Información

¿Existe una base de datos de imágenes de células?

¿Existe una base de datos de imágenes de células?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Estamos trabajando en un algoritmo para procesar imágenes de células, similar pero mucho más básico que Cell Profiler, y estamos buscando una gran base de datos de imágenes de células para probar nuestro software. ¿Alguien puede señalarnos en la dirección correcta? Encontramos la biblioteca de imágenes de células de inmediato, pero parece casi vacía.


Hay un concurso anual sobre rastreo celular organizado por el Simposio Internacional de Imágenes Biomédicas del IEEE, y los conjuntos de datos asociados están disponibles gratuitamente.

Ver por ejemplo: http://www.celltrackingchallenge.net/


De hecho, he respondido a mi propia pregunta. Los creadores de Cell Profiler mencionaron una base de datos de imágenes biológicas que utilizaron para comparar su software, y parece estar disponible en http://www.broadinstitute.org/bbbc/


Ilustraciones para uso público

Estas ilustraciones se proporcionan para uso general en presentaciones y clases orales. Por favor, acépteme cuando utilice las ilustraciones.

Estas ilustraciones también están disponibles para su publicación impresa o en Internet. Incluya un reconocimiento como: "Ilustración de David S. Goodsell, el Instituto de Investigación Scripps".

Todas las ilustraciones presentadas a través de la Molécula del Mes también están disponibles para uso público. Las versiones de alta calidad están disponibles haciendo clic aquí.

Haga clic en las imágenes pequeñas para ir a las imágenes de alta resolución en formato tif.

Mycoplasma mycoides

Esta ilustración muestra una célula de micoplasma completa. Para más información, haga clic en la imagen.
& copiar David S. Goodsell 2011.

Escherichia coli

Esta ilustración muestra una sección transversal de una pequeña porción de una célula de Escherichia coli. La pared celular, con dos membranas concéntricas tachonadas con proteínas transmembrana, se muestra en verde. Un gran motor flagelar atraviesa toda la pared, haciendo girar el flagelo que se extiende hacia arriba desde la superficie. El área citoplasmática es de color azul y violeta. Las moléculas grandes de color púrpura son ribosomas y las moléculas pequeñas de color marrón en forma de L son ARNt, y las hebras blancas son ARNm. Las enzimas se muestran en azul. La región nucleoide se muestra en amarillo y naranja, con el círculo de ADN largo en amarillo, envuelto alrededor de la proteína HU (nucleosomas bacterianos). En el centro de la región nucleoide que se muestra aquí, puede encontrar una bifurcación de replicación, con ADN polimerasa (en rojo-naranja) replicando ADN nuevo.
& copia David S. Goodsell 1999.

Sangre

Esta ilustración muestra una sección transversal de la sangre, con suero sanguíneo en la mitad superior y un glóbulo rojo en la mitad inferior. En el suero, busque anticuerpos en forma de Y, moléculas de fibrinógeno largas y delgadas (en rojo claro) y muchas proteínas pequeñas de albúmina. Los objetos grandes con forma de ovni son lipoproteínas de baja densidad y la proteína de seis brazos es el complemento C1. El glóbulo rojo está lleno de hemoglobina, en rojo. La membrana celular, de color púrpura, está reforzada en la superficie interna por largas cadenas de espectrina conectadas en un extremo a un pequeño segmento de filamento de actina.
& copiar David S. Goodsell 2000.

VIH en suero sanguíneo

Esta ilustración muestra el VIH (el gran objeto esférico en rojo) bajo el ataque del sistema inmunológico. Pequeños anticuerpos en forma de Y se unen a su superficie.
& copia David S. Goodsell 1999.

Membrana basal

Esta ilustración muestra una porción de la membrana basal, una estructura que forma el soporte entre los tejidos de su cuerpo. Está compuesto por una red de colágeno (verde amarillo), laminina (moléculas en forma de cruz azul-verde) y proteoglicanos (verde oscuro, con tres brazos).

Tranfusion de sangre

El suero sanguíneo se muestra en la imagen, con muchos anticuerpos en forma de Y, grandes lipoproteínas circulares de baja densidad y muchas moléculas pequeñas de albúmina. La gran estructura fibrosa en la parte inferior izquierda es el factor von Willebrand y las moléculas largas en rojo son fibrinógeno, las cuales están involucradas en la coagulación de la sangre. El objeto azul es poliovirus.

Citoplasma

Se muestra una pequeña porción de citoplasma, que incluye tres tipos de filamentos que componen el citoesqueleto: un microtúbulo (el más grande), un filamento intermedio (el nudoso) y dos filamentos de actina (los más pequeños). Las grandes moléculas azules son ribosomas, ocupados en su tarea de sintetizar proteínas. La proteína grande en el centro inferior es un proteosoma.

Músculo

Aquí se muestra parte de un sarcómero muscular, con filamentos de actina en azul y filamentos de miosina en rojo. Las proteínas largas y amarillas son la enorme proteína titina.

Núcleo

Esta vista muestra que el ADN se replica en el núcleo. La ADN polimerasa se muestra en el centro en púrpura, con una hebra de ADN que entra desde la parte inferior y sale como dos hebras hacia la parte superior. Las nuevas hebras se muestran en blanco. Las fibras de cromatina se muestran en cualquier sitio de la horquilla de replicación.

Glóbulo rojo

En esta ilustración se muestra una porción de un glóbulo rojo, con la membrana celular en la parte superior y mucha hemoglobina (roja) en la parte inferior.


Detectar células mediante detección de bordes y morfología

Este ejemplo muestra cómo detectar una celda mediante la detección de bordes y la morfología básica. Un objeto se puede detectar fácilmente en una imagen si el objeto tiene suficiente contraste con el fondo.

Paso 1: leer la imagen

Lea la imagen cell.tif, que es una imagen de una célula de cáncer de próstata. En esta imagen hay dos celdas, pero solo se puede ver una celda en su totalidad. El objetivo es detectar, o segmentar, la celda que es completamente visible.

Paso 2: detectar la celda completa

El objeto que se va a segmentar difiere mucho en contraste con la imagen de fondo. Los operadores que calculan el gradiente de una imagen pueden detectar cambios en el contraste. Para crear una máscara binaria que contenga la celda segmentada, calcule la imagen de degradado y aplique un umbral.

Utilice edge y el operador de Sobel para calcular el valor de umbral. Sintonice el valor de umbral y use el borde nuevamente para obtener una máscara binaria que contenga la celda segmentada.

Muestra la máscara de degradado binaria resultante.

Paso 3: dilata la imagen

La máscara de degradado binario muestra líneas de alto contraste en la imagen. Estas líneas no delimitan del todo el contorno del objeto de interés. En comparación con la imagen original, hay espacios en las líneas que rodean al objeto en la máscara de degradado. Estos huecos lineales desaparecerán si la imagen de Sobel se dilata mediante elementos de estructuración lineal. Cree dos elementos de estructuración lineal perpindiculares utilizando la función strel.

Dilate la máscara de degradado binario utilizando el elemento de estructuración vertical seguido del elemento de estructuración horizontal. La función de dilatar dilata la imagen.

Paso 4: Rellene los huecos interiores

La máscara de degradado dilatado muestra el contorno de la celda bastante bien, pero todavía hay agujeros en el interior de la celda. Para llenar estos agujeros, use la función de relleno.

Paso 5: eliminar objetos conectados en el borde

La celda de interés se ha segmentado con éxito, pero no es el único objeto que se ha encontrado. Cualquier objeto que esté conectado al borde de la imagen se puede eliminar usando la función imclearborder. Para eliminar las conexiones diagonales, establezca la conectividad en la función imclearborder en 4.

Paso 6: suavizar el objeto

Finalmente, para que el objeto segmentado parezca natural, alise el objeto erosionando la imagen dos veces con un elemento estructurante de diamante. Cree el elemento estructurante de diamante utilizando la función strel.

Paso 7: Visualice la segmentación

Puede utilizar la función de superposición de etiquetas para mostrar la máscara sobre la imagen original.

Un método alternativo para mostrar el objeto segmentado es dibujar un contorno alrededor de la celda segmentada. Dibuja un contorno usando la función bwperim.


Fundamentos de ingeniería de la biotecnología

2.71.3.1.1 Crecimiento celular

El crecimiento celular (crecimiento reproductivo o viabilidad celular en términos estrictos) implica la presencia de actividad metabólica e integridad de la membrana. El crecimiento celular se puede determinar rastreando colorantes, que se unen a las membranas por incorporación en la bicapa lipídica o proteínas intracelulares. Las células marcadas covalentemente reducen a la mitad su fluorescencia después de la división celular, aunque existen algunas evidencias de daño celular causado por las marcas. El éster succinimidílico de diacetato de carboxifluoresceína (CFSE) se difunde pasivamente en las células. Es incoloro y no fluorescente hasta que los grupos acetato son escindidos por las esterasas intracelulares para producir éster succinimidílico de carboxifluoresceína altamente fluorescente. El grupo éster succinimidílico reacciona con las aminas intracelulares formando conjugados fluorescentes que son bien retenidos por las células [4]. Se demostró que CFSE es adecuado para el seguimiento Lactobacillus plantarum división celular, proporcionando también una alternativa para la determinación del tiempo de retardo.

Sin embargo, en muchos casos, el crecimiento celular en sí no puede detectarse debido al daño celular, los altos requisitos nutricionales o la necesidad de largos períodos de incubación para obtener biomasa visible o microcolonias como resultado de las bajas tasas de crecimiento celular [9]. Además, las células pueden perder temporalmente su capacidad reproductiva pero permanecer vivas, o las condiciones de cultivo pueden ser subóptimas para sustentar el crecimiento celular. Por lo tanto, el éxito de los métodos de cultivo tradicionales está frecuentemente sujeto a la idoneidad de las condiciones de crecimiento. En tales casos, la evaluación de la actividad metabólica puede ser una alternativa adecuada a considerar.


Abstracto

Las métricas de citas se utilizan ampliamente y se utilizan incorrectamente. Hemos creado una base de datos disponible públicamente de 100.000 científicos destacados que proporciona información estandarizada sobre citas, índice h, índice hm ajustado por coautoría, citas de artículos en diferentes posiciones de autoría y un indicador compuesto. Se muestran datos separados para el impacto a lo largo de la carrera y a lo largo de un año. Se proporcionan métricas con y sin autocitas y la proporción de citas a artículos que citan. Los científicos se clasifican en 22 campos científicos y 176 subcampos. También se proporcionan percentiles específicos de campo y subcampo para todos los científicos que hayan publicado al menos cinco artículos. Los datos de toda la carrera se actualizan hasta finales de 2017 y hasta finales de 2018 para su comparación.

Citación: Ioannidis JPA, Baas J, Klavans R, Boyack KW (2019) Una base de datos de autores de métricas de citas estandarizadas anotadas para el campo científico. PLoS Biol 17 (8): e3000384. https://doi.org/10.1371/journal.pbio.3000384

Publicado: 12 de agosto de 2019

Derechos de autor: © 2019 Ioannidis et al. Este es un artículo de acceso abierto distribuido bajo los términos de la Licencia de Atribución Creative Commons, que permite el uso, distribución y reproducción sin restricciones en cualquier medio, siempre que se acredite el autor y la fuente originales.

Fondos: El Centro de Innovación de Meta-Investigación en Stanford (METRICS) ha sido financiado por la Fundación Laura y John Arnold (financiamiento para JPAI). El trabajo de JPAI también está financiado por una donación sin restricciones de Sue y Bob O’Donnell. Los patrocinadores no tuvieron ningún papel en el diseño del estudio, la recopilación y el análisis de datos, la decisión de publicar o la preparación del manuscrito.

Conflicto de intereses: Los autores han declarado que no existen intereses en competencia. JPAI es miembro del consejo editorial de PLoS Biology. Jeroen Baas es un empleado de Elsevier. Elsevier ejecuta Scopus, que es la fuente de estos datos, y también ejecuta Mendeley Data donde ahora se almacena la base de datos.

Procedencia: revisado por pares, no encargado.

El uso de métricas de citas se ha generalizado pero está plagado de dificultades. Algunos desafíos se relacionan con lo que significan fundamentalmente las citas y las métricas relacionadas y cómo se pueden interpretar o malinterpretar como una medida de impacto o excelencia [1]. Muchos otros problemas son de naturaleza técnica y reflejan la falta de estandarización y precisión en varios frentes. Existen varias bases de datos de citas diferentes, hay muchas métricas disponibles, los usuarios las extraen de diferentes maneras, los datos autoinformados en los documentos del curriculum vitae a menudo son inexactos y no se calculan profesionalmente, el manejo de las autocitas es errático y las comparaciones entre campos científicos con diferentes citas las densidades son tenues. Hasta donde sabemos, no existe una base de datos a gran escala que clasifique sistemáticamente a todos los científicos más citados en todos y cada uno de los campos científicos con una profundidad de clasificación suficiente, por ejemplo, Google Scholar permite a los científicos crear sus perfiles y compartirlos en público, pero no todos. los investigadores han creado un perfil. Clarivate Analytics proporciona todos los años una lista de los científicos más citados de la última década, pero el esquema utiliza una clasificación burda de la ciencia en solo 21 campos, e incluso la lista ampliada más reciente incluye solo alrededor de 6,000 científicos (https: // hcr .clarivate.com / mundos-mentes-científicas-influyentes), es decir, menos del 0,1% del número total de personas coautoras de artículos académicos. Además, las autocitas no están excluidas en estos rankings existentes.

Hemos intentado ofrecer una solución para superar muchos de los problemas técnicos y proporcionar una base de datos completa de un número suficientemente grande de los científicos más citados de la ciencia. Aquí, utilizamos los datos de Scopus para compilar una base de datos de los 100.000 autores más citados en todos los campos científicos en función de su clasificación de un indicador compuesto que considera seis métricas de citas (número total de citas Hirsch h-index coautoría ajustado Schreiber hm-index número de citas de artículos como autor único número de citas de artículos como autor único o primer autor y número de citas de artículos como autor único, primer o último autor) [2].

La metodología detrás del indicador compuesto ya se ha descrito ampliamente junto con sus fortalezas y advertencias residuales en [2]. Ofrecemos dos versiones de la base de datos. Una versión (Tabla complementaria S1, http://dx.doi.org/10.17632/btchxktzyw.1#file-ad4249ac-f76f-4653-9e42-2dfebe5d9b01) se calcula utilizando los datos de citas de Scopus durante 22 años (desde el 1 de enero de 1996). hasta el 31 de diciembre de 2017, los datos completos de 2018 no estarán disponibles hasta finales de 2019). Para los artículos publicados desde 1960 hasta 1995, las citas recibidas en 1996–2017 también se incluyen en los cálculos, pero las citas recibidas hasta 1995 no. Por lo tanto, esta versión proporciona una medida del desempeño a largo plazo, y para la mayoría de los científicos activos vivos, esto también refleja el impacto de su carrera o es una muy buena aproximación del mismo. Para evaluar la solidez y validez de los cálculos, se han replicado en una segunda plataforma independiente y un conjunto de datos con una marca de tiempo ligeramente diferente (menos de un mes de diferencia). Las correlaciones entre los dos cálculos independientes para el indicador compuesto (r = 0,983) y el número de artículos (r = 0,991) para los 1.000.000 de autores principales confirman que los cálculos son precisos y estables.

La otra versión (Tabla complementaria S2, http://dx.doi.org/10.17632/btchxktzyw.1#file-b9b8c85e-6914-4b1d-815e-55daefb64f5e) se calcula utilizando datos de citas en un solo año calendario, 2017. Proporciona una medida del desempeño en ese único año reciente. Por lo tanto, elimina el sesgo que puede existir al comparar los científicos con una acumulación prolongada de citas durante muchos años de trabajo activo con los más jóvenes con un período de tiempo más corto durante el cual pueden acumular citas porque se centra en la acumulación de citas solo durante un solo año.

La base de datos construida muestra, para cada científico, los valores para cada una de las seis métricas que se utilizan en el cálculo del compuesto, así como el propio indicador compuesto, y todos los indicadores se dan con y sin autocitas. La afiliación institucional y el país respectivo se infieren con base en las publicaciones más recientes de acuerdo con los datos de Scopus a mayo de 2018. Por lo tanto, solo se proporciona una afiliación a pesar de que los científicos pueden haber trabajado en varias instituciones. Sin embargo, todo su trabajo en diferentes instituciones está capturado en su registro de autor.

Las autocitas extremas y las "granjas de citas" (grupos relativamente pequeños de autores que citan masivamente los artículos de los demás) hacen que las métricas de citas sean espurias y sin sentido, y ofrecemos formas de identificar tales casos. Proporcionamos datos que excluyen las autocitas de un artículo de cualquier autor de ese artículo y, por separado, los datos que incluyen todas las citas, p. Ej., Si un artículo tiene 12 autores y ha recibido 102 citas, pero 24/102 tienen como (co ) autor de al menos uno de estos 12 autores del artículo original, solo se cuentan 102 - 24 = 78 citas. Entre los 100.000 autores principales para los datos de 1996-2017, el porcentaje medio de autocitas es del 12,7%, pero varía mucho entre científicos (rango intercuartílico, 8,6% -17,7%, rango completo 0,0% -93,8%). Entre los 100.000 autores principales para los datos de un año de 2017, el porcentaje medio de autocitas es del 9,2% (rango intercuartílico, 4,8% -14,7%, rango completo 0,0% -98,6%). Con proporciones muy altas de autocitas, desaconsejamos el uso de métricas de citas, ya que las tasas extremas de autocitas pueden presagiar también otras características falsas. Estos deben examinarse caso por caso para cada autor, y es posible que no sea suficiente eliminar las autocitas [3]. De manera indicativa, entre los 100.000 autores principales para los datos de 1996-2017 y 2017, hay 1.085 y 1.565 autores, respectivamente, que tienen & gt40% de autocitas, mientras que 8.599 y 8.534 autores, respectivamente, tienen & gt25% de autocitas.

También proporcionamos datos sobre el número de artículos que citan y sobre la proporción de citas dividida por el número de artículos que citan. 5.709 autores en el conjunto de datos de toda la carrera y 7.090 en el conjunto de datos de un solo año tienen una proporción superior a 2. Las proporciones altas merecen una evaluación más profunda de estos autores. A veces, esto puede reflejar que es común que una pequeña cantidad de artículos del mismo autor sean citados juntos. Alternativamente, pueden señalar situaciones de "granjas de citas" falsas.

Para cada científico, proporcionamos el campo científico más común y los dos subcampos científicos más comunes de sus publicaciones, junto con el porcentaje de cada uno. Toda la ciencia se divide en 22 grandes campos (por ejemplo, Medicina Clínica, Biología), y estos se dividen en 176 subcampos de acuerdo con el sistema de clasificación de revistas Science-Metrix [4] (http://science-metrix.com/?q = en / clasificación). Por lo tanto, los usuarios pueden clasificar a los científicos de acuerdo con cada una de las seis métricas o el indicador compuesto y pueden limitar la clasificación a los científicos con un campo científico similar o un subcampo superior para diferentes niveles de similitud deseada.

Un archivo separado (Tabla complementaria S3, http://dx.doi.org/10.17632/btchxktzyw.1#file-e30a1e62-daf4-49f1-b1ca-484a979f6500) enumera el número total de autores en Scopus que han publicado al menos cinco artículos y desglosa por su área de publicación más común (para los 22 campos y 176 subcampos mencionados anteriormente). Un total de 6.880.389 científicos han publicado al menos cinco artículos. Debido a que cada uno de los 100.000 autores principales puede asignarse al campo o subcampo más común al que pertenece su trabajo, se puede obtener una clasificación entre los autores asignados a la misma área principal en función de las revistas en las que publican, por ejemplo, suponga un científico. ocupa el puesto 256 en alguna métrica particular entre los 120.051 científicos en el subcampo de inmunología. Por lo tanto, el científico se encuentra en el 0,21% superior (256 / 120,051) de los autores según esa métrica en inmunología.

Para los 6,880,389 científicos, la Tabla 1 muestra el percentil 25, 50, 75 y 90 de citas totales y el índice de citas compuesto de acuerdo con cada uno de los 22 campos. La Tabla S3 también proporciona la misma información (junto con los percentiles 95 y 99) para cada uno de los 176 subcampos. Por lo tanto, se puede ver la densidad relativa de citas de diferentes campos. Además, cualquier científico que haya publicado al menos cinco artículos puede clasificarse en función de estos percentiles estándar en su campo o subcampo según los datos de sus citas de Scopus.

El total de citas incluye autocitas.

Los sistemas de clasificación existentes generalmente se enfocan en campos únicos (por ejemplo, la clasificación de autores en economía la realiza https://ideas.repec.org/top/) y utilizan números de artículos y citas totales en lugar de múltiples métricas. Tampoco tienen en cuenta los fenómenos de autocitas. Sin embargo, nuestras bases de datos todavía tienen limitaciones que se han discutido en detalle anteriormente al describir la metodología detrás del indicador compuesto [2]. También debemos advertir nuevamente que en nuestro análisis faltan citas anteriores a 1996. En general, las métricas de toda la carrera colocan a los científicos jóvenes en desventaja. Las métricas de un año eliminan gran parte de este problema, aunque nuevamente, los científicos más jóvenes tienen menos años de historial de publicaciones y, por lo tanto, probablemente menos artículos que puedan citarse en 2017. Hemos incluido el año de la primera (más temprana) publicación y el año de la última ( más reciente) publicación indexada de cada autor.

Las publicaciones de los científicos se extraen de la base de datos de Scopus utilizando los perfiles de autor, que están formados por una combinación de perfiles seleccionados y perfiles generados por un algoritmo de “elaboración de perfiles de autor” [5]. La precisión y recuperación informadas por Scopus en 2017 fue del 98% de precisión (es decir, en promedio, el 98% de las publicaciones fusionadas en un perfil pertenecen a la misma persona) con una recuperación promedio del 93,5% (es decir, en promedio, 93,5% de todas las publicaciones de la misma persona se fusionan en un perfil) la evaluación utilizó una evaluación manual de una muestra de & gt6.000 autores para los que se recopiló el historial de publicaciones completo y se comparó con lo que está disponible en los perfiles de Scopus. La precisión / recuperación es mayor en abril de 2019 con un 99,9% y & gt94%, y el conjunto de oro utilizado también es mayor ahora, con & gt10.000 registros de autor. Sin embargo, algunos científicos todavía tienen su trabajo dividido en varios registros de autor en Scopus; sin embargo, incluso entonces, un registro suele llevar la mayor parte de las citas. Examinamos en profundidad una muestra aleatoria de 500 registros de autores entre los 1.000.000 de registros superiores según el indicador compuesto 1996-2017, y encontramos 13 autores que se habían dividido en dos registros cada uno. Es posible que los autores más citados / más productivos tengan una mayor probabilidad de tener registros divididos. Entre los 150 primeros en términos de indicador compuesto para 1996-2017, encontramos 20 que tenían dos registros y tres que tenían tres registros entre los 1.000.000 de registros superiores. Sin embargo, en todos los casos, el récord más alto capturó la gran mayoría de las citas, y para el 23/11, los registros adicionales ni siquiera estaban entre los 100.000 mejores. Es posible que algunos otros científicos con el mismo nombre se hayan fusionado en el mismo registro, pero en general, la desambiguación en Scopus ha mejorado notablemente en este sentido, y los errores importantes de este tipo son actualmente muy poco comunes. Pueden ser aún más comunes para algunos nombres chinos y coreanos. También se puede sospechar una fusión inapropiada cuando los subcampos superiores no son contiguos, por ejemplo, diabetes y física de partículas.

Algunos indicadores de citas, como el índice h, son muy populares, pero todos los indicadores individuales tienen deficiencias. A efectos prácticos, suele ser deseable tener un conjunto de indicadores bibliométricos, cada uno de los cuales enfatiza un aspecto diferente del impacto científico de un científico [6]. Ofrecemos los medios para practicar de manera rutinaria este enfoque. Es de destacar que los seis componentes del indicador compuesto no son ortogonales pero tienen correlaciones entre sí. Algunos expertos en bibliometría pueden no favorecer los compuestos que incluyen métricas correlacionadas y pueden preferir inspeccionar cada uno de ellos de forma independiente. Nuestras bases de datos también permiten este enfoque.

Los conjuntos de datos que proporcionamos también permiten colocar a los científicos en estándares de referencia de casi doscientos campos. Aún así, algunos científicos pueden trabajar en subcampos muy pequeños que pueden tener diferentes densidades de citas. Además, para los científicos de carrera muy temprana, cualquier métrica de citas tendría un uso limitado, ya que es posible que estos investigadores aún no hayan publicado mucho y sus artículos no tendrían tiempo para acumular citas.

Una base de datos de citas es más útil cuando se puede actualizar periódicamente. También proporcionamos aquí datos que se han actualizado con un intervalo anual. Repetimos exactamente los mismos análisis para los datos de toda la carrera hasta finales de 2018 (a diferencia de finales de 2017) utilizando un conjunto de datos de Scopus con marca de tiempo publicado el 22 de abril de 2019. Se proporcionan los datos sobre los 100.000 científicos mejor clasificados. en la Tabla complementaria S4 (http://dx.doi.org/10.17632/btchxktzyw.1#file-bade950e-3343-43e7-896b-fb2069ba3481). Como se puede ver, la correlación entre los dos conjuntos de datos es extremadamente alta y la gran mayoría de los científicos no cambian mucho su clasificación. Como ejemplo ilustrativo, la Tabla complementaria S5 (http://dx.doi.org/10.17632/btchxktzyw.1#file-5d904ef8-fc87-4dbf-aaa7-ad33db9ac561) proporciona la clasificación para una muestra aleatoria de 100 autores incluidos en la muestra que estaban entre los 100.000 primeros según el índice compuesto excluyendo las autocitas. 93 de los 100 estaban entre los 100.000 primeros en ambas evaluaciones. Otros cinco estuvieron muy cerca de los primeros 100.000 con una evaluación y en el extremo inferior de los primeros 100.000 en la otra evaluación. Otros dos con diferencias modestamente mayores todavía no cambiaron mucho en términos de su ranking percentil entre todos los autores, con cambios del 1% y 2% en el ranking percentil, respectivamente. Ambos cambios se debieron a correcciones en las que los artículos se incluyen en el registro del autor y no simplemente a la acumulación de citas. Para la gran mayoría de los científicos, es probable que la clasificación de percentiles tarde muchos años en cambiar sustancialmente, por lo tanto, las bases de datos actuales que hemos compilado pueden ser utilizadas de manera significativa por la comunidad en general durante varios años antes de que sea necesaria una nueva actualización. Proporcionamos las bases de datos como hojas de cálculo en Mendeley Data para un uso público totalmente abierto y gratuito. En lugar de crear un sitio web basado en fórmulas, las hojas de cálculo se pueden descargar, buscar y adaptar para que los científicos los analicen de la forma que prefieran. Además, la información del percentil podría usarse para colocar una clasificación específica de campo para cualquier científico, no solo para los 100.000 primeros.

Esperamos que la disponibilidad de datos estandarizados y anotados en el campo ayude a lograr un uso más matizado de las métricas, evitando algunos de los errores atroces del conteo de frijoles sin procesar que prevalecen en el mal uso de las métricas de citas. Las métricas de citas deben usarse de una manera más sistemática, menos propensa a errores y más relevante, específica al contexto y ajustada al campo y también permitiendo la eliminación de autocitas y la detección de granjas de citas.


Nuevas imágenes del nuevo coronavirus SARS-CoV-2 ya están disponibles

Esta imagen de microscopio electrónico de barrido muestra SARS-CoV-2 (amarillo), también conocido como 2019-nCoV, el virus que causa COVID-19, aislado de un paciente en los EE. UU., Que emerge de la superficie de las células (azul / rosa) cultivadas en el laboratorio.

Esta imagen de microscopio electrónico de barrido muestra SARS-CoV-2 (amarillo), también conocido como 2019-nCoV, el virus que causa COVID-19, aislado de un paciente en los EE. UU., Que emerge de la superficie de las células (azul / rosa) cultivadas en el laboratorio.

Los Rocky Mountain Laboratories (RML) del NIAID en Hamilton, Montana, produjeron imágenes del nuevo coronavirus (SARS-CoV-2, anteriormente conocido como 2019-nCoV) en sus microscopios electrónicos de barrido y transmisión el martes 11 de febrero de 2020. SARS- CoV-2 causa la enfermedad COVID-19, que se ha convertido en una emergencia de salud pública mundial desde que se detectaron casos por primera vez en Wuhan, China, en diciembre de 2019. La investigadora de RML, Emmie de Wit, Ph.D., proporcionó las muestras del virus como parte Después de sus estudios, la microscopista Elizabeth Fischer produjo las imágenes, y la oficina de artes médicas visuales de RML coloreó digitalmente las imágenes.

Tenga en cuenta que las imágenes no se ven muy diferentes del MERS-CoV (coronavirus del síndrome respiratorio de Oriente Medio, que surgió en 2012) o del SARS-CoV original (coronavirus del síndrome respiratorio agudo severo, que surgió en 2002). Eso no es sorprendente: los picos en la superficie de los coronavirus le dan a esta familia de virus su nombre: corona, que en latín significa "corona", y la mayoría de los coronavirus tendrán una apariencia similar a una corona.

Estas imágenes están disponibles para el público para su descarga gratuita de alta resolución en la página de Flickr del NIAID. NIAID pide a todos los que usan las imágenes que acrediten NIAID-RML a menos que se indique lo contrario en la descripción de la imagen de Flickr.


Microsoft Excel: cómo insertar una imagen en una celda

P. En Excel, ¿es posible insertar una imagen en una celda (es decir, no flotando encima de la celda)?

R. Sí, puede insertar una imagen en una celda de Excel de la siguiente manera. Pegue una imagen en Excel, luego cambie el tamaño de la imagen y arrástrela y suéltela en la parte superior de una celda, como se muestra a continuación. A continuación, haga clic con el botón derecho en la imagen y seleccione Formato de imagen en el menú emergente y, en el cuadro de diálogo resultante, seleccione la pestaña Propiedades de tamaño y amplificación y, en la sección Propiedades, marque el botón de radio etiquetado Mover y tamaño con celdas, luego haga clic en Aceptar .


A partir de entonces, la imagen permanecerá ubicada en esa celda, incluso si la posición de la celda cambia cuando se insertan, eliminan o mueven otras filas o celdas. Además, la imagen crecerá o encogerá a medida que se ajuste el ancho o alto de la celda. Esta solución puede usarse para insertar fotos de empleados en un organigrama basado en Excel o para insertar imágenes de artículos de inventario en su hoja de trabajo. Como ejemplo, a continuación se presenta una hoja de trabajo de cómo una agencia de adopción canina podría mantener una lista de perros disponibles para adopción. En esta hoja de trabajo, la imagen de Champ permanecería en la misma fila que su información adyacente, incluso si los datos están ordenados o las filas se mueven.


Últimas noticias:

Descubriendo los misterios de la leche

La estudiante de doctorado Sarah Nyquist aplica métodos computacionales a áreas poco estudiadas de la salud reproductiva, como la composición celular de la leche materna.

Sarah Nyquist recibió su primera introducción a la biología durante la escuela secundaria, cuando tomó un curso en línea del MIT impartido por el pionero de la genómica Eric Lander. Inicialmente insegura de qué esperar, rápidamente descubrió que la biología era su materia favorita. Comenzó a experimentar con cualquier cosa que pudiera encontrar, comenzando con una vieja máquina de PCR y algunas verduras del comedor.

Nyquist ingresó a la universidad para especializarse en biología, pero pronto se inclinó hacia el estilo más práctico de los cursos de informática.


Colección de revistas cruzadas
A la luz de la evolución

MinION: democratizar la investigación sobre la biodiversidad mediante el uso indebido de un secuenciador portátil de lectura larga para códigos de barras de lectura corta

El estudio genómico de los gusanos tubícolas revela pistas sobre cómo las especies se adaptan a entornos extremos de aguas profundas

Respondiendo al llamado para el diagnóstico de enfermedades de las plantas en tiempo real en regiones con escasos recursos

Métricas de la revista anual

Velocidad
58 días hasta la primera decisión solo para los manuscritos revisados
21 días hasta la primera decisión para todos los manuscritos
134 días desde la presentación hasta la aceptación
30 días desde la aceptación hasta la publicación

Uso
1.586.098 Descargas
6.044 menciones Altmetric


Definición médica de la célula T

Célula T: Un tipo de glóbulo blanco que es de importancia clave para el sistema inmunológico y es el núcleo de la inmunidad adaptativa, el sistema que adapta la respuesta inmunitaria del cuerpo a patógenos específicos. Las células T son como soldados que buscan y destruyen a los invasores objetivo.

Las células T inmaduras (denominadas células madre T) migran a la glándula del timo en el cuello, donde maduran y se diferencian en varios tipos de células T maduras y se activan en el sistema inmunológico en respuesta a una hormona llamada timosina y otros factores. Las células T que se activan potencialmente contra los propios tejidos del cuerpo normalmente mueren o se modifican ("reguladas negativamente") durante este proceso de maduración.

Hay varios tipos diferentes de células T maduras. No se conocen todas sus funciones. Las células T pueden producir sustancias llamadas citocinas, como las interleucinas, que estimulan aún más la respuesta inmunitaria. T-cell activation is measured as a way to assess the health of patients with HIV/AIDS and less frequently in other disorders.

T cell are also known as T lymphocytes. The "T" stands for "thymus" -- the organ in which these cells mature. As opposed to B cells which mature in the bone marrow.