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

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.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

الگوریتم جستجوی گرانشی، یک روش بهینه سازی ساده و کارامد است که اخیرا برای حل مسائل بهینه سازی تک هدفه ارائه شده است. در این مقاله، برای اولین بار ساختار همسایگی نزدیکترین-بهتر در الگوریتم های هوش جمعی تعریف شده و سپس در الگوریتم جستجوی گرانشی برای حل مسائل بهینه سازی چندمدی استفاده شده است. برای این منظور، ابتدا دو ساختار همسایگی "نزدیکترین-بهتر توپولوژیکی" و "نزدیکترین-بهتر مبتنی بر فاصله" تعریف شده، سپس این دو ساختار به طور مجزا در الگوریتم جستجوی گرانشی استفاده شده و دو نسخه ی مختلف از الگوریتم جستجوی گرانشی برای حل مسائل بهینه سازی چندمدی ارائه می شود. برای بررسی کارایی الگوریتم های پیشنهادی، یک ارزیابی تجربی روی چندین تابع محک چندمدی استاندارد صورت گرفته است. نتایج این آزمایشات نشان می دهد که الگوریتم های پیشنهادی می توانند نتایج خوبی نسبت به سایر الگوریتم های بهینه ساز چندمدی به دست آورند.

دیابت بیماری است، که براثر قطع تولید انسولین و یا عدم کارکرد مناسب در بدن به وجود می آید. تشخیص زودرس زخم پای دیابتی از تصاویر حرارتی کف پا، از روش های جدید تشخیص زخم پای دیابتی است. در این مقاله با بهینه سازی الگوریتم نزدیک ترین همسایگی، تشخیص زودرس زخم پای دیابتی، با مقایسه تشابه تصویر حرارتی کف پای چپ و راست، انجام می گیرد. و وضعیت احتمال زخم کف پا تشخیص داده می شود. در راهکار پیشنهادی با حذف نواحی اضافه و ساخت تصویر دمایی از تصاویر کف پاها، با استفاده از تکنیک های انطباق تصویر بر روی هم و سپس استخراج ویژگی های آماری نظیر توزیع استاندارد، درصد پیکسل های نامشابه و میانگین حرارتی کف پاها سعی در تشخیص زودرس وضعیت زخم فرد می شود. الگوریتم مورد نظر بر روی داده های انتخاب شده، بررسی و ارزیابی گردید و نتایج نشان ازدقت بالا و کارایی آن دارد. برای ارزیابی روش پیشنهادی از تصاویر حرارتی به روش اعتبارسنجی متقابل استفاده نموده ایم که در مجموع به دقت 85. 14% دست یافته ایم.