A mutant mitochondrial DNA (mtDNA) with a 4,977-bp deletion was detected in the parkinsonian brain by using the polymerase chain reaction. Although the deleted mtDNA was detectable even in the brain of aged controls, the proportion of deleted mtDNA to normal mtDNA in the striatum was higher in the parkinsonian patients than in the controls. In both the parkinsonian patients and the aged controls, the proportion was higher in the striatum than in the cerebral cortex. These results indicate that age-related accumulation of deleted mtDNA is accelerated in the parkinsonian striatum and suggest that the deletion contributes to pathophysiological processes underlying Parkinson's disease.

Expressing various facial emotions is an important social ability for efficient communication between humans. A key challenge in human-robot interaction research is providing androids with the ability to make various human-like facial expressions for efficient communication with humans. The android Nikola, we have developed, is equipped with many actuators for facial muscle control. While this enables Nikola to simulate various human expressions, it also complicates identification of the optimal parameters for producing desired expressions. Here, we propose a novel method that automatically optimizes the facial expressions of our android. We use a machine vision algorithm to evaluate the magnitudes of seven basic emotions, and employ the Bayesian Optimization algorithm to identify the parameters that produce the most convincing facial expressions. Evaluations by naive human participants demonstrate that our method improves the rated strength of the android's facial expressions of anger, disgust, sadness, and surprise compared with the previous method that relied on Ekman's theory and parameter adjustments by a human expert.

Visual emotion recognition, one of the most critical skills connecting the relationship among human society, aroused extensive attention in human-robot interaction (e.g., Matteo, 2020). Nowadays, some deep neural network (DNN) based models trained with human facial expression images can recognize basic human facial emotions with high accuracy (see Li & Deng, 2018). For both engineering and vision science, it is interesting to clarify the differences between machine recognition models and humans in recognizing facial expressions made by artificial agents. Our study used Nikola, a FACS-based robot with 35 degrees of freedom on its face, to make a 3D stimulus generating human-like facial expressions. We chose a set of Nikola's action-unit (AU) parameters for each of the seven basic facial expressions (Anger, Disgust, Fear, Happiness, Sadness, Surprise, Neutral) in two ways. (A) We adjusted the AU parameters for prototype expressions based on Ekman's theory (Sato et al., 2022). (B) Using a Bayesian Optimization algorithm, we found AU parameters that the corresponding expression image received the maximum rating by Py-Feat, a DNN model for human expression classification. We then asked forty human participants, aged between 18 and 40 years, to evaluate the robot expressions made by the two methods using a 7-point rating task. The results showed that Py-Feat-based optimization outperformed prototype expressions for Anger, Disgust, Sadness, and Surprise (p<0.001), which suggests the effectiveness of the DNN-based model in expression recognition on Nikola's facial expressions. However, Py-Feat-based optimization could not achieve higher ratings for Happiness and Fear expressions, despite the Py-Feat rating predicting significant improvements. The observed difference between Py-Feat scores and human scores in evaluating certain facial expressions made by a human-like agent reveals a difference in processing strategy in facial expression recognition between humans and a popular DNN-based model.

The initial drug-eluting bead (DEB)-transarterial chemoembolization (TACE) are often performed after multiple sessions of transarterial infusion chemotherapy (TAI) or conventional TACE. The purpose of our study was to evaluate the factors associated with the occurrence of vascular lake phenomenon (VLP) during DEB-TACE, considering the previous interventional treatments.

Abstract Ovarian cancer (OvC) is often diagnosed as an advanced disease because symptoms do not develop at earlier stages. Besides current treatments, alternative efficient therapies for OvC need to be established. We have previously identified that a novel long intergenic noncoding RNA (lincRNA) originated from chromosome 10q21 was predominantly expressed in clinical ovarian cancer tissues, designated as ovarian cancer lincRNA 1 (OIN1). Silencing of OIN1 in OvC cell lines substantially exhibited the inhibition of in vitro and in vivo cell proliferation, by upregulating apoptosis-related genes. In the present study, we aimed to evaluate whether OIN1 can be a therapeutic target in advanced OvC and how OIN1 drives the progression of OvC. We established long-term culturable spheroid cultures of OvC patient-derived cells (OvC-PDCs) from ascites of OvC patients as an advanced OvC model. The OvC-PDC spheroid cultures abundantly expressed OIN1 and stemness-related genes. OIN1-targeted siRNAs could suppress the spheroid growth and upregulate apoptosis-related genes such as RASSF5 and ADORA1 in OvC-PDC cultures. In a bloody ascites-generating xenograft in vivo model of mice intraperitoneally injected with OvC-PDC, OIN1-targeted siRNA treatment engineered by drug delivery system alleviated ascites production and prolonged the mice survival time. Based on transcriptomic analysis of OIN1 silencing in OvC-PDC cultures, we found that OIN1 inhibition exerts the downregulation of genes involved in glycolytic pathway and hypoxic response. We further demonstrated that OIN1 modulates HIF1a-mediated transcriptional regulation in OvC- PDCs. The present findings provide promising evidence that OIN1 can be a potential therapeutic target for advanced OvC. Citation Format: Kuniko Horie, Wataru Sato, Kazuhiro Ikeda, Satoshi Inoue. Ovarian cancer long intergenic noncoding RNA 1 is a potential therapeutic target in advanced ovarian cancer by promoting glycolytic pathway and hypoxic response [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: RNAs as Drivers, Targets, and Therapeutics in Cancer; 2024 Nov 14-17; Bellevue, Washington. Philadelphia (PA): AACR; Mol Cancer Ther 2024;23(11_Suppl):Abstract nr B004.