Abstract Counting cells is a cornerstone of tracking disease progression in neuroscience. A common approach for this process is having trained researchers individually select and count cells within an image, which is not only difficult to standardize but also very time-consuming. While tools exist to automatically count cells in images, the accuracy and accessibility of such tools can be improved. Thus, we introduce a novel tool ACCT: Automatic Cell Counting with Trainable Weka Segmentation which allows for flexible automatic cell counting via object segmentation after user-driven training. ACCT is demonstrated with a comparative analysis of publicly available images of neurons and an in-house dataset of immunofluorescence-stained microglia cells. For comparison, both datasets were manually counted to demonstrate the applicability of ACCT as an accessible means to automatically quantify cells in a precise manner without the need for computing clusters or advanced data preparation.

Abstract Background: Little is known about the pathogenesis of Bipolar Disorder, and even less is known about the genetic differences between its subtypes. Bipolar Disorder is classified into different subtypes, which present different symptoms and lifetime courses. While genetic studies have been conducted in Bipolar Disorder, most examined the gene expression of only Bipolar Disorder Type 1. Studies that include Bipolar Disorder Type 1 and Bipolar Disorder Type 2 often fail to differentiate them into separate conditions. Few large transcriptomic meta-analyses in Bipolar Disorder have been conducted to identify genetic pathways. Thus, using publicly available data sets we aim here to uncover significant differential gene expression that allows distinguishing Type 1 and Type 2 Bipolar Disorders, as well as find patterns in Bipolar Disorder as a whole. Methods: We analyze 17 different gene expression data sets from different tissue in Bipolar Disorder using GEO2R and manual analysis, of which 15 contained significant differential gene expression results. We use STRING and Cytoscape to examine Gene Ontology to find significantly affected genetic pathways. We identify hub genes using cytoHubba, a plugin in Cytoscape. We find genes common to data sets of the same material or subtype. Results: 12 out of 15 data sets are enriched for immune system and RNA related pathways. 9 out of 15 data sets are enriched for neurocognitive and metal ion related GO terms. Analysis of Bipolar Disorder Type 1 vs Bipolar Disorder Type 2 revealed most differentially expressed genes were related to immune function, especially cytokines. Terms related to synaptic signaling and neurotransmitter secretion were found in down-regulated GO terms while terms related to neuron apoptosis and death were up-regulated. We identify the gene SNCA as a potential biomarker for overall Bipolar Disorder diagnosis due to its prevalence in our data sets. Conclusions: The immune system and RNA related pathways are significantly enriched across the Bipolar Disorder data sets. The role of these pathways is likely more critically important to the function of Bipolar Disorder than currently understood. Further studies should clearly label the subtype of Bipolar Disorder used in their research and more effort needs to be undertaken to collect samples from Cyclothymic Disorder and Bipolar Disorder Type 2.

Abstract Counting cells is a cornerstone of tracking disease progression in neuroscience. A common approach for this process is having trained researchers individually select and count cells within an image, which is not only difficult to standardize but also very time-consuming. While tools exist to automatically count cells in images, the accuracy and accessibility of such tools can be improved. Thus, we introduce a novel tool ACCT: Automatic Cell Counting with Trainable Weka Segmentation which allows for flexible automatic cell counting via object segmentation after user-driven training. ACCT is demonstrated with a comparative analysis of publicly available images of neurons and an in-house dataset of immunofluorescence-stained microglia cells. For comparison, both datasets were manually counted to demonstrate the applicability of ACCT as an accessible means to automatically quantify cells in a precise manner without the need for computing clusters or advanced data preparation.

Abstract Background The ability to prioritize people living with HIV (PLWH) by risk of future transmissions could aid public health officials in optimizing epidemiological intervention. While methods exist to perform such prioritization based on molecular data, their effectiveness and accuracy are poorly understood, and it is unclear how one can directly compare the accuracy of different methods. We introduce SEPIA (Simulation-based Evaluation of PrIoritization Algorithms), a novel simulation-based framework for determining the effectiveness of prioritization algorithms. SEPIA expands upon prior related work by defining novel metrics of effectiveness with which to compare prioritization techniques, as well as by creating a simulation-based tool with which to perform such effectiveness comparisons. Under several metrics of effectiveness that we propose, we compare two existing prioritization approaches: one phylogenetic (ProACT) and one distance-based (growth of HIV-TRACE transmission clusters). Results Using all proposed metrics, ProACT consistently slightly outperformed the transmission cluster growth approach. However, both methods consistently performed just marginally better than random, suggesting that there is significant room for improvement in prioritization tools. Conclusion We hope that, by providing ways to quantify the effectiveness of prioritization methods in simulation, SEPIA will aid researchers in developing novel risk prioritization tools for PLWH.

Abstract Background: The ability to prioritize people living with HIV by risk of future transmissions could aid public health officials in optimizing epidemiological intervention. While methods exist to perform such prioritization based on molecular data, their effectiveness and accuracy are poorly understood, and it is unclear how one can directly compare the accuracy of different methods. We introduce SEPIA (Simulation-based Evaluation of PrIoritization Algorithms), a novel simulation-based framework for determining the effectiveness of prioritization algorithms. Under several metrics of effectiveness that we propose, we utilize various properties of the simulated contact networks and transmission histories to compare existing prioritization approaches: one phylogenetic (ProACT) and one distance-based (growth of HIV-TRACE transmission clusters). Results: Using all metrics of effectiveness that we propose, ProACT consistently slightly outperformed the transmission cluster growth approach. However, both methods consistently performed just marginally better than random, suggesting that there is significant room for improvement in prioritization tools. Conclusion: We hope that, by providing ways to quantify the effectiveness of prioritization methods in simulation, SEPIA will aid researchers in developing novel tools for prioritizing people living with HIV by risk offuture transmissions.

Abstract Background The ability to prioritize people living with HIV by risk of future transmissions could aid public health officials in optimizing epidemiological intervention. While methods exist to perform such prioritization based on molecular data, their effectiveness and accuracy are poorly understood, and it is unclear how one can directly compare the accuracy of different methods. We introduce SEPIA (Simulation-based Evaluation of PrIoritization Algorithms), a novel simulation-based framework for determining the effectiveness of prioritization algorithms. Under several metrics of effectiveness that we propose, we utilize various properties of the simulated contact networks and transmission histories to compare existing prioritization approaches: one phylogenetic (ProACT) and one distance-based (growth of HIV-TRACE transmission clusters). Results Using all metrics of effectiveness that we propose, ProACT consistently slightly outperformed the transmission cluster growth approach. However, both methods consistently performed just marginally better than random, suggesting that there is significant room for improvement in prioritization tools. Conclusion We hope that, by providing ways to quantify the effectiveness of prioritization methods in simulation, SEPIA will aid researchers in developing novel tools for prioritizing people living with HIV by risk of future transmissions.