Remorin, a solanaceae protein resident in membrane rafts and plasmodesmata, impairs potato virus X movement.

Remorins (REMs) are proteins of unknown function specific to vascular plants. We have used imaging and biochemical approaches and in situ labeling to demonstrate that REM clusters at plasmodesmata and in approximately 70-nm membrane domains, similar to lipid rafts, in the cytosolic leaflet of the plasma membrane. From a manipulation of REM levels in transgenic tomato (Solanum lycopersicum) plants, we show that Potato virus X (PVX) movement is inversely related to REM accumulation. We show that REM can interact physically with the movement protein TRIPLE GENE BLOCK PROTEIN1 from PVX. Based on the localization of REM and its impact on virus macromolecular trafficking, we discuss the potential for lipid rafts to act as functional components in plasmodesmata and the plasma membrane.

Translating molecular advances in fragile X syndrome into therapy: a review.

Fragile X syndrome is an inherited disease with cognitive, behavioral, and neurologic manifestations, resulting from a single genetic mutation. A variety of treatments that target individual symptoms of fragile X syndrome are currently utilized with limited efficacy. Research in animal models has resulted in the development of potential novel pharmacologic treatments that target the underlying molecular defect in fragile X syndrome, rather than the resultant symptoms. This review describes recent advances in our understanding of the molecular basis of fragile X syndrome and summarizes the ongoing clinical research programs.

Comparaison de la diversité et de la densité morphologiques dans trois types de données

This paper compares the inflectional diversity and density of adjectives and verbs in French CS, CDS, and ADS samples in a social perspective. The aim of the study is to show that the relation between CS, CDS, and ADS is not identical as far as verb and adjective inflection is concerned. We firstly expected verb inflectional morphology to be less diverse and dense in CDS and CS than in ADS. Conversely, we predicted adjective inflectional diversity and density to be higher in CDS and CS. Interestingly the findings do not exactly match the first prediction. The social implications of the study are discussed.

Brachial or wrist blood pressure in obese patients : which is the best ?

RESUME L'obésité et l'hypertension atteignent des niveaux épidémiques aussi bien dans les pays industrialisés que dans ceux en voie de développement. La coexistence de ces deux pathologies est associée à un risque cardiovasculaire augmenté. Traditionnellement on mesure la pression artérielle (PA) au bras au moyen d'un brassard qui détermine la pression systolique et diastolique en utilisant soit la méthode auscultatoire ou oscillométrique. L'utilisation d'un brassard de taille standard chez le patient avec un tour de bras augmenté peut surestimer la pression artérielle. Il semble même qu'il existe un rapport idéal entre le tour de bras, et la taille du brassard La mesure à domicile de la pression artérielle avec des appareils validés donne des valeurs de la PA valables. Plusieurs appareils existent sur le marché et depuis quelques années les appareils de mesure de la PA au poignet font leur apparition sur le marché. Cette étude vise à comparer chez des sujets sains et obèses les valeurs de PA obtenues au poignet avec celles obtenues au bras en utilisant deux appareils validés l'OMRON HEM 705-CP et l'OMRON R6. L'OMRON HEM 705-CP permet l'utilisation soit d'un brassard standard (13x30 cm) ou d'un brassard large (16x38 cm), et l'OMRON R6 mesure la PA au poignet. Nous avons comparé un groupe de sujets obèses [Body Mass Index (BMI) >35kg/m2] avec un groupe de sujets sains (BMI <25kg/m2). Ont été exclues de l'étudé les personnes prenant un traitement antihypertenseur ainsi que celles souffrant d'arythmies. La PA a été mesurée en position assise avec le bras gauche sur une table à hauteur du coeur. Un brassard large a été employé pour les sujets obèses et un brassard standard pour les sujets sains. Trois mesures ont été effectuées, la première après une pause de 5 min et chacune des suivantes avec un intervalle de 2 min. La pression d'inflation maximale a été fixée à 170 mmHg. Nous avons utilisé la formule proposée par Marks LA et al pour déterminer si le rapport entre la taille des brassards fournis avec l'OMRON .HEM 705-CP et le tour de bras de nos sujets était optimal (taille du brassard = 9.34 x log10 taille du bras). Nos résultats ne montrent pas de différence statistiquement significative de la PA diastolique entre les deux groupes, qu'elle soit mesurée au bras ou au poignet. La PA systolique mesurée au bras s'est par contre avérée significativement plus basse chez les sujets obèses que chez les sujets sains. Aucune différence n'a été trouvée lorsque la mesure est effectuée au poignet. En utilisant la formule fournie par Marks le rapport entre taille du brassard (large chez les obèses) et tour de bras a été de 10.30±30 chez les sujets obèses et 9.630.45 chez les sujets sains (p<0.001). Le rapport entre tour de bras et brassard chez les sujets obèses est nettement au-dessus de la valeur optimale, ce qui suggère une possible sous-estimation de la PA systolique chez ces sujets. Ces résultats suggèrent qu'il existe un risque de sous-estimer la PA chez le patient obèse lors de l'utilisation d'un brassard large. Cette erreur pourrait être réduite par l'utilisation d'appareils de mesure au poignet. validés chez le sujet obèse.

Machine learning for geospatial data : algorithms, software tools and case studies

Résumé Cette thèse est consacrée à l'analyse, la modélisation et la visualisation de données environnementales à référence spatiale à l'aide d'algorithmes d'apprentissage automatique (Machine Learning). L'apprentissage automatique peut être considéré au sens large comme une sous-catégorie de l'intelligence artificielle qui concerne particulièrement le développement de techniques et d'algorithmes permettant à une machine d'apprendre à partir de données. Dans cette thèse, les algorithmes d'apprentissage automatique sont adaptés pour être appliqués à des données environnementales et à la prédiction spatiale. Pourquoi l'apprentissage automatique ? Parce que la majorité des algorithmes d'apprentissage automatiques sont universels, adaptatifs, non-linéaires, robustes et efficaces pour la modélisation. Ils peuvent résoudre des problèmes de classification, de régression et de modélisation de densité de probabilités dans des espaces à haute dimension, composés de variables informatives spatialisées (« géo-features ») en plus des coordonnées géographiques. De plus, ils sont idéaux pour être implémentés en tant qu'outils d'aide à la décision pour des questions environnementales allant de la reconnaissance de pattern à la modélisation et la prédiction en passant par la cartographie automatique. Leur efficacité est comparable au modèles géostatistiques dans l'espace des coordonnées géographiques, mais ils sont indispensables pour des données à hautes dimensions incluant des géo-features. Les algorithmes d'apprentissage automatique les plus importants et les plus populaires sont présentés théoriquement et implémentés sous forme de logiciels pour les sciences environnementales. Les principaux algorithmes décrits sont le Perceptron multicouches (MultiLayer Perceptron, MLP) - l'algorithme le plus connu dans l'intelligence artificielle, le réseau de neurones de régression généralisée (General Regression Neural Networks, GRNN), le réseau de neurones probabiliste (Probabilistic Neural Networks, PNN), les cartes auto-organisées (SelfOrganized Maps, SOM), les modèles à mixture Gaussiennes (Gaussian Mixture Models, GMM), les réseaux à fonctions de base radiales (Radial Basis Functions Networks, RBF) et les réseaux à mixture de densité (Mixture Density Networks, MDN). Cette gamme d'algorithmes permet de couvrir des tâches variées telle que la classification, la régression ou l'estimation de densité de probabilité. L'analyse exploratoire des données (Exploratory Data Analysis, EDA) est le premier pas de toute analyse de données. Dans cette thèse les concepts d'analyse exploratoire de données spatiales (Exploratory Spatial Data Analysis, ESDA) sont traités selon l'approche traditionnelle de la géostatistique avec la variographie expérimentale et selon les principes de l'apprentissage automatique. La variographie expérimentale, qui étudie les relations entre pairs de points, est un outil de base pour l'analyse géostatistique de corrélations spatiales anisotropiques qui permet de détecter la présence de patterns spatiaux descriptible par une statistique. L'approche de l'apprentissage automatique pour l'ESDA est présentée à travers l'application de la méthode des k plus proches voisins qui est très simple et possède d'excellentes qualités d'interprétation et de visualisation. Une part importante de la thèse traite de sujets d'actualité comme la cartographie automatique de données spatiales. Le réseau de neurones de régression généralisée est proposé pour résoudre cette tâche efficacement. Les performances du GRNN sont démontrées par des données de Comparaison d'Interpolation Spatiale (SIC) de 2004 pour lesquelles le GRNN bat significativement toutes les autres méthodes, particulièrement lors de situations d'urgence. La thèse est composée de quatre chapitres : théorie, applications, outils logiciels et des exemples guidés. Une partie importante du travail consiste en une collection de logiciels : Machine Learning Office. Cette collection de logiciels a été développée durant les 15 dernières années et a été utilisée pour l'enseignement de nombreux cours, dont des workshops internationaux en Chine, France, Italie, Irlande et Suisse ainsi que dans des projets de recherche fondamentaux et appliqués. Les cas d'études considérés couvrent un vaste spectre de problèmes géoenvironnementaux réels à basse et haute dimensionnalité, tels que la pollution de l'air, du sol et de l'eau par des produits radioactifs et des métaux lourds, la classification de types de sols et d'unités hydrogéologiques, la cartographie des incertitudes pour l'aide à la décision et l'estimation de risques naturels (glissements de terrain, avalanches). Des outils complémentaires pour l'analyse exploratoire des données et la visualisation ont également été développés en prenant soin de créer une interface conviviale et facile à l'utilisation. Machine Learning for geospatial data: algorithms, software tools and case studies Abstract The thesis is devoted to the analysis, modeling and visualisation of spatial environmental data using machine learning algorithms. In a broad sense machine learning can be considered as a subfield of artificial intelligence. It mainly concerns with the development of techniques and algorithms that allow computers to learn from data. In this thesis machine learning algorithms are adapted to learn from spatial environmental data and to make spatial predictions. Why machine learning? In few words most of machine learning algorithms are universal, adaptive, nonlinear, robust and efficient modeling tools. They can find solutions for the classification, regression, and probability density modeling problems in high-dimensional geo-feature spaces, composed of geographical space and additional relevant spatially referenced features. They are well-suited to be implemented as predictive engines in decision support systems, for the purposes of environmental data mining including pattern recognition, modeling and predictions as well as automatic data mapping. They have competitive efficiency to the geostatistical models in low dimensional geographical spaces but are indispensable in high-dimensional geo-feature spaces. The most important and popular machine learning algorithms and models interesting for geo- and environmental sciences are presented in details: from theoretical description of the concepts to the software implementation. The main algorithms and models considered are the following: multi-layer perceptron (a workhorse of machine learning), general regression neural networks, probabilistic neural networks, self-organising (Kohonen) maps, Gaussian mixture models, radial basis functions networks, mixture density networks. This set of models covers machine learning tasks such as classification, regression, and density estimation. Exploratory data analysis (EDA) is initial and very important part of data analysis. In this thesis the concepts of exploratory spatial data analysis (ESDA) is considered using both traditional geostatistical approach such as_experimental variography and machine learning. Experimental variography is a basic tool for geostatistical analysis of anisotropic spatial correlations which helps to understand the presence of spatial patterns, at least described by two-point statistics. A machine learning approach for ESDA is presented by applying the k-nearest neighbors (k-NN) method which is simple and has very good interpretation and visualization properties. Important part of the thesis deals with a hot topic of nowadays, namely, an automatic mapping of geospatial data. General regression neural networks (GRNN) is proposed as efficient model to solve this task. Performance of the GRNN model is demonstrated on Spatial Interpolation Comparison (SIC) 2004 data where GRNN model significantly outperformed all other approaches, especially in case of emergency conditions. The thesis consists of four chapters and has the following structure: theory, applications, software tools, and how-to-do-it examples. An important part of the work is a collection of software tools - Machine Learning Office. Machine Learning Office tools were developed during last 15 years and was used both for many teaching courses, including international workshops in China, France, Italy, Ireland, Switzerland and for realizing fundamental and applied research projects. Case studies considered cover wide spectrum of the real-life low and high-dimensional geo- and environmental problems, such as air, soil and water pollution by radionuclides and heavy metals, soil types and hydro-geological units classification, decision-oriented mapping with uncertainties, natural hazards (landslides, avalanches) assessments and susceptibility mapping. Complementary tools useful for the exploratory data analysis and visualisation were developed as well. The software is user friendly and easy to use.

Study of OSEM with different subsets in grating-based X-ray differential phase-contrast imaging.

Impressive developments in X-ray imaging are associated with X-ray phase contrast computed tomography based on grating interferometry, a technique that provides increased contrast compared with conventional absorption-based imaging. A new "single-step" method capable of separating phase information from other contributions has been recently proposed. This approach not only simplifies data-acquisition procedures, but, compared with the existing phase step approach, significantly reduces the dose delivered to a sample. However, the image reconstruction procedure is more demanding than for traditional methods and new algorithms have to be developed to take advantage of the "single-step" method. In the work discussed in this paper, a fast iterative image reconstruction method named OSEM (ordered subsets expectation maximization) was applied to experimental data to evaluate its performance and range of applicability. The OSEM algorithm with different subsets was also characterized by comparison of reconstruction image quality and convergence speed. Computer simulations and experimental results confirm the reliability of this new algorithm for phase-contrast computed tomography applications. Compared with the traditional filtered back projection algorithm, in particular in the presence of a noisy acquisition, it furnishes better images at a higher spatial resolution and with lower noise. We emphasize that the method is highly compatible with future X-ray phase contrast imaging clinical applications.

Feasibility of direct mapping of cerebral fluorodeoxy-D-glucose metabolism in situ at subcellular resolution using soft X-ray fluorescence.

Glucose metabolism is difficult to image with cellular resolution in mammalian brain tissue, particularly with (18) fluorodeoxy-D-glucose (FDG) positron emission tomography (PET). To this end, we explored the potential of synchrotron-based low-energy X-ray fluorescence (LEXRF) to image the stable isotope of fluorine (F) in phosphorylated FDG (DG-6P) at 1 μm(2) spatial resolution in 3-μm-thick brain slices. The excitation-dependent fluorescence F signal at 676 eV varied linearly with FDG concentration between 0.5 and 10 mM, whereas the endogenous background F signal was undetectable in brain. To validate LEXRF mapping of fluorine, FDG was administered in vitro and in vivo, and the fluorine LEXRF signal from intracellular trapped FDG-6P over selected brain areas rich in radial glia was spectrally quantitated at 1 μm(2) resolution. The subsequent generation of spatial LEXRF maps of F reproduced the expected localization and gradients of glucose metabolism in retinal Müller glia. In addition, FDG uptake was localized to periventricular hypothalamic tanycytes, whose morphological features were imaged simultaneously by X-ray absorption. We conclude that the high specificity of photon emission from F and its spatial mapping at ≤1 μm resolution demonstrates the ability to identify glucose uptake at subcellular resolution and holds remarkable potential for imaging glucose metabolism in biological tissue. © 2012 Wiley Periodicals, Inc.

Cervical nerve root synovial sarcoma in a child with chromosomal (X;18) translocation. Case report and review of the literature.

We report on an 11-year-old female with a history of cervicobrachialgia and progressive weakness of the right arm. Cervical spine MRI showed an enhancing heterogeneous intradural mass occupying the right C6-C7 foramen. She underwent a right C6-C7 foraminotomy with a complete macroscopic removal of the lesion. Pathological examination revealed a synovial sarcoma. Treatment was completed by chemotherapy and proton radiotherapy, and the girl remained free of symptoms for 3 years. After appearance of new symptoms, a local recurrence was confirmed, and despite aggressive treatment with salvage chemotherapy and radiotherapy, the disease progressed beyond medical control, and the child died, 6 years after diagnosis. Early recognition of this rare entity compared to its more benign differential diagnosis is crucial, as an aggressive management is needed.

Body composition by X-ray absorptiometry and bioelectrical impedance in chronic respiratory insufficiency patients.

Nutrition assessment is important during chronic respiratory insufficiency to evaluate the level of malnutrition or obesity and should include body composition measurements. The appreciation of fat-free and fat reserves in patients with chronic respiratory insufficiency can aid in designing an adapted nutritional support, e.g., nutritional support in malnutrition and food restriction in obesity. The purpose of the present study was to cross-validate fat-free and fat mass obtained by various bioelectric impedance (BIA) formulas with the fat-free and fat mass measured by dual-energy X-ray absorptiometry (DXA) and determine the formulas that are best suited to predict the fat-free and fat mass for a group of patients with severe chronic respiratory insufficiency. Seventy-five patients (15 women and 60 men) with chronic obstructive and restrictive respiratory insufficiency aged 45-86 y were included in this study. Body composition was calculated according to 13 different BIA formulas for women and 12 for men and compared with DXA. Because of the variability, calculated as 2 standard deviations, of +/- 5.0 kg fat-free mass for women and +/- 6.4 kg for men for the best predictive formula, the use of the various existing BIA formulas was considered not clinically relevant. Therefore disease-specific formulas for patients with chronic respiratory insufficiency should be developed to improve the prediction of fat-free and fat mass by BIA in these patients.