Quantifying superimposed protein flow dynamics in live cells using spatial filtering and spatiotemporal image correlation spectroscopy
Notice bibliographique
Résumé
Flow or collective movement is a frequently observed phenomenon for many cellular components including the cytoskeletal proteins actin and myosin. To study protein flow in living cells, we and others have previously used spatiotemporal image correlation spectroscopy (STICS) analysis on fluorescence microscopy image time series. Yet, in cells, multiple protein flows often occur simultaneously on different scales resulting in superimposed fluorescence intensity fluctuations that are challenging to separate using STICS. Here, we exploited the characteristic that distinct protein flows often occur at different spatial scales present in the image series to disentangle superimposed protein flow dynamics. We employed a newly developed and an established spatial filtering algorithm to alternatively accentuate or attenuate local image intensity heterogeneity across different spatial scales. Subsequently, we analysed the spatially filtered time series with STICS, allowing the quantification of two distinct superimposed flows within the image time series. As a proof of principle of our analysis approach, we used simulated fluorescence intensity fluctuations as well as time series of nonmuscle myosin II in endothelial cells and actin-based podosomes in dendritic cells and revealed simultaneously occurring contiguous and noncontiguous flow dynamics in each of these systems. Altogether, this work extends the application of STICS for the quantification of multiple protein flow dynamics in complex biological systems including the actomyosin cytoskeleton.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 ».