Заварзин Е.1*, Таможников С.2, Милахина Н.3, Борисова Н.4, Афанасьева Е.4, Никонов Н.5, Чикачева С.5, Савостьянов А.1, 2, 3
1 Новосибирский государственный университет, ЛБМСПЧ ГИ, Новосибирск, Россия
2 НИИ Физиологии и фундаментальной медицины, Новосибирск, Россия
3 Институт цитологии и генетики СО РАН, Новосибирск, Россия
4 Северо-восточный федеральный университет им. М.К. Аммосова, Якутск, Россия
5 Якутский медицинский колледж, п. Хандыга, Республика Саха, Россия
* e-mail: zavarzinevg@gmail.com
Kлючевые слова: ЭЭГ, BDI, TA, функциональная коннективность, функциональные сети мозга
Мотивация и цели: ЭЭГ является относительно дешевым и мобильным средством изучения функциональной деятельности мозга. ЭЭГ, в частности, можно применять для обнаружения нейрофизиологических маркеров депрессивных расстройств и тревожности. В данном исследовании проведен поиск ассоциаций между ЭЭГ маркеры, отражающими функциональную активность сетей покоя мозга, с психологическими показателями, отражающими риск появления тревожно-депрессивных расстройств у трудовых мигрантов на территории Якутии. Цель: оценить взаимосвязь между состоянием сетей покоя мозга и изменением связанных с депрессией психологических показателей, наблюдавшихся в процессе адаптации к жизни в приполярном регионе.
Методы и алгоритмы: В обследовании приняло участие 50 здоровых мужчин, приехавших на учебу в Якутию из южных регионов, а также 50 здоровых студентов Медицинского колледжа в п.
Хандыга. Каждый мигрант обследовался дважды – сразу же после переезда и через полгода после переезда. Регистрация ЭЭГ проведена в течение 12 минут без функциональной нагрузки. После записи ЭЭГ испытуемые заполняли комплект психологических опросников, включающий опросники на оценку уровня тревожности (тест Спилбергера, личностный профиль Айзенга) и тесты для оценки риска появления депрессии (методики Бека и Ахенбаха). Для анализа коннективности использовалась библиотека SPM, которая по ЭЭГ позволяла реконструировать источники сигнала и создавать маски связности функциональных систем мозга.
Результаты: Показано, что адаптация к якутскому климату сопровождается снижением тревожности у всех испытуемых, что сопровождается снижением мощности в диапазонах дельта и гамма ритма в медиальной коре. Уровень депрессивности у части мигрантов снижался, а у части повышался, что достоверно зависело от таких психологических маркеров как индивидуализм и коллективизм.
Кроме того, на ЭЭГ выявлено снижение степени коннективности дефолт-системы в процессе адаптации, что также коррелировало с показателями тревожности и депрессивности.
Заключение: ЭЭГ маркеры функциональных сетей мозга отражают динамику изменений связанных с депрессией психологических показателей в процессе адаптации мигрантов к приполярному климату.
Сегментация и детекция структурных элементов колоса пшеницы
Заварзин Е.1*, Приходько А.1, Прохошин Н.1, Комышев Е.2, Генаев М.1, 21 Новосибирский государственный университет, Новосибирск, Россия
2 Институт цитологии и генетики СО РАН, Новосибирск, Россия
* e-mail: zavarzinevg@gmail.com
Ключевые слова: пшеница, колос, колоски, ости, феномика, компьютерное зрение, нейронные сети, сегментация, детекция
Мотивация и цель: Колос пшеницы — это сложное соцветие, для которого характерна удлиненная главная ось, на ней расположены сидячие одиночные колоски. Количество и тип посадки колосков определяют архитектонику колоса и влияют на многие показатели, в том числе на урожайность.
Наличие остей — таксономический признак многих видов пшениц. При определении морфометрических признаков методами компьютерного зрения важным этапом является разделение колоса на области тела колоса и его ости. Цель работы: разработать метод компьютерного зрения для автоматической сегментации структурных элементов колоса пшеницы и детектирования отдельных колосков в колосе.
Методы и алгоритмы: Для решения задачи сегментации использовалась сверточная нейронная сеть архитектуры Unet [1] с энкодером resnet18 [2]. Разметка для обучения модели была получена автоматически на основе существующего алгоритма [3]. Для решения задачи детекции колосков обучалась модель, генерирующая бинарные маски колосков на основе обучающей выборки, где центры колосков аппроксимируются эллипсами. На основе этих масок производился поиск контуров колосков, подсчитывалось их количество, вычислялись их центры масс.
Результаты: Точность модели сегментации по метрике IoU составляет 0.90565 для тела колосса и 0.69115 для остей. Точность модели сегментации остей оказалась на 3% выше, чем у модели, представленной в статье [3]. Точность детекции колосков по метрике F1 составляет 0.9647.
Заключение: Для демонстрации работы предложенных моделей был разработан веб-сервис https://spikecv-demo.sysbio.ru. Пользователь может отправить свое изображение колоса или выбрать изображение из примеров. В результате будут предсказаны маски структурных элементов колоса, центры колосков и морфометрические характеристики колоса.
Список литературы
1. Zagoruyko S., Komodakis N. Wide residual networks. arXiv preprint arXiv:1605.07146. 2016.
2. Ronneberger O. et al. U-net: Convolutional networks for biomedical image segmentation. International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015;234-241.
3. Genaev M.A. et al. Morphometry of the Wheat Spike by Analyzing 2D Images. Agronomy. 2019, 9, 390.
MGSGenerator 1.5: инструментарий для реконструкции математических моделей метаболических сетей
Казанцев Ф.В.1*, Лашин С.А.1, 2
1 Курчатовский геномный центр ИЦиГ СО РАН, Новосибирск, Россия
2 Новосибирский государственный университет, Новосибирск, Россия
* e-mail: kazfdr@bionet.nsc.ru
Ключевые слова: математические модели, E.coli, API, генерация модели, метаболические сети
Мотивация и цель: Математическое моделирование широко используется в микробиологических исследованиях в задачах анализа метаболических сетей для оценки выхода целевого продукта или подборе оптимальных условий среды. Оно позволяет проверять тысячи вариантов наборов параметров. При моделировании нас интересует не только факт, но и характер взаимодействий: как они протекают в пространстве и во времени. Один из путей получения составных математических моделей – использование фреймовых моделей/стандартных уравнений для серии метаболических процессов. Однако для построения более точных моделей требуется повторно использовать существующие, уже адаптированные к экспериментальным данным модели подсистем. Мы представляем инструмент для получения полной математической модели по выбранной метаболической сети.
Результаты: Для реконструкции фреймовых моделей метаболических сетей мы доработали инструментарий MGSGenerator [1]. Новая версия – 1.5, позволяет выполнять следующие шаги:
1) декомпозиция поданной на вход сети на подсистемы, для последующей обработки; 2) каждая подсистема сравнивается с набором уже существующих моделей подсистем, собранных из нескольких источников. Основной источник готовых моделей – база данных MAMMOTh [2], в которой содержаться ферментативные реакции E. coli, адаптированные к экспериментальным данным; 3) если подходящей по структуре моделей не было найдено, запускается механизм построения фреймовых моделей, основанный на серии правил; 4) для того чтобы можно было сразу проводить вычислительные эксперименты, алгоритм добавляет в модель процессы притока в систему и вывода из системы веществ; 5) в конечном итоге получается SBML-модель, которая может быть передана в любой инструмент с поддержкой SBML.
Этот инструментарий был протестирован на серии метаболических сетей разных размеров, от одиночного метаболического пути, до метаболических сетей построенных по данным аннотированного генома бактерий.
Благодарности: Работа выполнена за счет финансирования Курчатовского геномного центра Федерального исследовательского центра ИЦиГ СО РАН, соглашение с Министерством образования и науки РФ № 075-15-2019-1662.
Список литературы
1. Казанцев Ф.В., Акбердин И.Р., Безматерных К.Д., Лихошвай В.А. Система автоматизированной генерации математических моделей генных сетей. Вестник ВОГиС. 2009, 13(1), 163-169.
2. Kazantsev F., I. Akberdin, S. Lashin, N. Ree, V. Timonov, A. Ratushnyi, T. Khlebodarova, Likhoshvai V. MAMMOTh:
A new database for curated mathematical models of biomolecular systems. Journal Bioinformatics Computational Biol. 2018, vol. 16(01), pp. 1740010, 2018 https://doi.org/10.1142/S02197200174001.