مقدمه و هدف: بازیابی ژنوتیپ در طرح های انتخاب ژنومی به دلیل آنکه می تواند هزینه های انتخاب ژنومی را کاهش دهد بدون اینکه تاثیر منفی بر صحت انخاب ژنومی داشته باشد در طی سال های اخیر مورد توجه محققین قرر گرفته است. در فرآیند بازیابی ژنوتیپ، ژنوتیپ نشانگرهایی که به هر دلیل اطلاعات ژنوتیپی آن ها از دست رفته است با استفاده از روش های مختلف آماری بازیابی می شود. مواد و روش ها: جهت ایجاد ماتریس ژنوتیپی، ژنومی متشکل از 1 کروموزوم به طول یک مورگان برای 250 و 1000 فرد شبیه سازی شد که بر روی آنها در سناریوهای مختلف، 250، 500، 750، 1000، 1500 و 2000 نشانگر چند شکلی تک نوکلیوتیدی (SNP) توزیع گردید. جهت ایجاد فایل اطلاعات حاوی ژنوتیپ های از دست رفته، اطلاعات ژنوتیپی به ترتیب 5، 10، 25، 50، 75 و 90 درصد SNPها از ماتریس ژنوتیپی حذف شده تا مجددا توسط روش KNN بازیابی شوند. درصد ژنوتیپ های به درستی بازیابی شده (نسبت تعداد ژنوتیپ های به درستی بازیابی شده به کل ژنوتیپ های از دست رفته) و همبستگی بین ماتریس ژنوتیپی اولیه (فاقد اطلاعات ژنوتیپی از دست رفته) و ماتریس ژنوتیپی بازیابی شده به عنوان شاخص های صحت بازیابی ژنوتیپ مورد استفاده قرار گرفت. یافته ها: در جمعیت شامل 250 فرد صحت بازیابی ژنوتیپ در سناریوهای 5، 10، 25، 50، 75 و 90 درصد، صحت بازیابی ژنوتیپ به ترتیب برابر 0/82، 0/82، 0/80، 0/76، 0/62 و 0/40 بود اما با افزایش جمعیت به 1000 فرد، صحت بازیابی ژنوتیپ برابر 0/83، 0/83، 0/82، 0/82، 0/71 و 0/54 حاصل شد که بویژه تاثیر افزایش جمعیت در دو سناریو 75 و 90 درصد ژنوتیپ از دست رفته قابل توجه بود. همبستگی بین ماتریس ژنوتیپی اولیه و ماتریس ژنوتیپی بازیابی شده نیز با افزایش درصد حذف کاهش یافت. با افزایش تعداد SNPها از 250 به 2000، صحت بازیابی ژنوتیپ از 0/67 به 0/84 افزایش یافت. همچنین یک رابطه معکوس بین فراوانی آلل نادر (MAF) با صحت بازیابی ژنوتیپ مشاهده شد به صورتیکه با افزایش MAF از 01/0 به 5/0، صحت بازیابی ژنوتیپ 15 درصد کاهش نشان داد. مدت زمان بازیابی ژنوتیپ نیز با افزایش ابعاد ماتریس ژنوتیپی به صورت تصاعدی افزایش یافت. با افزایش درصد ژنوتیپ های بازیابی شده، صحت پیش بینی ارزش های اصلاحی ژنومی کاهش یافت. در سناریوهای 5 و10 درصد ژنوتیپ بازیابی شده تغییری در صحت مشاهده نشد اما در دو سناریو 75 و 90 درصد ژنوتیپ بازیابی شده، صحت پیش بینی ارزش های اصلاحی ژنومی به ترتیب 16 و 32 درصد کاهش یافت. نتیجه گیری: به طور کلی صحت بازیابی ژنوتیپ های از دست رفته با استفاده از روش KNN قابل قبول بود به طوری که با افزایش درصد ژنوتیپ های از دست رفته تا 50 درصد، KNN با صحتی در حدود 80 درصد ژنوتیپ های از دست رفته را بازیابی نمود و بنابراین می توان این روش را برای طرح های انتخاب ژنومی پیشنهاد نمود.

مقدمه و هدف: روش رایج در برآورد بقا، مدل کاکس است که اعتبار نتایج آن، به پذیره مخاطرات متناسب وابسته است. روش k- نزدیکترین همسایگی یک روش ناپارامتری برای احتمالات بقا در جوامع ناهمگن می باشد. هدف این مطالعه مقایسه کارایی مدل کاکس و روش k- نزدیکترین همسایگی (KNN) است.روش کار: این مطالعه کوهورت گذشته نگر بر روی 475 بیمار دریافت کننده پیوند کلیه طی سال های 1390-1373 شهر همدان می باشد. اطلاعات از پرونده های پزشکی بیماران استخراج شد. مدت زمان بین پیوند کلیه و رد برگشت ناپذیر پیوند به عنوان پاسخ در نظر گرفته شد. برای مدل سازی داده ها، از مدل کاکس و روش KNN و برای مقایسه کارایی مدل ها از خطای پیش بینی نمره بری یر استفاده شد.نتایج: از 475 گیرنده پیوند، 55 نفر (11.50%) رد پیوند داشتند. میزان بقای 5، 10 و 15 سال به ترتیب 91.70%، 84.90% و 74.50% بدست آمد. تعداد همسایگی بهینه با روش اعتبار سنجی متقاطع برابر 45 بدست آمد. نمره بری یر برای الگوریتم KNN در زمان های 5، 10 و 15 سال 0.003، 0.006 و 0.007 و برای مدل کاکس به ترتیب 0.036، 0.058 و 0.069 بدست آمد. روش KNN با تعداد همسایگی 45 خطای پیش بینی کمتری در زمان های 5، 10 و 15 سال نسبت به مدل کاکس دارد که نشان می دهد این روش عملکرد بهتری دارد.نتیجه نهایی: نتیجه این مطالعه نشان می دهد که پیش بینی روش KNN نسبت به مدل کاکس زمانی که حجم نمونه بالا و تعداد متغیرهای پیشگو زیاد است، دقت بالاتری دارد.

مدل های گردش عمومی (General Circulation Models- GCMs) مناسبترین ابزار برای مطالعه پدیده تغییر اقلیم شناخته شده اند. اما این مدل ها به شبیه سازی پارامتر های اقلیمی در مقیاس بزرگ می پردازند که این مقیاس ها برای شبیه سازی فرایندهایی از جمله مدل های باران- رواناب کارایی ضعیفی دارد. ازاین رو روش های مختلف ریزمقیاس نمایی ایجاد و توسعه یافتند. در این پژوهش مدل ریزمقیاس نمایی، بر اساس روش ناپارامتریک نزدیکترین همسایگی (K-Nearest Neighbor-K-NN) ارائه شده است. در ادامه برای ارزیابی کارایی مدل، داده های بارش روزانه برای دوره آتی (2044-2015) در ایستگاه اهواز تحت سه سناریوی تغییر اقلیم بر اساس خروجی سه مدل HadCM3، NCARPCM و CSIROMK3.5 تحت سناریوی انتشار A2 شبیه سازی شده است. نتایج نشان داد که مدل ارائه شده توانایی بالایی در ریزمقایس نمایی داده های اقلیمی دارد. همچنین برای ایستگاه اهواز احتمال وقوع رگبارها با شدت بیشتر در دوره آتی افزایش یافته در حالیکه طول دوره های خشک نیز طولانی تر خواهد شد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

مدولاسیون دما در حسگرهای گاز مبتنی بر اکسیدهای فلزی، از جمله SnO₂، موجب تغییر دمای عملیاتی حسگر می شود. این تغییرات، حساسیت و گزینش پذیری حسگر را در تشخیص اسید استیک موجود در سرکه افزایش داده و امکان تعیین خلوص سرکه را فراهم می کنند. در مدولاسیون دمایی حسگرهای گاز، از چرخه های دمایی برای ثبت پاسخ حسگر به ترکیبات مختلف استفاده می شود. این پاسخ ها به عنوان ویژگی های طبقه بندی استخراج شده و امکان تمایز و شناسایی ترکیبات را فراهم می کنند. در این پژوهش، با استفاده از الگوریتم نزدیک ترین همسایه، ویژگی های استخراج شده به طور مؤثری برای طبقه بندی نمونه های سرکه و تعیین خلوص آن ها به کار گرفته شد. به ریزگرمکن حسگر گاز MQ2 یک ولتاژ مربعی اعمال شد که موجب تغییر دمای حسگر و ایجاد الگوهای متمایز در پاسخ آن گردید. پاسخ ولتاژ حسگر به بخارات سرکه با خلوص های مختلف در سه مرحله ثبت شد. از هر الگوی ایجادشده در پاسخ حسگر، هفت ویژگی متمایز انتخاب شد که به عنوان ورودی های الگوریتم طبقه بندی مورد استفاده قرار گرفتند. دقت الگوریتم پیشنهادی در تشخیص خلوص سرکه برابر با 86 درصد بوده و این روش قابلیت استفاده در سیستم های تشخیص خودکار را دارد.

برآورد بار رسوبی معلق رودخانه ها با توجه به خسارات ناشی از عدم توجه و لحاظ کردن آن، یکی از مهم ترین و اساسی ترین چالش های مطالعات انتقال رسوب و مهندسی رودخانه می باشد. با توجه به اهمیت و نقش رسوب در طراحی و نگهداری سازه های هیدرولیکی همچون سدها و همچنین برنامه ریزی جهت استفاده بهینه از منابع آبی در پایین دست رودخانه ها و حفظ منابع مغذی بالادست آن ها، همواره تلاش های بسیاری در زمینه تخمین میزان بار رسوبی معلق رودخانه ها انجام گرفته و روش های متعددی در این زمینه توسعه یافته است. اما با توجه به هزینه بر بودن اکثر روش ها و یا عدم دقت کافی در اکثر روش های تجربی مرسوم، نیاز به روش نوینی که بتواند بار رسوبی معلق رودخانه را با بیشترین دقت ممکن تخمین زند، امری ضروری به نظر می رسد. در این مطالعه میزان بار رسوبی معلق رودخانه لیقوان چای توسط روش های رگرسیون بردار پشتیبان و k -نزدیک ترین همسایگی برآورد گردیدند. نتایج نشان دهنده عملکرد مناسب هر دو روش داده کاوی بررسی شده در این تحقیق می باشد. از میان روش های بررسی شده در این تحقیق، روش رگرسیون بردار پشتیبان میزان بار رسوبی معلق رودخانه لیقوان چای را با ارائه مقادیر ضریب همبستگی برابر با 0.959 و ریشه میانگین مربعات خطا برابر با 43.547 (تن در روز) با دقت بیشتری نسبت به روش k -نزدیک ترین همسایگی پیش بینی کرد.