هدف از تحقیق حاضر تاثیر سه شیوه تمرینی بر بیان ژن TGFB1 و VASH-1 در بافت بطن چپ رت های ویستار بود. مواد و روشها: 40 سر موش ویستار8 هفته ای با میانگین وزن33+237 گرم در محیطی کنترل شده نگهداری و به صورت تصادفی در5 گروه 8 تایی قرار گرفتند. برنامه های تمرینی به مدت 8 هفته و هفته ای 3 جلسه با شدت مشخص بود. تمرینات هوازی شامل 47 دقیقه دویدن با شدت متوسط VO2MAX 65 % بر روی تردمیل بود. تمرین HITشامل دویدن با سرعت 2 متر در دقیقه با شیب فزاینده بر روی نوار گردان و تمرینات HIIT شامل 4 وهله تناوبی شدید با شدت 90تا 100درصد VO2MAX و چهار وهله تناوبی کم شدت 50 تا 60 درصد VO2MAX انجام شد. گروه کنترل پایه در هفته اول و پس از استقرار تحت جراحی و بافت برداری قرار گرفت گروه های دیگر پس از آخرین جلسه تمرینی تشریح و سپس بافت قلب آن مورد بررسی قرار گرفت. تغییرات برون گروهی توسط آنالیز واریانس یک راهه و آزمون تعقیبی توکی در سطح معنی داری0/05 ≥ P مورد تجزیه تحلیل قرار گرفت. یافته ها: 1-نتایج نشان می دهد 8 هفته تمرین MIT (001/0 ≥ P)، HIT (001/0≥ P)، HIIT(001/0≥ P) باعث افزایش معنادار بیان TGF-β1در بطن چپ موش های نرویستا ر شد 2-نتایج تحقیق حاضر کاهش معنی دار بیان ژن VASH-1 بین 5 گروه پژوهش نشان می دهد(د(0001/0 (P<. نتیجه گیری: بنظرمیرسد تمرین منظم پتانسیل اثر گذاری در افزایش هایپرتروفی قلب با افزایش TGF-β1 کاهش VASH-1 در رت های نزاد دارد

دریاچه ارومیه به عنوان یکی از بزرگ ترین دریاچه های ایران، مقصد نهایی مجموعه ای از رودخانه های شمال غرب کشور است. با توجه به تغییرات زیاد بارندگی و همچنین تغییرات دمای هوا، تراز آب نوسانات زیادی داشته است. آگاهی از این نوسانات در بررسی مسائل مرتبط، از جمله ریسک پذیری تاسیسات و سازه های وابسته، تغییرات ذخیره آبی دریاچه، ساخت و سازهای ساحلی، محیط زیست و بسیاری از عوامل دیگر اهمیت دارد. روش های مختلف شبکه عصبی مصنوعی و برنامه ریزی بیان ژن برای پیش بینی سطح آب دریا ها کاربرد دارند. ساختار درختی کروموزوم ها در روش برنامه ریزی بیان ژن، این الگوریتم را به ابزاری قوی و مناسب برای حل مسائل مدل سازی تبدیل می کند. در تحلیل حاضر از ساختار درختی برنامه ریزی بیان ژن و همچنین از شبکه عصبی مصنوعی برای پیش بینی نوسانات سطح آب در مقیاس های زمانی مختلف در نه ترکیب متفاوت، شامل مقادیر نوسانات تراز آب یک تا نه روز قبل به صورت ورودی در نظر گرفته شد تا بهترین حالت ممکن جهت پیش بینی انتخاب و ساختار درختی مدل بهینه معرفی گردد. پیش بینی ها با استفاده از داده های نوسانات تراز آب دریاچه ارومیه انجام پذیرفت و تراز سطح آب در دوره زمانی آذر 1375 تا آذر 1386 برای شبیه سازی به کار گرفته شد. نتایج حاصل، حاکی از دقت مطلوب برنامه ریزی بیان ژن در شبیه سازی نوسانات سطح آب می باشد و مدل های درختی حاصل، شامل سه زیر درخت (ژن) در مقیاس روزانه در جدولی ارائه شده است.

برآورد صحیح دبی رودخانه از جمله موارد مهم در مدیریت منابع آب، هیدرولوژی، مهندسی رودخانه، حفاظت خاک و هیدرولیک می باشد. در این پژوهش، عملکرد روش برنامه ریزی بیان ژن، به عنوان روشی هوشمند و نوین، جهت برآورد بارش رواناب حوضه آبریز کسیلیان، مورد بررسی قرار گرفته است. به این منظور، اطلاعات هواشناسی حوضه شامل متوسط بارش، دما، تبخیر، ساعات آفتابی و رطوبت، به صورت ماهانه، متعلق به سال های 1376 تا 1388 از ایستگاه هواشناسی سنگده جمع آوری و به عنوان ورودی مدل استفاده گردید. هم چنین، اطلاعات متناظر دبی جریان نیز، مربوط به ایستگاه هیدرومتری کیاکلا، به عنوان خروجی مدل، استفاده شد. مدل برنامه ریزی بیان ژن، با 3 ژن و 30 کروموزوم اجرا شد. 80% داده ها برای آموزش و 20% برای آزمون مدل در نظر گرفته شدند. نتایج نشان داد مدل مذکور با ضریب همبستگی 0.635، جذر میانگین مربعات خطای 0.234 مترمکعب بر ثانیه و متوسط خطای مطلق 0.198 مترمکعب بر ثانیه، در بخش آزمون، از توانایی قابل قبولی در برآورد بارش رواناب حوضه آبریز کسیلیان، با استفاده از پارامترهای هواشناسی و هیدرولوژیکی برخوردار است.

جدایش یون ها از پساب ها و محیط هایی مانند هیدرومتالورژی در سال های اخیر چالش اساسی در روند توسعه فلوتاسیون یونی بوده است. مطالعه های محدودی در زمینه سینتیک حذف یون های فلزی به وسیله فلوتاسیون یونی انجام شده است؛ بنابراین در این مطالعه، مدل جدیدی با روش برنامه ریزی بیان ژن (GEP) برای پیش بینی ثابت سینتیکی حذف یون های روی از پساب سنتزی با کلکتور سدیم دودسیل سولفات ارایه شده است. کارآیی فلوتاسیون یونی علاوه بر میزان حذف یون به میزان حذف آب در طول فرآیند نیز بستگی دارد؛ بدین منظور سینتیک حذف آب نیز بررسی شد. پارامترهای موثر بر حذف یون روی از جمله نسبت مولاریته یون روی به کلکتور، ضریب فعالیت و pH محلول انتخاب و تاثیر آن بر ثابت سرعت حذف یون روی و آب بررسی شد. مقادیر R2، RMSE و VAF به ترتیب برابر با 98/0، 06/0 و 11/98 برای مرحله آزمون برای مدلسازی ثابت سینتیک حذف یون روی و مقادیر 94/0، 004/0 و 03/98 برای مدلسازی سینتیک حذف آب با استفاده از الگوریتم GEP به دست آمد. نتایج نشان داد که مدل های ارایه شده قابلیت استفاده برای پیش بینی ثابت سرعت سینتیکی حذف یون روی و حذف آب در طول فلوتاسیون را دارند. نتایج تجزیه و تحلیل حساسیت نشان داد که pH محلول و نسبت مولاریته یون روی به کلکتور به ترتیب تاثیر معناداری بر ثابت سینتیکی حذف یون روی و حذف آب دارند.

پیکره آبی دریاچه ارومیه در سال های اخیر به دلایل مختلف از قبیل خشک سالی های متوالی با کاهش شدید سطح و حجم روبرو شده است. بنابراین، در این پژوهش وضعیت خشک سالی در ایستگاه سینوپتیک تبریز به عنوان یکی از ایستگاه های مهم حوزه آبخیز دریاچه ارومیه در مقیاس های زمانی مختلف با استفاده از شاخص بارش-تبخیر و تعرق استاندارد شده (SPEI) و مدل برنامه ریزی بیان ژن (GEP) مورد بررسی قرار گرفت. برای این منظور از شاخص SPEI در مقیاس های زمانی 1، 3، 6، 12، 24 و 48 ماهه طی دوره ی آماری 53 ساله برای پایش وضعیت خشک سالی در این ایستگاه استفاده شد. نتایج نشان داد سه دوره طولانی مدت خشک سالی مربوط به سال های 1963-1961، 1992-1986 و 2009-1997 در طول دوره آماری وجود دارد. سپس با استفاده از سری زمانی مقادیر SPEI در 5 مدل ورودی با تأخیرهای یک تا 5 ماهه و مدل GEP نسبت به پیش بینی خشک سالی اقدام گردید. نتایج نشان داد که دقت پیش بینی مدل GEP با افزایش مقیاس محاسبه SPEI رابطه مستقیم دارد و با افزایش مقیاس زمانی SPEI، دقت پیش بینی افزایش پیدا می کند به نحوی که ضریب همبستگی در مرحله آزمون در مقیاس یک ماهه (SPEI1) از 203/0 به 988/0 در مقیاس 48 ماهه (SPEI48) و دقت کلی مدل نیز در SPEI1 از 1/57 درصد به 2/94 درصد در SPEI48 رسید.

تخمین و شبیه­سازی بارندگی یکی از مهمترین حوزه­های علم هیدرولوژی محسوب می­شود. در این مطالعه، برای اولین بار بارش دراز مدت شهر بابلسر در یک بازه 68 ساله از سال 1951 تا 2019 به­صورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینه­یافته پیش­بینی شد. برای انجام اینکار، مدل برنامه ریزی بیان ژن (GEP) با تبدیل موجک (WT) ترکیب شدند. برای آموزش مدل­های هوش مصنوعی از 70 درصد مقادیر مشاهداتی و برای آزمون آنها از 30 درصد باقیمانده استفاده گردید. همچنین، با استفاده از تابع خود همبستگی (ACF) تاخیرهای موثر داده­های سری زمانی شناسایی شدند و با استفاده از آنها، شش مدل GEP مختلف توسعه داده شدند. تعداد ژن­های بهینه­سازی شده مدل GEP مساوی با چهار انتخاب گردید. علاوه بر این تابع Multiplication به­عنوان بهترین تابع اتصال مدل GEP معرفی گردید. مدل برتر GEP با انجام یک تحلیل حساسیت معرفی شد که مقادیر ضریب همبستگی (R) و شاخص پراکندگی (SI) آن به­ترتیب مساوی با 571/0 و 792/0 محاسبه شدند. تاخیرهای شماره (t-1)، (t-2)، (t-12) و (t-24) به­عنوان موثرترین تاخیرهای داده­های سری زمانی معرفی شدند. لازم به ذکر است که در بین موجک­های مادر مختلف، coif به­عنوان موجک مادر برتر معرفی شد و سپس با مدل GEP ترکیب گردید. مدل ترکیبی WGEP مقادیر بارش­ها را با دقت قابل قبولی شبیه­سازی کرد. به عبارت دیگر، تبدیل موجک دقت مدل سازی را به شکل محسوسی بهبود بخشید. به­عنوان مثال مقدار شاخص عملکرد (VAF) برای مدل GEP و WGEP به­ترتیب مساوی با 710/31 و 064/82 بودند.

آبگریزی ­خاک (SWR) از ویژگی­های پویای خاک بوده که نفوذ آب به خاک را کاهش و بر روابط خاک و آب تأثیر دارد. اندازه­گیری مستقیم SWR کاری پرزحمت و وقت­گیر می­باشد. هدف از پژوهش حاضر ارائه توابع رگرسیونی خطی چندگانه (MLR)، شبکه عصبی مصنوعی (ANN) و برنامه­ریزی بیان ژن (GEP) برای برآورد SWR در منطقه فندقلوی اردبیل بود. هشتاد نمونه خاک دست­خورده و دست­نخورده از عمق 0 تا 10 سانتی­متری سه کاربری به­هم چسبیده جنگلی، مرتعی و زراعی برای تعیین برخی ویژگی­های فیزیکی و شیمیایی زودیافت خاک برداشته شد. متغیر SWR به روش زمان نفوذ قطره آب در آزمایشگاه اندازه­گیری شد. از 60 نمونه برای آموزش توابع و 20 نمونه برای آزمون توابع استفاده گردید. همبستگی مثبت و معنی­دار بین میانگین هندسی قطر ذرات خاک (dg) با کربن آلی (**61/0) یافت شد. همبستگی مثبت و معنی­دار بین SWR با کربن آلی (**37/0) و میانگین هندسی قطر ذرات خاک (**62/0) و همبستگی منفی و معنی­دار بین SWR با سیلت (**57/0-) و جرم مخصوص ظاهری (**37/0-) به­دست آمد. نتایج توابع انتقالی نشان داد dg، سیلت و جرم مخصوص ظاهری از مهمترین متغیر­های زودیافت خاک در برآورد SWR بودند. مقادیر آماره­های ضریب تبیین (R2) ، مجذور میانگین مربعات خطا( RMSE) ، میانگین خطا (ME) و نش ساتکلیف(NS)  به ترتیب 18/0،  sec89/16،sec  34/10-، 99/20- و 46/0، sec 85/2، sec 58/0، 37/0 و 19/0، sec 39/13، sec 38/6-، 82/12- به­ترتیب برای بهترین تابع MLR، ANN و GEP در داده­های آزمونی به­دست آمد. بنابراین توابع ANN به دلیل داشتن R2 بالا، RMSE پایین، ME نزدیک به صفر و NS نزدیک به یک در مقایسه با توابع MLR و GEP از دقت بالایی در برآورد SWR در خاک­های منطقه مورد مطالعه برخوردار بودند.

در مناطق دارای شرایط اقلیمی گرم، با توجه به کمبود آب، برآورد تبخیرتعرق از اهمیت ویژه ای در برنامه­ریزی و مدیریت منابع آب برخوردار است. در این مقاله از رویکرد برنامه ریزی بیان­ژن (GEp ) جهت برآورد تبخیر تعرق روزانه در ایستگاه­های سینوپتیک یزد (اقلیم گرم و خشک) و جیرفت (اقلیم گرم و مرطوب) استفاده شده است. نتایج این روش و رابطه­ی تجربی هارگریوز-سامانی با نتایج روابط تجربی پنمن مانتیث فائو-56 صحت­سنجی شده است. برای ارزیابی کارایی روش های مورد استفاده، از پارامترهای آماری ضریب تعیین (R2)، جذر متوسط مربعات خطا (RMSE) و میانگین خطای مطلق (MAE)استفاده شده است. نتایج این پژوهش نشان می دهد که مدل GEp با 951/0R2=و mm/day 66/0RMSE=برای یزد و 958/0R2= و mm/day 65/0RMSE= برای جیرفت نسبت به رابطه هارگریوز- سامانی از عملکرد بالاتری برخوردار است. ازاین رو استفاده از GEp به عنوان مدلی با قابلیت های بالا به ­منظور برآورد تبخیرتعرق در مناطق دارای اقلیم گرم و خشک و همچنین گرم و مرطوب توصیه می­شود.

انرژی تابشی خورشید سرمنشأ انرژی­ های روی کره­ ی زمین است که یکی از منابع مهم انرژی پاک به ویژه در کشور ایران محسوب می­ شود. برآورد درست مقدار تابش خورشیدی به عنوان یکی از پارامترهای مهم در شبیه­ سازی رشد گیاهان و تخمین تبخیرتعرق اهمیت زیادی دارد. هدف از انجام این مطالعه، توانایی مدل شبیه­ سازی GeneXproTools 5. 0در پیش­ بینی تشعشعات خورشیدی بر اساس داده­ های­ هواشناسی (بارش، ساعات آفتابی، رطوبت نسبی، حداکثر دما، حداقل دما، میانگین دما و تابش خورشیدی، هم­ چنین با در نظر گرفتن ارتفاع، طول جغرافیایی و عرض جغرافیایی) در مقیاس روزانه، در 31 ایستگاه در گستره­ ی ایران در بازه­ ی زمانی 2016-2007 می­ باشد. بهترین مدل بر اساس معیارهای ارزیابی RMSE، MAE، ENSو R2انتخاب شد. از نتایج تجزیه و تحلیل، مشخص شد که مقادیر پیشی­ بینی شده سازگاری خوبی با مقادیر اندازه­ گیری شده در مدل برنامه­ ریزی بیان ژن(GEP) دارد. در مدل GEP، سناریوی eبه دلیل در نظر نگرفتن ارتفاع، طول جغرافیایی، عرض جغرافیایی، بارش، رطوبت نسبی، حداکثر دما و حداقل دما، دارای ضریب همبستگی کمتر و خطای بیشتری می­ باشد و کارایی کمتری دارد. در این مدل، در سناریوی cبا اضافه شدن پارامترهای میانگین دما و تابش خورشیدی، برآورد مطلوب­ تری از تابش خورشیدی حاصل می­ شود. نتایج سناریوهای cو eبسیار به هم نزدیک می­ باشد، اما سناریوی eدر پیش­ بینی تابش خورشیدی ضعیف­ تر عمل می­ کند و بهترین مدل در این مطالعه، سناریوی cمی­ باشد. زمانی که عرض جغرافیایی، بارش، رطوبت نسبی، حداکثر دما، حداقل دما، میانگین دما و تابش خورشیدی برای پیش­ بینی تابش خورشیدی در نظر گرفته شود، نتایج دقیق­ تری حاصل می­ شود. هم­ چنین، معیارهای ارزیابی تحت سناریوی cبا 72/0=R2، 59/3=RMSE، 82/2= MAE و 72/0= NSEدر بخش آموزش از سایر سناریوها بیشتر می­ باشد. در مجموع روش GEPدقیق­ ترین نتایج را در تخمین تابش خورشیدی روزانه در گستره­ ی ایران دارد.

برآورد دبی بار رسوبات معلق رودخانه ها به دلیل تاثیرگذاری بر طراحی و مدیریت سازه های آبی، در مهندسی آب، هیدرولیک و محیط زیست مهم می باشد. تاکنون تلاش های گوناگونی جهت برآورد دقیق بار رسوبات معلق توسط پژوهشگران انجام شده است که برای مثال می توان به برقراری رابطه بین دبی جریان و دبی رسوب اشاره نمود. مشکل این روش، عدم قطعیت آن می باشد. از این رو، شماری از محققان به روش های هوشمند و الگوریتم های تکاملی، روی آورده اند. در پژوهش حاضر به منظور پیش بینی بار رسوب معلق ایستگاه های هیدرومتری جلوگیر و پای پل واقع در بالادست سد مخزنی کرخه، روش برنامه ریزی بیان ژن مورد استفاده قرار گرفت و نتایج به دست آمده با نتایج روش های منحنی سنجه رسوب و فائو مقایسه گردید. برای انجام این کار داده های دبی جریان، دبی رسوب و ارتفاع باران دو ایستگاه بین سال های 1390-1365 جمع آوری شد. برای اجرای مدل برنامه ریزی بیان ژن دو سناریو تعریف گردید. در سناریوی اول از اطلاعات دبی جریان و دبی رسوب ایستگاه ها استفاده شد و در سناریوی دوم از اطلاعات ارتفاع باران حوضه آبریز نیز استفاده گردید. نتایج نشان داد سناریوی دوم عملکرد بهتری در مقایسه با سناریوی اول داشته است. همچنین، مقایسه نتایج اجرای این مدل در بخش آزمون سناریوی دوم نشان داد که این روش نسبت به روش منحنی سنجه رسوب، میزان خطای RMSE و MAE را به مقدار 91% و 94% برای ایستگاه هیدرومتری جلوگیر و 60% و 71% برای ایستگاه هیدرومتری پای پل کاهش داده است. مقایسه همین نتایج با روش فائو نیز نشان دهنده کاهش خطای RMSE و MAE به میزان 92% و 96% برای ایستگاه هیدرومتری جلوگیر و 85% و 95% برای ایستگاه هیدرومتری پای پل می باشد.