Various species of rhizobium establish compatible symbiotic relationships with soybean ( Glycine max ) leading to the formation of nitrogen-fixing nodules in roots. The formation of functional nodules is mediated through complex developmental and transcriptional reprogramming that involves the activity of thousands of plant genes. However, host transcriptome that differentiate between functional or non-functional nodules remain largely unexplored. In this study, we investigated differential compatibilities between rhizobium strains ( Bradyrhizobium diazoefficiens USDA110 Bradyrhizobium sp. strain LVM105) and cultivated and wild soybeans. The nodulation assays revealed that both USDA110 and LVM105 strains effectively nodulate G. soja but only USDA110 can form symbiotic relationships with Williams 82. LVM105 formed pseudonodules on Williams 82 that consist of a central nodule-like mass that are devoid of any rhizobia. RNA-seq data revealed that USDA110 and LVM105 induce distinct transcriptome programing in functional mature nodules formed on G. soja roots, where genes involved in nucleosome assembly, DNA replication, regulation of cell cycle, and defense responses play key roles. Transcriptome comparison also suggested that activation of genes associated with cell wall biogenesis and organization and defense responses together with downregulation of genes involved in the biosynthesis of isoprenoids and antioxidant stress are associated with the formation of non-functional nodules on Williams 82 roots. Moreover, our analysis implies that increased activity of genes involved in oxygen binding, amino acid transport, and nitrate transport differentiates between fully-developed nodules in cultivated versus wild soybeans.

Abstract Background Although transcranial magnetic stimulation (TMS) is the optimal tool for identifying individual motor hotspots for transcranial electrical stimulation (tES), it requires a cumbersome procedure in which patients must visit the hospital each time and rely on expert judgment to determine the motor hotspot. Therefore, in previous study, we proposed electroencephalography (EEG)-based machine learning approach to automatically identify individual motor hotspots. In this study, we proposed an advanced EEG-based motor hotspot identification algorithm using a deep learning model and assessed its clinical feasibility and benefits by applying it to stroke patient EEGs. Methods EEG data were measured from thirty subjects as they performed a simple hand movement task. We utilized the five types of input data depending on the processing levels to assess the signal processing capability of our proposed deep learning model. The motor hotspot locations were estimated using a two-dimensional convolutional neural network (CNN) model. The error distance between the 3D coordinate information of the individual motor hotspots identified by the TMS (ground truth) and EEGs was calculated using the Euclidean distance. Additionally, we confirmed the clinical benefits of our proposed deep-learning algorithm by applying the EEG of stroke patients. Results A mean error distance between the motor hotspot locations identified by TMS and our approach was 2.34 ± 0.19 mm when using raw data from only 9 channels around the motor area. When it was tested on stroke patients, the mean error distance was 1.77 ± 0.15 mm using only 5 channels around the motor area. Conclusion We have demonstrated that an EEG-based deep learning approach can effectively identify the individual motor hotspots. Moreover, we validated the clinical benefits of our algorithm by successfully implementing it in stroke patients. Our algorithm can be used as an alternative to TMS for identifying motor hotspots and maximizing rehabilitation effectiveness.

Abstract Unilateral spatial neglect (USN) is common after stroke and associated with poor functional recovery. Prism adaptation (PA) is one of the most supported modality able to ameliorate USN but underapplied due to several issues. Using immersive virtual reality and depth-sensing camera, we developed the virtual prism adaptation therapy (VPAT) to overcome the limitations in conventional PA. In this study, we investigated whether VPAT can induce behavioral adaptations and which cortical area is most significantly activated. Fourteen healthy subjects participated in this study. The experiment consisted of four sequential phases (pre-VAPT, VPAT-10°, VPAT-20°, and post-VPAT) with functional near-infrared spectroscopy recordings. Each phase consisted of alternating target pointing and resting (or clicking) blocks. To find out the most significantly activated area during pointing in different phases (VPAT-10°, VPAT-20°, and Post-VPAT) in contrast to pointing during the pre-VPAT phase, we analyzed changes in oxyhemoglobin concentration during pointing. The pointing errors of the virtual hand deviated to the right-side during early pointing blocks in the VPAT-10° and VPAT-20° phases. There was a left-side deviation of the real hand to the target in the post-VPAT phase. The most significantly activated channels were all located in the right hemisphere, and possible corresponding cortical areas included the dorsolateral prefrontal cortex and frontal eye field. In conclusion, VPAT may induce behavioral adaptation with modulation of the dorsal attentional network. Future clinical trials using multiple sessions of a high degree of rightward deviation VPAT over a more extended period are required in stroke patients with unilateral spatial neglect.

Abstract Background To apply transcranial electrical stimulation (tES) to the motor cortex, motor hotspots are generally identified using motor evoked potentials by transcranial magnetic stimulation (TMS). The objective of this study is to validate the feasibility of a novel electroencephalography (EEG)-based motor-hotspot-identification approach using a machine learning technique as a potential alternative to TMS. Methods EEG data were measured using 63 channels from thirty subjects as they performed a simple finger tapping task. Power spectral densities of the EEG data were extracted from six frequency bands (delta, theta, alpha, beta, gamma, and full) and were independently used to train and test an artificial neural network for motor hotspot identification. The 3D coordinate information of individual motor hotspots identified by TMS were quantitatively compared with those estimated by our EEG-based motor-hotspot-identification approach to assess its feasibility. Results The minimum mean error distance between the motor hotspot locations identified by TMS and our proposed motor-hotspot-identification approach was 0.22 ± 0.03 cm, demonstrating the proof-of-concept of our proposed EEG-based approach. A mean error distance of 1.32 ± 0.15 cm was measured when using only nine channels attached to the middle of the motor cortex, showing the possibility of practically using the proposed motor-hotspot-identification approach based on a relatively small number of EEG channels. Conclusion We demonstrated the feasibility of our novel EEG-based motor-hotspot-identification method. It is expected that our approach can be used as an alternative to TMS for motor hotspot identification. In particular, its usability would significantly increase when using a recently developed portable tES device integrated with an EEG device.