The application of the convolutional neural network has shown to greatly improve the accuracy of building extraction from remote sensing imagery. In this paper, we created and made open a high-quality multisource data set for building detection, evaluated the accuracy obtained in most recent studies on the data set, demonstrated the use of our data set, and proposed a Siamese fully convolutional network model that obtained better segmentation accuracy. The building data set that we created contains not only aerial images but also satellite images covering 1000 km 2 with both raster labels and vector maps. The accuracy of applying the same methodology to our aerial data set outperformed several other open building data sets. On the aerial data set, we gave a thorough evaluation and comparison of most recent deep learning-based methods, and proposed a Siamese U-Net with shared weights in two branches, and original images and their down-sampled counterparts as inputs, which significantly improves the segmentation accuracy, especially for large buildings. For multisource building extraction, the generalization ability is further evaluated and extended by applying a radiometric augmentation strategy to transfer pretrained models on the aerial data set to the satellite data set. The designed experiments indicate our data set is accurate and can serve multiple purposes including building instance segmentation and change detection; our result shows the Siamese U-Net outperforms current building extraction methods and could provide valuable reference.

Abstract The topology of endoplasmic reticulum (ER) network is highly regulated by various cellular and environmental stimuli and affects major functions such as protein quality control and the cell’s response to metabolic changes. The ability to quantify the dynamical changes of the ER structures in response to cellular perturbations is crucial for the development of novel therapeutic approaches against ER associated diseases, such as hereditary spastic paraplegias and Niemann Pick Disease type C. However, the rapid movement and small spatial dimension of ER networks make this task challenging. Here, we combine video-rate super-resolution imaging with a state-of-the-art semantic segmentation method capable of automatically classifying sheet and tubular ER domains inside individual cells. Data are skeletonised and represented by connectivity graphs to enable the precise and efficient quantification and comparison of the network connectivity from different complex ER phenotypes. The method, called ERnet, is powered by a Vision Transformer architecture, and integrates multi-head self-attention and channel attention into the model for adaptive weighting of frames in the time domain. We validated the performance of ERnet by measuring different ER morphology changes in response to genetic or metabolic manipulations. Finally, as a means to test the applicability and versatility of ERnet, we showed that ERnet can be applied to images from different cell types and also taken from different imaging setups. Our method can be deployed in an automatic, high-throughput, and unbiased fashion to identify subtle changes in cellular phenotypes that can be used as potential diagnostics for propensity to ER mediated disease, for disease progression, and for response to therapy.

Abstract Simultaneously recording network activity and ultrastructural changes of the synapse is essential for advancing our understanding of the basis of neuronal functions. However, the rapid millisecond-scale fluctuations in neuronal activity and the subtle sub-diffraction resolution changes of synaptic morphology pose significant challenges to this endeavour. Here, we use graphene microelectrode arrays (G-MEAs) to address these challenges, as they are compatible with high spatial resolution imaging across various scales as well as high temporal resolution electrophysiological recordings. Furthermore, alongside G-MEAs, we deploy an easy-to-implement machine learning-based algorithm to efficiently process the large datasets collected from MEA recordings. We demonstrate that the combined use of G-MEAs, machine learning (ML)-based spike analysis, and four-dimensional (4D) structured illumination microscopy (SIM) enables the monitoring of the impact of disease progression on hippocampal neurons which have been treated with an intracellular cholesterol transport inhibitor mimicking Niemann-Pick disease type C (NPC) and show that synaptic boutons, compared to untreated controls, significantly increase in size, which leads to a loss in neuronal signalling capacity.

The Alzheimer's disease related peptide, Amyloid-beta (Aβ)1-40 and 1-42, has proven difficult to be purified as a recombinant monomeric protein due its expression in E. coli leading to the formation of insoluble inclusion bodies and its tendency to quickly form insoluble aggregates. A vast array of methods have been used so far, yet many have pitfalls, such as the use of tags for ease of Aβ isolation, the formation of Aβ multimers within the time frame of extraction or the need to reconstitute Aβ from a freeze dried state. Here, we present a rapid protocol to produce highly pure and monomeric recombinant Aβ using a one-step ion exchange purification method and to label the peptide using a maleimide dye. The solublisation and purification steps take only three hours. We also present a protocol for the isolation of Aβ-mCherry from mammalian cells.

Abstract Super-resolution imaging can generate thousands of single-particle trajectories. These data can potentially reconstruct subcellular organization and dynamics, as well as measure disease-linked changes. However, computational methods that can derive quantitative information from such massive datasets are currently lacking. Here we present data analysis and algorithms that are broadly applicable to reveal local binding and trafficking interactions and organization of dynamic sub-cellular sites. We applied this analysis to the endoplasmic reticulum and neuronal membrane. The method is based on spatio-temporal time window segmentation that explores data at multiple levels and detects the architecture and boundaries of high density regions in areas that are hundreds of nanometers. By statistical analysis of a large number of datapoints, the present method allows measurements of nano-region stability. By connecting highly dense regions, we reconstructed the network topology of the ER, as well as molecular flow redistribution, and the local space explored by trajectories. Segmenting trajectories at appropriate scales extracts confined trajectories, allowing quantification of dynamic interactions between lysosomes and the ER. A final step of the method reveals the motion of trajectories relative to the ensemble, allowing reconstruction of dynamics in normal ER and the atlastin-null mutant. Our approach allows users to track previously inaccessible large scale dynamics at high resolution from massive datasets. The SPtsAnalysis algorithm is available as an ImageJ plugin that can be applied by users to large datasets of overlapping trajectories and offer a standard of SPTs metrics.

The endoplasmic reticulum (ER) comprises morphologically and functionally distinct domains, sheets and interconnected tubules. These domains undergo dynamic reshaping, in response to changes in the cellular environment. However, the mechanisms behind this rapid remodeling within minutes are largely unknown. Here, we report that ER remodeling is actively driven by lysosomes, following lysosome repositioning in response to changes in nutritional status. The anchorage of lysosomes to ER growth tips is critical for ER tubule elongation and connection. We validate this causal link via the chemo- and optogenetically driven re-positioning of lysosomes, which leads to both a redistribution of the ER tubules and its global morphology. Lysosomes sense metabolic change in the cell and regulate ER tubule distribution accordingly. Dysfunction in this mechanism during axonal extension may lead to axonal growth defects. Our results demonstrate a critical role of lysosome-regulated ER dynamics and reshaping in nutrient responses and neuronal development.

Mitochondria have long been implicated in Parkinson’s disease (PD), however, it is not clear how mitochondrial impairment and alpha-synuclein pathology are coupled. We report here that intra-mitochondrial protein homeostasis plays a major role in alpha-synuclein fibril elongation, as interference with intra-mitochondrial proteases and mitochondrial protein import significantly aggravate alpha-synuclein aggregation. In contrast, direct inhibition of mitochondrial complex I, increase in intracellular calcium concentration or formation of reactive oxygen species (ROS), all of which have been associated with mitochondrial stress, did not affect alpha-synuclein pathology. We further demonstrate that similar mechanisms are involved in Amyloid β 1-42 (Aβ42) aggregation, suggesting that mitochondria are directly capable of influencing cytosolic protein homeostasis of aggregation-prone proteins.