC;&#x3092;&#x5F62;&#x6210;&#x3057;&#x307E;&#x3059;&#x3002;&#x500B;&#x3005; &#x306E;&#x30AF;&#x30ED;&#x30FC;&#x30F3; &#x30AF;&#x30E9;&#x30B9;&#x30BF;&#x30FC;&#x304B;&#x3089;&#x6210;&#x308B;&#x540C;&#x3058;&#x307E;&#x305F;&#x306F;&#x500B;&#x5225;&#x306E;&#x795E;&#x7D4C;&#x5316;&#x5B66;&#x7684;&#x30DE;&#x30FC;&#x30AB;&#x30FC;&#x306E;&#x767A;&#x73FE;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x660E;&#x78BA;&#x306A;&#x5782;&#x76F4;&#x307E;&#x305F;&#x306F;&#x6C34;&#x5E73;&#x306E;&#x7D44;&#x7E54;&#x5C55;&#x793A;&#x3002;&#x30EA;&#x30CD;&#x30FC;&#x30B8;&#x30E5;&#x95A2;&#x4FC2;&#x65B0;&#x76AE;&#x8CEA;&#x5185;&#x6291;&#x5236;&#x6027;&#x4ECB;&#x5728;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x7D44;&#x7E54;&#x3067;&#x6975;&#x3081;&#x3066;&#x91CD;&#x8981;&#x306A;&#x5F79;&#x5272;&#x3092;&#x679C;&#x305F;&#x3057;&#x3066;&#x3044;&#x308B;&#x3053;&#x3068;&#x304C;&#x793A;&#x5506;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;

&#x30AF;&#x30ED;&#x30FC;&#x30F3;&#x306E;&#x751F;&#x7523;&#x3068;&#x65B0;&#x76AE;&#x8CEA;&#x306E;&#x6291;&#x5236;&#x6027;&#x4ECB;&#x5728;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x7D44;&#x7E54;&#x3002;

&#xACE0; &#xD604;&#xC5D0;&#xB294; &#xD765;&#xBD84; &#xC131;&#xC758; &#xB274;&#xB7F0; &#xAE08;&#xC9C0; &#xC218; &#xD3EC;&#xD568; &#xB418;&#xC5B4; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xAC19;&#xC740; &#xC2DC; &#xC870; &#xC140;&#xC5D0;&#xC11C; &#xBC1C;&#xC0DD; neocortical &#xD765;&#xBD84; &#xC131;&#xC758; &#xB274;&#xB7F0;&#xC758; &#xD074;&#xB860; &#xACF5;&#xAC04;&#xC801; &#xAD6C;&#xC131; &#xB418; &#xACE0; &#xAE30;&#xB2A5; microcircuits&#xC758; &#xD615;&#xC131;&#xC5D0; &#xAE30;&#xC5EC;. &#xBC18;&#xBA74;, &#xC0C1;&#xB300;&#xC801;&#xC73C;&#xB85C; &#xC791;&#xC740; &#xC0DD;&#xC0B0;&#xACFC; neocortical &#xAE08;&#xC9C0; &#xC218;&#xC758; &#xC870;&#xC9C1;&#xC5D0; &#xB300; &#xD55C; &#xC54C;&#xB824;&#xC838; &#xC788;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xACF5;&#xAC04;&#xC801; &#xC870;&#xC9C1; &#xD074;&#xB860; &#xB2E8;&#xC704; &#xAC1C;&#xBC1C; &#xBCF5; &#xBD80; telencephalon neocortical &#xAE08;&#xC9C0; &#xC218; &#xC0DD;&#xC0B0; &#xB418;&#xC5C8;&#xB2E4; &#xBC1C;&#xACAC;. &#xB610;&#xD55C;, clonally &#xAD00;&#xB828;&#xB41C; &#xC218; &#xC784;&#xC758;&#xB85C; &#xBD84;&#xC0B0; &#xD558;&#xC9C0; &#xC54A;&#xC558;&#xB2E4; &#xD558;&#xC9C0;&#xB9CC; &#xACF5;&#xAC04;&#xC801;&#xC73C;&#xB85C; &#xACA9;&#xB9AC; &#xB41C; &#xD074;&#xB7EC;&#xC2A4;&#xD130; &#xD615;&#xC131;&#xC5D0; &#xD604;. &#xB3D9;&#xC77C; &#xD558;&#xAC70;&#xB098; &#xC11C;&#xB85C; &#xB2E4;&#xB978; neurochemical &#xB9C8;&#xCEE4;&#xB97C; &#xD45C;&#xD604; &#xD558;&#xB294; &#xC218;&#xB85C; &#xAD6C;&#xC131; &#xB41C; &#xAC1C;&#xBCC4; &#xD074;&#xB860; &#xD074;&#xB7EC;&#xC2A4;&#xD130; &#xC804;&#xC2DC; &#xCDE8;&#xC18C; &#xC218;&#xC9C1; &#xB610;&#xB294; &#xC218;&#xD3C9; &#xC870;&#xC9C1;. &#xC774;&#xB7EC;&#xD55C; &#xACB0;&#xACFC; &#xD608;&#xD1B5; &#xAD00;&#xACC4;&#xB97C; &#xD604;&#xC5D0;&#xC11C; &#xAE08;&#xC9C0; &#xC218;&#xC758; &#xC870;&#xC9C1;&#xC5D0;&#xC11C; &#xC911;&#xCD94;&#xC801;&#xC778; &#xC5ED;&#xD560;&#xC744; &#xD55C;&#xB2E4;&#xB294; &#xAC83;&#xC774; &#xC88B;&#xC2B5;&#xB2C8;&#xB2E4;.

&#xD074;&#xB860; &#xC0DD;&#xC0B0; &#xACE0;&#xB294; &#xD604;&#xC5D0;&#xC11C; &#xAE08;&#xC9C0; &#xC218;&#xC758; &#xC870;&#xC9C1;.

El neocortex contiene neuronas excitatorias e interneuronas inhibitorias. Clones de neuronas excitatorias neocorticales originarios de la misma c&eacute;lula progenitora se organizan espacialmente y contribuir&aacute;n a la formaci&oacute;n de microcircuitos funcionales. Por el contrario, relativamente poco se sabe sobre la producci&oacute;n y organizaci&oacute;n de interneuronas inhibitorias neocorticales. Encontramos que se produjeron neocorticales interneuronas inhibitorias como unidades organizadas espacialmente clonales en el telenc&eacute;falo ventral en desarrollo. Adem&aacute;s, interneuronas clonalmente relacionados no se disip&oacute; al azar pero forman grupos aislados espacialmente en el neocortex. Racimos clonales individuales que consiste en expresar los mismos o distintos marcadores neuroqu&iacute;micos de interneurons exhibieron claro vertical u horizontal de la organizaci&oacute;n. Estos resultados sugieren que la relaci&oacute;n de linaje desempe&ntilde;a un papel fundamental en la organizaci&oacute;n de interneuronas inhibitorias en el neocortex.

Liya Ding

Department of Biomedical Informatics

The Ohio State University

Dual-mode Imaging of Cutaneous Tissue Oxygenation and Vascular Function

Liya Ding

.css-o250i3{font-size:18px;font-family:Open Sans,sans-serif;line-height:21.6px;}Department of Biomedical Informatics

The Ohio State University

Dual-mode Imaging of Cutaneous Tissue Oxygenation and Vascular Function

Department of Biomedical Informatics