Refine
Document Type
- Bachelor Thesis (1)
- Master's Thesis (1)
Keywords
- Medizin (2) (remove)
Institute
- Angewandte Computer‐ und Biowissenschaften (2) (remove)
Liegt in menschlichen Zellen eine Mutation im Enzym Isocitrat-Dehydrogenase 1 (IDH1) vor, kommt es zur einer erhöhten Produktion des Metaboliten D-2-Hydroxyglutarat (D2HG), wodurch die Entstehung weiterer Mutationen begünstigt wird. Um das IDH1-Enzym zu inhibieren und damit die D2HG-Konzentration in den Zellen zu verringern, sollten die Wirkstoffe AGI-5198 und FMLW-12 getestet werden. Dabei wurde zum einen die Zelllinie HT1080 mit der IDH1-Mutation R132C und zum anderen die Referenzzelllinien HeLa und 143B, die den Wildtyp aufweisen, verwendet.
Bei der Kultivierung der Zelllinie HT1080 mit AGI-5198 konnte neben einer langsameren Proliferation der Zellen auch eine Verringerung der D2HG-Konzentration beobachtet werden, was zeigt, dass AGI-5198 das mutierte IDH1 inhibiert. Bei HeLa und 143B zeigte sich keine Veränderung der D2HG-Konzentration, allerdings wirkte AGI-5198 in höheren Konzentrationen toxisch auf 143B.
Auch der Wirkstoff FMLW-12 konnte die D2HG-Konzentration in der Zelllinie HT1080 senken, während HeLa und 143B nicht beeinflusst wurden. Jedoch musste das Detergens Digitonin zur Permeabilisierung der Zellmembran eingesetzt werden, da FMLW-12 diese ansonsten nicht passieren konnte.
A relatively new research field of neurosciences, called Connectomics, aims to achieve a full understanding and mapping of neural circuits and fine neuronal structures of the nervous system in a variety of organisms. This detailed information will provide insight in how our brain is influenced by different genetic and psychiatric diseases, how memory traces are stored and ageing influences our brain structure. It is beyond question that new methods for data acquisition will produce large amounts of neuronal image data. This data will exceed the zetabyte range and is impossible to annotate manually for visualization and analysis. Nowadays, machine learning algorithms and specially deep convolutional neuronal networks are heavily used in medical imaging and computer vision, which brings the opportunity of designing fully automated pipelines for image analysis. This work presents a new automated workflow based on three major parts including image processing using consecutive deep convolutional networks, a pixel-grouping step called connected components and 3D visualization via neuroglancer to achieve a dense three dimensional reconstruction of neurons from EM image data.