Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: neural stem cells

Sortuj według:

Ogranicz wyniki do:

Czy potrzebny jest nowy model neuropoezy?

100%

Rieske P.

Aktualności Neurologiczne

2006

tom 6

nr 3

164-168

Models of neuropoiesis make it possible to determine at what stage of differentiation are neuronal cells. These models reflect our current knowledge about neuropoiesis, but they have also practical significance. In vitro determination whether neuronal stem cells differentiate to neuronal, astrocytic or oligodendrocytic progenitors is of utmost importance for cellular transplantologists. It seems that the use of progenitor cells and not fully differentiated cells or stem cells provides transplantologists with the greatest chance for therapeutic success: stem cells may choose a differentiation pathway other than planned by transplantologist, while mature cell, e.g. neurons, are quite sensitive to environmental changes. Determination of the progenitor type currently requires screening of expression of markers recognized as specific for particular cell type. Studies conducted for several years indicate that in the case of many markers this strategy is not appropriate. For example, the GFAP protein considered until recently a specific marker of astrocytes is also expressed in some neuronal stem cells. This discovery has led to a considerable chaos in the way cells are being defined. Furthermore, results of studies of the team where the author of this publication belongs indicate that stem cells may show coexpression of glial and neuronal markers. For the neuropoiesis model constructed upon this kind of data, a name “model of suppression of discordant phenotypes'’ has been proposed.

Modele neuropoezy pozwalają określać, na jakim etapie różnicowania znajdują się komórki neuralne. Modele te oddają stan naszej wiedzy o neuropoezie, niemniej mają również znaczenie praktyczne. Stwierdzenie w warunkach in vitro, czy neuralne komórki macierzyste różnicują się do progenitorów neuronalnych, astrocytarnych czy oligodendrocytarnych, jest bardzo ważne dla transplantologów komórkowych. Wydaje się bowiem, że stosowanie właśnie progenitorów, a nie komórek w pełni zróżnicowanych czy komórek macierzystych, daje transplantologom największe szanse na sukces terapeutyczny – komórki macierzyste mogą wybrać szlak różnicowania inny niż planowany przez transplantologa, natomiast komórki dojrzałe, takie jak np. neurony, nie są odporne na zmiany środowiska. Ustalenie, z jakim progenitorem mamy do czynienia, wymaga obecnie określenia ekspresji markerów uznawanych za specyficzne dla danych komórek. Badania prowadzone od kilku lat pokazują jednak, iż w przypadku wielu markerów taka strategia nie jest właściwa. Dla przykładu, białko GFAP uznawane do niedawna za marker astrocytów ulega ekspresji także w niektórych nerwowych komórkach macierzystych. Odkrycie to prowadzi do poważnego zamętu w sposobie definiowania komórek. Ponadto wyniki badań zespołu, do którego należy autor niniejszej publikacji, wskazują, że komórki macierzyste mogą wykazywać koekspresję markerów komórek glejowych i neuronalnych. Dla modelu neuropoezy skonstruowanego w oparciu o tego typu wyniki zaproponowano nazwę: „model supresji niespójnych fenotypów”.

Automatic tracking of neural stem cells in sequential digital images

100%

Zhang T. , Jia W. , Zhu Y. , Yang J.

tom Vol. 36, no. 1

66--75

Neural stem cells are the cells that give rise to the main cell types of the nervous system. Due to their varying size and shape, and random movement, the tracking of these cells in suspension in video sequences is challenging. This paper develops an automatic tracking system for neural stem cells. The system first detects and localizes cells in the image sequence, followed by a feature extraction step for the subsequent cell tracking. Then, the system tracks inactive cells using an improved mean shift algorithm, divisive cells through a context-based technique, and active cells by means of dynamic local prediction (DLP) and gray prediction (GP) algorithms. Experimental results show that the proposed system not only improves the accuracy of fast moving tracking, but also constructs accurately the trajectories of the cell movement and reduces the iterations during the center searching.