Statistical evaluation of texture analysis from the biocrystallization method

The consumers are becoming more concerned about food quality, especially regarding how, when and where the foods are produced (Haglund et al., 1999; Kahl et al., 2004; Alföldi, et al., 2006). Therefore, during recent years there has been a growing interest in the methods for food quality assessment, especially in the picture-development methods as a complement to traditional chemical analysis of single compounds (Kahl et al., 2006). The biocrystallization as one of the picture-developing method is based on the crystallographic phenomenon that when crystallizing aqueous solutions of dihydrate CuCl2 with adding of organic solutions, originating, e.g., from crop samples, biocrystallograms are generated with reproducible crystal patterns (Kleber & Steinike-Hartung, 1959). Its output is a crystal pattern on glass plates from which different variables (numbers) can be calculated by using image analysis. However, there is a lack of a standardized evaluation method to quantify the morphological features of the biocrystallogram image. Therefore, the main sakes of this research are (1) to optimize an existing statistical model in order to describe all the effects that contribute to the experiment, (2) to investigate the effect of image parameters on the texture analysis of the biocrystallogram images, i.e., region of interest (ROI), color transformation and histogram matching on samples from the project 020E170/F financed by the Federal Ministry of Food, Agriculture and Consumer Protection(BMELV).The samples are wheat and carrots from controlled field and farm trials, (3) to consider the strongest effect of texture parameter with the visual evaluation criteria that have been developed by a group of researcher (University of Kassel, Germany; Louis Bolk Institute (LBI), Netherlands and Biodynamic Research Association Denmark (BRAD), Denmark) in order to clarify how the relation of the texture parameter and visual characteristics on an image is. The refined statistical model was accomplished by using a lme model with repeated measurements via crossed effects, programmed in R (version 2.1.0). The validity of the F and P values is checked against the SAS program. While getting from the ANOVA the same F values, the P values are bigger in R because of the more conservative approach. The refined model is calculating more significant P values. The optimization of the image analysis is dealing with the following parameters: ROI(Region of Interest which is the area around the geometrical center), color transformation (calculation of the 1 dimensional gray level value out of the three dimensional color information of the scanned picture, which is necessary for the texture analysis), histogram matching (normalization of the histogram of the picture to enhance the contrast and to minimize the errors from lighting conditions). The samples were wheat from DOC trial with 4 field replicates for the years 2003 and 2005, “market samples”(organic and conventional neighbors with the same variety) for 2004 and 2005, carrot where the samples were obtained from the University of Kassel (2 varieties, 2 nitrogen treatments) for the years 2004, 2005, 2006 and “market samples” of carrot for the years 2004 and 2005. The criterion for the optimization was repeatability of the differentiation of the samples over the different harvest(years). For different samples different ROIs were found, which reflect the different pictures. The best color transformation that shows efficiently differentiation is relied on gray scale, i.e., equal color transformation. The second dimension of the color transformation only appeared in some years for the effect of color wavelength(hue) for carrot treated with different nitrate fertilizer levels. The best histogram matching is the Gaussian distribution. The approach was to find a connection between the variables from textural image analysis with the different visual criteria. The relation between the texture parameters and visual evaluation criteria was limited to the carrot samples, especially, as it could be well differentiated by the texture analysis. It was possible to connect groups of variables of the texture analysis with groups of criteria from the visual evaluation. These selected variables were able to differentiate the samples but not able to classify the samples according to the treatment. Contrarily, in case of visual criteria which describe the picture as a whole there is a classification in 80% of the sample cases possible. Herewith, it clearly can find the limits of the single variable approach of the image analysis (texture analysis).

Statistical Analysis of Diabetes Mellitus

Diabetes mellitus is a disease where the glucosis-content of the blood does not automatically decrease to a ”normal” value between 70 mg/dl and 120 mg/dl (3,89 mmol/l and 6,67 mmol/l) between perhaps one hour (or two hours) after eating. Several instruments can be used to arrive at a relative low increase of the glucosis-content. Besides drugs (oral antidiabetica, insulin) the blood-sugar content can mainly be influenced by (i) eating, i.e., consumption of the right amount of food at the right time (ii) physical training (walking, cycling, swimming). In a recent paper the author has performed a regression analysis on the influence of eating during the night. The result was that one ”bread-unit” (12g carbon-hydrats) increases the blood-sugar by about 50 mg/dl, while one hour after eating the blood-sugar decreases by about 10 mg/dl per hour. By applying this result-assuming its correctness - it is easy to eat the right amount during the night and to arrive at a fastening blood-sugar (glucosis-content) in the morning of about 100 mg/dl (5,56 mmol/l). In this paper we try to incorporate some physical exercise into the model.

Parameter identification of structural dynamic models by inverse statistical analysis

Auf dem Gebiet der Strukturdynamik sind computergestützte Modellvalidierungstechniken inzwischen weit verbreitet. Dabei werden experimentelle Modaldaten, um ein numerisches Modell für weitere Analysen zu korrigieren. Gleichwohl repräsentiert das validierte Modell nur das dynamische Verhalten der getesteten Struktur. In der Realität gibt es wiederum viele Faktoren, die zwangsläufig zu variierenden Ergebnissen von Modaltests führen werden: Sich verändernde Umgebungsbedingungen während eines Tests, leicht unterschiedliche Testaufbauten, ein Test an einer nominell gleichen aber anderen Struktur (z.B. aus der Serienfertigung), etc. Damit eine stochastische Simulation durchgeführt werden kann, muss eine Reihe von Annahmen für die verwendeten Zufallsvariablengetroffen werden. Folglich bedarf es einer inversen Methode, die es ermöglicht ein stochastisches Modell aus experimentellen Modaldaten zu identifizieren. Die Arbeit beschreibt die Entwicklung eines parameter-basierten Ansatzes, um stochastische Simulationsmodelle auf dem Gebiet der Strukturdynamik zu identifizieren. Die entwickelte Methode beruht auf Sensitivitäten erster Ordnung, mit denen Parametermittelwerte und Kovarianzen des numerischen Modells aus stochastischen experimentellen Modaldaten bestimmt werden können.

Analysen der beiden cis-regulierenden Sequenzelemente translational control element (TCE) und cytoplasmic polyadenylation element (CPE) in der Drosophila-Spermatogenese

Ein essentieller Bestandteil in dem Mechanismus der Translationskontrolle sind RNA-Pro­tein-Wechselwirkungen. Solche Interaktionen konnten in Translationssystemen an zwei unabhängigen cis-regulierenden Elementen durch in vitro-Bindungsanalysen mit individu­ellen rekombinanten Proteinen dokumentiert werden. Im Fall des translational control elements (TCE), welches ein konserviertes Sequenz-Ele­ment in der Mst(3)CGP-Genfamilie darstellt, wird eine negative Translationskontrolle durch die Bindung der Proteine CG3213, CG12470, CG1898, dFMR1, Exuperantia und Orb2 an diese Sequenz vermittelt (Stinski, 2011). Neben den in Bindungsstudien positiv getesteten Kandidaten dFMR1 und Orb2 (Stinski, 2011) wurde in der vorliegenden Dis­sertation CG3213 als weiterer direkter Bindungspartner an das TCE dokumentiert. Ein Abgleich der genomweiten Zusammenstellung von Proteininteraktionen in der Datenbank InterologFinder lieferte zwei weitere potentielle Kandidaten: CG34404 und CG3727. Al­lerdings schließen Northern-Analysen und das Proteinexpressionsmuster eine zentrale Rolle in der Drosophila-Spermatogenese für diese nahezu aus. In Kolokalisationsstudien einiger TCE-Komplex-Kandidaten mit CG3213 als Referenz konnten eindeutige Überein­stimmungen der Fluoreszenzmuster mit CG12470 in der postmeiotischen Phase be­schrieben werden, wohingegen mit Orb2 (postmeiotisch) und CG1898 (prämeiotisch) nur eine geringe Kolokalisation erkannt wurde. Punktstrukturen in den Verteilungsmustern sowohl von CG3213 als auch von CG12470 ließen sich nicht mit ER- und mitochondrien­spezifischen Markern korrelieren. Im Anschluss der Meiose konnte eine deutliche Intensitätserhöhung des CG3213-Proteins beobachtet werden, was eventuell durch eine veränderte Translationseffizienz zustande kommen könnte. Exuperantia (Exu) stellt einen bekannten Regulator für eine Reihe von translationskontrollierten mRNAs dar (Wang und Hazelrigg, 1994). Die Quantifizierungen der CG3213-mRNA in exu-mutantem Hintergrund bestätigen, dass auch die Transkript­menge der CG3213-mRNA durch Exu reguliert wird, was die obige Interpretation stützen würde. Für das zweite cis-regulierende Element, das cytoplasmic polyadenylation element (CPE), konnte eine direkte Bindung mit dem CPEB-Homolog in Drosophila (Orb2) gezeigt wer­den, welches auch eine Komponente des mst87F-RNP-Komplexes ist. Ein vermuteter Interaktionspartner dieses CPEBs ist Tob, weshalb die Verteilung beider Proteine in einem Kombinationsstamm verglichen wurde. In dem teilweise übereinstimmenden Fluoreszenz­muster ist Tob an den distalen Spermatidenenden auffallend konzentriert. Das gesamte Tob-Muster jedoch legt eine Verteilung in den Mitochondrien nahe, wie die MitoTracker®-Färbung belegt. Somit wurde erstmals ein Mitglied der Tob/BTG-Genfamilie in der Droso­phila-Spermatogenese mit Mitochondrien in Verbindung gebracht. Die Lokalisierung die­ser Proteine ist bislang unklar, jedoch konnte eine Kernlokalisation trotz der N-terminalen NLS-Sequenz mit Hilfe einer Kernfärbung ausgeschlossen werden.