22455 research outputs found
Sort by
Feinkartierung und Identifikation der kausalen Kandidatengene für die Schwanzlänge beim Merinolandschaf
Get PDF
G protein coupled receptors in inflammation - from kinin to chemokine
Get PDFAt the core of all noncommunicable diseases (NCDs) such as cancer and cardiovascular disease, is inflammation, a highly complexed process tightly orchestrating the action of multiple inflammatory molecules. Among the receptors expressed by the hematopoietic and non-hematopoietic cells, G protein-coupled receptors (GPCRs) play a key role in inflammation as they are activated by different inflammatory molecules such as amines, peptides, eicosanoids, and chemokines.
The first studies summarized here unveiled a novel pathway of inflammation involving the interconnection between two GPCRs, namely the kinin B1 receptor (B1R) and the CXC chemokine receptor 2 (CXCR2). The inflammatory cytokine, IL-1β, and proatherogenic factors were identified to induce the production of the CXCL5 chemokine in endothelial cells through a B1R-dependent mechanism in acute conditions. In turn, the release of CXCL5 at the surface of endothelial cells resulted in the recruitment of CXCR2+ neutrophils into the inflamed tissue. The next study highlighted an unexpected role for the CXCL5 chemokine in chronic inflammatory disease. While CXCL5 was highly expressed by endothelial cells, its induction was protective in atherosclerotic conditions. CXCL5 was found to activate macrophages, increase the expression of ACBA1, a transporter that mediates cholesterol efflux, and consequently regulate foam cell formation. The last studies focused on a particular class of chemokine receptors, so-called atypical chemokine receptors (ACKRs) and more specifically on ACKR1, which is highly expressed by erythroblasts in the bone marrow. ACKR1 was identified as a regulator of homeostasis of haematopoietic stem and progenitor cells (HSPCs) and to control downstream hematopoiesis. Notably, erythroblasts were shown to directly interact with HSPCs in an ACKR1-dependent manner. In the absence of ACKR1, steady-state haematopoiesis was altered, bone marrow HSPCs localized remotely from erythroblasts and gave rise to phenotypically distinct neutrophils.
Altogether, the work presented here provides additional evidence that the chemokine system via its action on the classical but also the atypical chemokine receptors, plays a crucial role on hematopoietic cells and in inflammation. Moreover, this work highlights the complexity of chemokine targeting in NCDs, as the same chemokine may have distinct biological effects in different inflammatory diseases. Further research is therefore required to fully apprehend the contribution of GPCRs and especially ACKRs in NCDs, to elucidate pathological mechanisms, and to ultimately develop new drug therapies targeting these receptors
Klinische Befunde und Biomarker-Veränderungen in der präsymptomatischen und symptomatischen Phase neurodegenerativer Erkrankungen - Bedeutung für klinische Versorgung und Präventions- und Therapieentwicklung
Get PDFUntersuchungen zur Wanderung von Leukozyten und Thrombozyten zu ihrem Bestimmungsort sowie zur Anwendung synthetischer Nanomaterialien bei Entzündung und Krebs
Get PDF
Deep generative models for ultra-high granularity particle physics detector simulation
Get PDFSimulating ultra-high-granularity detector responses in Particle Physics represents a critical yet computationally demanding task. This thesis aims to overcome these challenges by focusing on the Pixel Vertex Detector (PXD) at the Belle II experiment, which features over 7.5M pixel channels—the highest spatial resolution detector simulation dataset ever analyzed with deep generative models. As the first contribution, I introduce the Intra-Event Aware Generative Adversarial Network (IEA-GAN), a model incorporating relational reasoning and self-supervised learning to simulate an “event” in the detector. This study establishes PXD data as a fine-grained dataset and underscores the importance of intra-event correlation for downstream physics analyses. IEA-GAN emulates PXD signatures in a geometry-aware and correlated manner.
Building upon this, this thesis introduces YonedaVAE, a Category Theory-inspired generative model that tackles the open problem of Out-of-Distribution (OOD) simulation. Inspired by Category Theory, YonedaVAE introduces a learnable Yoneda Embedding to capture the entirety of an event based on its sensor relationships, formulating a formal language for intra-event relational reasoning. This is complemented by a self-supervised set generator and an adaptive Top-q sampling mechanism, enabling the model to sample point clouds with variable intra-event and inter-event cardinalities far beyond the training data cardinality. Intra-event variable cardinality has not been done before and is vital when one is dealing with irregular detector geometries and hit patterns through the detector.
This study presents the first results for a generative model trained on real data in ultra-high granularity particle physics. It shows that the YonedaVAE model, trained on an early experiment background data, can reach a reasonable simulation of a later experiment with almost double luminosity while providing a significant storage release. Remarkably, YonedaVAE achieves this extrapolation without previous exposure to high-luminosity data, showcasing its robustness and generalizability.
Collectively, these models not only substantially reduce computational overhead but also achieve unprecedented precision in ultra-high-granularity detector simulations, opening new avenues for both computational efficiency and accuracy in particle physics.Die Simulation von Detektorantworten mit ultrahoher Granularität in der Teilchenphysik stellt eine kritische, jedoch rechenintensive Aufgabe dar. Diese Arbeit zielt darauf ab, diese Herausforderungen zu bewältigen, indem sie sich auf den Pixel-Vertex-Detektor (PXD) im Belle II-Experiment konzentriert, der über 7,5 Millionen Pixelkanäle verfügt – den höchstaufgelösten Detektorsimulationsdatensatz, der jemals mit tiefen generativen Modellen analysiert wurde. Als erste Beitrag führe ich das Intra-Event-Aware Generative Adversarial Network (IEA-GAN) ein, ein Modell, das relationales Denken und selbstüberwachtes Lernen integriert, um ein „Ereignis“ im Detektor zu simulieren. Diese Studie etabliert PXD-Daten als feinkörnigen Datensatz und unterstreicht die Bedeutung der intra-eventuellen Korrelation für nachgelagerte physikalische Analysen. IEA-GAN emuliert PXD-Signaturen auf eine geometriebewusste und korrelierte Weise.
Aufbauend darauf führt diese Arbeit YonedaVAE ein, ein fortschrittliches generatives Modell, das das offene Problem der Out-of-Distribution (OOD) Simulation von realen Daten angeht. Inspiriert durch die Kategorientheorie verwendet YonedaVAE ein lernbares Yoneda-Embedding, um die Gesamtheit eines Ereignisses anhand seiner Sensorbeziehungen zu erfassen, und formuliert eine formale Sprache für intra-eventuelles relationales Denken. Dies wird ergänzt durch einen selbstdestillierten Mengengenerator und einen adaptiven Top-q Abtastmechanismus, der es dem Modell ermöglicht, Punktewolken mit variablen intra- und inter-eventuellen Kardinalitäten weit über die Kardinalität der Trainingsdaten hinaus zu sampeln. Eine variable intra-event Kardinalität wurde zuvor noch nicht erreicht und ist von entscheidender Bedeutung, wenn man sich mit unregelmäßigen Detektorgeometrien und Treffermustern durch den Detektor beschäftigt.
Diese Studie präsentiert die ersten Ergebnisse für ein generatives Modell, das auf realen Daten in der Teilchenphysik mit ultrahoher Granularität trainiert wurde. Sie zeigt, dass das YonedaVAE-Modell, trainiert auf frühzeitigen Hintergrunddaten eines Experiments, eine vernünftige Simulation eines späteren Experiments mit fast doppelter Leuchtkraft erreichen kann, während es gleichzeitig eine signifikante Speicherentlastung bietet. Bemerkenswert ist, dass YonedaVAE diese Extrapolation ohne vorherige Exposition gegenüber Hochleuchtkraftdaten erreicht, was seine Robustheit und Generalisierbarkeit unterstreicht. Insgesamt reduzieren diese Modelle nicht nur erheblich den Rechenaufwand, sondern erreichen auch eine noch nie dagewesene Präzision in Detektorsimulationen mit ultrahoher Granularität. Dies eröffnet neue Wege sowohl für die Recheneffizienz als auch für die Genauigkeit in der Teilchenphysik
User-centered biometric interfaces
Get PDFAuthentication has become an essential part of our daily lives. Examples include using authentication tokens like keys to enter a building or vehicle, or the use of passwords, PINs, and patterns to access digital accounts and devices. However, such traditional approaches start to reach their limits, as the ever-increasing number of required authentications strains both users' memory and time.
Biometric methods make use of unique patterns in user physiology or behavior for the purpose of authentication and are proposed as a potential solution. They do not require mental effort, cannot be stolen or forgotten, and can operate in the background with no active user engagement required. However, biometrics also come with drawbacks: their underlying machine learning models mostly act as black-boxes to users while at the same time being prone to systemic biases and inconsistent recognition performance. Users get little insight into what constitutes model decisions, let alone control over the authentication mechanism that is to protect their data.
This thesis takes a user-centered approach to both enhance existing interfaces with biometric systems and propose new ones with the aim to facilitate 1) user literacy and 2) agency over the recognition process. We conducted studies to understand user preferences and needs with regard to biometrics and designed biometric interfaces to support users in understanding influencing factors on their authentication and take control over if and when to be recognized. Overall, we explored how biometric interfaces could look like, how they could improve interaction with biometric systems, and if they can contribute to an informed and secure use of biometric authentication.Authentifizierung ist heute zu einem permanenten Bestandteil unseres täglichen Lebens geworden. Beispiele dafür sind die Verwendung von Authentifizierungstoken wie Schlüsseln, um ein Gebäude zu betreten oder ein Fahrzeug zu öffnen, oder der Gebrauch von Passwörtern, PINs und Mustern für den Zugriff auf Geräte und digitale Konten. Diese traditionellen Ansätze stoßen jedoch allmählich an ihre Grenzen, da die ständig wachsende Zahl der erforderlichen Authentifizierungen zu einer zunehmenden Belastung für Gedächtnis und Zeit der Benutzenden wird.
Biometrische Methoden nutzen einzigartige Muster in der menschlichen Physiologie oder im Verhalten der Nutzenden für die Authentifizierung und können eine mögliche Lösung für diese Herausforderung darstellen. Sie erfordern keine geistige Anstrengung, können nicht gestohlen oder vergessen werden und arbeiten im Hintergrund, ohne dass Benutzende aktiv werden müssen. Biometrische Verfahren haben jedoch auch Nachteile: Die zugrundeliegenden maschinellen Lernmodelle sind meist undurchschaubar, während sie gleichzeitig anfällig für voreingenommene Entscheidungen und inkonsistente Erkennungsleistungen sind. Die Nutzenden erhalten kaum Einblick in die Entscheidungen der Modelle, geschweige denn Kontrolle über den Authentifizierungsmechanismus, der ihre Daten schützen soll.
In dieser Arbeit wird ein nutzer-zentrierter Ansatz verfolgt, um sowohl bestehende Schnittstellen zu biometrischen Systemen zu verbessern als auch neue vorzuschlagen. Die Ziele dieser Arbeit sind es 1) die Kenntnis der Nutzenden zu erweitern und ihnen 2) die Kontrolle über biometrische Modelle zu erleichtern. Wir haben Studien durchgeführt, um die Präferenzen und Bedürfnisse in Bezug auf biometrische Systeme zu verstehen und biometrische Schnittstellen zu entwerfen, die die Nutzenden dabei unterstützen, Einflussfaktoren auf ihre Authentifizierung zu verstehen und die Kontrolle darüber zu übernehmen, ob und wann sie erkannt werden. Insgesamt haben wir untersucht, wie biometrische Schnittstellen aussehen könnten, wie sie die Interaktion mit biometrischen Systemen verbessern können und ob sie zu einer informierten und sicheren Nutzung biometrischer Authentifizierungmechanismen beitragen können
