A nu-space for image correlation spectroscopy: characterization and application to measure protein transport in live cells
Notice bibliographique
Résumé
We introduce a new generalized theoretical framework for image correlation spectroscopy (ICS). Using this framework, we extend the ICS method in time–frequency ( ν , nu) space to map molecular flow of fluorescently tagged proteins in individual living cells. Even in the presence of a dominant immobile population of fluorescent molecules, nu-space ICS (nICS) provides an unbiased velocity measurement, as well as the diffusion coefficient of the flow, without requiring filtering. We also develop and characterize a tunable frequency-filter for spatio-temporal ICS (STICS) that allows quantification of the density, the diffusion coefficient and the velocity of biased diffusion. We show that the techniques are accurate over a wide range of parameter space in computer simulation. We then characterize the retrograde flow of adhesion proteins ( α 6- and α L β 2-GFP integrins and mCherry-paxillin) in CHO.B2 cells plated on laminin and intercellular adhesion molecule 1 (ICAM-1) ligands respectively. STICS with a tunable frequency filter, in conjunction with nICS, measures two new transport parameters, the density and transport bias coefficient (a measure of the diffusive character of a flow/biased diffusion), showing that molecular flow in this cell system has a significant diffusive component. Our results suggest that the integrin–ligand interaction, along with the internal myosin-motor generated force, varies for different integrin–ligand pairs, consistent with previous results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».