Translate this page to:
Italian
In JoVE (1)
Other Publications (2)
Automatic Translation
This translation into Italian was automatically generated.
English Version | Other Languages
Articles by Anirban Chakraborty in JoVE
JoVE Applied Physics
Micropunching litografia per la generazione di Micro-e submicroniche modelli sul Polymer Substrati
Mechanical and Aerospace Engineering, University of Texas at Arlington
Un approccio litografia micropunching è sviluppato per generare micro-e submicroniche modelli sopra, fianchi e superfici di fondo di polimero substrati. Esso supera gli ostacoli patterning di polimeri conduttori e generare modelli laterali. Questo metodo permette una rapida realizzazione di funzioni multiple ed è libero di chimica aggressiva.
Other articles by Anirban Chakraborty on PubMed
Segmentazione Adattiva Delle Cellule E Rilevamento Per Immagini Volumetriche Microscopia Confocal Di Sviluppo Di Un Impianto Di Meristema
Segmentazione automatica e rilevamento delle cellule attivamente lo sviluppo di tessuti in grado di fornire misurazioni spatiotemporal high-throughput e quantitative di una gamma di comportamenti di cella; cella espansione e divisione cellulare cinetica che conduce ad una migliore comprensione delle dinamiche sottostanti della morfogenesi. Qui, abbiamo studiato il problema della costruzione di linee cellulari in time-lapse immagine volumetrica pile ottenute mediante confocale Laser Scanning Microscopy (CLSM). Il romanzo contributo dell'opera risiede nella sua capacità di segmento e tenere traccia di cellule nel tessuto densamente, il meristema apicale di sparare (SAM), attraverso l'utilizzo di un ciclo di chiusura, segmentazione adattiva e rilevamento approccio. L'output di rilevamento agisce come un indicatore della qualità della segmentazione e, a sua volta, la segmentazione può essere migliorata per ottenere migliori risultati di rilevamento. Costruiamo una funzione di ottimizzazione che minimizza l'errore di segmentazione, che è, a sua volta, stimato dai risultati del monitoraggio. Questo approccio adattativo migliora significativamente la segmentazione rispetto a un quadro di circuito aperto in cui la segmentazione e moduli di rilevamento operano separatamente e rilevamento.
Strumenti Computazionali Per L'analisi Quantitativa Dei Modelli Di Crescita Delle Cellule E La Morfogenesi Attivamente Lo Sviluppo Di Pianta Cellule Staminali Nicchie
Formazione di pattern nei campi dello sviluppo comporta la precisa disposizione spaziale dei diversi tipi di cellule in un paesaggio dinamico in cui le cellule presentano una varietà di comportamenti, come ad esempio la divisione cellulare, cellulare espansione e migrazione cellulare [Reddy (Curr Opin Biol pianta 11:88-931, 2008) e Meyerowitz (Cell 88:299-3082, 2007)]. L'informazione è scambiata tra più strati cellulari attraverso i processi di comunicazione cellula-cellula per regolare l'espressione genica e cellulare comportamenti nello specificare tipi cellulari distinti. Pertanto, una comprensione quantitativa e dinamica dell'organizzazione spaziale e temporale del gene expression e cella modelli comportamentali all'interno di campi multistrati e attivamente crescenti sviluppo è cruciale per modellare il processo di sviluppo. La quantificazione di spatiotemporal dynamics dei comportamenti delle cellule richiede strumenti computazionali in analisi delle immagini, modellazione statistica, pattern recognition, machine learning e dinamico sistema di identificazione. Qui diamo una breve spiegazione dei metodi recentemente sviluppati nell'analisi sia locali e modelli di crescita globale in Arabidopsis sparare Meristemi apicali. Il toolkit computazionale può essere utilizzato per ottenere nuove intuizioni relazioni causali tra crescita cellulare, divisione cellulare, cambiamenti nel pattern di espressione genica e sviluppo organo analizzando vari mutanti che influenzano questi processi. Ciò potrebbe consentire a noi di sviluppare modelli di spazio funzione che catturano le variazioni di diversi parametri di crescita a livello globale/organo sia a livello locale/single-cell. A lungo termine, questo può attivare clustering delle vie molecolari che mediano comportamenti distinti cell.
