Name: Sfruttare la realtà virtuale per la segmentazione e lanalisi immersive dei dati di tomografia crioelettronica (Video) | JoVE Journal
Uploaded: 2025-01-24T15:00:00.000+00:00
Duration: 7 min 17 s
Description: Scopri la segmentazione immersiva dei dati di tomografia crioelettronica utilizzando la realtà virtuale con SciGlass. Questo metodo migliora l'efficienza nell'analisi delle strutture mitocondriali nelle cellule di mammifero.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<meta charset="utf8"></head><body>Strumenti di interazione VR: Segmentazione dei dati 3D Cryo-ET

<ol><li>Plitzko, J. M., Schuler, B., Selenko, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Structural+biology+outside+the+box-inside+the+cell%5BTitle%5D)+AND+%22Curr+Opin+Struct+Biol%22%5BJournal%5D)">Structural biology outside the box-inside the cell.</a> Curr Opin Struct Biol. 46, 110-121 (2017).</li>
<li>Beck, M., Baumeister, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cryo-electron+tomography%3A+can+it+reveal+the+molecular+sociology+of+cells+in+atomic+detail%5BTitle%5D)+AND+%22Trends+Cell+Biol%22%5BJournal%5D)">Cryo-electron tomography: can it reveal the molecular sociology of cells in atomic detail.</a> Trends Cell Biol. 26 (11), 825-837 (2016).</li>
<li>Lam, V., Villa, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Practical+approaches+for+cryo-FIB+milling+and+applications+for+cellular+cryo-electron+tomography%5BTitle%5D)+AND+%22Methods+Mol+Biol%22%5BJournal%5D)">Practical approaches for cryo-FIB milling and applications for cellular cryo-electron tomography.</a> Methods Mol Biol. 2215, 49-82 (2021).</li>
<li>Berger, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cryo-electron+tomography+on+focused+ion+beam+lamellae+transforms+structural+cell+biology%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Cryo-electron tomography on focused ion beam lamellae transforms structural cell biology.</a> Nat Methods. 20 (4), 499-511 (2023).</li>
<li>Watson, A. J. I., Bartesaghi, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advances+in+cryo-ET+data+processing%3A+meeting+the+demands+of+visual+proteomics%5BTitle%5D)+AND+%22Curr+Opin+Struct+Biol%22%5BJournal%5D)">Advances in cryo-ET data processing: meeting the demands of visual proteomics.</a> Curr Opin Struct Biol. 87, 102861(2024).</li>
<li>Pyle, E., Zanetti, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Current+data+processing+strategies+for+cryo-electron+tomography+and+subtomogram+averaging%5BTitle%5D)+AND+%22Biochem+J%22%5BJournal%5D)">Current data processing strategies for cryo-electron tomography and subtomogram averaging.</a> Biochem J. 478 (10), 1827-1845 (2021).</li>
<li>Wan, W., Briggs, J. A. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cryo-electron+tomography+and+subtomogram+averaging%5BTitle%5D)+AND+%22Methods+Enzymol%22%5BJournal%5D)">Cryo-electron tomography and subtomogram averaging.</a> Methods Enzymol. 579, 329-367 (2016).</li>
<li>Ni, T., Liu, K., Zhang, J., Atanasov, I., Mladenov, M. G., Jiang, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High-resolution+in+situ+structure+determination+by+cryo-electron+tomography+and+subtomogram+averaging+using+emClarity%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">High-resolution in situ structure determination by cryo-electron tomography and subtomogram averaging using emClarity.</a> Nat Protoc. 17 (2), 421-444 (2022).</li>
<li>Obr, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploring+high-resolution+cryo-ET+and+subtomogram+averaging+capabilities+of+contemporary+DEDs%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Exploring high-resolution cryo-ET and subtomogram averaging capabilities of contemporary DEDs.</a> J Struct Biol. 214 (2), 107852(2021).</li>
<li>Tegunov, D., Xue, L., Dienemann, C., Cramer, P., Mahamid, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-particle+cryo-EM+refinement+with+M+visualizes+ribosome-antibiotic+complex+at+3.5+%C3%85+in+cells%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Multi-particle cryo-EM refinement with M visualizes ribosome-antibiotic complex at 3.5 Å in cells.</a> Nat Methods. 18 (2), 186-193 (2021).</li>
<li>Salfer, M., Collado, J. F., Baumeister, W., Fernández-Busnadiego, R., Martínez-Sánchez, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reliable+estimation+of+membrane+curvature+for+cryo-electron+tomography%5BTitle%5D)+AND+%22PLoS+Comput+Biol%22%5BJournal%5D)">Reliable estimation of membrane curvature for cryo-electron tomography.</a> PLoS Comput Biol. 16 (8), e1007962(2020).</li>
<li>Barad, B. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantifying+organellar+ultrastructure+in+cryo-electron+tomography+using+a+surface+morphometrics+pipeline%5BTitle%5D)+AND+%22J+Cell+Biol%22%5BJournal%5D)">Quantifying organellar ultrastructure in cryo-electron tomography using a surface morphometrics pipeline.</a> J Cell Biol. 222 (2), e202204093(2023).</li>
<li>Martinez-Sanchez, A., Garcia, I., Asano, S., Lucic, V., Fernandez, J. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Robust+membrane+detection+based+on+tensor+voting+for+electron+tomography%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Robust membrane detection based on tensor voting for electron tomography.</a> J Struct Biol. 186 (1), 49-61 (2014).</li>
<li>Heebner, J. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+learning-based+segmentation+of+cryo-electron+tomograms%5BTitle%5D)+AND+%22J+Vis+Exp%22%5BJournal%5D)">Deep learning-based segmentation of cryo-electron tomograms.</a> J Vis Exp. (189), e64435(2022).</li>
<li>Garza-López, E., Robles-Flores, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Protocols+for+generating+surfaces+and+measuring+3D+organelle+morphology+using+Amira%5BTitle%5D)+AND+%22Cells%22%5BJournal%5D)">Protocols for generating surfaces and measuring 3D organelle morphology using Amira.</a> Cells. 11 (1), 65(2021).</li>
<li>Chen, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Convolutional+neural+networks+for+automated+annotation+of+cellular+cryo-electron+tomograms%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Convolutional neural networks for automated annotation of cellular cryo-electron tomograms.</a> Nat Methods. 14 (10), 983-985 (2017).</li>
<li>Lamm, L., et al. MemBrain v2: an end-to-end tool for the analysis of membranes in cryo-electron tomography. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLamm%2C+L+%22bioRxiv%22">bioRxiv</a>. , (2024).</li>
<li>Pidhorskyi, S., Morehead, M., Jones, Q., Spirou, G., Doretto, G. syGlass: interactive exploration of multidimensional images using virtual reality head-mounted displays. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aPidhorskyi%2C+S+%22arXiv%22">arXiv</a>. , (2018).</li>
<li>Schindelin, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fiji%3A+an+open-source+platform+for+biological-image+analysis%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fiji: an open-source platform for biological-image analysis.</a> Nat Methods. 9 (7), 676-682 (2012).</li>
<li>Tegunov, D., Cramer, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Real-time+cryo-electron+microscopy+data+preprocessing+with+Warp%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Real-time cryo-electron microscopy data preprocessing with Warp.</a> Nat Methods. 16 (11), 1146-1152 (2019).</li>
<li>Bepler, T., Kelley, K., Noble, A. J., Berger, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Topaz-Denoise%3A+general+deep+denoising+models+for+cryoEM+and+cryoET%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Topaz-Denoise: general deep denoising models for cryoEM and cryoET.</a> Nat Commun. 11, 5208(2020).</li>
<li>Buchholz, T. -O., Berninger, L., Maurer, M., Jug, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cryo-CARE%3A+content-aware+image+restoration+for+cryo-transmission+electron+microscopy+data%5BTitle%5D)+AND+%22Proc+IEEE+Int+Symp+Biomed+Imaging%22%5BJournal%5D)">Cryo-CARE: content-aware image restoration for cryo-transmission electron microscopy data.</a> Proc IEEE Int Symp Biomed Imaging. 16, 502-506 (2019).</li>
<li>Buchholz, T. -O., Jordan, M., Pigino, G., Jug, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Content-aware+image+restoration+for+electron+microscopy%5BTitle%5D)+AND+%22Methods+Cell+Biol%22%5BJournal%5D)">Content-aware image restoration for electron microscopy.</a> Methods Cell Biol. 152, 277-289 (2019).</li>
<li>Liu, Y. -T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Isotropic+reconstruction+for+electron+tomography+with+deep+learning%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Isotropic reconstruction for electron tomography with deep learning.</a> Nat Commun. 13, 6482(2022).</li>
<li>Kremer, J. R., Mastronarde, D. N., McIntosh, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computer+visualization+of+three-dimensional+image+data+using+IMOD%5BTitle%5D)+AND+%22J+Struct+Biol%22%5BJournal%5D)">Computer visualization of three-dimensional image data using IMOD.</a> J Struct Biol. 116 (1), 71-76 (1996).</li>
</ol>

<table><tbody><tr><td>Formato dati</td><td></td><td></td> CryoET<td>: stack TIFF, TIFF</td></tr><tr><td>HTC VIVE Cosmos</td><td>HTC</td><td>99HARL000-00</td><td>https://www.vive.com/sea/product/vive-cosmos/features/</td></tr> <tr><td>Intel(R) Core(TM) i7-10870H CPU @ 2.20 GHz 2.21 GHz</td><td>Intel</td><td></td><td>https://ark.intel.com/content/www/us/en/ark/products/208018/intel-core-i7-10870h-processor-16m-cache-up-to-5-00-ghz.html</td></tr><tr><td>NVIDIA GeForce RTX 3070 Laptop GPU</td><td>NVIDIA</td><td></td><td>https://www.nvidia.com/en-us/geforce/laptops/compare/30-series/</td></tr> <tr><td>syGlass Software</td><td>syGlass</td><td></td><td>Software installato su un PC Windows compatibile</td></tr><tr><td>Controller manuali VIVE Cosmos</td><td>HTC</td><td>99HAFR001-00</td><td>https://www.vive.com/us/accessory/cosmos-controller-right/</td></tr> <tr><td>Windows 11 Home</td><td>Microsoft</td><td></td><td>Pagina iniziale di Microsoft Windows 11</td></tr></tbody></table>

sfruttare la realtà virtuale per la segmentazione e l'analisi immersive dei dati di tomografia crioelettronica

Leveraging Virtual Reality for Immersive Segmentation and Analysis of Cryo-Electron Tomography Data

In questo studio, abbiamo segmentato tomogrammi contenenti mitocondri e organelli membranosi aggiuntivi (ad esempio, vescicole, reticolo endoplasmatico) utilizzando syGlass. I tomogrammi sono stati inizialmente ricostruiti in Warp utilizzando una proiezione pesata a 16.00 Å/pixel e sono stati sottoposti a correzione del cuneo mancante e denoising utilizzando il software IsoNet. I seguenti tomogrammi sono stati sottoposti a un'ulteriore elaborazione per l'importazione, come illustrato nella Figura 1A (vedere anche Video supplementare S1, Video supplementare S2, Video supplementare S3 e Video supplementare S4).
Dopo la pre-elaborazione, i tomogrammi in formato MRC sono stati convertiti in pile TIFF utilizzando ImageJ, con l'inversione del contrasto applicata per far apparire le membrane bianche su sfondo nero. L'equalizzazione dell'istogramma è stata quindi eseguita per migliorare ulteriormente il contrasto; Ciò consente anche una soglia più efficace. Le pile TIFF sono state importate e visualizzate in 3D all'interno di un ambiente VR immersivo, fornendo un'ispezione dettagliata delle strutture membranose utilizzando l'utensile di taglio nel software mostrato nella Figura 1B.
La segmentazione manuale è stata eseguita nel software, con la finestra impostata su auto e le regolazioni di luminosità/soglia effettuate per ottimizzare la visibilità delle funzioni cellulari. Le ROI intorno ai mitocondri e ad altre strutture sono state definite utilizzando i controller VR. Lo strumento di segmentazione ha permesso di delineare con precisione i confini della membrana, correggendo gli errori utilizzando la funzione di cancellazione. La navigazione sezione per fetta o in 3D utilizzando lo strumento ROI per inscatolare le regioni in tutto il tomogramma, combinata con lo strumento pennello regolabile, ha garantito una segmentazione accurata delle membrane mitocondriali e di altri organelli, come mostrato nella Figura 1C.
I dati segmentati sono stati visualizzati generando una mesh utilizzando l'opzione delle superfici dello strumento ROI, con le iterazioni di levigatura impostate su 12 e il livello di risoluzione impostato su 3. I rendering 3D finali mostrano chiaramente le strutture mitocondriali, comprese le membrane esterne e interne, le cristae e i depositi di fosfato di calcio, come mostrato nella Figura 1D (vedi anche Video supplementare S5, Video supplementare S6, Video supplementare S7 e Video supplementare S8).
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/67849/67849fig01.jpg"> 
Figura 1: Flusso di lavoro della visualizzazione, segmentazione e rendering 3D del tomogramma utilizzando la clessidra. (A) Sezioni tomografiche di cellule RPE1 a bordo sottile. Tomogrammi corretti IsoNet ricostruiti in Warp e utilizzati per la segmentazione con syGlass, visualizzati con IMOD25. I tomogrammi sono stati raccolti su un microscopio Titan-Krios da 300 keV dotato di un rivelatore K3 e focalizzato sui bordi sottili delle cellule dell'epitelio retinico. Ogni tomogramma contiene almeno un mitocondrio insieme a vari altri organelli legati alla membrana. Queste immagini sono immagini fisse di video mostrati in Video supplementare S1, Video supplementare S2, Video supplementare S3 e Video supplementare S4. (B) Tomogrammi corrispondenti visualizzati nel software. Fetta tomografica creata utilizzando lo strumento di taglio nel software VR dopo aver ottimizzato la soglia, la luminosità e la finestratura, rivelando strutture cellulari distinte. (C) Tomogrammi visualizzati nel software con membrane segmentate. Sezione tomografica creata con lo strumento di taglio nel software VR, sovrapposta alla segmentazione corrispondente. I depositi di fosfato di calcio sono mostrati in giallo, le membrane mitocondriali in ciano e altre membrane come le vescicole e la membrana plasmatica in viola. (D) Rendering 3D delle membrane segmentate in syGlass. Le membrane mitocondriali, comprese le cristae, le membrane mitocondriali esterne e interne, sono mostrate in ciano. I depositi di fosfato di calcio sono in giallo o verde, le vescicole e la membrana plasmatica sono in viola e il reticolo endoplasmatico è in marrone chiaro. Queste immagini sono immagini fisse di video mostrati in Video supplementari S5, Video supplementari S6, Video supplementari S7 e Video supplementari S8. <a href="https://www.jove.com/files/ftp_upload/67849/67849fig01large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
Video supplementare S1: Tomogramma del campione RPE-1_1 utilizzato per la segmentazione in questo studio. Questo tomogramma viene ricostruito a 16 Å/pixel utilizzando Warp, quindi denoised e corretto per il cuneo mancante con IsoNet. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile1a-Edward-Eng.avi" target="_blank">Clicca qui per scaricare questo file.</a>
Video supplementare S2: Tomogramma del campione RPE-1_2 utilizzato per la segmentazione in questo studio. Questo tomogramma viene ricostruito a 16 Å/pixel utilizzando Warp, quindi denoised e corretto per il cuneo mancante con IsoNet. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile1b-Edward-Eng.avi" target="_blank">Clicca qui per scaricare questo file.</a>
Video supplementare S3: Tomogramma del campione RPE-1_3 utilizzato per la segmentazione in questo studio. Questo tomogramma viene ricostruito a 16 Å/pixel utilizzando Warp, quindi denoised e corretto per il cuneo mancante con IsoNet. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile1c-Edward-Eng.avi" target="_blank">Clicca qui per scaricare questo file.</a>
Video supplementare S4: Tomogramma del campione RPE-1_4 utilizzato per la segmentazione in questo studio. Questo tomogramma viene ricostruito a 16 Å/pixel utilizzando Warp, quindi denoised e corretto per il cuneo mancante con IsoNet. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile1d-Edward-Eng.avi" target="_blank">Clicca qui per scaricare questo file.</a>
Video supplementare S5: La segmentazione risultante del campione RPE-1_1 dopo la generazione delle superfici. Le membrane mitocondriali sono mostrate in ciano; i fosfati di calcio all'interno dei mitocondri sono raffigurati in giallo; il reticolo endoplasmatico è mostrato in marrone chiaro; e altre membrane sono visualizzate in viola. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile2a-Edward-Eng.mp4" target="_blank">Clicca qui per scaricare questo file.</a>
Video supplementare S6: La segmentazione risultante del campione RPE-1_2 dopo la generazione delle superfici. Le membrane mitocondriali sono mostrate in ciano; i fosfati di calcio all'interno dei mitocondri sono raffigurati in giallo; il reticolo endoplasmatico è mostrato in marrone chiaro; e altre membrane sono visualizzate in viola. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile2b-Edward-Eng.mp4" target="_blank">Clicca qui per scaricare questo file.</a>
Video supplementare S7: la segmentazione risultante del campione RPE-1_3 dopo la generazione delle superfici. Le membrane mitocondriali sono mostrate in ciano; i fosfati di calcio all'interno dei mitocondri sono raffigurati in giallo; il reticolo endoplasmatico è mostrato in marrone chiaro; e altre membrane sono visualizzate in viola. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile2c-Edward-Eng.mp4" target="_blank">Clicca qui per scaricare questo file.</a>
Video supplementare S8: La segmentazione risultante del campione RPE-1_4 dopo la generazione delle superfici. Le membrane mitocondriali sono mostrate in ciano; i fosfati di calcio all'interno dei mitocondri sono raffigurati in giallo; il reticolo endoplasmatico è mostrato in marrone chiaro; e altre membrane sono visualizzate in viola. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile2d-Edward-Eng.mp4" target="_blank">Clicca qui per scaricare questo file.</a>

Sfruttare la realtà virtuale per la segmentazione e l'analisi immersive dei dati di tomografia crioelettronica

Cryo-electron tomography (cryo-ET) is a powerful technique for visualizing the ultrastructure of cells in three dimensions (3D) at nanometer resolution. ...

leveraging-virtual-reality-for-immersive-segmentation-analysis-cryo

Research

Ricerca

JoVE Journal

Biology

Biologia

Il collo di bottiglia per cellulare microscopia elettronica 3D è estrazione di caratteristiche (segmentazione) in mappe di densità 3D altamente complessi. Abbiamo sviluppato una serie di criteri, che fornisce indicazioni su quale approccio di segmentazione (manuale, semi-automatico o automatico) è più adatto per diversi tipi di dati, fornendo così un punto di partenza per la segmentazione efficace.

Da Voxels alla Conoscenza: Una guida pratica per la segmentazione del Complesso microscopia elettronica 3D-Data

La pipeline descritta è progettata per la segmentazione di set di dati di microscopia elettronica più grandi di gigabyte, per estrarre morfologie intere celle. Una volta che le celle sono state ricostruite in 3D, software personalizzato progettato intorno alle esigenze individuali può essere utilizzato per eseguire un'analisi qualitativa e quantitativa direttamente in 3D, utilizzando anche la realtà virtuale per superare vista occlusione.

Un metodo per la ricostruzione 3D e l'analisi della realtà virtuale delle cellule gliali e neuronali

Utilizzo della fresatura a fascio ionico focalizzato per produrre lamelle vetrose su griglia da campioni biologici congelati a immersione per la tomografia crioelettronica.

Preparazione di lamelle da campioni biologici vitreali utilizzando un microscopio elettronico a scansione a doppio raggio per la tomografia crioelettronica

La crescente domanda di raccolta dati su larga scala nella tomografia elettronica criogenica richiede routine di acquisizione delle immagini ad alto rendimento. Qui è descritto un protocollo che implementa i recenti sviluppi di strategie di acquisizione avanzate volte a massimizzare l'efficienza temporale e il throughput della raccolta dei dati tomografici.

Strategie per l'ottimizzazione dell'acquisizione dei dati della tomografia elettronica criogenica

Il presente protocollo descrive l'acquisizione remota dei dati della tomografia crioelettronica ad alta risoluzione utilizzando Tomo5 e la successiva elaborazione dei dati e la media dei sottotomogrammi utilizzando emClarity. L'apoferritina è usata come esempio per illustrare dettagliati processi passo-passo per ottenere una struttura crio-ET con una risoluzione di 2,86 Å.

Tomografia crioelettronica Raccolta dati remota e media dei sottotomogrammi

Questo è un metodo per addestrare un U-Net multi-fetta per la segmentazione multi-classe di tomogrammi crioelettronici utilizzando una porzione di un tomogramma come input di allenamento. Descriviamo come dedurre questa rete ad altri tomogrammi e come estrarre segmentazioni per ulteriori analisi, come la media dei sottotomogrammi e il tracciamento dei filamenti.

Segmentazione basata sul deep learning dei tomogrammi crioelettronici

La tomografia crio-STEM fornisce un mezzo per visualizzare organelli di cellule intatte senza incorporamento, sezionamento o altre preparazioni invasive. La risoluzione 3D ottenuta è attualmente nell'intervallo di pochi nanometri, con un campo visivo di diversi micrometri e uno spessore accessibile nell'ordine di 1 μm.

Visualizzazione di organelli in situ mediante tomografia crio-STEM

Questo protocollo standardizza la criotomografia elettronica (crio-ET) per tessuti spessi integrando il congelamento ad alta pressione (HPF) con il metodo waffle, il sollevamento criogenico del fascio di ioni a fuoco (crio-FIB) e l'acquisizione parallela a simmetria dose, producendo lamelle uniformemente sottili e campioni vitrificati per analisi riproducibili in situ nell'ippocampo del topo.

Flusso di lavoro di crio-tomografia elettronica per tessuti spessi dimostrato nell'ippocampo del topo

Questo articolo descrive un nuovo protocollo e reagenti impostare progettato per la misura sensibile degli effetti neurotossici di composti e trattamenti sulla co-culture di neuroni e astrociti utilizzando l'analisi ad alto contenuto. Risultati dimostrano che l'analisi ad alto contenuto rappresenta una tecnologia entusiasmante romanzo per la valutazione neurotossicità.

Un neuronale e astrociti Co-Cultura Assay per l&#39;analisi dei contenuti elevati di neurotossicità

Il Progetto su Virtual Reality intelligente multi-sensore di sistema per il trattamento di ansia disturbi legati all'alimentazione (Intrepid) è finalizzato a sviluppare un multi-sensore di context-aware sistema di realtà virtuale per il trattamento di ansia disturbi correlati.

L&#39;uso del Biofeedback in Clinica Realtà Virtuale: Il Progetto INTREPID

Scopri la segmentazione immersiva dei dati di tomografia crioelettronica utilizzando la realtà virtuale con SciGlass. Questo metodo migliora l'efficienza nell'analisi delle strutture mitocondriali nelle cellule di mammifero.

Sfruttare la realtà virtuale per la segmentazione e l'analisi immersive dei dati di tomografia crioelettronica

Esplora altri video