Automated region of interest analysis of dynamic Ca<sup>2+</sup> signals in image sequences
Notice bibliographique
Résumé
Ca(2+) signals are commonly measured using fluorescent Ca(2+) indicators and microscopy techniques, but manual analysis of Ca(2+) measurements is time consuming and subject to bias. Automated region of interest (ROI) detection algorithms have been employed for identification of Ca(2+) signals in one-dimensional line scan images, but currently there is no process to integrate acquisition and analysis of ROIs within two-dimensional time lapse image sequences. Therefore we devised a novel algorithm for rapid ROI identification and measurement based on the analysis of best-fit ellipses assigned to signals within noise-filtered image sequences. This algorithm was implemented as a plugin for ImageJ software (National Institutes of Health, Bethesda, MD). We evaluated the ability of our algorithm to detect synthetic Gaussian signal pulses embedded in background noise. The algorithm placed ROIs very near to the center of a range of signal pulses, resulting in mean signal amplitude measurements of 99.06 ± 4.11% of true amplitude values. As a practical application, we evaluated both agonist-induced Ca(2+) responses in cultured endothelial cell monolayers, and subtle basal endothelial Ca(2+) dynamics in opened artery preparations. Our algorithm enabled comprehensive measurement of individual and localized cellular responses within cultured cell monolayers. It also accurately identified characteristic Ca(2+) transients, or Ca(2+) pulsars, within the endothelium of intact mouse mesenteric arteries and revealed the distribution of this basal Ca(2+) signal modality to be non-Gaussian with respect to amplitude, duration, and spatial spread. We propose that large-scale statistical evaluations made possible by our algorithm will lead to a more efficient and complete characterization of physiologic Ca(2+)-dependent signaling.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».