Title: Non-linear mapping of Drosophila populations based on neuronal structure
Language: English
Authors: Ganglberger, Florian
Qualification level: Diploma
Keywords: Abbildung; Neuronale Struktur; Drosohphila; Diffusion maps; Genetischer Algorithmus; Similaritätsmaß
Mapping; neuronal structure; Drosophila; Diffusion maps; genetic algorithm; similarity measure
Advisor: Sablatnig, Robert 
Issue Date: 2012
Number of Pages: 94
Qualification level: Diploma
Abstract: 
Das Verhalten von Fruchtfliegen (Drosophila) und dessen Abhängigkeit von Genen ist Gegenstand aktueller Forschung. Änderungen im Erbgut führen zu unterschiedlichen neuronalen Strukturen, die wiederum das Verhalten der Fliegen determinieren. Werden nun ähnliche Neuronen von verschiedenen Genalterationen gebildet, können Rückschlüsse zwischen Verhalten und Erbgut gezogen werden.
Mithilfe automatischer Identifikation von ähnlichen Neuronen in unterschiedlichen Gehirnen können Biologen eine große Anzahl von Gehirnen analysieren, ohne diese einzeln betrachten zu müssen.
Im Rahmen der Diplomarbeit wurde ein Ähnlichkeitsmaß entwickelt, welches es erlaubt segmentierte, neuronale Strukturen von 3D-Konfokalmikroskop Aufnahmen zu vergleichen. Damit ist es möglich, in Fliegenpopulationen nach ähnlichen Neuronen zu suchen, und somit Abfragen nach bestimmt Neuronen zu starten. Des Weiteren kann das Ähnlichkeitsmaß dazu verwendet werden, um mittels Diffusion Maps (eine Methode zur nicht-linearen Dimensionreduktion) Mappings von Fliegengehirnen zu erstellen, die die Relation der Fliegengehirne für Subregionen wiedergeben. Eine weitere Anwendung ist die Identifikation von ähnlichen Gehirnregionen von Fliegen mit unterschiedlichen Genalterationen.
Dafür wird ein multi-modaler genetischer Algorithmus verwendet, der Regionen findet, die die Ähnlichkeit zwischen Fliegen maximieren. Als Resultat dieser Diplomarbeit wurden Methoden entwickelt, die nicht-lineare Mappings dazu verwenden, lokale Bereiche von Fliegengehirnen zu vergleichen. Die generierten Mappings stellen Gruppen von Fliegen dar, die die selbe Struktur in den gleichen Gehirnregion aufweisen. Andererseits ist es auch möglich Regionen von Fliegengehirnen zu bestimmen, die eine ähnliche Struktur für unterschiedliche genetische Variationen aufweisen. Schlussendlich ermöglichen die vorgestellten Methoden nach Gen-abhängigen Strukturen in Fliegenpopulationen zu suchen, welches eine schnelle Alternative zur manuellen Datenanalyse darstellt.

The behavior of drosophila can be linked to the activity of a set of neurons. These neurons express different genes whereby their manipulation and effects on neurons are subjects of current research.
The automatic identification of similar neurons in different brains give biologists an opportunity to analyze a set of brain volumes without manual annotation. In this thesis, a similarity measure was developed to compare small, segmented neuronal structures. This measure can be used to build mappings of fly brains, based on the similarity in sub-regions. The mapping is performed by a non-linear dimension reduction method called Diffusionmaps. Fly brain images have varying quality regarding noise and location stability, so this method is well suited for use due to its robustness. The resulting mapping can be applied to provide biologists with an overview of the data and visualize differences and similarities between mutations. Additionally, a method for identifying similar regions of brains with different mutations is introduced. For this, a multi-modal genetic algorithm is applied to find brain areas which maximize the similarity measure between flies. In conclusion, the methods perform non-linear mapping of fly brain regions, based on similarity measures, which compare local appearance in confocal microscopy images. The maps reflect groups of flies that exhibit similar structure in local brain areas. On the other hand, also regions in fly brains can be detected that have structures regarding to specific genetic variations. In addition, the similarity measure can be used for image retrieval.
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-60481
http://hdl.handle.net/20.500.12708/12914
Library ID: AC07814184
Organisation: E183 - Institut für Rechnergestützte Automation 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:

Show full item record

Page view(s)

9
checked on Feb 18, 2021

Download(s)

54
checked on Feb 18, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.