Synthetic generation of amyloid PET images by non-linear dimensionality reduction inversion

Privacy issues and data scarcity in PET field call for efficient methods to expand datasets via synthetic generation of new data that cannot be traced back to real patients and that are also realistic. In this thesis, machine learning techniques were applied to 1001 amyloid-beta PET images, which had undergone a diagnosis of Alzheimer’s disease: the evaluations were 540 positive, 457 negative and 4 unknown. Isomap algorithm was used as a manifold learning method to reduce the dimensions of the PET dataset; a numerical scale-free interpolation method was applied to invert the dimensionality reduction map. The interpolant was tested on the PET images via LOOCV, where the removed images were compared with the reconstructed ones with the mean SSIM index (MSSIM = 0.76 ± 0.06). The effectiveness of this measure is questioned, since it indicated slightly higher performance for a method of comparison using PCA (MSSIM = 0.79 ± 0.06), which gave clearly poor quality reconstructed images with respect to those recovered by the numerical inverse mapping. Ten synthetic PET images were generated and, after having been mixed with ten originals, were sent to a team of clinicians for the visual assessment of their realism; no significant agreements were found either between clinicians and the true image labels or among the clinicians, meaning that original and synthetic images were indistinguishable. The future perspective of this thesis points to the improvement of the amyloid-beta PET research field by increasing available data, overcoming the constraints of data acquisition and privacy issues. Potential improvements can be achieved via refinements of the manifold learning and the inverse mapping stages during the PET image analysis, by exploring different combinations in the choice of algorithm parameters and by applying other non-linear dimensionality reduction algorithms. A final prospect of this work is the search for new methods to assess image reconstruction quality.

Genetic and process engineering approaches for improving lipid productivity in the non-conventional oleaginous yeast Cutaneotrichosporon oleaginosus

Gli oli microbici stanno ricevendo sempre più attenzioni come possibile alternativa agli oli vegetali, nel processo di sostituzione dei combustibili fossili. Tuttavia, diversi aspetti necessitano di essere ottimizzati al fine di ottenere oli economicamente competitivi e con caratteristiche chimico-fisiche desiderate. In questa ricerca, sono stati utilizzati due differenti approcci per poter realizzare l’obiettivo preposto. Il primo, si è basato sull’ingegnerizzazione genetica del lievito C. oleaginous, al fine di incrementare la produttività di lipidi e modificare la composizione dei trigliceridi (TAG) sintetizzati. Un protocollo basato su una trasformazione genetica mediata da Agrobacterium è stato utilizzato per sovraesprimere la diacilglicerol trasnferasi (DGA1), l’enzima responsabile dell’ultimo step della sintesi dei TAG, e la Δ9-desaturasi, l’enzima che catalizza la conversione dell’acido stearico (C18:0) in acido oleico (C18:1). La selezione di colonie positive e l’analisi dei mutanti ottenuti ha confermato la buona riuscita della trasformazione. Il secondo approccio ha mirato a studiare l’influenza sulla crescita e sul profilo di lipidi accumulati da C. oleaginous da parte di diversi acidi grassi volatili (VFAs), una materia prima ottenibile da trattamenti di scarti industriali. A questo proposito, sono state utilizzate fermentazioni fed-batch su scala da 1-L basate su glucosio e miscele sintetiche di acido acetico e di VFAs come fonte di carbonio. L’utilizzo simultaneo di acido acetico e acidi secondari ha mostrato come sia possibile stimolare il metabolismo microbico al fine di incrementare l'accumulo di oli e ottenere una composizione chimica lipidica desiderata.