Este trabalho foi apoiado por Grant No. P50NS071675 (Morris K. Udall Centro de Excelência em Pesquisa da Doença de Parkinson no Instituto Feinstein para Pesquisa Médica) para DE, do Instituto Nacional de Distúrbios Neurológicos e Derrame. O conteúdo é da exclusiva responsabilidade dos seus autores e não representam necessariamente a posição oficial do Instituto Nacional de Distúrbios Neurológicos e Derrame ou o National Institutes of Health. O patrocinador não desempenhar um papel no desenho do estudo, recolha, análise e interpretação dos dados, elaboração do relatório ou na decisão de enviar o artigo para publicação.

1. Coleta de dados e pré-processamento <ol><li> O método de MES / APC pode ser aplicado a imagens de volume individuais obtidos a partir de várias fontes e modalidades. Especificamente, para a imagiologia de PET no local de metabolismo, preparar um traçador radionuclídeo adequado, tal como [18F]-fluorodesoxiglucose (FDG) e administrar a cada paciente. Os pacientes são, normalmente, digitalizados em repouso com os olhos abertos, depois de um jejum de pelo menos 12 horas, fora medicamentos. </li><li> Digitalizar cada assunto para avaliação individual ou em grupo. Para padrão de derivação, digitalizar um número igual de pacientes e controles de gênero e idade comparável. </li><li> Transferir dados para uma estação de trabalho e converter para um formato apropriado para análise em sua plataforma. Nosso janelas PC baseado software de análise de MATLAB (scanvp, ssm_pca, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> ) requer analisar ou imagens em formato NIfTI (Mayo Clinic, Rochester, MN). Ele fornece uma rotina de conversão de to transform GE Adiantamento (Milwaukee, WI, EUA), scanner e outras imagens em formato de ANALISAR formato. </li><li> Normalizar a imagem de cada indivíduo para um espaço estereotáxico comum (por exemplo Montreal Neurological Institute [MNI]) usando um pacote de software padrão de neuroimagem, como Statistical Parametric Mapping (SPM) ( <a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a> ) de modo que haja um-para-um dos valores de voxel entre sujeitos (Figura 2). Mascaramento limitar a análise para as zonas de matéria cinzenta (Figura 3) e transformação de log são descritos nos passos seguintes. </li></ol> 2. Realize SSM multivariada / PCA As operações para multivariada MES / APC (Figura 4) pode ser realizada por software externo. Os passos discriminados abaixo refletem os procedimentos realizados para a maior parte automaticamente pelo nosso in-house rotinas (Figura 5) (scanvp / ssmpca, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> também disponível como uma caixa de ferramentas ssm_pca SPM). <ol><li> Dados máscara usando uma imagem 0/1 disponível para remover áreas indesejadas do espaço voxel como matéria branca e ventrículos. Usando a rotina ssmpca, o usuário é dada a opção de selecionar o padrão ou outra máscara externa (Figura 3) ou ter o programa cria automaticamente uma máscara, removendo valores inferiores a um por cento fixo selecionado de dados máxima de cada sujeito. Máscaras sujeitos individuais são depois multiplicados para determinar uma máscara compósito. As áreas dentro da máscara de definir um espaço comum voxel diferente de zero para a análise. </li><li> Converter dados em 3D do voxel imagem mascarada de cada sujeito a um vetor linha contínua, acrescentando linhas de varredura seqüencial de planos consecutivos (Figura 4a). Formar uma matriz de dados de grupo (D), de modo que os dados de cada uma corresponde a um sujeito específico row da matriz. Cada coluna representa então um voxel em particular entre os indivíduos. Idealmente, para derivação de biomarcadores, a matriz será composta por um número igual de linhas de dados sujeitos controles normais e dados sujeitos doença. </li><li> Transforme cada entrada de dados para a forma logarítmica. </li><li> Centro da matriz de dados, subtraindo cada linha média ou sujeito significa a partir dos elementos de linha. A média de todas as linhas centradas representa um grupo característico significa imagem log denominado um perfil médio do grupo (GMP, Figura 4a). Subtrair os meios de coluna, que são os elementos do BPF dos elementos correspondentes da matriz da coluna. Cada linha da matriz centrada na dupla representa uma imagem &#39;residual&#39; denominado um perfil residual assunto (SRP), cujos elementos representam os desvios, tanto do sujeito s e voxel v médias dos grupos (Figura 4b). SRP sv = logD sv - significa s - GMP v </li><li> Construa a subjcovariância ect a indivíduo matriz C do matriz de dados centrado duplo composta pelo cálculo da covariância não normalizada entre cada par sujeito i, j da matriz SRP linhas avaliada como um produto de elementos correspondentes voxel somados sobre toda voxels v (Figura 4b) . C ij = Σ v (SRP iv x SRP jv) </li><li> Aplicar PCA para a covariância sujeito-a-sujeito matriz C. Os resultados serão um conjunto de pontuação sujeitos autovetores com autovalores associados. Peso cada vetor multiplicando pela raiz quadrada da sua autovalor correspondente. O conjunto de pontuação eigenvetores é representada pelas colunas da matriz resultante S na Figura 4c. </li><li> Eigenvetores Voxel para o mesmo conjunto de valores próprios pode ser determinada pela aplicação de PCA para a coluna por coluna ou matriz covariância por esta alternativa computacionalmente menos exigente procediure representado na (Figura 4c). Esquerda multiplicar a matriz vetor pontuação anteriormente obtida pelo transpor matriz SRP para obter uma matriz P de autovetores padrão voxel, a fim de autovalores (Figura 4c, Figura 6, Figura 7a) descendente. P = SRP T x S Cada vetor coluna representa um componente principal (PC) padrão de imagem da análise SSM / PCA atribuído a um por cento da variação total representou (VAF) correspondente ao tamanho relativo de seu valor próprio. </li></ol> 3. Padrão de Biomarcadores de Derivação <ol><li> Analisar os resultados da análise anterior, para determinar os padrões de PC que são associados com os valores elevados VAF. Dentro da nossa rotina, vetores padrão voxel são Z-transformado de modo que seus valores representam desvios-padrão positivos e negativos de seu valor médio. Eles são, então, reformulado em formato de imagem antes de exibir (Figura 7a). </li><li&gt; Em alguns casos, com padrões conhecidos desvios regionais associados com a doença pode ser identificada visualmente. A formulação matemática considera formas positiva e negativa dos PCs derivados como soluções equivalentes, caso em que ambos os PCs e suas pontuações associadas podem ser multiplicadas pelo menos um para se conformar com uma interpretação correcta fisicamente. </li><li> Pontuações correspondentes a cada padrão PC são exibidos como gráficos de barras e gráficos de dispersão (Figura 7). Uma trama ROC opcional pode ser gerado (Figura 7d). Para identificar um padrão específico da doença, observe a diferenciação dos escores assunto entre pacientes e controles refletidas pelos p-valores dos correspondentes testes t de duas amostragens e valores AUC. Limitar a análise para os computadores pessoais associadas a um elevado vaf e elevada diferenciação para alguns valores de corte fixas (por exemplo, p &lt;0,05 e vaf&gt; 5%). Normalmente, apenas um ou dois PCs satisfazer este critério para dados PET. </li><li> Existem various outros caminhos para seleção de PC que podem ser considerados 44. O scree plot dos valores próprios seqüenciais (Figura 6) pode dar um valor de corte afiada representado por uma curva a curva e uma forte redução na inclinação da curva onde valores próprios começam a se degenerar. Outra abordagem é a de incluir todos os PCs que representam o top 50% da variância. Um procedimento amplamente aceito é para calcular o Critério de Informação de Akaike (AIC) 45 para determinar qual combinação de PCs definir o modelo com o valor de AIC menor que podem distinguir entre os pacientes e controles. </li><li> O PC seleccionado (s) pode ser vector normalizado e linearmente combinadas para produzir um único padrão de doença relacionada. Nosso software opcionalmente usa a função glmfit MATLAB para determinar os coeficientes com base em modelos de regressão logística ou outro aplicadas a pontuação assunto. Embora a diferenciação de pacientes e grupos de controle geralmente melhora com os PCs consideradas na degrupo rivation, os padrões resultantes são uma representação composto que pode não corresponder a uma única rede física ou pode incorporar desvios outlier (Figuras 7a e 7c). </li><li> Uma validação adicional é necessária para a confiabilidade ea importância potencial. Reamostragem de bootstrap pode ser realizado, como discutido abaixo de 8 para identificar os voxels mais fiáveis ​​dentro do conjunto de dados de derivação original, associada com o desvio padrão de menos de derivação padrão repetido. Encaminhar a validação é realizada para testar a sensibilidade e especificidade da discriminação grupo independente derivando pontuações para grupos prospectivos de pacientes e controles, utilizando o método de avaliação pontuação individual de cada disciplina (Figura 4d) descrito no próximo segmento do protocolo. </li></ol> 4. Single-tema Avaliação Pontuação prospectivo utilizando um biomarcador predeterminada <ol><li> Uma vez que um padrão significativo biomarcador SSM-GISFoi identificada, uma contagem para a sua expressão num sujeito pode ser avaliado em perspectiva a partir de analise do indivíduo através de um simples cálculo do produto interno do vector do sujeito SRP vector e do vector padrão SIG (Figura 4d, a figura 7d). SCORE = SRPs • Padrão </li><li> A operação anterior é automatizado por nossa rotina TPR. No entanto, para derivar o assunto, independentemente SRP vector usar a máscara SIG intrínseco associado com os dados transformados de log e subtrair tanto a média assunto e os valores correspondentes do voxel referência prederived grupo GMP como no passo 2.4. Isto assegura que as pontuações pode ser comparado com a gama de referência predeterminado. Pontuações para um novo grupo pode ser avaliada de forma semelhante como um conjunto de potenciais pontos sujeitos individuais. Para utilização com um grupo de referência diferente ou configuração, BPF pode ser recalibrada enquanto o padrão é inalterada. </li></ol>

Dr. Eidelberg é listado como co-inventor de duas patentes dos EUA sobre o uso de marcadores de imagem de triagem de disfunção do sistema nervoso (sem ganho financeiro). Não há novas divulgações.

O modelo SSM / APC originalmente apresentado por Moeller et ai. 1-3 4 evoluiu para uma técnica simples e robusto para a análise de dados de neuroimagem. No entanto, tem havido ambiguidades na aplicação desta metodologia que tentaram esclarecer aqui e em publicações anteriores 5-7,10. Algumas destas questões foram abordadas no texto, mas são reenfatizou aqui por causa de sua importância. Conforme detalhado na Introdução, SSM / PCA é principalmente eficaz em repouso dados do esta...

Distúrbios neurodegenerativos têm sido extensivamente estudada, utilizando técnicas que localizam e quantificar anormalidades do metabolismo do cérebro, bem como métodos que não inferencial estudar interacções regionais 17. Estratégias analíticas multivariadas baseadas em dados, como a análise de componentes principais (PCA) 1,2,4,18 e análise de componentes independentes (ICA) 19,20, bem como técnicas supervisionadas, tais como mínimos quadrados parciais (PLS) 21 e tendências ordinais canônicas análise variates (TRO / CVA) 22 pode revelar padrões característicos ou &quot;redes&quot; de atividade inter-relacionadas. As noções básicas de procedimentos multivariados, em particular o modelo subperfil escala (SSM) 1,2,4-6,18 foram previamente descritos em Jove 3. Esta abordagem baseada em PCA foi originalmente desenvolvido para examinar as relações de covariância funcionais anormais entre as regiões do cérebro em imagens de volume único no estado de equilíbrio do fluxo sanguíneo cerebral e acq metabolismouired no estado de repouso, de modalidades, tais como PET e SPECT, que exibem características de alta relação sinal-ruído. SSM padrões de doenças específicas são biomarcadores de imagem que refletem diferenças globais na topografia regional, em pacientes em comparação com indivíduos normais 7,16 e pode refletir um processo de uma única rede ou a assimilação de várias funções anormais complexos 23. Padrão de covariância redes cerebrais metabólicas estão associadas com valores de expressão (escores assunto) que podem distinguir entre os grupos normal e doença e apresentar medidas baseadas em rede que se correlacionam com avaliações clínicas de gravidade da doença. Normalmente, os resultados sujeitos a tais padrões aumentam com a progressão da doença e pode até mesmo ser expresso antes do início dos sintomas 14,24. Com efeito, os biomarcadores da rede relacionados com a doença foram caracterizados por distúrbios neurodegenerativos como a doença de Parkinson 10 (PD), a doença de 25 Huntington (HD), e doença de Alzheimer 8 </sup&gt; (AD). Importante, topografias metabólicos relacionados com a doença também têm sido identificados para distúrbios de movimento parkinsoniana atípica, como atrofia de múltiplos sistemas (MSA) e paralisia supranuclear progressiva (PSP). Esses padrões têm sido usados ​​em conjunto para o diagnóstico diferencial de indivíduos com clinicamente similares &quot;sósia&quot; síndromes 12,13,26. Em contraste, os métodos univariados baseados em voxel fMRI típicos avaliar a significância das diferenças entre pacientes e controles em grupos isolados do cérebro. Mais recentemente, foram desenvolvidos métodos para medir a ligação funcional entre as regiões do cérebro variadamente definidos 27-29. Esta definição de conectividade funcional é limitado ao sujeito e região interacções específicas e afasta-se do SSM / APC conceito original que se refere à interligação transversal das regiões cerebrais rede espacialmente distribuídos intrínsecas 1,2,23,30. A sua vantagem, plataformas de ressonância magnética are facilmente instalado, amplamente disponível, não invasivo e exigem tipicamente mais curto do que o tempo de leitura de imagem do radiofármaco modalidades tradicionais, tais como PET ou SPECT resultando num aumento de potenciais metodologias descritas na literatura recente. No entanto, os sinais de fMRI dependentes do tempo resultantes fornecem medidas indiretas de atividade neural locais 31,32. Os algoritmos geralmente analíticos complexos empregues têm sido limitados pelo grande tamanho dos conjuntos de dados, o ruído fisiológico inerente sinais de ressonância magnética, assim como a elevada variabilidade na actividade do cérebro que existe entre os sujeitos e as regiões 19,23. Apesar de informações interessantes sobre a organização do cérebro pode ser inferida a partir das propriedades de ressonância magnética &quot;redes&quot;, eles não têm sido suficientemente estável para ser usado como biomarcadores da doença de confiança. Além disso, as topografias da rede resultantes não são necessariamente equivalentes aos identificados utilizando métodos estabelecidos, tais como imagens funcionais MES / APC. Por diae maior parte, rigorosa validação cruzada das topografias fMRI resultantes tem faltado com alguns exemplos de aplicação bem sucedida para a frente de padrões derivados dos dados de varredura de potenciais casos individuais. Uma vantagem da análise de covariância PCA reside na sua capacidade de identificar as mais importantes fontes de variação dos dados nos primeiros componentes principais, mas é ineficaz se os autovetores representam importantes fatores de ruído aleatório em vez de resposta da rede intrínseca real. Ao selecionar apenas os primeiros autovetores e limitando àquelas que apresentaram diferenças significativas em escores de controle do paciente em relação normal, que reduzem a influência de elementos de ruído. No entanto, para a abordagem básica descrita aqui, estas medidas podem não ser suficientes para gerar estimadores robustos em um conjunto de dados de ressonância magnética típico com excepção de as modalidades descritas abaixo. Assim, por causa da relação directa estável de g regionaislucose metabolismo e actividade sináptica 33, esta metodologia foi aplicada principalmente para a análise de dados de PET de FDG estado de repouso. No entanto, dado que o fluxo sanguíneo cerebral (CBF) está intimamente associado à atividade metabólica no estado de repouso 10,11,34, 35,36 SPECT e mais recentemente arterial rotulagem de spin (ASL) métodos de imagem de ressonância magnética de perfusão 37,38, têm sido usados para avaliar a atividade metabólica anormal em casos individuais. Dito isto, a derivação de padrões de covariância espacial de confiança com fMRI estado de repouso (rsfMRI) é como não observado anteriormente simples 31,32. Mesmo assim, a análise SSM / PCA preliminar dos dados rsfMRI de pacientes com DP e controles revelou algumas homologias topográficas entre os padrões relacionados com a doença identificada usando as duas modalidades, PET e amplitude das flutuações de baixa frequência (ALFF) de BOLD fMRI 39,40 . Por fim, notamos também que esta abordagem tem sido aplicado com sucesso em voxel baseada morfopHmetria (VBM) dados de MRI estrutural 41,42, revelando distintos padrões de covariâncias espaciais associadas à perda de volume relacionada com a idade e em outras comparações de VBM e padrões ASL nos mesmos assuntos 43. A relação entre SSM / PCA topografias de covariância espacial e redes cerebrais análogas identificados usando diferentes abordagens analíticas e plataformas de imagem é um tema de investigação em curso.

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

identification of disease-related spatial covariance patterns using neuroimaging data

O modelo em escala subperfil (SSM) 1-4 é um algoritmo baseado em PCA multivariada que identifica as principais fontes de variação do paciente e do grupo de dados de imagem cerebral de controle, rejeitando componentes menores (Figura 1). Aplicados diretamente aos dados de covariância voxel-a-voxel de imagens multimodalidade no estado de equilíbrio, todo um conjunto de imagens do grupo pode ser reduzida a algumas importantes padrões de covariância linearmente independentes e dezenas sujeitos correspondentes. Cada padrão, denominado um grupo subperfil invariante (SIG), é um componente principal ortogonal que representa uma rede distribuída espacialmente das regiões do cérebro funcionalmente interligadas. Grandes efeitos escalares médios globais que podem obscurecer menores contribuições específicas de rede sejam removidos pela conversão logarítmica inerente e centrados na média dos dados 2,5,6. Assuntos expressar cada um desses padrões, em grau variável representado por uma pontuação escalar simples que pode correlacionar com clin independentedescritores iCal ou psicométrica 7,8. Usando a análise dos escores sujeitos (ou seja, valores de expressão padrão) de regressão logística, os coeficientes lineares podem ser derivadas para combinar vários componentes principais em padrões de covariância espacial relacionados com a doença individuais, ou seja, redes de compostos com maior discriminação dos doentes de controle de indivíduos saudáveis ​​5,6. Validação cruzada dentro do conjunto de derivação pode ser realizada utilizando técnicas de reamostragem de bootstrap 9. Validação para a frente é facilmente confirmado pela avaliação contagem direta dos padrões derivados em futuros conjuntos de dados 10. Uma vez validadas, padrões de doenças relacionadas podem ser utilizados para marcar os pacientes individuais no que diz respeito a uma amostra de referência fixo, muitas vezes o conjunto de indivíduos saudáveis, que foi utilizado (com o grupo da doença) no padrão de derivação 11 original. Estes valores normalizados pode por sua vez ser utilizado para auxiliar no diagnóstico diferencial de 12,13 e para avaliar doençasevolução e tratamento efeitos no nível de rede 7,14-16. Nós apresentamos um exemplo da aplicação desta metodologia aos dados FDG PET de pacientes com doença de Parkinson e controles normais, usando o nosso software in-house para obter uma característica de covariância padrão biomarcador da doença.

A simples aplicação da análise SSM / PCA multivariada para obter um padrão de biomarcador de neuroimagem para PD é ilustrado abaixo. FDG PET imagens de dez diagnosticada clinicamente pacientes com DP (6M/4F, 59y ± 7y sd) de duração variável doente (9y ± 5a sd) e dez anos de idade e sexo do controles normais (6M/4F, 58y ± 7y sd) foram analisados nossa rotina ssmpca. Os vinte correspondentes imagens espacialmente pré-normalizados foram inicialmente escolhidos nas categorias ou sujeitos com Doença con...

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

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Técnicas de análise multivariada, incluindo a análise de componentes principais (PCA) foram usados ​​para identificar padrões de assinatura de mudança regional de imagens funcionais do cérebro. Nós desenvolvemos um algoritmo para identificar biomarcadores rede reprodutíveis para o diagnóstico de doenças neurodegenerativas, a avaliação da progressão da doença, e a avaliação objectiva do efeito do tratamento na população de doentes.

Identificação de doenças relacionadas com padrões de covariância espacial utilizando dados de neuroimagem

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

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

Research

JoVE Journal

Medicine

15.5K visualizações.  The Feinstein Institute for Medical Research. Técnicas de análise multivariada, incluindo a análise de componentes principais (PCA) foram usados ​​para identificar padrões de assinatura de mudança regional de imagens funcionais do cérebro. Nós desenvolvemos um algoritmo para identificar biomarcadores rede reprodutíveis para o diagnóstico de doenças neurodegenerativas, a avaliação da progressão da doença, e a avaliação objectiva do efeito do tratamento na população de doentes.

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

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

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

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

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

Identificação de<em&gt; A Bela Adormecida</em&gt; Inserções de transposões em tumores sólidos utilizando Linker mediada por PCR

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

Medicina

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

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

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

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

Detecção de distorção arquitetural em mamografias anteriores<em&gt; Via</em&gt; Análise de Padrões Orientada

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

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

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

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

Usando a tecnologia de rastreamento de dados contínua para Estudar Exercício Aderência em Reabilitação Pulmonar

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

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

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

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

Identificação baseada em Microarray de Individual HERV Loci Expressão: Aplicação a descoberta de biomarcadores em câncer de próstata

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

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

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

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

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

In Vivo Tracking of Edema Development and Microvascular Pathology em um Modelo de Malária Cerebral Experimental Usando Ressonância Magnética

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

High-Throughput Analysis of Optical Mapping Data Using ElectroMap

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

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

Análise de alto throughput de dados de mapeamento óptico usando o ElectroMap

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

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

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

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

Ferramentas de Realidade Virtual para avaliar a negligência espacial unilateral: uma nova oportunidade para a coleta de dados

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

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

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

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

Detecção e Remoção de Resina Composta Cor de Dente utilizando a Técnica de Identificação Auxiliada por Fluorescência

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

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

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

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

Visualização de Metabólitos Identificados no Metaboloma Espacial da Medicina Tradicional Chinesa Utilizando DESI-MSI

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

Um modelo abrangente de distribuição de função de gordura hepática 3D usando ressonância magnética Dixon

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

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

Autor em destaque: uma ferramenta não invasiva para avaliar e diferenciar padrões de gordura no fígado usando ressonância magnética 3D Dixon 

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

Uma Técnica de Quantificação 3D para Análise da Distribuição da Fração de Gordura no Fígado Usando a Ressonância Magnética de Dixon

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