Rapid identification of specific DNA aptamers precisely targeting CD33 positive leukemia cells through a paired cell-based approach

Aptamer S30 selected using modified paired cell-based approach can precisely target CD33-positive cancer cells and deliver anticancer drugs.

Proposta de um instrumento para verificação da aderência entre o foco e a prática do Planejamento e Controle da Produção: um estudo no segmento metalmecânico da serra gaúcha

A escolha por uma técnica de Planejamento e Controle da Produção (PCP) alinhada e adequada com o cenário de ambiente de produção de uma empresa é considerado um fator crucial para a sua estratégia. Tal escolha poderá refletir na forma como a empresa gerencia seus prazos, estoques e, consequentemente, seus custos. Este estudo propõe um instrumento para avaliação da aderência entre o foco e as práticas de PCP em empresas. Foram considerados dentro do escopo do trabalho seis técnicas de PCP dentro de quatro ambientes de produção: Assemble To Order, Make To Stock, Engineer To Order e Make To Order. As técnicas selecionadas foram baseadas no trabalho de Stevenson, Hendry e Kingsman (2005) sendo três clássicas – Material Requirements Planning, Drum Buffer Rope e Kanban e três emergentes – Constant Work in Process, Workload Control e Paired cell Overlapping Loops of Cards with Authorization. Foram consideradas duas diferentes perspectivas dentro de uma empresa: a de gestão e a de operação, para a análise, com questões abordando as relações entre as técnicas e os ambientes de produção. O instrumento de pesquisa foi elaborado com base em parâmetros sensíveis, em maior ou menor grau, à utilização de cada uma das técnicas em cada empresa. Um estudo de caso múltiplo com oito empresas do segmento metalmecânico alinhadas com os quatro ambientes de produção e localizadas na Serra Gaúcha foi realizado. Foram entrevistados gestores, que estabeleceram o foco do PCP em cada empresa, e especialistas de PCP e operação, que informaram as práticas do ambiente de produção. O uso do instrumento de pesquisa se mostrou adequado, tornando possível captar a essência das atividades de PCP da empresa. Os resultados mostram que algumas técnicas possuem maior compatibilidade com determinados ambientes de produção, enquanto outras ainda merecem um ajuste mais fino.

Learning unsupervised feature representations for single cell microscopy images with paired cell inpainting

Cellular microscopy images contain rich insights about biology. To extract this information, researchers use features, or measurements of the patterns of interest in the images. Here, we introduce a convolutional neural network (CNN) to automatically design features for fluorescence microscopy. We use a self-supervised method to learn feature representations of single cells in microscopy images without labelled training data. We train CNNs on a simple task that leverages the inherent structure of microscopy images and controls for variation in cell morphology and imaging: given one cell from an image, the CNN is asked to predict the fluorescence pattern in a second different cell from the same image. We show that our method learns high-quality features that describe protein expression patterns in single cells both yeast and human microscopy datasets. Moreover, we demonstrate that our features are useful for exploratory biological analysis, by capturing high-resolution cellular components in a proteome-wide cluster analysis of human proteins, and by quantifying multi-localized proteins and single-cell variability. We believe paired cell inpainting is a generalizable method to obtain feature representations of single cells in multichannel microscopy images.Author SummaryTo understand the cell biology captured by microscopy images, researchers use features, or measurements of relevant properties of cells, such as the shape or size of cells, or the intensity of fluorescent markers. Features are the starting point of most image analysis pipelines, so their quality in representing cells is fundamental to the success of an analysis. Classically, researchers have relied on features manually defined by imaging experts. In contrast, deep learning techniques based on convolutional neural networks (CNNs) automatically learn features, which can outperform manually-defined features at image analysis tasks. However, most CNN methods require large manually-annotated training datasets to learn useful features, limiting their practical application. Here, we developed a new CNN method that learns high-quality features for single cells in microscopy images, without the need for any labeled training data. We show that our features surpass other comparable features in identifying protein localization from images, and that our method can generalize to diverse datasets. By exploiting our method, researchers will be able to automatically obtain high-quality features customized to their own image datasets, facilitating many downstream analyses, as we highlight by demonstrating many possible use cases of our features in this study.