Bilgi

Hücre görüntülerinin bir veritabanı var mı?

Hücre görüntülerinin bir veritabanı var mı?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Hücrelerin görüntülerini işlemek için Cell Profiler'a benzer, ancak ondan çok daha basit bir algoritma üzerinde çalışıyoruz ve yazılımımızı test etmek için geniş bir hücre görüntüleri veritabanı arıyoruz. Biri bizi doğru yöne işaret edebilir mi? Hücre Görüntü Kitaplığını hemen bulduk, ancak neredeyse boş görünüyor.


IEEE Uluslararası Biyomedikal Görüntüleme Sempozyumu tarafından düzenlenen hücre takibi üzerine yıllık bir yarışma vardır ve ilgili veri setleri ücretsiz olarak mevcuttur.

Örneğin bakınız: http://www.celltrackingchallenge.net/


Aslında kendi soruma cevap verdim. Cell Profiler'ın yaratıcıları, yazılımlarını kıyaslamak için kullandıkları bir biyolojik görüntü veritabanından bahsettiler ve http://www.broadinstitute.org/bbbc/ adresinde mevcut görünüyor.


Genel Kullanım İçin Çizimler

Bu çizimler sözlü sunumlarda ve derslerde genel kullanım için sağlanmıştır. Lütfen çizimleri kullandığınızda beni onaylayın.

Bu çizimler ayrıca basılı olarak veya internette yayınlanmak üzere mevcuttur. Lütfen aşağıdaki gibi bir teşekkür belgesi ekleyin: "Scripps Araştırma Enstitüsü, David S. Goodsell'in çizimi."

Ayın Molekülü aracılığıyla sunulan tüm illüstrasyonlar da herkesin kullanımına açıktır. Yüksek kaliteli versiyonlara buraya tıklayarak ulaşabilirsiniz.

tif formatındaki yüksek çözünürlüklü resimlere gitmek için küçük resimlerin üzerine tıklayınız.

Mikoplazma mikoidesleri

Bu resimde bütün bir mikoplazma hücresi gösterilmektedir. Daha fazla bilgi için resme tıklayın.
&David S. Goodsell 2011'i kopyalayın.

Escherichia koli

Bu çizim, bir Escherichia coli hücresinin küçük bir bölümünün enine kesitini göstermektedir. Transmembran proteinlerle süslenmiş iki eşmerkezli membrana sahip hücre duvarı yeşil renkle gösterilmiştir. Büyük bir kamçı motoru, tüm duvarı geçerek, yüzeyden yukarı doğru uzanan kamçıyı döndürür. Sitoplazmik alan mavi ve mor renklidir. Büyük mor moleküller ribozomlardır ve küçük, L şeklindeki kestane rengi moleküller tRNA'dır ve beyaz iplikler mRNA'dır. Enzimler mavi renkle gösterilmiştir. Nükleoid bölge sarı ve turuncu renkle gösterilmiştir, uzun DNA dairesi sarı renkle gösterilmiştir ve HU proteini (bakteriyel nükleozomlar) etrafına sarılmıştır. Burada gösterilen nükleoid bölgenin merkezinde, yeni DNA'yı kopyalayan DNA polimeraz (kırmızı-turuncu) ile bir replikasyon çatalı bulabilirsiniz.
&David S. Goodsell 1999'u kopyalayın.

Kan

Bu resim, üst yarısında kan serumu ve alt yarısında bir kırmızı kan hücresi ile kanın bir kesitini göstermektedir. Serumda Y-şekilli antikorlar, uzun ince fibrinojen molekülleri (açık kırmızı renkte) ve birçok küçük albümin proteini arayın. Büyük UFO şeklindeki nesneler düşük yoğunluklu lipoproteindir ve altı kollu protein tamamlayıcı C1'dir. Kırmızı kan hücresi, kırmızı renkte hemoglobin ile doldurulur. Mor renkli hücre zarı, bir ucunda küçük bir aktin filament parçasına bağlı uzun spektrin zincirleri tarafından iç yüzeyde desteklenir.
&David S. Goodsell 2000'i kopyalayın.

Kan Serumunda HIV

Bu resim, bağışıklık sistemi tarafından saldırıya uğrayan HIV'i (kırmızı renkli büyük küresel nesne) göstermektedir. Küçük Y-şekilli antikorlar yüzeyine bağlanır.
&David S. Goodsell 1999'u kopyalayın.

Bodrum Membran

Bu resim, vücudunuzdaki dokular arasındaki desteği oluşturan bir yapı olan bazal membranın bir bölümünü göstermektedir. Kollajen (sarı yeşil), laminin (mavi-yeşil çapraz şekilli moleküller) ve proteoglikanlardan (üç kollu, koyu yeşil) oluşur.

Kan serumu

Resimde birçok Y-şekilli antikor, büyük dairesel düşük yoğunluklu lipoproteinler ve çok sayıda küçük albümin molekülü içeren kan serumu gösterilmektedir. Sol alttaki büyük lifli yapı von Willebrand faktörüdür ve kırmızı renkli uzun moleküller fibrinojendir ve her ikisi de kanın pıhtılaşmasında rol oynar. Mavi nesne çocuk felci virüsüdür.

Sitoplazma

Hücre iskeletini oluşturan üç tip filament dahil olmak üzere küçük bir sitoplazma kısmı gösterilmiştir: bir mikrotübül (en büyük), bir ara filament (topuzlu olan) ve iki aktin filamenti (en küçük olanlar). Büyük mavi moleküller, protein sentezleme görevleriyle meşgul olan ribozomlardır. Alt merkezdeki büyük protein bir proteozomdur.

Kas

Aktin filamentleri mavi ve miyozin filamentleri kırmızı ile bir kas sarkomerinin bir kısmı burada gösterilmiştir. Uzun sarı proteinler büyük protein titinidir.

Çekirdek

Bu görüntü, DNA'nın çekirdekte kopyalandığını gösterir. DNA polimeraz, merkezde mor renkle gösterilmiştir, bir DNA zinciri alttan girer ve yukarıya doğru iki iplikçik olarak çıkar. Yeni teller beyaz olarak gösterilir. Kromatin lifleri, çoğaltma çatalının herhangi bir yerinde gösterilir.

Kırmızı kan hücresi

Bu resimde, hücre zarı üstte ve çok sayıda hemoglobin (kırmızı) altta olacak şekilde kırmızı kan hücresinin bir kısmı gösterilmektedir.


Kenar Algılama ve Morfolojiyi Kullanarak Hücreyi Algılama

Bu örnek, kenar algılama ve temel morfoloji kullanılarak bir hücrenin nasıl algılanacağını gösterir. Nesnenin arka plandan yeterli kontrastı varsa, bir görüntüde bir nesne kolayca algılanabilir.

1. Adım: Resmi Oku

Prostat kanseri hücresinin bir görüntüsü olan cell.tif görüntüsünü okuyun. Bu görüntüde iki hücre var, ancak bütünlüğü içinde yalnızca bir hücre görülebiliyor. Amaç, tamamen görünür olan hücreyi tespit etmek veya segmentlere ayırmaktır.

Adım 2: Tüm Hücreyi Algıla

Parçalara ayrılacak nesne, arka plan görüntüsünden büyük ölçüde farklıdır. Kontrasttaki değişiklikler, bir görüntünün gradyanını hesaplayan operatörler tarafından tespit edilebilir. Parçalı hücreyi içeren bir ikili maske oluşturmak için degrade görüntüsünü hesaplayın ve bir eşik uygulayın.

Eşik değerini hesaplamak için kenar ve Sobel operatörünü kullanın. Eşik değerini ayarlayın ve segmentli hücreyi içeren bir ikili maske elde etmek için kenarı tekrar kullanın.

Ortaya çıkan ikili degrade maskesini görüntüleyin.

3. Adım: Görüntüyü Genişletin

İkili degrade maskesi, görüntüde yüksek kontrastlı çizgiler gösterir. Bu çizgiler, ilgilenilen nesnenin ana hatlarını tam olarak tanımlamaz. Orijinal görüntüyle karşılaştırıldığında, degrade maskesinde nesneyi çevreleyen çizgilerde boşluklar var. Sobel görüntüsü doğrusal yapılandırma elemanları kullanılarak genişletilirse, bu doğrusal boşluklar kaybolacaktır. Strel fonksiyonunu kullanarak iki dikey doğrusal yapılandırma elemanı oluşturun.

Dikey yapılandırma öğesini ve ardından yatay yapılandırma öğesini kullanarak ikili degrade maskesini genişletin. İmdilate işlevi görüntüyü genişletir.

Adım 4: İç Boşlukları Doldurun

Genişletilmiş gradyan maskesi, hücrenin ana hatlarını oldukça güzel gösteriyor, ancak hücrenin içinde hala delikler var. Bu delikleri doldurmak için doldurma işlevini kullanın.

Adım 5: Kenardaki Bağlı Nesneleri Kaldırın

İlgilenilen hücre başarıyla bölümlere ayrıldı, ancak bulunan tek nesne bu değil. Resmin sınırına bağlı olan herhangi bir nesne, imclearborder işlevi kullanılarak kaldırılabilir. Çapraz bağlantıları kaldırmak için, imclearborder işlevindeki bağlantıyı 4 olarak ayarlayın.

Adım 6: Nesneyi Pürüzsüzleştirin

Son olarak, parçalanmış nesnenin doğal görünmesini sağlamak için, görüntüyü elmas bir yapılandırma elemanı ile iki kez aşındırarak nesneyi düzleştirin. strel işlevini kullanarak elmas yapılandırma öğesini oluşturun.

7. Adım: Segmentasyonu Görselleştirin

Maskeyi orijinal görüntünün üzerinde görüntülemek için etiket katmanı işlevini kullanabilirsiniz.

Parçalı nesneyi görüntülemenin alternatif bir yöntemi, parçalı hücrenin çevresine bir anahat çizmektir. bwperim işlevini kullanarak bir anahat çizin.


Biyoteknolojinin Mühendislik Temelleri

2.71.3.1.1 Hücre büyümesi

Hücre büyümesi (katı terimlerle üreme büyümesi veya hücre canlılığı), metabolik aktivitenin ve membran bütünlüğünün varlığını ifade eder. Hücre büyümesi, lipit çift tabakasına veya hücre içi proteinlere katılarak zarlara bağlanan iz boyaları ile belirlenebilir. Kovalent olarak etiketlenmiş hücreler, hücre bölünmesinden sonra floresanslarını yarıya indirir, ancak etiketlerin neden olduğu hücre hasarına dair bazı kanıtlar vardır. Karboksifloresein diasetat süksinimidil ester (CFSE) pasif olarak hücrelere difüze olur. Asetat grupları, yüksek oranda floresan karboksifloresein süksinimidil ester verecek şekilde hücre içi esterazlar tarafından parçalanana kadar renksizdir ve floresan değildir. Süksinimidil ester grubu, hücreler tarafından iyi tutulan floresan konjugatları oluşturan hücre içi aminlerle reaksiyona girer [4]. CFSE'nin izleme için uygun olduğu kanıtlanmıştır Lactobacillus plantarum hücre bölünmesi, gecikme süresi belirleme için de bir alternatif sağlar.

Bununla birlikte, çoğu durumda, hücre hasarı, yüksek beslenme gereksinimleri veya düşük hücre büyüme oranlarının bir sonucu olarak görünür biyokütle veya mikrokoloniler elde etmek için uzun inkübasyon periyotlarının gerekliliği nedeniyle hücre büyümesinin kendisi tespit edilemez [9]. Ayrıca, hücreler geçici olarak üreme yeteneklerini kaybedebilir ancak canlı kalabilir veya kültür koşulları hücre büyümesini desteklemek için yetersiz olabilir. Bu nedenle, geleneksel kültür yöntemlerinin başarısı, çoğu zaman büyüme koşullarının uygunluğuna bağlıdır. Bu gibi durumlarda, metabolik aktivitenin değerlendirilmesi, dikkate alınması gereken uygun bir alternatif olabilir.


Soyut

Atıf metrikleri yaygın olarak kullanılır ve yanlış kullanılır. Alıntılar, h-endeksi, ortak yazarlık ayarlı hm-endeksi, farklı yazarlık pozisyonlarındaki makalelere yapılan alıntılar ve birleşik gösterge hakkında standart bilgiler sağlayan 100.000 üst düzey bilim insanından oluşan, halka açık bir veritabanı oluşturduk. Kariyer boyu ve tek yıllık etki için ayrı veriler gösterilir. Kendinden atıflı ve atıfsız metrikler ve atıfların atıf yapılan makalelere oranı verilmiştir. Bilim adamları 22 bilimsel alan ve 176 alt alana ayrılmıştır. En az beş makale yayınlamış tüm bilim adamları için alana ve alt alana özgü yüzdelikler de sağlanır. Kariyer boyu veriler, karşılaştırma için 2017'nin sonuna ve 2018'in sonuna kadar güncellenir.

Alıntı: Ioannidis JPA, Baas J, Klavans R, Boyack KW (2019) Bilimsel alan için açıklamalı standart bir atıf ölçütü yazar veritabanı. PLoS Biol 17(8): e3000384. https://doi.org/10.1371/journal.pbio.3000384

Yayınlanan: 12 Ağustos 2019

Telif hakkı: © 2019 Ioannidis ve ark. Bu, orijinal yazar ve kaynağın belirtilmesi koşuluyla herhangi bir ortamda sınırsız kullanım, dağıtım ve çoğaltmaya izin veren Creative Commons Atıf Lisansı koşulları altında dağıtılan açık erişimli bir makaledir.

Finansman: Stanford'daki Meta-Araştırma İnovasyon Merkezi (METRICS), Laura ve John Arnold Vakfı (JPAI'ye fon sağlayan) tarafından finanse edildi. JPAI'nin çalışmaları aynı zamanda Sue ve Bob O'Donnell'den sınırsız bir hediye ile finanse edilmektedir. Finansörlerin çalışma tasarımı, veri toplama ve analizi, yayınlama kararı veya makalenin hazırlanmasında hiçbir rolü yoktu.

Rekabet eden ilgi alanları: Yazarlar, rekabet eden çıkarların olmadığını beyan etmişlerdir. JPAI, PLoS Biology'nin yayın kurulu üyesidir. Jeroen Baas, bir Elsevier çalışanıdır. Elsevier, bu verilerin kaynağı olan Scopus'u çalıştırır ve ayrıca veritabanının şu anda depolandığı Mendeley Verilerini çalıştırır.

Kaynak: akran tarafından gözden geçirildi, görevlendirilmedi.

Atıf ölçütlerinin kullanımı yaygınlaştı ancak zorluklarla dolu. Bazı zorluklar, alıntıların ve ilgili metriklerin temelde ne anlama geldiği ve bunların bir etki veya mükemmellik ölçüsü olarak nasıl yorumlanabileceği veya yanlış yorumlanabileceği ile ilgilidir [1]. Diğer birçok problem teknik niteliktedir ve çeşitli cephelerde standardizasyon ve doğruluk eksikliğini yansıtır. Birkaç farklı alıntı veri tabanı mevcuttur, birçok ölçüm mevcuttur, kullanıcılar bunları farklı şekillerde araştırır, özgeçmiş belgelerinde kendi bildirdiği veriler genellikle yanlıştır ve profesyonel olarak hesaplanmamıştır, öz alıntıların ele alınması düzensizdir ve farklı alıntılara sahip bilimsel alanlar arasındaki karşılaştırmalar yoğunlukları azdır. Bildiğimiz kadarıyla, her bilimsel alanda en çok atıfta bulunulan bilim insanlarını yeterli bir sıralama derinliğine sistematik olarak sıralayan büyük ölçekli bir veri tabanı yoktur. araştırmacılar bir profil oluşturdu. Clarivate Analytics, her yıl son on yılın en çok alıntı yapılan bilim insanlarının bir listesini sağlar, ancak şema yalnızca 21 alanda kaba bir bilim sınıflandırması kullanır ve en son genişletilmiş liste bile yalnızca yaklaşık 6.000 bilim insanını içerir (https://hcr .clarivate.com/worlds-influential-scientific-minds), yani bilimsel makaleleri birlikte yazan toplam insan sayısının %0,1'inden azı. Ayrıca, kendinden alıntılar bu mevcut sıralamalarda hariç tutulmamaktadır.

Teknik sorunların birçoğunun üstesinden gelmek için bir çözüm sunmaya ve bilimde yeterince çok sayıda atıf alan bilim insanından oluşan kapsamlı bir veri tabanı sağlamaya çalıştık. Burada, altı alıntı ölçüsünü (toplam alıntılar Hirsch h-endeksi ortak yazarlık-ayarlanmış Schreiber hm-endeks sayısı) dikkate alan bileşik bir göstergenin sıralamasına dayalı olarak tüm bilimsel alanlarda en çok alıntı yapılan 100.000 yazarın bir veritabanını derlemek için Scopus verilerini kullandık. tek yazarlı makalelere yapılan atıflar Tek veya ilk yazarlı makalelere yapılan atıf sayısı ve tek, ilk veya son yazarlı makalelere yapılan atıf sayısı) [2].

Bileşik göstergenin arkasındaki metodoloji, güçlü yönleri ve kalıntı uyarıları ile birlikte [2]'de zaten kapsamlı bir şekilde tanımlanmıştır. Veritabanının iki versiyonunu sunuyoruz. Bir versiyon (ek Tablo S1, http://dx.doi.org/10.17632/btchxktzyw.1#file-ad4249ac-f76f-4653-9e42-2dfebe5d9b01) 22 yıllık (1 Ocak 1996'dan itibaren) Scopus alıntı verileri kullanılarak hesaplanır. 31 Aralık 2017'ye kadar 2018'in tam verileri 2019'un sonlarına kadar mevcut olmayacaktır). 1960'dan 1995'e kadar yayınlanan makaleler için, 1996-2017 yıllarında alınan atıflar da hesaplamalara dahil edilir, ancak 1995'e kadar alınan atıflar dahil edilmez. Bu nedenle, bu sürüm uzun vadeli performansın bir ölçüsünü sağlar ve çoğu yaşayan, aktif bilim insanı için bu, kariyerleri boyunca etkilerini de yansıtır veya bunun çok iyi bir tahminidir. Hesaplamaların sağlamlığını ve geçerliliğini değerlendirmek için, bunlar ikinci, bağımsız bir platformda ve biraz farklı bir zaman damgasına sahip bir veri setinde (bir aydan az fark) çoğaltılmıştır. Bileşik gösterge için iki bağımsız hesaplama (r = 0.983) ve ilk 1.000.000 yazar için makale sayısı (r = 0.991) arasındaki korelasyonlar, hesaplamaların doğru ve istikrarlı olduğunu doğrulamaktadır.

Diğer versiyon (ek Tablo S2, http://dx.doi.org/10.17632/btchxktzyw.1#file-b9b8c85e-6914-4b1d-815e-55daefb64f5e), tek bir takvim yılı olan 2017'deki alıntılar için veriler kullanılarak hesaplanır. Son bir yıldaki performansın bir ölçüsünü sağlar. Bu nedenle, yalnızca tek bir yıl boyunca atıf tahakkukuna odaklandığı için, uzun yıllar boyunca aktif çalışmalarda uzun atıf tahakkuklarına sahip bilim insanlarını, daha kısa zaman diliminde atıfları biriktirebilecekleri daha kısa zaman dilimine sahip genç bilim adamlarıyla karşılaştırmada var olabilecek önyargıyı ortadan kaldırır.

Oluşturulan veri tabanı, her bilim insanı için, bileşik göstergenin yanı sıra bileşik hesaplamada kullanılan altı metriğin her birinin değerlerini gösterir ve tüm göstergeler, alıntılı ve alıntısız olarak verilir. Kurumsal üyelik ve ilgili ülke, Mayıs 2018 itibariyle Scopus verilerine göre en son yayınlara dayanılarak çıkarılmıştır. Bu nedenle, bilim adamları birkaç kurumda çalışmış olsalar bile sadece bir üyelik sağlanmaktadır. Bununla birlikte, farklı kurumlardaki tüm çalışmaları, yazar kayıtlarında yer almaktadır.

Aşırı öz alıntılar ve "alıntı çiftlikleri" (birbirlerinin makalelerinden topluca alıntı yapan nispeten küçük yazar kümeleri) alıntı ölçümlerini sahte ve anlamsız hale getirir ve bu tür durumları tanımlamanın yollarını sunuyoruz. Bu makalenin herhangi bir yazarı tarafından bir makaleye yapılan öz atıfları hariç tutan verileri ve ayrı olarak tüm atıfları içeren verileri sağlarız, örneğin bir makalenin 12 yazarı varsa ve 102 atıf almışsa, ancak 24/102 )yazar orijinal makalenin bu 12 yazarından en az biri, sadece 102 − 24 = 78 atıf sayılır. 1996–2017 verileri için en iyi 100.000 yazar arasında, kendilerinden alıntıların medyan yüzdesi %12.7'dir, ancak bilim adamları arasında çok farklılık gösterir (çeyrekler arası aralık, %8.6–17.7, tam aralık %0.0–93.8). 2017 tek yıllık verileri için en iyi 100.000 yazar arasında, öz alıntıların medyan yüzdesi %9,2'dir (çeyrekler arası aralık, %4,8–14,7, tam aralık %0,0–98,6). Kendinden alıntıların çok yüksek oranlarıyla, aşırı kendinden alıntı oranları diğer sahte özellikleri de haber verebileceğinden, herhangi bir alıntı ölçümü kullanmamanızı tavsiye ederiz. Bunların her yazar için vaka bazında incelenmesi gerekir ve sadece kendi alıntılarını kaldırmak yeterli olmayabilir [3]. Gösterge olarak, yalnızca 1996–2017 ve 2017 verileri için en iyi 100.000 yazar arasında, >%40 kendi alıntısına sahip sırasıyla 1.085 ve 1.565 yazar bulunurken, sırasıyla 8.599 ve 8.534 yazarın >%25 kendinden alıntısı vardır.

Ayrıca, atıf yapılan makalelerin sayısı ve atıfların atıf yapılan makalelerin sayısına bölünmesiyle ilgili veriler de sağlıyoruz. Kariyer boyu veri setinde 5.709 yazar ve tek yıllık veri setinde 7.090 yazar oranı 2'nin üzerindedir. Yüksek oranlar bu yazarların daha derinlemesine değerlendirilmesini hak etmektedir. Bazen bu, aynı yazarın az sayıda makalesine birlikte atıf yapılmasının yaygın olduğunu yansıtabilir. Alternatif olarak, sahte "alıntı çiftlikleri" durumlarına işaret edebilirler.

Her bilim insanı için en yaygın bilimsel alanı ve yayınlarının en yaygın iki bilimsel alt alanını her birinin yüzdesi ile birlikte sunuyoruz. Tüm bilim 22 büyük alana bölünmüştür (örneğin, Klinik Tıp, Biyoloji) ve bunlar ayrıca Science-Metrix dergi sınıflandırma sistemine göre 176 alt alana bölünmüştür [4] (http://science-metrix.com/?q =tr/sınıflandırma). Böylece, kullanıcılar bilim insanlarını altı ölçütün veya bileşik göstergenin her birine göre sıralayabilir ve sıralamayı benzer bilimsel alana veya farklı istenen benzerlik seviyeleri için üst alt alana sahip bilim adamlarıyla sınırlayabilir.

Ayrı bir dosyada (Ek Tablo S3, http://dx.doi.org/0.17632/btchxktzyw.1#file-e30a1e62-daf4-49f1-b1ca-484a979f6500) Scopus'ta en az beş eser yayınlamış toplam yazar sayısını listeler. makaleler ve bunu en yaygın yayın alanlarına göre ayırır (yukarıda belirtilen 22 alan ve 176 alt alan için). Toplam 6.880.389 bilim insanı en az beş makale yayınladı. En iyi 100.000 yazarın her biri, çalışmalarının ait olduğu en yaygın alan veya alt alana atanabildiğinden, aynı ana alana atanan yazarlar arasında hangi dergilerde yayınladıklarına göre bir sıralama elde edilebilir, örneğin bir bilim adamı varsayalım. immünoloji alt alanındaki 120.051 bilim insanı arasında belirli bir metrikte 256. sırada yer alıyor. Bu nedenle, bilim adamı, immünolojide bu metriğe göre yazarların ilk %0.21'inde (256/120,051) yer almaktadır.

6.880.389 bilim insanının tümü için Tablo 1, 22 alanın her birine göre toplam atıfların kariyer boyunca 25., 50., 75. ve 90. yüzdelik dilimlerini ve bileşik atıf indeksini göstermektedir. Tablo S3, 176 alt alanın her biri için aynı bilgiyi (95. ve 99. yüzdelik dilimlerle birlikte) sağlar. Böylece, farklı alanların göreceli atıf yoğunluğu görülebilir. Ayrıca, en az beş makale yayınlamış herhangi bir bilim insanı, Scopus'tan aldığı alıntı verilerine dayanarak kendi alanında veya alt alanında bu standart yüzdelik dilimlere göre sıralanabilir.

Toplam alıntılar, öz alıntıları içerir.

Mevcut sıralama sistemleri tipik olarak tek bir alana odaklanır (örneğin, ekonomideki yazarların sıralaması https://ideas.repec.org/top/ tarafından yapılır) ve çoklu ölçümler yerine makale sayıları ve toplam alıntılar kullanır. Kendinden alıntı fenomenini de hesaba katmazlar. Bununla birlikte, veritabanlarımız, bileşik göstergenin arkasındaki metodolojiyi tanımlarken daha önce ayrıntılı olarak tartışılan sınırlamalara sahiptir [2]. Ayrıca, 1996'dan önceki alıntıların analizimizde eksik olduğuna bir kez daha dikkat etmeliyiz. Genel olarak, tüm kariyer ölçümleri genç bilim insanlarını dezavantajlı bir konuma yerleştirir. Tek yıllık ölçümler bu sorunun çoğunu ortadan kaldırıyor, ancak yine de genç bilim insanlarının daha az yayın geçmişi var ve bu nedenle 2017'de muhtemelen daha az makale alıntılanabilir. İlk (en erken) yayın yılını ve son yılını dahil ettik ( daha yeni) her yazarın indekslenmiş yayını.

Bilim adamlarının yayınları, küratörlü profillerin ve bir “yazar profili oluşturma” algoritması tarafından oluşturulan profillerin bir kombinasyonundan oluşan yazar profilleri kullanılarak Scopus veri tabanından çıkarılır [5]. Scopus tarafından 2017 yılında bildirilen kesinlik ve geri çağırma, ortalama %93,5 (yani ortalama %93,5) bir geri çağırma ile %98 hassasiyetti (yani, bir profilde birleştirilen yayınların ortalama %98'i tek ve aynı kişiye aittir). aynı kişinin tüm yayınlarının tek bir profilde birleştirilmesi) değerlendirmede, tüm yayın geçmişinin toplandığı ve Scopus profillerinde bulunanlarla karşılaştırılan >gt6,000 yazarlık bir örneğin manuel olarak değerlendirilmesi kullanılmıştır. Hassasiyet/geri çağırma, Nisan 2019 itibarıyla %99,9 ve %>gt94 ile daha yüksektir ve kullanılan altın set de artık 10.000'den fazla yazar kaydıyla daha büyüktür. Bununla birlikte, birkaç bilim adamı hala çalışmalarını Scopus'ta çok yazarlı kayıtlara ayırıyor, ancak o zaman bile, bir kayıt genellikle aslan payını taşıyor. 1996–2017 bileşik göstergesine göre ilk 1.000.000 kayıt arasından rastgele 500 yazar kaydı örneğini derinlemesine inceledik ve her biri iki kayda bölünmüş 13 yazar bulduk. En çok atıf alan/en üretken yazarların bölünmüş kayıtlara sahip olma şansının daha yüksek olması mümkündür. 1996-2017 yılları için bileşik gösterge açısından ilk 150 arasında, ilk 1.000.000 kayıt arasında iki kaydı olan 20 ve üç kaydı olan üç kişi bulduk. Bununla birlikte, her durumda, en yüksek kayıt atıfların büyük çoğunluğunu ele geçirdi ve 11/23 için ekstra kayıt(lar) ilk 100.000 arasında bile değildi. Aynı ada sahip diğer bazı bilim adamları aynı kayıtta birleştirilmiş olabilir, ancak genel olarak, Scopus'taki belirsizliğin giderilmesi bu konuda önemli ölçüde iyileşmiştir ve bu tür büyük hatalar şu anda çok nadirdir. Bazı Çince ve Korece isimler için hala daha yaygın olabilirler. Uygun olmayan birleştirme, örneğin diyabet ve parçacık fiziği gibi üst alt alanlar bitişik olmadığında da şüphelenilebilir.

h-endeksi gibi bazı alıntı göstergeleri oldukça popülerdir, ancak tüm tek göstergelerin eksiklikleri vardır. Pratik amaçlar için, her biri bir bilim insanının bilimsel etkisinin farklı bir yönünü vurgulayan bir dizi bibliyometrik göstergeye sahip olmak genellikle arzu edilir [6]. Böyle bir yaklaşımı rutin olarak uygulamak için araçlar sunuyoruz. Unutulmamalıdır ki, bileşik göstergenin altı bileşeni ortogonal değildir ancak kendi aralarında korelasyonları vardır. Bazı bibliyometri uzmanları, ilişkili metrikler içeren bileşikleri tercih etmeyebilir ve her birini bağımsız olarak incelemeyi tercih edebilir. Veritabanlarımız da bu yaklaşıma izin vermektedir.

Sağladığımız veri setleri, bilim insanlarının neredeyse iki yüz alanın referans standartlarına yerleştirilmesine de olanak tanıyor. Yine de bazı bilim adamları, farklı alıntı yoğunluklarına sahip olabilecek çok küçük alt alt alanlarda çalışabilirler. Ayrıca, kariyerinin çok erken dönemindeki bilim adamları için, bu araştırmacılar henüz çok fazla yayın yapmamış olabileceğinden ve makalelerinin alıntı toplamak için zamanları olmayacağından, herhangi bir atıf metriğinin kullanımı sınırlı olacaktır.

Bir atıf veri tabanı, düzenli olarak güncellenebildiği zaman en kullanışlıdır. Burada ayrıca yıllık aralıklarla güncellenen verileri de sağlıyoruz. Aynı kesin analizleri, 22 Nisan 2019'da yayınlanan zaman damgalı bir Scopus veri seti kullanarak 2018'in sonuna kadar (2017'nin sonuna kadar) kariyer boyu veriler için tekrarladık. En üst sıradaki 100.000 bilim insanının verileri sağlandı ek Tablo S4'te (http://dx.doi.org/0.17632/btchxktzyw.1#file-bade950e-3343-43e7-896b-fb2069ba3481). Görüldüğü gibi, iki veri seti arasındaki korelasyon son derece yüksektir ve bilim adamlarının büyük çoğunluğu sıralamalarını fazla değiştirmemektedir. Açıklayıcı bir örnek olarak, ek Tablo S5 (http://dx.doi.org/10.17632/btchxktzyw.1#file-5d904ef8-fc87-4dbf-aaa7-ad33db9ac561) bunlardan örneklenen 100 yazardan oluşan rastgele bir örnek için sıralama sağlar. öz atıflar hariç bileşik indeks bazında ilk 100.000'de kim vardı. 100 kişiden 93'ü her iki değerlendirmede de ilk 100.000 arasındaydı. Diğer beş kişi, bir değerlendirmede ilk 100.000'e çok yakındı ve diğer değerlendirmede ilk 100.000'in alt ucundaydı. Mütevazı bir şekilde daha büyük farklılıklara sahip olan diğer ikisi, yüzdelik sıralamasında sırasıyla %1 ve %2'lik değişikliklerle birlikte, tüm yazarlar arasında yüzdelik sıralamaları açısından hala fazla değişmedi. Bu değişikliklerin her ikisi de, yalnızca atıf tahakkuklarından ziyade makalelerin yazar kaydına dahil edildiği düzeltmelerden kaynaklanmaktadır. Bilim adamlarının büyük çoğunluğu için, yüzdelik sıralamanın önemli ölçüde değişmesi uzun yıllar alabilir, bu nedenle derlediğimiz mevcut veritabanları, yeni bir güncellemeye ihtiyaç duyulmadan önce daha geniş topluluk tarafından birkaç yıl boyunca anlamlı bir şekilde kullanılabilir. Tamamen açık, ücretsiz kamu kullanımı için veritabanlarını Mendeley Data'da elektronik tablolar olarak sağlıyoruz. Formüle edilmiş bir web sitesi oluşturmak yerine, elektronik tablolar indirilebilir, aranabilir ve bilim adamları tarafından tercih edilen herhangi bir şekilde analizler için uyarlanabilir. Ayrıca, yüzdelik bilgi, yalnızca ilk 100.000'e değil, herhangi bir bilim insanı için alana özgü bir sıralama yerleştirmek için kullanılabilir.

Standartlaştırılmış, alan açıklamalı verilerin mevcudiyetinin, atıf ölçütlerinin yanlış kullanımında yaygın olan bazı korkunç ham fasulye sayımı hatalarından kaçınarak, ölçülerin daha incelikli bir şekilde kullanılmasına yardımcı olacağını umuyoruz. Atıf ölçütleri, daha sistematik, daha az hataya açık ve daha ilgili, bağlama özgü ve alana göre ayarlanmış bir şekilde kullanılmalı ve ayrıca öz atıfların kaldırılmasına ve alıntı çiftliklerinin tespit edilmesine izin vermelidir.


Yeni Coronavirüs SARS-CoV-2'nin Yeni Görüntüleri Artık Mevcut

Bu taramalı elektron mikroskobu görüntüsü, COVID-19'a neden olan virüs olan 2019-nCoV olarak da bilinen SARS-CoV-2'yi (sarı) ABD'deki bir hastadan izole edilmiş, kültürlenmiş hücrelerin yüzeyinden (mavi/pembe) ortaya çıkarmaktadır. laboratuvarda.

Bu taramalı elektron mikroskobu görüntüsü, COVID-19'a neden olan virüs olan 2019-nCoV olarak da bilinen SARS-CoV-2'yi (sarı) ABD'deki bir hastadan izole edilmiş, kültürlenmiş hücrelerin yüzeyinden (mavi/pembe) çıkan gösterir. laboratuvarda.

NIAID'nin Montana, Hamilton'daki Rocky Mountain Laboratuvarları (RML), 11 Şubat 2020 Salı günü tarama ve transmisyon elektron mikroskoplarında yeni koronavirüsün (SARS-CoV-2, daha önce 2019-nCoV olarak biliniyordu) görüntülerini üretti. SARS- CoV-2, Aralık 2019'da Çin'in Wuhan kentinde vakaların ilk kez tespit edilmesinden bu yana küresel bir halk sağlığı acil durumu haline gelen COVID-19 hastalığına neden oluyor. RML araştırmacısı Emmie de Wit, Ph.D., virüs örneklerini bir parçası olarak sağladı. Çalışmalarından mikroskopist Elizabeth Fischer görüntüleri üretti ve RML görsel tıbbi sanatlar ofisi görüntüleri dijital olarak renklendirdi.

Görüntülerin MERS-CoV'den (2012'de ortaya çıkan Orta Doğu solunum sendromu koronavirüsü) veya orijinal SARS-CoV'den (2002'de ortaya çıkan şiddetli akut solunum sendromu koronavirüsü) çok farklı olmadığını unutmayın. Bu şaşırtıcı değil: Koronavirüslerin yüzeyindeki sivri uçlar bu virüs ailesine adını veriyor - Latince "taç" anlamına gelen korona ve herhangi bir koronavirüsün çoğu taç benzeri bir görünüme sahip olacak.

Bu görüntüler, NIAID Flickr sayfasından ücretsiz olarak yüksek çözünürlüklü olarak indirilmek üzere halka açıktır. NIAID, Flickr resim açıklamasında aksi belirtilmedikçe, resimleri kullanan herkesin NIAID-RML'ye atıfta bulunmasını ister.


Microsoft Excel: Bir hücreye resim nasıl eklenir

S. Excel'de, bir hücreye bir resim eklemek mümkün müdür (yani, hücrenin üzerinde kayan değil)?

C. Evet, bir Excel hücresine aşağıdaki gibi resim ekleyebilirsiniz. Bir görüntüyü Excel'e yapıştırın, ardından görüntüyü yeniden boyutlandırın ve aşağıda gösterildiği gibi bir hücrenin üzerine sürükleyip bırakın. Ardından, resme sağ tıklayın ve açılır menüden Resmi Biçimlendir'i seçin ve ortaya çıkan iletişim kutusunda Boyut ve Amp Özellikleri sekmesini seçin ve Özellikler bölümünün altında Hücrelerle birlikte taşı ve boyutlandır etiketli radyo düğmesini işaretleyin, ardından Tamam'ı tıklayın.


Bundan sonra, diğer satırlar veya hücreler eklendiğinde, silindiğinde veya taşındığında hücrenin konumu değişse bile görüntü o hücrede kalır. Ayrıca, hücrenin genişliği veya yüksekliği ayarlandıkça görüntü büyüyecek veya küçülecektir. Bu çözüm, Excel tabanlı bir organizasyon şemasına çalışan fotoğraflarını eklemek veya çalışma sayfanıza envanter öğelerinin resimlerini eklemek için kullanılabilir. Örnek olarak, aşağıda bir köpek evlat edinme kurumunun evlat edinilebilecek köpeklerin bir listesini nasıl tutabileceğine dair bir çalışma sayfası verilmiştir. Bu çalışma sayfasında, veriler sıralansa veya satırlar taşınsa bile, Champ'ın resmi bitişik bilgileriyle aynı satırda kalacaktı.


Son Haberler:

Sütün sırlarını ortaya çıkarmak

Doktora öğrencisi Sarah Nyquist, anne sütünün hücresel bileşimi gibi üreme sağlığının yeterince çalışılmamış alanlarına hesaplama yöntemlerini uygular.

Sarah Nyquist, biyolojiyle ilk tanışmasını lisede, genom biliminin öncüsü Eric Lander tarafından verilen çevrimiçi bir MIT kursu aldığında aldı. Başlangıçta ne bekleyeceğinden emin değildi, çabucak biyolojinin en sevdiği ders olduğunu keşfetti. Eski bir PCR makinesi ve bazı yemekhane sebzeleriyle başlayarak bulabildiği her şeyi denemeye başladı.

Nyquist, üniversiteye biyoloji bölümü öğrencisi olarak girdi, ancak kısa süre sonra bilgisayar bilimlerindeki derslerin daha uygulamalı tarzına yöneldi.


Çapraz dergi koleksiyonu
Evrim Işığında

MinION: Kısa okumalı barkodlama için taşınabilir bir uzun okuma sıralayıcıyı kötüye kullanarak biyoçeşitlilik araştırmasını demokratikleştirmek

Tüp kurtlarının genomik çalışması, türlerin aşırı derin deniz ortamlarına nasıl uyum sağladığına dair ipuçlarını ortaya koyuyor

Kaynak açısından fakir bölgelerde gerçek zamanlı bitki hastalığı teşhisi çağrısını yanıtlama

Yıllık Dergi Metrikleri

Hız
Yalnızca gözden geçirilmiş yazılar için ilk karara 58 gün kaldı
Tüm yazılar için ilk karara 21 gün kaldı
Gönderimden kabule kadar 134 gün
Kabulden yayına kadar 30 gün

kullanım
1.586.098 İndirme
6.044 Altmetric bahsetme


T hücresinin Tıbbi Tanımı

T hücresi: Bağışıklık sistemi için kilit öneme sahip olan ve adaptif bağışıklığın merkezinde yer alan bir tür beyaz kan hücresi, vücudun bağışıklık tepkisini belirli patojenlere göre şekillendiren sistem. T hücreleri, hedeflenen işgalcileri arayıp yok eden askerler gibidir.

Olgunlaşmamış T hücreleri (T-kök hücreleri olarak adlandırılır) boyundaki timus bezine göç eder, burada olgunlaşır ve çeşitli olgun T hücrelerine farklılaşır ve timozin adı verilen bir hormona ve diğer faktörlere yanıt olarak bağışıklık sisteminde aktif hale gelir. Vücudun kendi dokularına karşı potansiyel olarak aktive olan T hücreleri, bu olgunlaşma süreci sırasında normal olarak öldürülür veya değiştirilir ("aşağı regüle").

Birkaç farklı olgun T hücresi türü vardır. Tüm işlevleri bilinmemektedir. T hücreleri, bağışıklık tepkisini daha da uyaran interlökinler gibi sitokin adı verilen maddeler üretebilir. T-cell activation is measured as a way to assess the health of patients with HIV/AIDS and less frequently in other disorders.

T cell are also known as T lymphocytes. The "T" stands for "thymus" -- the organ in which these cells mature. As opposed to B cells which mature in the bone marrow.


Videoyu izle: Hücreler Hareket Eder Mi? Biyoloji. Hücrenin Yapısı (Ağustos 2022).