Diese Arbeit wird durch NIH 1R03AI090465 finanziert.

Ein. Abrufen von Daten <ol><li> Trajectory Daten können mit Handheld-GPS-Geräte, GPS-fähigen Smartphones Tracking-Anwendungen, sowie A-GPS (Assisted GPS)-Geräte wie die in unserer Studie beschäftigt, eine kommerzielle Kind tracker gesammelt werden. </li><li> Trajectory Daten werden normalerweise in Form von Zeit-Längen-und Breitengraden Datensätze gespeichert. Ein gewünschtes Zeitintervall sollte basierend auf Anwendung Bedürfnisse eingestellt werden. Oft ist die häufigste Intervall für Raum-Zeit-Aktivität Studien gewünscht. </li><li> Konvertieren der Daten in kommagetrennte Werte, oder. Csv-Dateien mit separaten Spalten für Datensatz-ID, Länge, Breite und Zeit sind. Dann wandeln die. Csv-Dateien in häufig verwendeten Geographic Information Systems (GIS) Dateiformat (zB ESRI Shapefile 8). </li><li> Laden in einem Shapefile des Gebäudes Polygone und einer anderen von der Grenze des Untersuchungsgebietes mit der Trajektorie Analysator. Stellen Sie die &quot;Extrusion&quot; der Gebäude richtig für eine 3D-dispreizen und die &quot;Extrusion&quot; und &quot;Transparenz&quot; der Grenzschicht richtig ein Raum-Zeit-cube 6, 9 mit der x, y Abmessungen repräsentieren Raum und die z-Dimension darstellt Uhrzeit anzuzeigen. </li></ol> 2. Pre-processing <ol><li> Zwei Optionen stehen zur Vorverarbeitung der lärmenden raw Flugbahn Daten verfügbar. Man kann aus der Dropdown-Liste der Pre-Processing-Menü wählen. </li><li> Wenn &#39;Interactive&#39; gewählt wird, wird ein 2D-Projektion der 3D-Trajektorie für die einfache Anzeige und Auswahl erstellt. Manipulieren der 3D-Anzeige, um die rohen Trajektorie in Raum und Zeit zu untersuchen. Identifizieren von Fehlern in den Daten über die Form, Geschwindigkeit und / oder Topologie der Spursegmente basiert. Normalerweise Spur Punkte (Eckpunkte) mit unrealistisch hohen Geschwindigkeit oder abrupte Richtungswechsel bedeuten Fehler. Wählen und entfernen Sie sie von den ursprünglichen Bahnen. Wählen und entfernen Sie sie entweder aus der 3D-Trajektorie oder seine 2D-Projektion. </li><li> Ein Cluster von Trackpunkte mit stacheligen shapes (Abbildung 1) räumlich und eine lange Dauer zeitlich bedeuten Fehler, die meisten möglicherweise von Innenräumen, wo GPS-Signal schwach ist verursacht werden. Wenn eine Gruppe von diesen Punkten ausgewählt wird, kann das Programm die Berechnung der raumzeitlichen Schwerpunkt der ausgewählten Punkten und stellen Sie die Spur durch den Schwerpunkt gehen. </li><li> Alternativ, wenn &#39;Automatisch&#39; aus dem Pre-Processing Menü gewählt wird, stellen Sie den Eingangs-und Ausgangs Standorten sowie empirische Parameter, die abnormal hohe Geschwindigkeit und abrupte Wendung Punkte zu bestimmen. Sucht das Programm durch den geladenen Trajektoriendaten und läuft automatisch basierend auf einem Algorithmus, der den visuellen Fehlererkennung Ansatz nachahmt. </li></ol> 3. Trajectory Segmentation &amp; Activity Raum Charakterisierung <ol><li> Trajectory Segmentierung erfordert den Aufbau Schicht, so sicherzustellen, dass die Gebäude Shape-Datei geladen wird. </li><li> Klicken Sie auf die Segmentierung in der Werkzeugleiste, um die Funktion zu starten.Stellen Sie den Eingang und Ausgang und befindet sich das Gebäude Shape-Datei als Referenz Schicht. Verwenden Sie die Gebäude Namen, um die segmentierten Flugbahn zu beschriften. Der Algorithmus identifiziert Innen Segmente am Set eingestellte Kriterien wie Geschwindigkeit, Dauer etc. der Trackpunkte sowie der räumlichen Topologie mit Bezug auf Gebäuden. </li><li> Klicken Sie auf die Aktionsfläche Verdichtung Werkzeug, um in segmentierten Bahnen laden und berechnen ausgewählten Zusammenfassung Attribute ein Tätigkeit Raum, wie Gesamtaktivität Radius Radius an einer bestimmten Zeit, das Verhältnis von insgesamt verbrachte Zeit drinnen vs Freien, und so weiter zu charakterisieren. </li><li> Die Attribute können in eine Tabellenkalkulation für die quantitative Modellierung Anwendungen exportiert werden. </li></ol> 4. Density Surface Mapping <ol><li> Dichte Oberfläche zeigt die Dichte der Aktivitäten im Raum mit der zeitlichen Dimension eingeklappt. Drei Optionen stehen aus der Dropdown-Liste der Dichte Oberflächen-Mapping-Menü zur Verfügung. </li><li> Wenn die &#39;Track-Dichte&#39; Option ausgewählt ist, im Dialog mit Ein-und Ausgabe von Informationen zu füllen, und wählen Sie in 2D-oder 3D anzuzeigen. Alle Ecken aus den Bahndaten werden verwendet, um Kernel-Dichte der Punkte zu berechnen. Abbildung 2 zeigt eine Dichte Oberfläche. </li><li> Wenn &#39;Track Weg Dichte &quot;ausgewählt ist, berechnet der Algorithmus und zeigt Dichte der einzelnen Pfade reiste (Abbildung 3). </li><li> Wenn die &#39;Re-abgetastet Punktdichte &quot;-Option ausgewählt ist, der Algorithmus re-Proben die Bahndaten mit einem festgelegten Zeitintervall und Karten die Dichten der Punkte gleichmäßig in der Zeit zu verbreiten. Diese Option ist für die Verfolgung von Geräten, die Tracking-Punkte sammeln in unregelmäßigen Zeitabständen aufgrund der unterschiedlichen Empfindlichkeit der Geräte unter verschiedenen physikalischen Bedingungen oder segmentierte Bahnen ausgelegt. Abbildung 4 zeigt die 2D-und 3D-Dichte Oberflächen von segmentierten Trajektorien. </li><li> Wenn &#39;Temporal Schwerpunkt&#39; wird für eine ausgewählteny der oben genannten Optionen können zeitliche Fokussierung 10 durchgeführt, um die Aktivität Muster an verschiedene Zeiträume zu untersuchen. Zum Beispiel kann Aktivitätsdichte Oberflächen zu unterschiedlichen Zeitpunkten in einem Tag visualisiert werden zur einfachen Identifikation von Hot-Spots in der Zeit (Abbildung 5). </li></ol> 5. Density Volume Schätzung und Volume Rendering <ol><li> Dichte Volumen Visualisierung verwendet den Begriff des Raum-Zeit-Würfel als in der Visualisierung von Trajektorien. Der Kern einer solchen Visualisierung ist die Aufschlüsselung der Raum in Voxel 11. Unser Ansatz zur Visualisierung Dichte Volumen ersten schätzt Dichte Volumen im einzelnen Voxel durch Zählen der Anzahl von Raum-Zeit-Spuren, die mit den Voxeln schneiden. Man kann &#39;Density Volumenberechnung&#39; unter der Dichte Volumen-Visualisierung klicken Sie im Menü für diesen Schritt. </li><li> Die gleichen drei Optionen sind für die Dichte Volumen-Visualisierung zur Verfügung wie für Dichte Oberfläche Visualisierung. </li><li> Anschließend klicken Sie &quot;Volume Rendering&quot;, um das 3D-Volumen-Visualisierung Schnittstelle für interaktive Volume Rendering 12 starten. Durch Einstellen der Anzahl der Teilungen längs jeder Achse, kann ein Cluster in unterschiedlichen Maßstäben zu untersuchen. Ein z-Faktor dient dazu, die vertikale Überhöhung zur besseren Visualisierung eingestellt. Ein Verweis Schicht wie den Gebäuden geladen Visualisierung sowie zu unterstützen. Die Ergebnisse der Volume-Rendering kann interaktiv durch die Manipulation der Transfer-Funktion, die die Zuordnung steuert von der Dichte der Farbe angepasst werden. (Abbildung 6). </li></ol> 6. Andere Exploratory Daten Analysen (EDA) und Visualisierungen <ol><li> Ein Verfahren zur Verfügung, um animierte Serie zu schaffen, um in Google Earth angezeigt werden. Unter &quot;Sonstiges&quot;, klicken Sie auf &quot;Export in KML für EDA&quot;, um diesen Vorgang zugreifen. Es schafft eine kml 13-Datei, die in Google Earth öffnet sich für interaktive Animation der Flugbahn. </li><li> Man kann folgen der Flugbahn zu travel die Umwelt in der Zeit durch Scrollen entlang der Zeitachse in Google Earth. </li><li> Ein Verfahren zur Verfügung, um Verbindungen zwischen Orten von Interesse durch &#39;Connection Analyse &quot;zu visualisieren. Beispielsweise werden Verbindungen zwischen verschiedenen Gebäuden auf einem Universitätscampus aus segmentierten Daten, die Trajektorie von Studenten (Abbildung 7) gesammelt wurden abgeleitet. </li><li> Basierend auf den abgeleiteten Verbindungen Hotspots wie dieser Gebäude mit den meisten eingehenden oder ausgehenden Datenverkehr und-Hubs, die meist besuchten Orte identifiziert werden können, zu verbinden. </li></ol>

<ol>
	<li>Stoddard, S. T., Morrison, A. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+role+of+human+movement+in+the+transmission+of+vector-borne+pathogens.">The role of human movement in the transmission of vector-borne pathogens.</a> PLoS Negl. Trop. Dis. 3 (7), e10 (2009).</li><li>Morens, D. M., Folkers, G. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+challenge+of+emerging+and+re-emerging+infectious+diseases.">The challenge of emerging and re-emerging infectious diseases.</a> Nature. 430, 242-249 (2004).</li><li>Viboud, C., Bjornstad, O. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Synchrony,+waves,+and+spatial+hierarchies+in+the+spread+of+influenza.">Synchrony, waves, and spatial hierarchies in the spread of influenza.</a> Science. 312, 447-451 (2006).</li><li>Shoval, N., Isaacson, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Application+of+tracking+technologies+to+the+study+of+pedestrian+spatial+behaviour.">The Application of tracking technologies to the study of pedestrian spatial behaviour.</a> The Professional Geographer. 58 (2), 172-183 (2006).</li><li>Yu, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatio-temporal+GIS+design+for+exploring+interactions+of+human+activities.">Spatio-temporal GIS design for exploring interactions of human activities.</a> Cartography and Geographic Information Science. 33 (1), 3-19 (2006).</li><li>Kwan, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Interactive+geovisualization+of+activity-travel+patterns+using+three-dimensional+geographical+information+systems:+a+methodological+exploration+with+a+large+data+set.">Interactive geovisualization of activity-travel patterns using three-dimensional geographical information systems: a methodological exploration with a large data set.</a> Transportation Research Part C. 8, 185-203 (2000).</li><li>Dem&#353;ar, U., Virrantaus, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Space-time+density+of+trajectories:+exploring+spatio-temporal+patterns+in+movement+data.">Space-time density of trajectories: exploring spatio-temporal patterns in movement data.</a> International Journal of Geographical Information Science. 24 (10), 1527-1542 (2010).</li><li>Kraak, M., Koussoulakous, A., Fisher, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> A visualization environment for the space-time cube. , 189-200 (2004).</li><li>MacEachren, A. M., Polsky, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visualizing+spatial+relationships+among+health,+environmental,+and+demographic+statistics:+interface+design+issues.">Visualizing spatial relationships among health, environmental, and demographic statistics: interface design issues.</a> , 880-887 (1997).</li><li>Levory, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Display+of+surfaces+from+volume+data.">Display of surfaces from volume data.</a> IEEE Computer Graphics and Application. 8 (5), 29-37 (1998).</li><li>Drebin, R. A., Carpenter, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Volume+Rendering.">Volume Rendering.</a> Computer Graphics. , (1998).</li><li>Lee, W., Krumm, J., Zheng, Y., Zhou, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Trajectory+preprocessing.">Trajectory preprocessing.</a> Computing with Spatial Trajectories. , 3-34 (2011).</li><li>Han, B., Comaniciu, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sequential+kernel+density+approximation+and+its+application+to+real-time+visual+tracking.">Sequential kernel density approximation and its application to real-time visual tracking.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. , (2007).</li></ol>

Keine Interessenskonflikte erklärt.

Wir verwendeten Add-In Mechanismus der ArcGIS, um die Schnittstelle zu entwickeln. Alle interaktiven Funktionen implementiert wurden unter Verwendung von C + +. All die automatische Verarbeitung und Analyse-Funktionen wurden unter Verwendung von Python. AGPS Daten oder GPS-Daten von Fußgängerzone gesammelt präsentiert einzigartige Herausforderung in der Vorverarbeitung die Fehler können massiv sein aufgrund Nachbarschaft zu Gebäuden und häufige Innen stoppt. Darüber hinaus sollte der Schwerpunkt der Vorverarbeitung nicht Datenreduktion wie das, was geschieht in der Regel für Fahrzeug-GPS Bahndaten aufgrund der bereits offensichtliche Mangel an Tracking-Punkte sein. Die offensichtlichen Mustern in der Fußgängerzone Bahndaten jedoch vorsehen, einzigartige Lösung zur Vorverarbeitung. Anstelle der Verwendung von Standard-Vorverarbeitungsalgorithmen 14, entwickelten wir die heuristische Methode (2,3), die eine manuelle visuelle Fehlererkennung Ansatz in 2,2 erwähnt) imitiert und bereinigt Fehler in den Bahndaten. Insbesondere berechnet es Attribute (Geschwindigkeit und dirichtung ändern) für jede Spur in einem Punkt Trajektorie zuerst. Trackpunkte mit unrealistischen hohen Geschwindigkeiten und / oder Richtung verändert werden entfernt. Es dann neu berechnet Attribute (Dauer und Richtung ändern) für jede verbleibende Trackpunkt und detektiert Clustern Trackpunkte mit spitzen Formen (eine Reihe von Trackpunkte mit abrupten Richtungsänderungen). Schließlich wird die Raumzeit-Zentroid jedes Clusters wird berechnet und die Trajektorie gekürzt und um durch den Schwerpunkt gehen. Die automatische Pre-Processing und die Flugbahn Segmentierungsalgorithmen ausgewertet wurden mit traditionellen Tätigkeit Tagebuch Daten. Zehn Studenten wurden rekrutiert, um tragen jeweils ein AGPS, um die Flugbahn Daten zu sammeln und zur gleichen Zeit wurden aufgefordert, aktiv erfassen ihre Haltestellen und Bewegungen. Teil einer typischen Tätigkeit Tagebuch ist in Abbildung 8 dargestellt. Ein Drei-Tage-Experiment erzeugten 30 Bahnen. Vorbearbeitete und segmentierte Bahnen wurden im Vergleichdie Tagebuch-Daten. Die Ergebnisse zeigten, dass 1) die verarbeiteten Bahnen Mehrheit der Indoor-Aktivitäten erfasst, 2) Zeit in den Flugbahn aufgezeichnet ist genauer als Tagebuch Abnehmer oft schreiben Sie eine grobe Schätzung der Zeit, 3) die Bahndaten erfasst alle Details der Gehweg Wege, während nur gerade Leitungsverbindungen könnten von diary Daten erhalten werden, und 4) einige Aktivitäten aus dem Tagebuch Daten fehlen, wie die Teilnehmer oft Datensätze überspringen aufgrund der Belastung. Aber eine Einschränkung des Ansatzes ist, dass die segmentierten Trajektoriendaten manchmal mislabel einen Innen-Segments in einer falschen Gebäude, insbesondere wenn zwei Gebäude zueinander, was der Fall bei einigen Gebäuden in unserem Experiment verbunden sind. Verbesserung auf diesem Aspekt der Algorithmus benötigt. Dichte Oberflächen-Mapping ist ein wirksames Instrument, um die Aktivität Mustern zu erkunden, vor allem, wenn große Menge von Bahndaten beteiligt ist. Abbildung 4 zeigt, dass eine große number von Trajektorien führt zu deutlich Sichtunordnung, wenn in seiner ursprünglichen Form angezeigt, während Dichte Mapping zeigt interessante Muster. Eine einfache Anwendung dieser wurde unter Verwendung der Datensatz auf Kean Campus während der 2010 Grippesaison gesammelt. Studierende, die die Grippe und Studenten, die nicht zwei Sätze von Trajektorien hat generiert gefangen. Die Studenten wurden befragt über die Schwere ihrer Symptome. Abbildung 9 zeigt die Aktivität Dichtemuster von zwei Gruppen von Studenten, eine zeigt nur leichte Symptome (9A) und weitere zeigt umso bemerkenswerter ones (9B). Es wird darauf hingewiesen, dass die wirkliche kranken Schüler Tätigkeit Raum gruppieren sich um ein bestimmtes Gebäude neigt. Weitere Untersuchungen könnten so durchgeführt werden, um die Ursachen für solche Cluster zu bestimmen. Dieses Experiment zeigt, dass das Verfahren das Potenzial, versteckte Muster in Trajektoriendaten offenbaren aufweist. Die oben density Oberfläche Karten, jedoch bricht die zeitliche Dimension. Dichte Volumen Visualisierung verwendet den Begriff des Raum-Zeit-Würfel und vertritt sowohl räumlichen und zeitlichen Dimensionen. Abbildung 6 zeigt, dass solche Visualisierung ist effektiv im Umgang mit visuellen überladen Probleme. Sobald gebildet interaktiven, ermöglicht es ein um das Rendering zu manipulieren, um verschiedene Frequenzbereiche in den Daten, um Muster zu erkennen, zu markieren. Eine Einschränkung in unserem aktuellen Ansatz ist jedoch, dass das Volumen gerendert scheint nicht völlig glatt. Wir sind in den Prozess der Verbesserung der Dichte Schätzalgorithmus mit dem Thema befassen. Eine Überlegung ist, dass Kernel Dichteschätzung kann die optische Wirkung zu verbessern, aber die Rechenzeit werden würde viel länger. Sequential Kernel Dichte-Schätzung 15 könnte eine weitere Option, dass wir zu untersuchen. Neben der Erkennung Aktivität Cluster (hot spots) in Raum und Zeit, die methode führten wir in 7,2 erkennt eine andere Art von hot spots, die Verbindungen zwischen Orten in Beziehung steht. Wieder mit unserem Datensatz von Studenten während einer Grippesaison gesammelt, wurde Verbindung Analyse durchgeführt, um starke Verbindungen zwischen Campus-Gebäude auf allen Bahndaten (Abbildung 7) sowie Vertreter von nur Studenten, die bemerkenswerte Grippe-Symptome (Abbildung 10) zeigte zu identifizieren. Vergleicht man die beiden Zahlen sehen wir, dass eine Verbindung (zwischen einem Gebäude namens University Center und anderen genannt CAS Gebäude) eine starke Verbindung im Allgemeinen (Abbildung 7) zu sein scheint, sondern aus der Menge der starken Verbindungen für kranke Schüler identifiziert fehlende (Abbildung 10). Die beiden starken Verbindungen, die in der letzten bleiben, sind ein zwischen der University Center und dem Science Building und anderen unter den Science Building, Hennings Hall und Hutchinson Hall. Wissen über diese Campus-Gebäude indicates, dass die University Center der am stärksten befahrenen Haltestelle auf dem Campus mit einer Cafeteria und Aufenthaltsräume im Inneren ist. Es könnte ein potenzielles hohes Risiko Nabe während Grippesaison werden, wenn die Schüler mit jedem interagieren, für eine lange Zeit in einem überfüllten Raum. Es wird auch gelehrt, dass die drei Gebäuden in der zweiten Verbindung beteiligten alle miteinander mit Innen Wege angebracht. Diese Gebäude haben Klassenzimmer, in denen Schüler viele Stunden drinnen verbringen kann mit dem Unterricht ohne außerhalb eines Gebäudes gehen. Diese Gebäude sind auch relativ alten Konstruktionen mit alten Lüftungsanlagen, die Risiken von Atemwegserkrankungen Übertragung erhöhen könnte. Der CAS Gebäude, das im Anschluss in Abbildung 7 erscheint, aber nicht in Abbildung 10, auf der anderen Seite, ist ein Neubau und steht selbst in großen, offenen Raum. Gute Belüftung und die Tatsache, dass studentische Aktivitäten im Freien Zeitraum beinhalten, wenn man Klassen elsewher hate sowohl könnten zu niedrigeren Risiken führen. Diese sind natürlich Spekulationen, sondern beweist, dass eine solche Analyse, wie andere Methoden in diesem Papier kann eine nützliche explorative Analyse-Tool, um versteckte Muster offenbaren. Dieses Paket jedoch keineswegs alle möglichen Methoden nützlich Trajektoriendaten Analysen. Wir halten unsere Bemühungen gehen zu entwickeln und zu integrieren mehr analytische sowie visuelle Funktionen in unserem System.

<table border="1"><tbody><tr><td> Name des Reagenzes </td><td> Firma </td><td> Katalog-Nummer </td><td> Kommentare (optional) </td></tr><tr><td> WorldTracker GPRS </td><td> Tracking The World </td><td></td><td></td></tr><tr><td> Ein Personal Computer zum Ausführen der Analyse </td><td></td><td></td><td></td></tr><tr><td> ArcGIS-Software </td><td> ESRI </td><td></td><td></td></tr><tr><td> Trajectory Analyzer Erweiterung </td><td></td><td></td><td></td></tr></tbody></table>

trajectory data analyses for pedestrian space-time activity study

Es ist allgemein anerkannt, dass die menschliche Bewegung in den räumlichen und zeitlichen Dimensionen direkten Einfluss auf die Übertragung von Krankheiten 1-3 hat. Eine ansteckende Krankheit in der Regel breitet sich über den Kontakt zwischen infizierten und anfälligen Personen in ihren überlappenden Aktivitäten Räumen. Daher kann tägliche Mobilität-Aktivität Informationen als Indikator für die Exposition zu messen, um Faktoren der Infektion riskieren verwendet werden. Allerdings ergeben sich eine große Schwierigkeit und damit die Ursache für wenigen Studien von Infektionskrankheiten Transmission bei der Mikromaßstab vom Fehlen detaillierter individuellen Mobilität Daten. Zuvor im Transport-und Tourismus-Forschung detaillierte Raum-Zeit-Aktivitätsdaten oft auf dem Raum-Zeit-Tagebuch Technik, die Themen aktiv zu erfassen ihre Tätigkeiten in Raum und Zeit erfordert verlassen. Dies ist sehr anspruchsvoll für die Teilnehmer und die Zusammenarbeit der Teilnehmer beeinflusst die Qualität der Daten 4. ModerneTechnologien wie GPS und Mobilfunk möglich gemacht haben die automatische Sammlung von Bahndaten. Die gesammelten Daten ist jedoch nicht ideal für die Modellierung menschlichen Raum-Zeit-Aktivitäten, die von den Genauigkeiten von bestehenden Vorrichtungen beschränkt. Es gibt auch keine leicht verfügbaren Werkzeug zur effizienten Verarbeitung der Daten für das menschliche Verhalten Studie. Wir stellen Ihnen hier eine Reihe von Methoden und ein integriertes ArcGIS Desktop-basierte grafische Benutzeroberfläche für die Vorverarbeitung und raumzeitliche Analysen der Bahndaten. Wir bieten Beispiele, wie solche Verarbeitung kann verwendet werden, um menschliche Raum-Zeit-Aktivitäten zu modellieren, insbesondere mit Fehler-reiche Fußgängerzone Bahndaten werden, die nützlich sein könnten in der öffentlichen Gesundheit Studien wie Übertragung von Infektionskrankheiten Modellierung. Das vorgestellte Verfahren umfasst Pre-Processing, Flugbahn Segmentierung Aktionsraum Charakterisierung, Dichte-Schätzung und Visualisierung, und ein paar andere explorative Analyse-Methoden. Pre-processing ist die Reinigung der lärmenden raw Bahndaten. Wir stellen eine interaktive visuelle Pre-Processing-Schnittstelle sowie eine automatische Modul. Trajectory Segmentierung 5 beinhaltet die Identifikation von Indoor-und Outdoor Teile aus vorbearbeitete Raum-Zeit-Spuren. Auch hier sind sowohl interaktive visuelle Segmentierung und automatische Segmentierung unterstützt. Segmented Raum-Zeit-Spuren werden dann analysiert, um daraus Merkmale einer Tätigkeit Raum wie Aktionsradius usw. Dichte Schätzung und Visualisierung verwendet werden, um große Menge von Bahndaten zu Hot Spots und Interaktionen zu modellieren untersuchen. Wir zeigen sowohl Dichte Oberfläche Mapping 6 und Dichte Volume Rendering 7. Wir berücksichtigen auch ein paar andere explorative Datenanalyse (EDA) und Visualisierungen Tools wie Google Earth Unterstützung für Animationen und Anschluss Analyse. Die Suite der analytischen als auch visuelle Methoden in diesem Papier können auf alle Bahndaten für s angewendet werdenTempo-time activity Studien.

Bahndaten wurde durch ehrenamtliche Studenten von Kean University (NJ, USA) im Frühjahr 2010 gesammelt. Der Zweck war, Aktivitätsmuster von Studenten, die Influenza erwischt (diagnostiziert durch einen Arzt oder Selbst-Diagnose) im Vergleich zu denen, die nicht studieren. Um die Methoden und Verfahren in diesem Papier vorgestellten verdeutlichen haben wir die Bahnen innerhalb des S-Campus gesammelt, um repräsentative Ergebnisse zu generieren. Trajektorien innerhalb des Campus sind meist Fußgänger Bahnen, mit nur ein kleiner Teil aus der Fahrt zwischen den verschiedenen Parkplätzen und außerhalb des Campus. Die Raum-Zeit-cube Darstellung Trajektorien mit Bezug auf Gebäude auf dem Campus der Universität ist in Abbildung 1 dargestellt. 1A ist die Rohdaten von einem Studenten die Aufnahme eines Tages seine Tätigkeit auf dem Campus mit einem AGPS-Gerät (ein kommerzielles Kind tracker) gesammelt . Es ist obbisherige dass einige lange Dauer der Innen Aufenthalte in verrauschten Daten (angezeigt durch die stacheligen Teil der Spur) führte. Dies ist sehr häufig in der Fußgängerzone Bahndaten. Abbildung 1B zeigt die vorbearbeitete und segmentierte Flugbahn. 1C zeigt die vorbearbeitete und segmentierte Flugbahn mit farbcodierten Indoor-und Outdoor-Segmente in der Raum-Zeit-Würfel. Die Abbildungen 2 bis 4 zeigen Dichte Oberfläche Abbildung einer Menge von Trajektorien. Abbildung 2 zeigt die rohen Tracking-Punkte Beteiligten auf &#39;Track Punktdichte &quot;Mapping-Option (2A) und die sich daraus ergebende Karte (2B) durchzuführen. Statt der Kartierung Dichten von Tracking-Punkte, Karten Abbildung 3 die Dichten reiste Wege. Density-Mapping ist besonders nützlich bei der Analyse von großen Menge von Trajektorien. 4A zeigt eine insgesamt 470 Bahnen. 4B und 4C zeigen die Dichte Oberfläche in einem 2D-(links) und 3D-Darstellungen (rechts) mit neu abgetastet Punkte aus diesen Bahnen. Neben der interaktiven Anzeige der zeitlichen Dimension in einem Raum-Zeit-Würfels kann die Zeitvariable durch zeitliche Schwerpunkt um räumliche Muster an verschiedenen Zeiträumen untersuchen verarbeitet werden. 5 zeigt Beispiele für solche Analyse unter Verwendung der Probe Datensatz, der Trajektorie enthält Daten, die von Studenten während der Grippesaison gesammelt. Es ist offensichtlich, dass ihre Aktivitäten rund um verschiedenen Standorten den ganzen Tag zentriert sind, um schließlich zu der zusammengesetzten Aktivität density map auf der Unterseite. Ein Beispiel der Dichte Volumen-Rendering ist in Abbildung 6 dargestellt. 6A zeigt, dass es schwer ist, Muster zu erkennen, wenn alle Raum-Zeit-Spuren im Raum-Zeit-cube visualisiert wegen der visUAL clutters. 6B zeigt die entsprechende Dichte Volumendarstellung Ergebnisse. Die vier Abbildungen repräsentieren verschiedene Einstellungen der Übertragungsfunktion der Dichte Rendering-Programm, damit markieren Dichte Volumina an unterschiedlichen Frequenzbereichen. Ein anderer Weg zu finden Hotspots ist durch die Verbindung Analyse. Abbildung 7 zeigt das Ergebnis einer solchen Analyse mit unserem Sample-Daten-Set. 7A zeigt die gerade Linie Verbindungen zwischen allen Gebäuden auf dem Campus. Die markierten Gebäude sind diejenigen mit der höchsten ausgehenden Datenverkehr Volumen. 7B zeigt die gleichen Anschlüsse, mit den am häufigsten frequentierten Verbindungen hervorgehoben. <img src="/files/ftp_upload/50130/50130fig1.jpg" alt="Abbildung 1" fo:content-width="3in" fo:src="/files/ftp_upload/50130/50130fig1highres.jpg"/> Abbildung 1. Pre-Processing und Segmentierung<html> tation der Bahndaten A: 2D-Ansicht von einem rohen Trajektorie auf dem Hintergrund der Campus-Gebäude, B:. vorbearbeitete Flugbahn; C:. Raum-Zeit-cube Darstellung von segmentierten Flugbahn <a href="https://www-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/50130/50130fig1large.jpg" target="_blank">Klicken Sie hier für eine größere Abbildung zu sehen</a> . <img src="/files/ftp_upload/50130/50130fig2.jpg" alt="Abbildung 2" /> Abbildung 2. Dichte Oberfläche Abbildung A:. Raw Trackpunkte einer Trajektorie Datensatzes; B: Dichte Oberfläche von Trackpunkte abgeleitet. <img src="/files/ftp_upload/50130/50130fig3.jpg" alt="Abbildung 3"/> Abbildung 3. Dichte Oberfläche Flugbahnen. 130fig4.jpg &quot;alt =&quot; Figure 4 &quot;fo: content-width =&quot; 4in &quot;fo: src =&quot; / files/ftp_upload/50130/50130fig4highres.jpg &quot;/&gt; Abbildung 4. Farbige Dichte Oberfläche Abbildung A: insgesamt 470 Bahnen, B:. Farbigen Dichte Oberfläche in 2D; C:. Farbigen Dichte Oberfläche in 3D <a href="https://www-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/50130/50130fig4large.jpg" target="_blank">Klicken Sie hier für eine größere Abbildung zu sehen</a> . <img src="/files/ftp_upload/50130/50130fig5.jpg" alt="Abbildung 5"/> Abbildung 5. Temporal Schwerpunkt für die Dichte-Mapping: studentische Aktivitäten Dichten auf dem Campus in verschiedenen Zeiträumen. <img src="/files/ftp_upload/50130/50130fig6.jpg" alt="Abbildung 6" fo:content-width="4.5in" fo:src="/files/ftp_upload/50130/50130fig6highres.jpg"/> Abbildung 6. Density Volume Rendering und visualizat<html> Ion A: visual clutters aus rohen Trajektorien, B:. raumzeitliche Clustern durch Visualisierung Dichte Volumina bei verschiedenen Frequenzbereichen hervorgehoben. <a href="https://www-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/50130/50130fig6large.jpg" target="_blank">Klicken Sie hier für eine größere Abbildung zu sehen</a> . <img src="/files/ftp_upload/50130/50130fig7.jpg" alt="Abbildung 7" fo:content-width="4in" fo:src="/files/ftp_upload/50130/50130fig7highres.jpg"/> Abbildung 7. Anschluss Analyseergebnisse A: Gerade Verbindungen zwischen allen Gebäuden auf dem Campus einer Universität von Bahndaten abgeleitet, mit den am häufigsten frequentierten Gebäuden hervorgehoben; B:.. Die meistbesuchten Verbindungen zwischen Gebäuden auf dem Campus <a href="https://www-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/50130/50130fig7large.jpg" target="_blank">Klicken Sie hier für eine größere Abbildung zu sehen</a> . content &quot;fo: keep-together.within-page =&quot; always &quot;&gt; <img src="/files/ftp_upload/50130/50130fig8.jpg" alt="Abbildung 8" fo:content-width="4in" fo:src="/files/ftp_upload/50130/50130fig8highres.jpg"/> Abbildung 8. Teil einer Aktivität Tagebuch eines Schülers aufgezeichnet. <img src="/files/ftp_upload/50130/50130fig9.jpg" alt="Abbildung 9"/> Abbildung 9. Activity Dichte Muster von zwei Gruppen von Schülern A: Aktivität Dichtemuster von Studenten mit leichten Grippesymptomen während einer Grippesaison, B:. Aktivität Dichtemuster von Studierenden mit mehr bemerkenswerte Grippe-Symptome. <img src="/files/ftp_upload/50130/50130fig10.jpg" alt="Abbildung 10" fo:content-width="4in" fo:src="/files/ftp_upload/50130/50130fig10highres.jpg"/> Abbildung 10. Anschluss Analyse Ergebnisse auf Bahndaten von Studenten basiertWer hatte bemerkenswerte Grippe-Symptome während einer Grippesaison A: Gerade Verbindungen zwischen Gebäuden mit den am häufigsten frequentierten Gebäuden hervorgehoben; B:.. die meistbesuchten Verbindungen von Studenten mit Grippe genommen <a href="https://www-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/50130/50130fig10large.jpg" target="_blank">Klicken Sie hier für eine größere Abbildung zu sehen</a> .

Watch this Scientific Journal Video about Trajectory Data Analyses for Pedestrian Space-time Activity Study at JoVE.com

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Eine Folge von Raumzeit-Verarbeitungsverfahren werden dargestellt, um die menschliche Trajektoriendaten, wie die Verwendung einer GPS-Einrichtung, zum Zweck der Modellierung Fußgängers Raumzeit Tätigkeiten gesammelten analysieren.

Bahndaten Analysen für Fußgänger Raum-Zeit-Activity Study

It is well recognized that human movement in the  spatial and temporal dimensions has direct influence on disease transmission1-3.  An infectious disease ...

trajectory-data-analyses-for-pedestrian-space-time-activity-study

Nanyang Technological University

Research

Education

JoVE Core

JoVE Journal

Civil Engineering

Biology

Unit 1

Global Positioning System (GPS)

SCIENTISTS IN ACTION

13.4K Aufrufe.  Kean University. Eine Folge von Raumzeit-Verarbeitungsverfahren werden dargestellt, um die menschliche Trajektoriendaten, wie die Verwendung einer GPS-Einrichtung, zum Zweck der Modellierung Fußgängers Raumzeit Tätigkeiten gesammelten analysieren.

Serie: Trajectory Data Analyses for Pedestrian Space-time Activity Study

Testing Visual Sensitivity to the Speed and Direction of Motion in Lizards

Testing visual sensitivity in any species provides basic information regarding behaviour, evolution, and ecology. However, testing specific features of the visual system provide more empirical evidence for functional applications. Investigation into the sensory system provides information about the sensory capacity, learning and memory ability, and establishes known baseline behaviour in which to gauge deviations (Burghardt, 1977). However, unlike mammalian or avian systems, testing for learning and memory in a reptile species is difficult. Furthermore, using an operant paradigm as a psychophysical measure of sensory ability is likewise as difficult. Historically, reptilian species have responded poorly to conditioning trials because of issues related to motivation, physiology, metabolism, and basic biological characteristics. Here, I demonstrate an operant paradigm used a novel model lizard species, the Jacky dragon (Amphibolurus muricatus) and describe how to test peripheral sensitivity to salient speed and motion characteristics. This method uses an innovative approach to assessing learning and sensory capacity in lizards. I employ the use of random-dot kinematograms (RDKs) to measure sensitivity to speed, and manipulate the level of signal strength by changing the proportion of dots moving in a coherent direction. RDKs do not represent a biologically meaningful stimulus, engages the visual system, and is a classic psychophysical tool used to measure sensitivity in humans and other animals. Here, RDKs are displayed to lizards using three video playback systems. Lizards are to select the direction (left or right) in which they perceive dots to be moving. Selection of the appropriate direction is reinforced by biologically important prey stimuli, simulated by computer-animated invertebrates.

Testing visual sensitivity in lizards using an operant conditioning paradigm that employs video playback of random-dot kinematograms and computer-generated invertebrates.

Testen visueller Sensibilität für die Geschwindigkeit und Richtung der Bewegung in Lizards

Testing visual sensitivity in any species provides basic information regarding behaviour, evolution, and ecology. However, testing specific features of ...

Forschung

Biologie

Computer-Generated Animal Model Stimuli

Communication between animals is diverse and complex. Animals may communicate using auditory, seismic, chemosensory, electrical, or visual signals. In particular, understanding the constraints on visual signal design for communication has been of great interest. Traditional methods for investigating animal interactions have used basic observational techniques, staged encounters, or physical manipulation of morphology. Less intrusive methods have tried to simulate conspecifics using crude playback tools, such as mirrors, still images, or models. As technology has become more advanced, video playback has emerged as another tool in which to examine visual communication (Rosenthal, 2000). However, to move one step further, the application of computer-animation now allows researchers to specifically isolate critical components necessary to elicit social responses from conspecifics, and manipulate these features to control interactions. Here, I provide detail on how to create an animation using the Jacky dragon as a model, but this process may be adaptable for other species. In building the animation, I elected to use Lightwave  3D to alter object morphology, add texture, install bones, and provide comparable weight shading that prevents exaggerated movement. The animation is then matched to select motor patterns to replicate critical movement features. Finally, the sequence must rendered into an individual clip for presentation. Although there are other adaptable techniques, this particular method had been demonstrated to be effective in eliciting both conspicuous and social responses in staged interactions.

Computer-generated stimuli using the Jacky dragon as a model.

Computer-Generated-Tiermodell Stimuli

Communication between animals is diverse and complex. Animals may communicate using auditory, seismic, chemosensory, electrical, or visual signals. In ...

Bioelectric Analyses of an Osseointegrated Intelligent Implant Design System for Amputees

The projected number of American amputees is expected to rise to 3.6 million by 2050.  Many of these individuals depend on artificial limbs to perform routine activities, but prosthetic suspensions using traditional socket technology can prove to be cumbersome and uncomfortable for a person with limb loss.  Moreover, for those with high proximal amputations, limited residual limb length may prevent exoprosthesis attachment all together. Osseointegrated implant technology is a novel operative procedure which allows firm skeletal attachment between the host bone and an implant. Preliminary results in European amputees with osseointegrated implants have shown improved clinical outcomes by allowing direct transfer of loads to the bone-implant interface.  Despite the apparent advantages of osseointegration over socket technology, the current rehabilitation procedures require long periods of restrictive load bearing prior which may be reduced with expedited skeletal attachment via electrical stimulation.  The goal of the osseointegrated intelligent implant design (OIID) system is to make the implant part of an electrical system to accelerate skeletal attachment and help prevent periprosthetic infection. To determine optimal electrode size and placement, we initiated proof of concept with computational modeling of the electric fields and current densities that arise during electrical stimulation of amputee residual limbs.  In order to provide insure patient safety, subjects with retrospective computed tomography scans were selected and three dimensional reconstructions were created using customized software programs to ensure anatomical accuracy (Seg3D and SCIRun) in an IRB and HIPAA approved study.  These software packages supported the development of patient specific models and allowed for interactive manipulation of electrode position and size. Preliminary results indicate that electric fields and current densities can be generated at the implant interface to achieve the homogenous electric field distributions   required to induce osteoblast migration, enhance skeletal fixation and may help prevent periprosthetic infections.  Based on the electrode configurations experimented with in the model, an external two band configuration will be advocated in the future.

There is a need to develop alternative prosthesis attachment due to limb loss attributed to vascular occlusive diseases and trauma. The goal of the work is to introduce an osseointegrated intelligent implant design system to increase skeletal fixation and reduce periprosthetic infection rates for patients needing osseointegrated technology.

Bioelectric Analysen eines osseointegrierte Intelligent Implant Design System für Amputierte

The projected number of American amputees is expected to rise to 3.6 million by 2050.  Many of these individuals depend on artificial limbs to perform ...

Isolation and Purification of Drosophila Peripheral Neurons by Magnetic Bead Sorting

The Drosophila peripheral nervous system (PNS) is a powerful model for investigating the complex processes of neuronal development and dendrite morphogenesis at the functional and molecular levels. To aid in these analyses, we have developed a strategy for the isolation of a subclass of PNS neurons called dendritic arborization (da) neurons that have been widely used for studying dendrite morphogenesis1,2. These neurons are very difficult to isolate as a pure population, due in part to their extremely low occurrence and their difficult-to-reach location below the tough chitinous larval cuticle. Our newly developed method overcomes these challenges, and is based on a fast and specific cell enrichment using antibody-coated magnetic beads. For our magnetic bead sorting studies, we have used age-matched third instar larvae expressing a mouse CD8 tagged GFP fusion protein (UAS-mCD8-GFP)3 under the control of either the class IV dendritic arborization (da) neuron-specific pickpocket (ppk)-GAL4 driver4 or the control of the pan-da neuron-specific GAL421-7 driver5. Although this protocol has been optimized for isolating PNS cells which are attached to the inner wall of the larval cuticle, by varying a few parameters, the same protocol could be used to isolate many different cell types attached to the cuticle at larval or pupal stages of development (e.g. epithelia, muscle, oenocytes etc.), or other cell types from larval organs depending upon the GAL4-specific driver expression pattern. The RNA isolated by this method is of high quality and can be readily used for downstream genomic analyses such as microarray gene expression profiling studies. This approach offers a powerful new tool to perform studies on isolated Drosophila dendritic arborization (da) neurons thereby providing novel insights into the molecular mechanisms underlying dendrite morphogenesis.

Isolation and Purification of Drosophila Peripheral Neurons by Magnetic Bead Sorting

In this video-article we present a method for the isolation and purification of Drosophila peripheral neurons using a fast magnetic bead assisted cell sorting strategy. RNA obtained from the isolated cells can be readily used for downstream applications including microarray analyses.

Isolierung und Reinigung von Drosophila Peripheren Neuronen durch Magnetic Bead Sorting

The Drosophila peripheral nervous system (PNS) is a powerful model for investigating the complex processes of neuronal development and dendrite ...

Isolation of Translating Ribosomes Containing Peptidyl-tRNAs for Functional and Structural Analyses

Recently, structural and biochemical studies have detailed many of the molecular events that occur in the ribosome during inhibition of protein synthesis by antibiotics and during nascent polypeptide synthesis. Some of these antibiotics, and regulatory nascent polypeptides mostly in the form of peptidyl-tRNAs, inhibit either peptide bond formation or translation termination1-7. These inhibitory events can stop the movement of the ribosome, a phenomenon termed "translational arrest". Translation arrest induced by either an antibiotic or a nascent polypeptide has been shown to regulate the expression of genes involved in diverse cellular functions such as cell growth, antibiotic resistance, protein translocation and cell metabolism8-13. Knowledge of how antibiotics and regulatory nascent polypeptides alter ribosome function is essential if we are to understand the complete role of the ribosome in translation, in every organism.
Here, we describe a simple methodology that can be used to purify, exclusively, for analysis, those ribosomes translating a specific mRNA and containing a specific peptidyl-tRNA14. This procedure is based on selective isolation of translating ribosomes bound to a biotin-labeled mRNA. These translational complexes are separated from other ribosomes in the same mixture, using streptavidin paramagnetic beads (SMB) and a magnetic field (MF). Biotin-labeled mRNAs are synthesized by run-off transcription assays using as templates PCR-generated DNA fragments that contain T7 transcriptional promoters. T7 RNA polymerase incorporates biotin-16-UMP from biotin-UTP; under our conditions approximately ten biotin-16-UMP molecules are incorporated in a 600 nt mRNA with a 25% UMP content. These biotin-labeled mRNAs are then isolated, and used in in vitro translation assays performed with release factor 2 (RF2)-depleted cell-free extracts obtained from Escherichia coli strains containing wild type or mutant ribosomes. Ribosomes translating the biotin-labeled mRNA sequences are stalled at the stop codon region, due to the absence of the RF2 protein, which normally accomplishes translation termination. Stalled ribosomes containing the newly synthesized peptidyl-tRNA are isolated and removed from the translation reactions using SMB and an MF. These beads only bind biotin-containing messages.
The isolated, translational complexes, can be used to analyze the structural and functional features of wild type or mutant ribosomal components, or peptidyl-tRNA sequences, as well as determining ribosome interaction with antibiotics or other molecular factors 1,14-16. To examine the function of these isolated ribosome complexes, peptidyl-transferase assays can be performed in the presence of the antibiotic puromycin1. To study structural changes in translational complexes, well established procedures can be used, such as i) crosslinking to specific amino acids14 and/or ii) alkylation protection assays1,14,17.

A major impediment to biochemical analyses of ribosomes containing nascent peptidyl-tRNAs has been the presence of other ribosomes in the same samples, ribosomes not involved in the translation of the specific mRNA sequence being analyzed. We developed a simple methodology to purify, exclusively, the ribosomes containing the nascent peptidyl-tRNA of interest.

Isolierung von Ribosomen übersetzen enthaltend Peptidyl-tRNAs für funktionelle und strukturelle Analysen

Recently, structural and biochemical studies have detailed many of the molecular events that occur in the ribosome during inhibition of protein synthesis ...

DNA Extraction from Paraffin Embedded Material for Genetic and Epigenetic Analyses

Disease development and progression are characterized by frequent genetic and epigenetic aberrations including chromosomal rearrangements, copy number gains and losses and DNA methylation. Advances in high-throughput, genome-wide profiling technologies, such as microarrays, have significantly improved our ability to identify and detect these specific alterations. However as technology continues to improve, a limiting factor remains sample quality and availability. Furthermore, follow-up clinical information and disease outcome are often collected years after the initial specimen collection. Specimens, typically formalin-fixed and paraffin embedded (FFPE), are stored in hospital archives for years to decades. DNA can be efficiently and effectively recovered from paraffin-embedded specimens if the appropriate method of extraction is applied. High quality DNA extracted from properly preserved and stored specimens can support quantitative assays for comparisons of normal and diseased tissues and generation of genetic and epigenetic signatures 1. To extract DNA from paraffin-embedded samples, tissue cores or microdissected tissue are subjected to xylene treatment, which dissolves the paraffin from the tissue, and then rehydrated using a series of ethanol washes. Proteins and harmful enzymes such as nucleases are subsequently digested by proteinase K. The addition of lysis buffer, which contains denaturing agents such as sodium dodecyl sulfate (SDS), facilitates digestion 2. Nucleic acids are purified from the tissue lysate using buffer-saturated phenol and high speed centrifugation which generates a biphasic solution. DNA and RNA remain in the upper aqueous phase, while proteins, lipids and polysaccharides are sequestered in the inter- and organic-phases respectively. Retention of the aqueous phase and repeated phenol extractions generates a clean sample. Following phenol extractions, RNase A is added to eliminate contaminating RNA. Additional phenol extractions following incubation with RNase A are used to remove any remaining enzyme. The addition of sodium acetate and isopropanol precipitates DNA, and high speed centrifugation is used to pellet the DNA and facilitate isopropanol removal. Excess salts carried over from precipitation can interfere with subsequent enzymatic assays, but can be removed from the DNA by washing with 70% ethanol, followed by centrifugation to re-pellet the DNA 3. DNA is re-suspended in distilled water or the buffer of choice, quantified and stored at -20&deg;C. Purified DNA can subsequently be used in downstream applications which include, but are not limited to, PCR, array comparative genomic hybridization 4 (array CGH), methylated DNA Immunoprecipitation (MeDIP) and sequencing, allowing for an integrative analysis of tissue/tumor samples.

This video demonstrates the protocol for DNA extraction from formalin-fixed paraffin-embedded material. This is a multi-day procedure in which tissue sections are deparaffinized with xylene, rehydrated with ethanol and treated with proteinase K to purify and isolate DNA for subsequent gene-specific or genome-wide analysis.

DNA-Extraktion aus in Paraffin eingebettete Material für genetische und epigenetische Analysen

Disease development and progression are characterized by frequent genetic and epigenetic aberrations including chromosomal rearrangements, copy number ...

Evisceration of Mouse Vitreous and Retina for Proteomic Analyses

While the mouse retina has emerged as an important genetic model for inherited retinal disease, the mouse vitreous remains to be explored. The vitreous is a highly aqueous extracellular matrix overlying the retina where intraocular as well as extraocular proteins accumulate during disease.1-3 Abnormal interactions between vitreous and retina underlie several diseases such as retinal detachment, proliferative diabetic retinopathy, uveitis, and proliferative vitreoretinopathy.1,4 The relative mouse vitreous volume is significantly smaller than the human vitreous (Figure 1), since the mouse lens occupies nearly 75% of its eye.5 This has made biochemical studies of mouse vitreous challenging. In this video article, we present a technique to dissect and isolate the mouse vitreous from the retina, which will allow use of transgenic mouse models to more clearly define the role of this extracellular matrix in the development of vitreoretinal diseases.

The dissection technique illustrates evisceration of the vitreous, retina, and lens from the mouse eye, separation by centrifugation, and characterization with protein assays.

Ausweiden der Maus Glaskörper und Netzhaut für Proteomik-Analysen

While the mouse retina has emerged as an important genetic model for inherited retinal disease, the mouse vitreous remains to be explored. The vitreous is ...

Do-It-Yourself Device for Recovery of Cryopreserved Samples Accidentally Dropped into Cryogenic Storage Tanks

Liquid nitrogen is colorless, odorless, extremely cold (-196 &deg;C) liquid kept under pressure. It is commonly used as a cryogenic fluid for long term storage of biological materials such as blood, cells and tissues 1,2. The cryogenic nature of liquid nitrogen, while ideal for sample preservation, can cause rapid freezing of live tissues on contact - known as 'cryogenic burn'2, which may lead to severe frostbite in persons closely involved in storage and retrieval of samples from Dewars. Additionally, as liquid nitrogen evaporates it reduces the oxygen concentration in the air and might cause asphyxia, especially in confined spaces2.
In laboratories, biological samples are often stored in cryovials or cryoboxes stacked in stainless steel racks within the Dewar tanks1. These storage racks are provided with a long shaft to prevent boxes from slipping out from the racks and into the bottom of Dewars during routine handling. All too often, however, boxes or vials with precious samples slip out and sink to the bottom of liquid nitrogen filled tank. In such cases, samples could be tediously retrieved after transferring the liquid nitrogen into a spare container or discarding it. The boxes and vials can then be relatively safely recovered from emptied Dewar. However, the cryogenic nature of liquid nitrogen and its expansion rate makes sunken sample retrieval hazardous. It is commonly recommended by Safety Offices that sample retrieval be never carried out by a single person. Another alternative is to use commercially available cool grabbers or tongs to pull out the vials3. However, limited visibility within the dark liquid filled Dewars poses a major limitation in their use.
In this article, we describe the construction of a Cryotolerant DIY retrieval device, which makes sample retrieval from Dewar containing cryogenic fluids both safe and easy.

Here we present a low cost, durable cryotolerant device for sample retrieval from Dewar tanks filled with liquid nitrogen. The ease of construction and modular design of the device makes the process of sample retrieval from cryogenic tanks safe and easy.

Do-It-Yourself Einrichtung zur Rückgewinnung von kryokonservierten Proben versehentlich fallengelassen in Kryo-Lagerbehälter

Liquid nitrogen is colorless, odorless, extremely cold (-196 &deg;C) liquid kept under pressure. It is commonly used as a cryogenic fluid for long term ...

Nanogold Labeling of the Yeast Endosomal System for Ultrastructural Analyses

Endosomes are one of the major membrane sorting checkpoints in eukaryotic cells and they regulate recycling or destruction of proteins mostly from the plasma membrane and the Golgi. As a result the endosomal system plays a central role in maintaining cell homeostasis, and mutations in genes belonging to this network of organelles interconnected by vesicular transport, cause severe pathologies including cancer and neurobiological disorders. It is therefore of prime relevance to understand the mechanisms underlying the biogenesis and organization of the endosomal system. The yeast Saccharomyces cerevisiae has been pivotal in this task. To specifically label and analyze at the ultrastructural level the endosomal system of this model organism, we present here a detailed protocol for the positively charged nanogold uptake by spheroplasts followed by the visualization of these particles through a silver enhancement reaction. This method is also a valuable tool for the morphological examination of mutants with defects in endosomal trafficking. Moreover, it is not only applicable for ultrastructural examinations but it can also be combined with immunogold labelings for protein localization investigations.

Yeast, Saccharomyces cerevisiae, has been a key model organism to identify and study genes regulating the biogenesis and functions of the endosomal system. Here we present a detailed protocol for the specific labeling of the endosomal compartments for ultrastructural studies.

Nanogold Markierung der Hefe Endosomale System für Ultrastrukturanalysen

Endosomes are one of the major membrane sorting checkpoints in eukaryotic cells and they regulate recycling or destruction of proteins mostly from the ...

Improved Swiss-rolling Technique for Intestinal Tissue Preparation for Immunohistochemical and Immunofluorescent Analyses

Understanding the role of factors that regulate intestinal epithelial homeostasis and response to injury and regeneration is important. The current literature describes several different methodological approaches to obtain images of intestinal tissues for data validation. In this paper, we delineate a common protocol relating to the derivation and processing of mouse intestinal tissues. Proper fixation of intestinal tissues and Swiss-roll techniques that enhance intestinal epithelial morphology are discussed. Postresection processing and reorientation of embedded intestinal tissues are critical in obtaining paraffin-embedded blocks that display intact intestinal structural features after sectioning. The Swiss-rolling technique helps in histological assessment of the complete intestinal or colonic sections examined. An ability to differentiate intestinal structural features can be vital in quantitative measurements of intestinal inflammation and tumorigenesis along the entire length. Finally, paraffin-embedded sections are ideal for robust processing using both immunohistochemical and immunofluorescent detection methods. Nonfluorescent immunohistochemical sections provide a vibrant image of the tissue detailing different cellular structural features but do not provide flexibility for intracellular co-localization experiments. Multiple fluorescent channels can be appropriately utilized with immunofluorescent detection for co-localization experiments, lending support to mechanistic studies.

Accurate identification and location of epithelial cells along the intestinal mucosal lining are essential to define different cell lineages. Proper imaging of intestinal tissues is crucial for identification of protein expression patterns with maximum resolution. This study aims to delineate the optimal methods and conditions for processing mouse intestinal tissues.

Verbesserte Schweizer Walztechnik für Darmgewebepräparation zur immunhistochemischen und Immunofluoreszenz-Analysen

Understanding the role of factors that regulate intestinal epithelial homeostasis and response to injury and regeneration is important. The current ...