Este trabalho é financiado pelo NIH concessão 1R03AI090465.

1. Obtendo dados <ol><li> Trajetória de dados podem ser coletados com o GPS de navegação com GPS, aplicações de rastreamento de telefones inteligentes, bem como o A-GPS (GPS assistido) dispositivos como a empregada em nosso estudo, um dispositivo rastreador comercial criança. </li><li> Dados da trajetória geralmente é salvo em termos de tempo de latitude e longitude registros. Um intervalo de tempo desejado deve ser definido com base nas necessidades de aplicação. Muitas vezes, o intervalo mais freqüente é desejado para estudos do espaço-tempo de atividade. </li><li> Converter os dados em valores separados por vírgula, ou. Csv com colunas separadas para ID de registro, latitude, longitude e tempo, respectivamente. Em seguida, converter os arquivos. CSV em comumente usados ​​Sistemas de Informação Geográfica (SIG) de formato de arquivo (ou seja, ESRI shapefile 8). </li><li> Carregar em um shapefile de polígonos de construção e outro do limite da área de estudo com o analisador de trajetória. Defina o &quot;extrusão&quot; dos edifícios adequadamente para um di 3Dsplay e definir a &quot;extrusão&quot; e &quot;transparência&quot; da camada limite corretamente para exibir um cubo espaço-tempo-6, 9, com x, y dimensões representando o espaço ea dimensão z representa o tempo. </li></ol> 2. Pré-processamento <ol><li> Duas opções estão disponíveis para pré-processamento dos dados ruidosos trajetória primas. Pode-se escolher entre a lista suspensa do menu de pré-processamento. </li><li> Se &quot;Interativo&quot; é escolhido, uma projeção 2D da trajetória 3D é criado para facilitar a visualização e seleção. Manipular a exibição em 3D para analisar a trajetória prima no espaço e no tempo. Identificação de erros nos dados com base na forma, velocidade e / ou da topologia dos segmentos de calha. Normalmente pontos de trilha (vértices) com alta velocidade irrealistas ou mudança de direção abrupta significar erros. Selecione e removê-los das trajetórias originais. Selecione e removê-los a partir de qualquer trajetória do 3D ou sua projeção 2D. </li><li> Um conjunto de pontos de trilha com espetado shapes (Figura 1) espacialmente e uma longa duração temporalmente significar erros que são mais possivelmente causadas por locais fechados onde o sinal de GPS é fraco. Se um grupo desses pontos é selecionada, o programa pode calcular o centróide espaço-temporal dos pontos selecionados e ajustar a faixa de passar pelo centróide. </li><li> Alternativamente, se &quot;Automático&quot; é escolhido a partir do menu de pré-processamento, defina a entrada e locais de saída, bem como parâmetros empíricos que determinam a velocidade anormal elevada e viragem brusca de pontos. O programa pesquisa entre os dados da trajetória carregados e executa automaticamente com base em um algoritmo que imita a abordagem detecção visual de erros. </li></ol> 3. Segmentação de trajetória e Caracterização Espaço Ativo <ol><li> Segmentação trajetória requer a camada de construção, para garantir que o arquivo forma edifício é carregado. </li><li> Clique na ferramenta de segmentação na barra de ferramentas para iniciar a função.Ajuste a entrada e saída de e localizado o ficheiro de forma de construção como a camada de referência. Use os nomes de construção para rotular a trajetória segmentada. O algoritmo identifica segmentos interiores baseado em conjunto ou por defeito critérios tais como velocidade, duração, etc, de pontos de trilha, bem como a topologia espacial com relação aos edifícios. </li><li> Clique na atividade ferramenta de sumarização espaço para carregar em trajetórias segmentados e calcular atributos sumárias selecionados para caracterizar um espaço de actividade, tais como raio total da atividade, raio em um determinado período de tempo, a relação do tempo total gasto dentro de casa contra ao ar livre, e assim por diante. </li><li> Os atributos podem ser exportados para uma planilha para utilização de modelagem quantitativa. </li></ol> 4. Mapeamento de Superfície densidade <ol><li> Superfície de densidade mostra a densidade de atividades no espaço com a dimensão temporal desabou. Três opções estão disponíveis a partir da lista drop-down do menu de mapeamento de densidade de superfície. </li><li> Se a opção &#39;densidade de pontos da trilha&#39; é selecionado, preencha a caixa de diálogo com informações de entrada e saída e optar por exibir ou em 3D ou 2D. Todos os vértices a partir dos dados de trajectória são utilizadas para calcular as densidades de kernel dos pontos. Figura 2 mostra uma superfície de densidade. </li><li> Se &quot;densidade caminho Track &#39;é selecionado, o algoritmo calcula e exibe densidade de caminhos individuais viajou (Figura 3). </li><li> Se a opção &#39;densidade Re-amostrados ponto&#39; é selecionado, o algoritmo de re-amostragem dos dados da trajetória usando um intervalo de tempo definido e mapas a densidade de pontos distribuídos uniformemente no tempo. Esta opção é projetado para dispositivos de rastreamento que coletam pontos de rastreamento em intervalos de tempo irregulares devido à variação de sensibilidade dos dispositivos sob várias condições físicas ou trajetórias segmentados. Figura 4 mostra as superfícies de densidade 2D e 3D de trajetórias segmentados. </li><li> Se &#39;Temporal foco&#39; é selecionado para umny das opções acima, temporal 10 de focagem pode ser realizado para examinar os padrões de atividade em períodos de tempo diferentes. Por exemplo, superfícies de densidade de atividade em horários diferentes em um dia pode ser visualizado para facilitar a identificação de pontos quentes ao longo do tempo (Figura 5). </li></ol> 5. Estimativa de volume e densidade Volume Rendering <ol><li> Visualização volumétrica densidade usa a noção de um cubo de espaço-tempo como na visualização de trajetórias. O núcleo de visualização tal é a desagregação do espaço em voxels 11. Nossa abordagem para visualizar o volume primeira densidade estima volume de densidade em voxels individuais através da contagem do número de faixas de espaço-tempo que se cruzam com os voxels. Pode-se clicar em &quot;cálculo de volume Densidade&quot; no menu de visualização densidade de volume para essa etapa. </li><li> As mesmas três opções estão disponíveis para visualização volumétrica densidade como para a visualização da superfície densidade. </li><li> &#39;Volume rendering&#39; clique em Avançar para iniciar a interface de visualização 3D de volume para renderização interativa de volume 12. Ao definir o número de divisões ao longo de cada eixo, pode-se analisar os clusters em diferentes escalas. A z-fator é usado para definir o exagero vertical para melhor visualização. A camada de referência, tais como os edifícios podem ser carregados para ajudar a visualização, bem. Os resultados do processamento de volume pode ser ajustado por meio da manipulação interactivamente a função de transferência, que controla o mapeamento de densidade de cor. (Figura 6). </li></ol> 6. Outros exploratórios Análise de Dados (EDA) e Visualizações <ol><li> Um procedimento está disponível para criar série de animação a ser exibido no Google Earth. Em &quot;outros&quot;, clique em &quot;Exportar para o KML para a EDA&quot; para aceder a este procedimento. Ele cria um arquivo de 13 kml que se abre no Google Earth para animação interativa da trajetória. </li><li> Pode-se seguir a trajetória de travel o ambiente em tempo de deslocamento ao longo da linha do tempo no Google Earth. </li><li> Um procedimento está disponível para visualizar as conexões entre os locais de interesse através de &quot;análise de ligação&quot;. Por exemplo, conexões entre diferentes edifícios em um campus universitário são derivados de dados da trajetória segmentados que foram coletados pelos alunos (Figura 7). </li><li> Com base nas ligações derivadas, tais como hotspots esses edifícios com o maior tráfego de saída ou de entrada e hubs que ligam os lugares mais traficadas podem ser identificados. </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>

Não há conflitos de interesse declarados.

Utilizou-add-in mecanismo de ArcGIS para desenvolver a interface. Todas as operações interactivas foram implementados usando C + +. Todo o processamento automático e funções de análise foram desenvolvidos utilizando Python. AGPS dados ou dados GPS coletados por pedestres apresenta desafio único no pré-processamento como os erros podem ser maciça devido a adjacência para edifícios e freqüentes paradas de interiores. Além disso, o foco de pré-processamento de dados não deve ser de redução como o que é normalmente feito para os dados de GPS de veículos trajectória devido à escassez já evidente de pontos de rastreamento. Os padrões de erro evidente de dados da trajetória de pedestres, no entanto, fornecer a solução única para pré-processamento. Em vez de usar algoritmos de pré-processamento padrão 14, foi desenvolvido o método heurístico (2,3) que imita uma abordagem de detecção manual visuais erro mencionado em 2.2) e limpa erros nos dados de trajetória. Especificamente, ele calcula atributos (velocidade e direcção mudança) para cada ponto de controle em uma trajetória em primeiro lugar. Pontos de trilha com irrealistas altas velocidades e / ou mudanças de direção são removidos. Em seguida, re-calcula atributos (duração e mudança de direção) para cada ponto de pista restante e detecta conjuntos de pontos de trilha com formas pontiagudas (uma série de pontos de trilha com mudanças de direcção bruscas). Finalmente, o centróide de cada cluster spatiotemporal é calculada e a trajectória é reduzida e ajustada para percorrer o centróide. Os algoritmos de segmentação automática de pré-processamento e trajetória foram avaliados usando dados diários tradicionais de atividade. Dez estudantes foram recrutados para transportar cada um AGPS para coletar os dados de trajetória e, ao mesmo tempo foram convidados a gravar ativamente suas paradas e movimentos. Porção de um diário actividade típica é ilustrada na Figura 8. A experiência de três dias gerado 30 trajetórias. Trajetórias pré-processados ​​e segmentada foram comparados comos dados do diário. Os resultados indicaram que: 1) as trajetórias processados ​​capturado maioria das atividades internas; 2) O tempo registrado nos dados de trajetória é mais preciso como tomadores diário, muitas vezes escrever uma estimativa de tempo; 3) os dados da trajetória capturado todos os detalhes de caminhos de passagem, enquanto apenas conexões de linha reta poderia ser obtido a partir de dados do diário e 4) algumas atividades estão em falta a partir dos dados do diário como os participantes muitas vezes saltar registros devido à carga. Mas uma limitação da nossa abordagem é a de que os dados da trajectória segmentadas por vezes mislabel um segmento interior de um edifício errado, especialmente quando duas construções estão ligados uns aos outros, o que é o caso com algumas construções em nossa experiência. Melhoria neste aspecto do algoritmo é necessária. Mapeamento da superfície de densidade é uma ferramenta eficaz para explorar os padrões de atividade, especialmente quando grande quantidade de dados de trajetória está envolvido. Figura 4 mostra que um grande númemero de trajetórias leva à confusão visual aparente se apresentado em sua forma original, enquanto o mapeamento densidade revela padrões interessantes. Uma simples aplicação desta foi realizado utilizando o conjunto de dados coletados em Kean campus da universidade durante a temporada de gripe de 2010. Os estudantes que chamou a gripe e os alunos que não gerou dois conjuntos de trajetórias. Os alunos também foram entrevistados sobre a gravidade dos seus sintomas. Figura 9 ilustra os padrões de atividade densidade de dois grupos de estudantes, um mostrando apenas sintomas leves (Figura 9A) e outro que apresentaram mais notáveis ​​(Figura 9B). Note-se que o espaço que os alunos reais doentes &quot;actividade tende a agrupar em torno de um edifício. Outras investigações podem, assim, ser conduzidos para determinar as causas do agrupamento tal. Esta experiência indica que o método tem o potencial de revelar padrões ocultos em dados de trajectória. O de cimamapas de superfície nsity, no entanto, cai na dimensão temporal. Visualização volumétrica densidade usa a noção de um cubo de espaço-tempo e representa ambas as dimensões espaciais e temporais. Figura 6 indica que a visualização é tão eficaz para lidar com problemas visuais bagunçando. Uma vez feito interactivo, que permite manipular o processamento para realçar diferentes gamas de frequências nos dados para a detecção de padrões. Uma limitação da nossa abordagem actual, no entanto, é que o volume processado não parece ser completamente lisa. Estamos no processo de melhoria do algoritmo de estimação de densidade para lidar com a questão. Uma consideração é a de que a estimativa da densidade Kernel pode melhorar o efeito visual, mas o tempo de computação poderia tornar-se muito mais tempo. Estimativa da densidade seqüencial do kernel 15 poderia ser uma outra opção que gostaríamos de investigar. Além de detectar grupos de atividade (hot spots) no tempo e no espaço, o método introduzimos em 7,2 detecta outro tipo de hot spots que estão relacionados a conexões entre lugares. Mais uma vez com os nossos dados coletados pelos alunos durante uma temporada de gripe, análise de conexão foi realizada para identificar conexões fortes entre prédios do campus com base em todos os dados de trajetória (Figura 7), bem como os estudantes representam apenas que demonstraram sintomas de gripe notáveis ​​(Figura 10). Comparando as duas figuras, vemos que uma conexão (entre um edifício chamado do Centro Universitário e outro chamado o prédio CAS) parece ser uma forte ligação em geral (Figura 7), mas está faltando a partir do conjunto de conexões fortes identificados para alunos doentes (Figura 10). As duas conexões fortes que permanecem no segundo são um entre o Centro Universitário e do Edifício Ciência e outro entre Ciência Building, Salão Hennings e Hall Hutchinson. O conhecimento sobre estes prédios do campus indicates de que o Centro Universitário é a parada mais fortemente traficadas no campus com uma cafetaria e salas de recreação dentro. Que poderia ser um risco potencial de cubo elevado durante a estação de gripe quando os alunos interagem com cada um para um longo período de tempo num espaço cheio. Também se descobriu que as três construções envolvidas na segunda conexão estão todos ligados uns aos outros com vias interiores. Estes edifícios têm salas de aula, onde os alunos podem passar muitas horas dentro de casa tendo aulas sem ter que ir para fora de um edifício. Estes edifícios são também construções relativamente antigos com sistemas de ventilação velhos que poderiam aumentar os riscos de transmissão de doenças respiratórias. O edifício CAS que aparece na ligação na Figura 7, mas não na Figura 10, por outro lado, é um edifício novo e representa por si só em espaços abertos de grandes dimensões. Boa ventilação e do fato de que a atividade dos alunos tem de envolver período de tempo ao ar livre ao tomar elsewher aulase tanto pode levar a riscos mais baixos. Estes, são de especulações curso, mas prova que tal análise, como os outros métodos apresentados neste trabalho pode ser uma ferramenta útil de análise exploratória para revelar padrões escondidos. Este pacote, no entanto, de modo algum inclui todos os métodos possíveis úteis para análises de dados de trajetória. Estamos mantendo nossos esforços em curso para desenvolver e incorporar mais analítica, bem como funções visuais em nosso sistema.

<table border="1"><tbody><tr><td> Nome do reagente </td><td> Companhia </td><td> Número de catálogo </td><td> Comentários (opcional) </td></tr><tr><td> WorldTracker GPRS </td><td> Rastreamento O Mundo </td><td></td><td></td></tr><tr><td> Um computador pessoal para executar a análise </td><td></td><td></td><td></td></tr><tr><td> ArcGIS </td><td> ESRI </td><td></td><td></td></tr><tr><td> Extensão Analyzer trajetória </td><td></td><td></td><td></td></tr></tbody></table>

trajectory data analyses for pedestrian space-time activity study

É bem reconhecido que o movimento humano nas dimensões espaciais e temporais tem influência directa sobre a transmissão da doença 1-3. Uma doença infecciosa normalmente se espalha através do contato entre indivíduos infectados e suscetíveis em seus espaços de atividades sobrepostas. Portanto, a informação da mobilidade actividade diária pode ser usado como um indicador para medir a exposição a factores de risco de infecção. No entanto, uma grande dificuldade e, portanto, a razão para a falta de estudos de transmissão de doenças infecciosas em escala micro surgem da falta de dados detalhados de mobilidade individual. Anteriormente, no transporte e pesquisa de turismo dados detalhados de espaço-tempo de atividade, muitas vezes dependiam da técnica de diário de tempo-espaço, o que requer que os sujeitos ativamente registrar suas atividades no tempo e no espaço. Isso é altamente exigente para os participantes e colaboração dos participantes afeta muito a qualidade dos dados 4. Modernotecnologias como GPS e comunicações móveis, tornaram possível a recolha automática de dados da trajetória. Os dados coletados, no entanto, não é o ideal para a modelagem de humanos no espaço-tempo atividades, limitada pelas precisões de dispositivos existentes. Também não existe qualquer ferramenta prontamente disponível para o processamento eficiente dos dados para o estudo do comportamento humano. Apresentamos aqui um conjunto de métodos e uma interface de desktop integrado ArcGIS visual baseada nas análises de pré-processamento e espaço-temporal de dados da trajetória. Nós fornecemos exemplos de como esse tratamento pode ser usado para modelar humanos espaço-tempo atividades, especialmente com erro ricos em dados da trajetória de pedestres, que poderiam ser úteis em estudos de saúde pública, como a modelagem de doenças infecciosas de transmissão. O procedimento apresentado inclui pré-processamento de segmentação trajetória, caracterização espaço de actividade, da densidade e visualização, e alguns outros métodos de análise exploratória. Pré-processing é a limpeza de dados ruidosos trajectória primas. Apresentamos uma interativo interface pré-processamento visual, bem como um módulo automático. Segmentação trajetória 5 envolve a identificação das partes interna e externa do pré-processados ​​de espaço-tempo faixas. Mais uma vez, a segmentação interativa visual e segmentação automática são suportadas. Segmentados espaço-tempo trilhas são então analisados ​​para obter características de um espaço de actividade, como a atividade de estimativa de densidade raio etc e visualização são usados ​​para examinar grande quantidade de dados de trajetória para modelar pontos quentes e interações. Nós demonstrar tanto o mapeamento da superfície densidade 6 e renderização densidade volume 7. Nós também incluímos um par de outras análises de dados exploratórios (EDA) e visualizações ferramentas, como suporte ao Google Earth e animação análise de conexão. O conjunto de analítica, bem como métodos visuais apresentados neste artigo podem ser aplicadas a todos os dados de trajetória para sritmo tempo de estudos de atividade.

Trajetória dados foram coletados por voluntários estudantes de graduação da Kean University (NJ, EUA), na primavera de 2010. O objetivo foi estudar os padrões de atividade dos alunos que capturados influenza (diagnosticada por médico ou auto-diagnosticada) em comparação com aqueles que não o fizeram. A fim de ilustrar os métodos e procedimentos apresentados neste trabalho que levou as trajetórias recolhidas na zona campus suburbano para gerar resultados representativos. Trajetórias dentro da área do campus são principalmente trajetórias de pedestres, com apenas uma pequena parcela resultante da condução entre os estacionamentos diversos e fora do campus. A representação do cubo do espaço-tempo de trajetórias com referência a prédios do campus universitário é mostrado na Figura 1. Figura 1A são os dados em bruto recolhidos pelo estudante um dia de gravação de sua atividade no campus usando um dispositivo de AGPS (um tracker criança comercial) . É obrior que alguns longa duração das estadias interiores resultou em dados ruidosos (indicado pela parte pontiaguda da pista). Isso é muito comum em dados da trajetória de pedestres. Figura 1B mostra a trajetória pré-processados ​​e segmentada. Figura 1C mostra a trajetória pré-processado e segmentado, com um código de cores segmentos interior e exterior do cubo espaço-tempo. As Figuras 2 a 4 ilustram o mapeamento de densidade de superfície de um conjunto de trajectórias. Figura 2 mostra os pontos de localização primas envolvidas para executar uma opção de &quot;densidade de ponto Track &#39;mapeamento (Figura 2A) e o mapa de densidade resultante (Figura 2B). Em vez de mapear densidades de pontos de rastreamento, Figura 3 mapeia as densidades de caminhos percorridos. Mapeamento de densidade é particularmente útil quando se analisam grande quantidade de trajetórias. Figura 4A mostra um total de 470 trajetóriasFiguras 4B e 4C. Mostrar a densidade em uma superfície 2D (esquerda) e representações 3D (direita) usando re-amostrados pontos dessas trajetórias. Além do visor interactivo da dimensão temporal de um cubo de espaço-tempo, a variável de tempo pode ser processado através de temporais de focagem para examinar os padrões espaciais em períodos de tempo diferentes. Figura 5 mostra exemplos de tal análise utilizando a amostra de conjunto de dados que contém trajectória dados coletados pelos alunos durante a temporada de gripe. É óbvio que as suas actividades são centradas em torno de locais diferentes ao longo do dia para conduzir eventualmente à actividade mapa composto densidade na parte inferior. Um exemplo de processamento de volume densidade é ilustrado na Figura 6. Figura 6A mostra que é difícil de detectar se todos os padrões de faixas de espaço-tempo são visualizadas em espaço-tempo por causa do cubo visual desordens. Figura 6B mostra os resultados correspondentes da densidade de volume de processamento. As quatro figuras representam configurações diferentes da função de transferência do nosso programa de processamento de densidade, assim destacar volumes de densidade em diferentes gamas de frequências. Outra forma de encontrar hotspots é através da análise de ligação. Figura 7 ilustra o resultado de tal análise com o nosso conjunto de dados de amostra. Figura 7A mostra as conexões de linha reta entre todos os prédios do campus. Os edifícios destacados são aqueles com maior volume de tráfego de saída. Figura 7B mostra as mesmas ligações, com as conexões mais traficadas destaque. <img src="/files/ftp_upload/50130/50130fig1.jpg" alt="Figura 1" fo:content-width="3in" fo:src="/files/ftp_upload/50130/50130fig1highres.jpg"/> Figura 1. Pré-processamento e segmentação<html> tação de dados da trajetória A: vista 2D de uma trajetória prima no fundo de prédios do campus, B:. pré-processado trajetória; C:. espaço-tempo representação do cubo da trajetória segmentada <a href="https://www-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/50130/50130fig1large.jpg" target="_blank">Clique aqui para ver maior figura</a> . <img src="/files/ftp_upload/50130/50130fig2.jpg" alt="Figura 2" /> Figura 2. Mapeamento de densidade de superfície A:. Pontos de trilha primas de um conjunto de dados de percurso: B: Superfície de densidade derivada de pontos de trilha. <img src="/files/ftp_upload/50130/50130fig3.jpg" alt="Figura 3"/> Figura 3. Superfície de densidade de caminhos trajetória. 130fig4.jpg &quot;alt =&quot; Figura 4 &quot;fo: conteúdo largura =&quot; 4in &quot;fo: src =&quot; files/ftp_upload/50130/50130fig4highres.jpg / &quot;/&gt; Figura 4. Mapeamento de superfície colorida densidade A: um total de 470 trajetórias; B:. Superfície densidade colorido em 2D; C:. Superfície densidade colorido em 3D <a href="https://www-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/50130/50130fig4large.jpg" target="_blank">Clique aqui para ver maior figura</a> . <img src="/files/ftp_upload/50130/50130fig5.jpg" alt="Figura 5"/> Figura 5. Temporal com foco para o mapeamento de densidade: densidade de atividades estudantis no campus em períodos de tempo diferentes. <img src="/files/ftp_upload/50130/50130fig6.jpg" alt="Figura 6" fo:content-width="4.5in" fo:src="/files/ftp_upload/50130/50130fig6highres.jpg"/> Figura 6. Densidade de volume de processamento e visualizat<html> Um íon: desordens visuais resultantes de trajetórias primas; B:. aglomerados espaço-temporais destacados, visualizando volumes de densidade em diferentes faixas de frequência. <a href="https://www-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/50130/50130fig6large.jpg" target="_blank">Clique aqui para ver maior figura</a> . <img src="/files/ftp_upload/50130/50130fig7.jpg" alt="Figura 7" fo:content-width="4in" fo:src="/files/ftp_upload/50130/50130fig7highres.jpg"/> Figura 7. Os resultados da análise de ligação A: conexões de linha reta entre todos os edifícios em um campus universitário derivados de dados de trajetória, com os edifícios mais destacados traficadas; B:.. Das conexões de maior tráfego entre os edifícios do campus <a href="https://www-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/50130/50130fig7large.jpg" target="_blank">Clique aqui para ver maior figura</a> . &quot;fo: manter-together.within-page =&quot; conteúdo sempre &quot;&gt; <img src="/files/ftp_upload/50130/50130fig8.jpg" alt="Figura 8" fo:content-width="4in" fo:src="/files/ftp_upload/50130/50130fig8highres.jpg"/> Figura 8. Parte de um diário de atividades gravado por um aluno. <img src="/files/ftp_upload/50130/50130fig9.jpg" alt="Figura 9"/> Figura 9. Padrões de atividade de densidade de dois grupos de estudantes A: padrões de atividade densidade de alunos com sintomas de gripe amenas durante uma temporada de gripe, B:. Padrões de atividade densidade de alunos com sintomas de gripe mais notáveis. <img src="/files/ftp_upload/50130/50130fig10.jpg" alt="Figura 10" fo:content-width="4in" fo:src="/files/ftp_upload/50130/50130fig10highres.jpg"/> Figura 10. Os resultados da análise de conexão com base em dados da trajetória de estudantesque tinha sintomas de gripe notáveis ​​durante uma temporada de gripe A: conexões de linha reta entre os edifícios com os edifícios mais destacados traficadas; B:.. as conexões mais traficadas tomadas por estudantes com gripe <a href="https://www-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/50130/50130fig10large.jpg" target="_blank">Clique aqui para ver maior figura</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

Um conjunto de métodos de processamento espaço-temporais são apresentados para analisar os dados trajetória humana, como a coletados através de um dispositivo GPS, com a finalidade de modelagem de pedestres espaço-tempo atividades.

Trajetória Análise de Dados para Estudo de Atividade pedonal espaço-tempo

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 visualizações.  Kean University. Um conjunto de métodos de processamento espaço-temporais são apresentados para analisar os dados trajetória humana, como a coletados através de um dispositivo GPS, com a finalidade de modelagem de pedestres espaço-tempo atividades.

Vídeo: 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.

Teste de sensibilidade visual para a velocidade e direção do movimento em Lagartos

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

Biologia

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.

Gerados por computador Modelo Estímulos animal

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.

Análises bioelétrica de um Sistema de Design Inteligente osseointegrados Implant para Amputados

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.

Isolamento e purificação de Drosophila Neurônios periféricos por classificação Bead Magnética

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

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.

Extração de DNA de material parafinado Embedded para análises genéticas e epigenéticas

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.

Evisceração de Vítreo Mouse e Retina de Análises Proteômica

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 Dispositivo de Recuperação de amostras criopreservadas cair acidentalmente em Tanques de armazenamento criogênico

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 Labeling do Sistema de levedura Endossomal de Análises ultraestruturais

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.

Técnica Swiss-rolamento melhorado para preparo intestinal tecido por imuno-histoquímica e análises de imunofluorescência

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

In Vitro SUMOylation Assay to Study SUMO E3 Ligase Activity

Small ubiquitin-like modifier (SUMO) modification is an important post-translational modification (PTM) that mediates signal transduction primarily through modulating protein-protein interactions. Similar to ubiquitin modification, SUMOylation is directed by a sequential enzyme cascade including E1-activating enzyme (SAE1/SAE2), E2-conjugation enzyme (Ubc9), and E3-ligase (i.e., PIAS family, RanBP2, and Pc2). However, different from ubiquitination, an E3 ligase is non-essential for the reaction but does provide precision and efficacy for SUMO conjugation. Proteins modified by SUMOylation can be identified by in vivo assay via immunoprecipitation with substrate-specific antibodies and immunoblotting with SUMO-specific antibodies. However, the demonstration of protein SUMO E3 ligase activity requires in vitro reconstitution of SUMOylation assays using purified enzymes, substrate, and SUMO proteins. Since in the in vitro reactions, usually SAE1/SAE2 and Ubc9, alone are sufficient for SUMO conjugation, enhancement of SUMOylation by a putative E3 ligase is not always easy to detect. Here, we describe a modified in vitro SUMOylation protocol that consistently identifies SUMO modification using an in vitro reconstituted system. A step-by-step protocol to purify catalytically active K-bZIP, a viral SUMO-2/3 E3 ligase, is also presented. The SUMOylation activities of the purified K-bZIP are shown on p53, a well-known target of SUMO. This protocol can not only be employed for elucidating novel SUMO E3 ligases, but also for revealing their SUMO paralog specificity.

In Vitro SUMOylation Assay to Study SUMO E3 Ligase Activity

Unlike ubiquitin ligases, few E3 SUMO ligases have been identified. This modified in vitro SUMOylation protocol is able to identify novel SUMO E3 ligases by an in vitro reconstitution assay.

In Vitro Ensaio de SUMOylation para estudar a atividade de Ligase E3 sumô

Small ubiquitin-like modifier (SUMO) modification is an important post-translational modification (PTM) that mediates signal transduction primarily ...