Name: Aproveitando a realidade virtual para segmentação imersiva e análise de dados de tomografia crioeletrônica (Vídeo) | JoVE Journal
Uploaded: 2025-01-24T15:00:00.000+00:00
Duration: 7 min 17 s
Description: Aprenda a segmentar dados de tomografia crioeletrônica usando realidade virtual com o software SciGlass. Este método melhora a eficiência na análise de estruturas mitocondriais em células de mamíferos.

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>Ferramentas de interação VR: segmentação de dados 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>CryoET</td> Formato de dados<td></td><td></td><td>: TIFF-stack, 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 GPU para laptop GeForce RTX 3070</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>syGlass instalado em um PC Windows compatível</td></tr><tr><td>VIVE Cosmos Hand Controllers</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>Página inicial do Microsoft Windows 11</td></tr></tbody></table>

aproveitando a realidade virtual para segmentação imersiva e análise de dados de tomografia crioeletrônica

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

Neste estudo, segmentamos tomogramas contendo mitocôndrias e organelas membranosas adicionais (por exemplo, vesículas, retículo endoplasmático) usando syGlass. Os tomogramas foram inicialmente reconstruídos em Warp usando projeção ponderada a 16,00 Å / pixel e foram submetidos à correção de cunha ausente e redução de ruído utilizando o software IsoNet. Os tomogramas a seguir foram submetidos a processamento adicional para importação, conforme mostrado na Figura 1A (consulte também Vídeo Suplementar S1, Vídeo Suplementar S2, Vídeo Suplementar S3 e Vídeo Suplementar S4).
Após o pré-processamento, os tomogramas no formato MRC foram convertidos em pilhas TIFF usando ImageJ, com inversão de contraste aplicada para fazer as membranas parecerem brancas em um fundo preto. A equalização do histograma foi então realizada para aumentar ainda mais o contraste; Isso também permite um limite mais eficaz. As pilhas TIFF foram importadas e visualizadas em 3D em um ambiente imersivo de RV, fornecendo inspeção detalhada de estruturas membranosas utilizando a ferramenta de corte no software mostrado na Figura 1B.
A segmentação manual foi realizada no software, com janelas definidas para automático e ajustes de brilho/limite feitos para otimizar a visibilidade do recurso celular. As ROIs em torno das mitocôndrias e outras estruturas foram definidas usando os controladores de RV. A ferramenta de segmentação permitiu o delineamento preciso dos limites da membrana, com erros corrigidos usando a função de apagamento. A navegação fatia a fatia ou em 3D usando a ferramenta ROI para encaixotar regiões em todo o tomograma, combinada com a ferramenta pincel ajustável, garantiu a segmentação precisa das membranas mitocondriais e outras organelas, conforme mostrado na Figura 1C.
Os dados segmentados foram visualizados gerando uma malha usando a opção de superfícies da ferramenta ROI, com iterações de suavização definidas como 12 e nível de resolução definido como 3. As renderizações 3D finais demonstram claramente as estruturas mitocondriais, incluindo as membranas externa e interna, cristas e depósitos de fosfato de cálcio, conforme mostrado na Figura 1D (consulte também o Vídeo Suplementar S5, o Vídeo Suplementar S6, o Vídeo Suplementar S7 e o Vídeo Suplementar S8).
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/67849/67849fig01.jpg"> 
Figura 1: Fluxo de trabalho de visualização de tomograma, segmentação e renderização 3D usando syglass. (A) Fatias tomográficas de células RPE1 de borda fina. Tomografias corrigidas por IsoNet reconstruídas em Warp e usadas para segmentação com syGlass, visualizadas com IMOD25. Os tomogramas foram coletados em um microscópio Titan-Krios de 300 keV equipado com um detector K3 e focados nas bordas finas das células do epitélio retiniano. Cada tomograma contém pelo menos uma mitocôndria junto com várias outras organelas ligadas à membrana. Essas imagens são imagens estáticas de vídeos mostrados no Vídeo Suplementar S1, Vídeo Suplementar S2, Vídeo Suplementar S3 e Vídeo Suplementar S4. (B) Tomografias correspondentes visualizadas no software. Corte tomográfico criado usando a ferramenta de corte no software VR após otimizar o limite, o brilho e as janelas, revelando estruturas celulares distintas. (C) Tomografias visualizadas no software com membranas segmentadas. Corte tomográfico criado com a ferramenta de corte no software VR, sobreposto com a segmentação correspondente. Os depósitos de fosfato de cálcio são mostrados em amarelo, as membranas mitocondriais em ciano e outras membranas, como vesículas e a membrana plasmática em roxo. (D) Renderização 3D das membranas segmentadas em syGlass. As membranas mitocondriais, incluindo as cristas, as membranas mitocondriais externas e internas, são mostradas em ciano. Os depósitos de fosfato de cálcio estão em amarelo ou verde, as vesículas e a membrana plasmática estão em roxo e o retículo endoplasmático está em bronzeado. Essas imagens são imagens estáticas de vídeos mostrados em Vídeos Suplementares S5, Vídeo Suplementar S6, Vídeo Suplementar S7 e Vídeo Suplementar S8. <a href="https://www.jove.com/files/ftp_upload/67849/67849fig01large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
Vídeo Suplementar S1: Tomografia da amostra RPE-1_1 usada para segmentação neste estudo. Este tomograma é reconstruído a 16 Å / pixel usando Warp, depois removido e corrigido para a cunha ausente com IsoNet. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile1a-Edward-Eng.avi" target="_blank">Clique aqui para baixar este arquivo.</a>
Vídeo Suplementar S2: Tomografia da amostra RPE-1_2 usada para segmentação neste estudo. Este tomograma é reconstruído a 16 Å / pixel usando Warp, depois removido e corrigido para a cunha ausente com IsoNet. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile1b-Edward-Eng.avi" target="_blank">Clique aqui para baixar este arquivo.</a>
Vídeo Suplementar S3: Tomografia da amostra RPE-1_3 usada para segmentação neste estudo. Este tomograma é reconstruído a 16 Å / pixel usando Warp, depois removido e corrigido para a cunha ausente com IsoNet. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile1c-Edward-Eng.avi" target="_blank">Clique aqui para baixar este arquivo.</a>
Vídeo Suplementar S4: Tomografia da amostra RPE-1_4 usada para segmentação neste estudo. Este tomograma é reconstruído a 16 Å / pixel usando Warp, depois removido e corrigido para a cunha ausente com IsoNet. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile1d-Edward-Eng.avi" target="_blank">Clique aqui para baixar este arquivo.</a>
Vídeo Suplementar S5: A segmentação resultante da amostra RPE-1_1 após a geração de superfícies. As membranas mitocondriais são mostradas em ciano; os fosfatos de cálcio dentro das mitocôndrias são representados em amarelo; o retículo endoplasmático é mostrado em bronzeado; e outras membranas são exibidas em roxo. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile2a-Edward-Eng.mp4" target="_blank">Clique aqui para baixar este arquivo.</a>
Vídeo Suplementar S6: A segmentação resultante da amostra RPE-1_2 após a geração de superfícies. As membranas mitocondriais são mostradas em ciano; os fosfatos de cálcio dentro das mitocôndrias são representados em amarelo; o retículo endoplasmático é mostrado em bronzeado; e outras membranas são exibidas em roxo. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile2b-Edward-Eng.mp4" target="_blank">Clique aqui para baixar este arquivo.</a>
Vídeo Suplementar S7: A segmentação resultante da amostra RPE-1_3 após a geração de superfícies. As membranas mitocondriais são mostradas em ciano; os fosfatos de cálcio dentro das mitocôndrias são representados em amarelo; o retículo endoplasmático é mostrado em bronzeado; e outras membranas são exibidas em roxo. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile2c-Edward-Eng.mp4" target="_blank">Clique aqui para baixar este arquivo.</a>
Vídeo suplementar S8: A segmentação resultante da amostra RPE-1_4 após a geração de superfícies. As membranas mitocondriais são mostradas em ciano; os fosfatos de cálcio dentro das mitocôndrias são representados em amarelo; o retículo endoplasmático é mostrado em bronzeado; e outras membranas são exibidas em roxo. <a href="https://www.jove.com/files/ftp_upload/67849/67849_SuppFile2d-Edward-Eng.mp4" target="_blank">Clique aqui para baixar este arquivo.</a>

Aproveitando a realidade virtual para segmentação imersiva e análise de dados de tomografia crioeletrônica

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

JoVE Journal

Biology

Biologia

O gargalo para microscopia eletrônica 3D celular é a extração de características (segmentação) em alta complexidade mapas de densidade 3D. Temos desenvolvido um conjunto de critérios, que fornece orientação sobre qual abordagem de segmentação (manual, semi-automática ou automática) é o mais adequado para os diferentes tipos de dados, proporcionando, assim, um ponto de partida para a segmentação eficaz.

De Voxels ao Conhecimento: Um Guia Prático para a segmentação do Complexo Microscopia Eletrônica 3D-Data

O pipeline descrito é projetado para a segmentação de conjuntos de dados de microscopia eletrônica maiores que gigabytes, para extrair morfologias de células inteiras. Uma vez que as células são reconstruídas em 3D, software personalizado projetado em torno de necessidades individuais pode ser usado para executar uma análise qualitativa e quantitativa diretamente em 3D, também usando a realidade virtual para superar a oclusão de visão.

Um método para reconstrução 3D e análise de realidade virtual de células gliais e neuronais

Usando fresagem por feixe de íons focalizado para produzir lamelas vítreas on-grid a partir de amostras biológicas congeladas por imersão para tomografia crio-eletrônica.

Preparação de Lamelas a partir de Amostras Biológicas Vítreas Usando um Microscópio Eletrônico de Varredura de Feixe Duplo para Tomografia Crio-Eletrônica

A crescente demanda por coleta de dados em larga escala na tomografia criogênica de elétrons requer rotinas de aquisição de imagens de alto rendimento. Descrito aqui é um protocolo que implementa os recentes desenvolvimentos de estratégias avançadas de aquisição que visam maximizar o tempo-eficiência e o throughput da coleta de dados tomográficos.

Estratégias de Otimização da Aquisição de Dados de Tomografia Eletrônica Criogênica

O presente protocolo descreve a aquisição remota de dados remotos crio-elétrons de alta resolução usando Tomo5 e processamento de dados subsequente e média de subtomogramas usando a emClarity. A apoferritina é usada como exemplo para ilustrar processos passo a passo detalhados para alcançar uma estrutura crio-ET com resolução de 2,86 Å.

Coleta remota de dados de tomografia crio-elétron e média de subtomograma

Este é um método para treinar um U-Net multi-fatia para segmentação multiclasse de tomogramas crio-elétrons usando uma porção de um tomograma como entrada de treinamento. Descrevemos como inferir essa rede para outros tomogramas e como extrair segmentações para análises posteriores, como a média do subtomograma e o rastreamento de filamentos.

Segmentação Baseada em Deep Learning de Tomogramas de Crio-Elétrons

A tomografia crio-STEM fornece um meio de visualizar organelas de células intactas sem incorporação, seccionamento ou outras preparações invasivas. A resolução 3D obtida está atualmente na faixa de poucos nanômetros, com um campo de visão de vários micrômetros e uma espessura acessível na ordem de 1 μm.

Visualização de Organelas In Situ por Tomografia Crio-STEM

Esse protocolo padroniza a criotomografia eletrônica (crio-ET) para tecidos espessos, integrando congelamento de alta pressão (HPF) com o método waffle, levantamento por feixe de íons de foco criogênico (crio-FIB) e aquisição paralela e dose-simétrica, resultando em lamelas uniformemente finas e amostras vitrificadas para análise in situ reprodutível no hipocampo do camundongo.

Fluxo de trabalho de criotomografia eletrônica para tecidos espessos demonstrado em hipocampo de camundongos

Este artigo descreve um protocolo de romance e de reagente conjunto projetado para a medição sensível de efeitos neurotóxicos de compostos e tratamentos em co-culturas de neurônios e astrócitos usando análise de conteúdo de alta. Resultados demonstram que a análise de conteúdo de alta tecnologia representa um romance empolgante para a avaliação de neurotoxicidade.

A Neuronal e astrocitária Ensaio Co-Cultura de Análise de Conteúdo de Alta de neurotoxicidade

Projeto sobre Realidade Virtual Sistema Multi-sensor inteligente para o tratamento da ansiedade relacionada com Disorders (Intrepid) visa o desenvolvimento de um sensor multi-sensíveis ao contexto do sistema de realidade virtual para o tratamento de distúrbios relacionados a ansiedade.

O uso de Biofeedback na Clínica de Realidade Virtual: O Projeto INTREPID

Aprenda a segmentar dados de tomografia crioeletrônica usando realidade virtual com o software SciGlass. Este método melhora a eficiência na análise de estruturas mitocondriais em células de mamíferos.

Aproveitando a realidade virtual para segmentação imersiva e análise de dados de tomografia crioeletrônica

Explorar mais vídeos