Д815 параметры характеристики: Д815Д металл, Стабилитрон кремниевый мощный, 12В, СЗТП

Стабилитрон Д815 Д815А, Д815Б, Д815В, Д815Г, Д815Д, Д815Е, Д815Ж

Поиск по сайту

Стабилитрон Д815 (Д815А, Д815Б, Д815В, Д815Г, Д815Д, Д815Е, Д815Ж) — диффузионно-сплавной, кремниевый, большой и средней мощности. Основное назначение — стабилизация диапазона напряжений от 5,6 В до 18 В. Ток стабилизации имеет диапазон от 25 мА до 1,4 А. Имеет жёсткие выводы и металлостеклянный корпус. На корпусе стабилитрона наносится его тип и цоколёвка. В рабочем режиме корпус стабилитрона является катодом (отрицательным выводом). С комплектующими деталями стабилитрон весит 6 г. Электрические параметры Д815 (Д815А, Д815Б, Д815В, Д815Г, Д815Д, Д815Е, Д815Ж) Напряжение стабилизации стабилитрона Д815: при Iст = 1 А: Д815А 5…5,6…6,2 В Д815Б 6,1. ..6,8…7,5 В Д815В 7,4…8,2…9,1 В при Iст = 500 мА: Д815Г 9…10…11 В Д815Д 10,8…12…13,3 В Д815Е 13,3…15…16,4 В Д815Ж 16,2…18…19,8 В Временна´я нестабильность напряжения стабилизации, не более: при Iст = 1 А для Д815А, Д815Б, Д815В 4 % при Iст = 0,5 А для Д815Г, Д815Д, Д815Е, Д815Ж 4 % Постоянное напряжение (прямое) при Iпр = 0,5 А, не более 1,5 В Дифференциальное сопротивление, не более: при Iст = 1 А и Т = +25°C: Д815А 0,6 Ом Д815Б 0,8 Ом Д815В 1 Ом при Iст = 0,5 А и Т = +25°C: Д815Г 1,8 Ом Д815Д 2 Ом Д815Е 2,5 Ом Д815Ж 3 Ом при Iст = 50 мА и Т = +25°C: Д815А 20 Ом Д815Б 15 Ом Д815В 8 Ом при Iст = 25 мА и Т = +25°C: Д815Г 15 Ом Д815Д 20 Ом Д815Е 25 Ом Д815Ж 30 Ом при Iст = 50 мА и Т = 60 и +120°C: Д815А 30 Ом Д815Б 20 Ом Д815В 12 Ом при Iст = 25 мА и Т = -60 и +120°C: Д815Г 20 Ом Д815Д 30 Ом Д815Е 40 Ом Д815Ж 50 Ом Предельные характеристики стабилитрона Д815 (Д815А, Д815Б, Д815В, Д815Г, Д815Д, Д815Е, Д815Ж) Минимальный ток стабилизации: Д815А, Д815Б, Д815В 50 мА Д815Г, Д815Д, Д815Е, Д815Ж 25 мА Максимальный ток стабилизации: При Т ≤ +75°C: Д815А 1,4 А Д815Б 1,15 А Д815В 0,95 А Д815Г 0,8 А Д815Д 0,65 А Д815Е 0,55 А Д815Ж 0,45 А При Тк = +130°C: Д815А 360 мА Д815Б 300 мА Д815В 250 мА Д815Г 200 мА Д815Д 170 мА Д815Е 135 мА Д815Ж 110 мА Прямой ток (постоянный) 1 А Перегрузка по току стабилизации в течение 1 с: При Т ≤ +75°C: Д815А 2,8 А Д815Б 2,3 А Д815В 1,9 А Д815Г 1,6 А Д815Д 1,3 А Д815Е 1,1 А Д815Ж 0,9 А При Тк = +130°C: Д815А 720 мА Д815Б 600 мА Д815В 500 мА Д815Г 400 мА Д815Д 340 мА Д815Е 270 мА Д815Ж 220 мА Рассеиваемая мощность: при Т ≤ +75°C: 8 Вт при Тк = +130°C: 2 Вт Температура корпуса 130 °C Рабочая температура (окружающей среды) -60…+120°C

Стабилитрон Д815 — DataSheet

Корпус стабилитронов Д815, Д816, Д817

 

Описание

Стабилитроны кремниевые, диффузионно-сплавные, средней и большой мощности. Предназначены для стабилизации номинального напряжения 5, 6…100 В в диапазоне токов стабилизации 5 мА…1,4 А. Выпускаются в металлостеклянном корпусе с жесткими выводами. Тип стабилитрона приводится на корпусе. Корпус стабилитрона в рабочем режиме служит отрицательным электродом (катодом). Масса стабилитрона с комплектующими деталями не более 6 г.

Стабилитрон должен крепиться к теплоотводящему радиатору, обеспечивающему сохранение температуры корпуса при работе не выше +130 °С Рекомендуется применение алюминиевого радиатора черного цвета толщиной 3…4 мм, площадью не менее 100 см². При креплении стабилитрона к радиатору крутящий момент, воздействующий на вывод катода, не должен превышать 1,17 Н·м. Запрещается прилагать к анодному выводу растягивающую силу более 14,7 Н и изгибающее усилие, превышающее 7,35 Н·м в месте просечки.

Пайка анодного вывода допускается не ближе 5 мм от корпуса; время пайки не более 3 с при температуре жала паяльника не выше +280 °С.

Допускается последовательное соединение любого числа стабилитронов. Параллельное включение стабилитронов разрешается при условии, что суммарная рассеиваемая на всех стабилитронах мощность не превышает допустимую для одного стабилитрона.

 

Характеристики стабилитрона Д815

Обозначение		Значение для:							Ед. изм.
		Д815А	Д815Б	Д815В	Д815Г	Д815Д	Д815Е	Д815Ж
Аналог		—	—	—	—	—	—	—	—
Uст	мин.	5	6.1	7.4	9	10.8	13.3	16.2	В
	ном.	—	—	—	—	—	—	—
	макс.	6.2	7.5	9.1	11	13.3	16.4	19.8
	при Iст	1000	1000	100	500	500	500	500	мА
αUст		0.045	0.05	0.07	0.08	0.09	0.1	0.11	%/°C
δUст		4	4	4	4	4	4	4	%
Uпр  (при Iпр, мА)		1.5 (500)	1.5 (500)	1.5 (500)	1.5 (500)	1.5 (500)	1.5 (500)	1.5 (500)	В
rст (при Iст, мА)		0.6 (1 А)	0.8 (1 А)	1 (1 А)	1.8 (500)	2 (500)	2.5 (500)	3 (500)	Ом
Iст	мин.	50	50	50	25	25	25	25	мА
	макс.	1400	1150	950	800	650	550	450
Pпp		8	8	8	8	8	8	8	Вт
T		-60…+125	-60…+125	-60…+125	-60…+125	-60…+125	-60…+125	-60…+125	°C

• U_ст — Напряжение стабилизации.
• α_Uст — Температурный коэффициент напряжения стабилизации.
• δ_Uст — Временная нестабильность напряжения стабилизации.
• U_пр — Постоянное прямое напряжение.
• I_пр — Постоянный прямой ток.
• r_ст — Дифференциальное сопротивление стабилитрона.
• I_ст — Ток стабилизации.
• P_пp — Прямая рассеиваемая мощность.
• T — Температура окружающей среды.

Зависимость максимальной рассеиваемой мощности от температуры	Зависимость максимального тока стабилизации от температуры
Зависимость максимального тока стабилизации от температуры	Зависимость максимального тока стабилизации от температуры
Зависимость дифференциального сопротивления от тока стабилизации

Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.

Д815А, Д815АП, Д815Б, Д815БП, Д815В, Д815ВП, Д815Г, Д815ГП, Д815Д, Д815ДП, Д815Е, Д815ЕП, Д815Ж, Д815ЖП

Все картинки в новостях кликабельные, то есть при нажатии они увеличиваются. Стабилитроны кремниевые диффузионные: Д815А, Д815Б, Д815В, Д815Г, Д815Д, Д815Е, Д815Ж. Выпускаются в металлостеклянном корпусе с жёсткими выводами. У стабилитронов, в обозначении которых отсутствует буква П, корпус является отрицательным электродом. У стабилитронов, имеющих в обозначении букву П, полярность обратная. Масса стабилитрона не более 6 граммов. Чертёж стабилитрона Д815А, Д815АП, Д815Б, Д815БП, Д815В, Д815ВП, Д815Г, Д815ГП, Д815Д, Д815ДП, Д815Е, Д815ЕП, Д815Ж, Д815ЖП Электрические параметры. Напряжение стабилизации номинальное при 24,85°С при Iст.ном=1000 мА Д815А, Д815АП 5,6 В Д815Б, Д815БП 6,8 В Д815В, Д815ВП 8,2 В при Iст.ном=500 мА Д815Г, Д815ГП 10 В Д815Д, Д815ДП 12 В Д815Е, Д815ЕП 15 В Д815Ж, Д815ЖП 18 В Разброс напряжения стабилизации при 24,85°С Iст=Iст.ном Д815А, Д815АП От 5,0 до 6,2 В Д815Б, Д815БП От 6,1 до 7,5 В Д815В, Д815ВП От 7,4 до 9,1 В Д815Г, Д815ГП От 9,0 до 11,0 В Д815Д, Д815ДП От 10,8 до 13,3 В Д815Е, Д815ЕП От 13,3 до 16,4 В Д815Ж, Д815ЖП От 16,2 до 19,8 В Средний температурный коэффициент напряжения стабилизации при температуре от -60,15 до 124,85°С, не более Д815А, Д815АП 0,045 %/К Д815Б, Д815БП 0,050 %/К Д815В, Д815ВП 0,070 %/К Д815Г, Д815ГП 0,080 %/К Д815Д, Д815ДП 0,090 %/К Д815Е, Д815ЕП 0,100 %/К Д815Ж, Д815ЖП 0,110 %/К Временна́я нестабильность напряжения стабилизации, не более Д815А, Д815АП, Д815Б, Д815БП, Д815В, Д815ВП, Д815Г, Д815ГП, Д815Д, Д815ДП, Д815Е, Д815ЕП, Д815Ж, Д815ЖП 4 % Постоянное прямое напряжение при 24,85°С, Iпр=500 мА, не более 1,5 В Дифференциальное сопротивление, не более при 24,85°С, Iст=Iст.ном Д815А, Д815АП 0,6 Ом Д815Б, Д815БП 0,8 Ом Д815В, Д815ВП 1,0 Ом Д815Г, Д815ГП 1,8 Ом Д815Д, Д815ДП 2,0 Ом Д815Е, Д815ЕП 2,5 Ом Д815Ж, Д815ЖП 3,0 Ом при 24,85°С, Iст=50 мА Д815А, Д815АП 20 Ом Д815Б, Д815БП 15 Ом Д815В, Д815ВП 8 Ом при 24,85°С, Iст=25 мА Д815Г, Д815ГП 15 Ом Д815Д, Д815ДП 20 Ом Д815Е, Д815ЕП 25 Ом Д815Ж, Д815ЖП 30 Ом при -60,15 и 119,85°С, Iст=50 мА Д815А, Д815АП 30 Ом Д815Б, Д815БП 20 Ом Д815В, Д815ВП 12 Ом при -60,15 и 119,85°С, Iст=25 мА Д815Г, Д815ГП 20 Ом Д815Д, Д815ДП 30 Ом Д815Е, Д815ЕП 40 Ом Д815Ж, Д815ЖП 50 Ом Предельные эксплуатационные данные Д815А, Д815АП, Д815Б, Д815БП, Д815В, Д815ВП, Д815Г, Д815ГП, Д815Д, Д815ДП, Д815Е, Д815ЕП, Д815Ж, Д815ЖП. Минимальный ток стабилизации Д815А, Д815АП, Д815Б, Д815БП, Д815В, Д815ВП 50 мА Д815Г, Д815ГП, Д815Д, Д815ДП, Д815Е, Д815ЕП, Д815Ж, Д815ЖП 25 мА Максимальный ток стабилизации при Тк≤74,85°С Д815А, Д815АП 1400 мА Д815Б, Д815БП 1150 мА Д815В, Д815ВП 950 мА Д815Г, Д815ГП 800 мА Д815Д, Д815ДП 650 мА Д815Е, Д815ЕП 550 мА Д815Ж, Д815ЖП 450 мА при Тк=129,85°С Д815А, Д815АП 360 мА Д815Б, Д815БП 300 мА Д815В, Д815ВП 250 мА Д815Г, Д815ГП 200 мА Д815Д, Д815ДП 170 мА Д815Е, Д815ЕП 135 мА Д815Ж, Д815ЖП 110 мА Постоянный прямой ток 1 А Перегрузка по току стабилизации в течение 1 секунды при Тк≤74,85°С Д815А, Д815АП 2800 мА Д815Б, Д815БП 2300 мА Д815В, Д815ВП 1900 мА Д815Г, Д815ГП 1600 мА Д815Д, Д815ДП 1300 мА Д815Е, Д815ЕП 1100 мА Д815Ж, Д815ЖП 900 мА при Тк=129,85°С Д815А, Д815АП 720 мА Д815Б, Д815БП 600 мА Д815В, Д815ВП 500 мА Д815Г, Д815ГП 400 мА Д815Д, Д815ДП 340 мА Д815Е, Д815ЕП 270 мА Д815Ж, Д815ЖП 220 мА Рассеиваемая мощность при Тк≤74,85°С Д815А, Д815АП, Д815Б, Д815БП, Д815В, Д815ВП, Д815Г, Д815ГП, Д815Д, Д815ДП, Д815Е, Д815ЕП, Д815Ж, Д815ЖП 8 Вт при Тк=129,85°С 2 Вт Температура окружающей среды минимальная -60,15°С Температура перехода 139,85°С Температура корпуса 129,85°С Зависимость дифференциального сопротивления от тока Зависимость дифференциального сопротивления от тока.

Характеристики стабилитрона д815е – Telegraph

Характеристики стабилитрона д815е

====================================

>> Перейти к скачиванию

====================================

Проверено, вирусов нет!

====================================

Стабилитрон Д815: электрические параметры и предельные. Д815Е, 13,3. 15.16,4 В. Д815Ж, 16. Предельные характеристики стабилитрона Д815

Стабилитроны Д815Д кремниевые, диффузионно-сплавные, средней мощности. Предназначены для стабилизации напряжения. Выпускаются в.

Д815 — стабилитроны кремниевые, диффузионно-сплавные, средней мощности. Основные технические параметры стабилитрона Д815А: • Разброс.

Импортные аналоги отечественных стабилитронов. Для поиска. 1095Z4 Д814В 1N1817C Д815Е 1N2048-1 Д815Ж. 1102 КС133А.

всех приборов ±15%. Стабилитроны средней и большой мощности Д815А-Ж … Д816А-Д. Основные характеристики стабилитронов Д815 … Д816.

Даташит на каждый стабилитрон можно посмотреть введя название в поисковую форму datasheet. 1095Z4 Д814В 1N1817C Д815Е 1N2048-1 Д815Ж

Подписывайтесь на нашу группу Вконтакте , и Facebook * При монтаже.

К1156ЕР5, микросхема, 2.5-36 (ток до 100мА) 1%. Отечественные прецизионные стабилитроны (до 5%). Д818(А-Е), Д818, параметры, характеристики.

в голову вольт-амперные характеристики, главное, суметь построить схему. Для примера возьмем стабилитрон 12 вольт (Д814Д) и с его помощью стабилизируем. надо взять более мощный стабилитрон (например, Д815Е).

Параметры стабилитронов и стабисторов большой мощности. Д815Е, 15, 0, 500, 8000, 13,3, 16,4, 2,5, 10,0, 25, 550, 125. Д815Ж, 18,0, 500, 8000, 16,2.

Параметры отечественных стабилитронов. Справочные данные отечественных и. Д815Е, 15,0 (500), 8000, 13,3, 16,4, 2,5, 25, 10, 25, 550, 130, 85.

— Стабилитроны отечественные. Аналоги — Дектел Электроникс. Электронные компоненты NXP STM AMPLEON NEXPERIA WeEn MaxLinear.

Диоды старых типов — стабилитроны варикапы туннельные. Стабилитрон — кремниевый. Imin — минимальный ток стабилизации (при меньших токах характеристика может. Д815Е 13,3-16,4 500 2,5 25 550 0,1

Стабилитроны кремниевые диффузионные. У стабилитронов, в обозначении которых отсутствует буква П, корпус является. Характеристика. Чертёж.

Стабилитроны типа Д815Б, Д815Е;. Вольт-амперные характеристики выпрямительных диодов большой и средней мощности.

Все товары категории Стабилитроны Импорт, Россия — доставка по России, низкие. Характеристики стабилитрона Д815А Минимальное напряжение.

В Д814 серию стабилитронов входят стабилитроны: Д814А, Д814Б, Д814В, Д814Г, Д814Д. Основным. Д815Е, 13,3…16,4, 550.

Работа узла, содержащего конденсатор, выпрямитель и стабилитрон (КВС) по схеме. Для измерения их параметров и снятия внешних характеристик к выходу подключают. При использовании мощных стабилитронов (Д815А.

В базе найдена характеристика на 285 стабилитронов. Д815Е, 13,3, -, 16, 4, 500, 0,10, 4, 1,5 (500), 2,5 (500), 25, 550, 8, -60.+125.

Стабилитроны Д815Б Д815В Д815Д Д815Ж Д816А Д817А Д817Г КС620А КС630А КС930А в Луганске характеристики обзор отзывы.

Импортные аналоги отечественных стабилитронов

Обознач.              Аналог             Обознач.             Аналог         Обознач.            Аналог

 

1075Z4                 Д808                1N1807A            Д815В            1N2046-1            Д815Д

1094Z4                 Д814В                 1N1817               Д815Е             1N2047-1             Д815Е

1095Z4                 Д814В                 1N1817C            Д815Е              1N2048-1            Д815Ж

1102                     КС133А              1N1819               Д815Ж             1N2498               Д815Г

1103                     КС133А              1N1819A            Д815Ж             1N2500               Д815Д

1104                     КС147А              1N1927               КС139А           1N2500A            Д815Д

1106                     КС168А              1N1927A            КС139А           1N3148               Д815В

1111                     Д811                   1N1927B             КС139А           1N3519               Д815Г

1322                     Д816А                1N1984                КС168В           1N3827               КС456А

1327                     Д816Б                 1N1984A            КС168В            1N3827A            КС456А

1333                     Д816В                 1N1984B            КС168В            1N3995              Д815И

1347                     Д816Д                1N1985               КС182А            1N3995A           Д815И

1422                     Д816А                1N1985A            КС182А            1N4026              Д816А

1427                     Д816Б                1N1985B             КС182А            1N4026A           Д816А

1433                     Д816В                1N1986               КС210Б             1N4026B           Д816А

1439                     Д816Г                1N1986A             КС210Б             1N4028             Д816Б

1447                    Д816Д                1N1986B              КС210Б             1N4028A           Д816Б

185Z4                  Д814Б, (В)         1N1988                КС215Ж            1N4028B            Д816Б

1N1355               Д815Е                1N1988A              КС215Ж            1N4030              Д816В

1N1355A            Д815Е                1N1988B              КС215Ж            1N4030A            Д816В

1N1520               КС456А            1N1989                КС218Ж             1N4030B            Д816В

1N1520A            КС456А            1N1989A             КС218Ж              1N4032             Д816Г

1N1602              Д815Б                1N1989B              КС218Ж             1N4032A           Д816Г

1N1765              КС456А            1N1990                 КС222Ж             1N4032B            Д816Г

1N1765A           КС456А            1N1990A              КС222Ж             1N4038               Д817Б

1N1803              Д815А              1N1990B               КС222Ж             1N4038A            Д817Б

1N1803A           Д815А              1N2041                 Д815И                 1N4038B             Д817Б

1N1805              Д815Б              1N2042                 Д815А                  1N4040               Д817В

1N1807              Д815В              1N2045A              Д815Г                   1N4040A            Д817В

Обознач.              Аналог             Обознач.             Аналог         Обознач.            Аналог

1N4040B           Д817В                  1S2110                 Д814Г                 BLVA168C      КС168А

1N4042              Д817Г                  1S2110A              Д814Г                 BLVA195         КC196А

1N4042A           Д817Г                  1S333                   Д814А                BLVA195A      КС196А

1N4042B           Д817Г                  1S334                   Д814А                BLVA195B       КС196А

1N4099              КС168А              1S336                    Д814Г                BLVA195C       КС196А

1N4622              КС139А              1S472                    КС190А             BLVA468         КС168А

1N4624              КС147А              1S473                    Д811, Д814Г      BLVA468A     КС168А

1N4655              КС456А              1S55                      Д818В                BLVA468B      КС168А

1N4686              КС139А              1S7033                  КС133А             BLVA468C      КС168А

1N4688              КС147А              1S7033A               КС133А             BLVA495         КС196А

1N4734              КС456А              1S7033B               КС133А             BLVA495A       КС196А

1N4734A           КС456А              1S760                    Д813                  BLVA495B        КС196А

1N4912              Д814Д                2A44                      КС133А            BLVA495C        КС196А

1N4912A           Д814Д                5330                       Д816Б               BZ6,8                 КС168В

1N4968              Д816Б                5332                       КС168В            BZ7,5                 КС175А

1N4968A           Д816Б                5338                       Д817А               BZ8,2                КС182А

1N4968B           Д816Б                5430                       Д816Б                BZ9,1               КС191А

1N4978             Д817Б                 5432                      Д816В                BZX29C4V7    КС447А

1N4978A           Д817Б                5508                      КС133А             BZX29C5V6    КС456А

1N4978B           Д817Б                653C3                   КС168В              BZX46C3V3   КС133А

1N4980             Д817В                653C4                   КС170А              BZX55C3V3   КС133А

1N5518B          КС133А             653C7                   Д808                    BZX55C4V7   КС147А

1N5518C          КС133А             653C9                   Д808                    BZX55C5V6   КС156А

1N5518D          КС133А             654C9                  КС190А               BZX59C11      Д811

1N674               КС147А             655C9                  КС210Б               BZX69C11       Д811

1N710               КС168А            7708                      КС433А              BZX83C12      КС212Е

1N710A            КС168А            9607                      КС175А              BZX83C33      КС133А

1N715А            Д814Г                AZ10                   КС210Б                BZX83C3V3  КС133А

1N721А            КС156А            AZ11                    КС211Ж              BZX84C10     КС210Б

1N750A            КС147А            AZ13                    КС213Ж              BZX84C11     КС211Ж

1N752A            КС156А            AZ15                    КС215Ж              BZX84C7V5  КС175А

1N764               Д809                 AZ22                    КС222Ж              BZX84C7V8   КС175А

1N764-1           Д814А              AZ4                       Д814А                 BZX84C9V1   КС191А

1N764-3           Д818А              AZ6,8                    КС168В               BZX85C4V7   КС447А

1N764A            Д809                AZ7,5                    КС175А               BZX85C5V6   КС456А

1N766              Д813                 AZ8,2                     КС182А              BZX88C4V7   КС147А

1N766A           Д813                  AZ9,1                    КС191А              BZX88C5V6   КС156А

1S193               Д814А              AZX84C11            КС211Ж             BZY56             КС147А

1S194               Д818А             BLVA168               КС168А             BZY50              КС168А

1S196               Д814Г             BLVA168A             КС168А             BZY83C11       Д811

1S2033             КС133А          BLVA168B             КС168А             BZY83C4V7    КС147А

1S2033A          КС133А

Справочник стабилитронов отечественных. Datasheets с подробными характеристиками.

Отечественные производители стабилитронов
Наименование		Напряжение стабилизации, В
Импортные стабилитроны
BZX55C0V8 — BZX55C100		0.8-100 (0.5 Вт, 5% и 2%)
BZX85C3V6 — BZX85C100		3.6-200 (1.3 Вт, 5% и 2%)
1N4728 — 1N4764		3.3-100 (1 Вт, 10% и 5%)
Отечественные интегральные аналоги стабилитрона
К142ЕН19		2.5-30 (ток до 100мА)
К1156ЕР5		2.5-36 (ток до 100мА) 1%
Отечественные прецизионные стабилитроны  (до 5%)
Д818(А-Е)		8, 8.5, 9, 9.5
2С108(Г-Р)		6,4
2С166(А-В),КС166(А-В)		6.4, 6.6
2С164(Н-К)		6.4, 6.6
2С190(Б-Д),КС190(Б-Д)		9
2С190(Е-Т)		9
2С191(М-Р),КС191(М-Р)		9,1
2С191(С-Ф),КС191(С-Ф)		9,1
КС211(Б-Д)		11
КС405А		6,2
КС515Г,КС520В,КС524Г, КС531, КС547		15, 20, 24, 31, 47
КС539Г,КС568В,КС582Г, КС596В		39, 68, 82, 96
Отечественные импульсные стабилитроны
2С175Е-2С213Е,КС175Е-КС213Е		7.5, 8.2, 9.1, 10, 11, 12, 13
Отечественные двуханодные стабилитроны
2С170А,КС170А		7
КС162А,КС168В,КС175А, КС182А, КС191А, КС210Б, КС213Б		6.2, 6.8, 7.5, 8.2, 9.1, 10, 11, 12, 13
Отечественные стабисторы
2С107А,КС107А		0,6
2С113А,2С119А,КС113А, КС119А		1.25, 1.86
Отечественные стабилитроны общего назначения
Д808-Д813		8, 9, 10, 11, 13
Д814(А-Д)		8, 9, 10, 11, 13
Д815(А-Д), Д816(А-Д),Д817(А-Д)		5.6, 6.8, 8.2, 10, 12, 15, 18, 22, 27, 33, 39, 47, 56, 68, 82, 100
КС133А-КС168А		3.3, 3.9, 4.7, 5.6, 6.8
2С133Г-2С156Г		3.3, 3.9, 4.7, 5.6
2С156Ф		5,6
2С175Ж-2С224Ж, КС175Ж-КС224Ж		7.5, 8.2, 9.1, 10, 11, 12, 13, 15, 16, 18, 20, 22,24
2С175Ц-2С212Ц		7.5, 8.2, 9.1, 10, 11, 12
2С291А,КС291А		91
КС406(А,Б), КС508(А-Д)		8.2, 10, 12, 15, 16, 18, 24
КС407(А-Д)		3.3, 3.9, 4.7, 5.1, 6.8
КС409А		5,6
2С433А-2С468А, КС433А-КС468А		3.3, 3.9, 4.7, 5.6, 6.8
КС509(А-В)		14.7, 18, 20
КС533А		33
2С551А-2С600А, КС551А-КС600А		51, 91, 100
КС620А-КС680А		120, 130, 150, 180
2С920А-2С980А		120, 130, 150, 180
интернет казино играть casino riva казино Aladdins Gold

Типы стабилитронов | Основы электроакустики

Стабилитроны применяют в качестве стабилизаторов или опорных элементов электрических цепей. Их работа основана на электрическом (лавинном или туннельном) пробое р-n-перехода под действием обратного напряжения. В этих диодах для работы ис-, пользуется обратная пробойная ветвь ВАХ p-n-перехода . В пределах рабочего участка АВ этой ветви характери­стики значительное изменение тока через диод от Iст.мин До Iст.мако сопровождается лишь небольшим увеличением напряжения AUCТ. Как правило, стабилитроны изготовляют из кремния, обладающего незначительным тепловым током Iо и устойчивыми характеристи­ками в широком диапазоне температур. Стабилитроны характери­зуются следующими параметрами.

Номинальное напряжение стабилизации Uст, измеряемое при не­котором среднем (номинальном) токе.

Минимальный Iст.мин и максимальный Iст.макс токи стабилизации. При токах, меньших Iст.мин, растет rДИф и пробой становится неус­тойчивым. При токах, больших Iст.макс, увеличивается мощность рас­сеивания и разогрев диода, возрастает опасность теплового пробоя и повреждения диода. Температурный уход напряжения стабилизации ДUСт.т, опреде­ляемый как разность номинальных- напряжений стабилизации UСт1, Uст2 при двух температурах окружающей среды.

Температурный коэффициент напряжения стабилизации, равный отношению относительного изменения напряжения к абсолютному изменению температуры окружающей среды   Несимметричность, напряжения стабилизации Uсе симметричных приборов, состоящих из двух (соединенных встречно) р-л-переходов.

Такие стабилитроны вклю­чаются в схему любой по­лярности и за счет эффекта компенсации (прямая и об­ратная ветви имеют разные знаки ТКU) обладают мень­шим TKUcT.

В стабисторах ис­пользуются свойства прямой ветви ВАХ Параметры стабис-торов аналогичны парамет­рам стабилитронов, а их максимальные токи, мощно­сти и тепловые „параметры те же, что и у выпрямитель­ных диодов. Кремниевые сплавные стабилитроны Д815 (А — И) выпускают в металлическом герметичном корпусе  винтом, массой 6 г, с диапазоном рабочих тем­ператур от — 60 до +100 °С. Корпус у стабилитронов является положительным электродом. Если в их обозначение введена дополнительно буква П, например Д815АП, они имеют обратную полярность. Электрические параметры стабилитронов приведены в табл. 86.

Параметры	Типы стабилитронов
	Д815А	Д815Б	Д815В 1 Д815Г		Д815Д	Д815Е	Д815Ж	Д815И
Напряжение стабилизации, В	5,6	6,8	8,2	10	12	15	18	4,7
Дифференциальное сопротивление, Ом, при токе стабилизации	0,9	1,2	1,5	2,7	3	3,8	4,5	0,9
Ток стабилизации, А: при котором измеряется на-	1	1	1	0,5	0,5	0,5	0,5	1
пряжение стабилизации максимальный при температу- ре от — 60 до +70°С	1,4	1,15	0,95	0,8	0,65	0,55	0,45	1,4
минимальный при температуре от — 60 до +100°С	0,05	0,05	0/,05	0,025	0,025	0,025	0,025	0,05
Температурный коэффициент на пряжения, %/°С	0,056	0,062	0,088	0,1	0,11	0,13	0,14	0,56
Мощность рассеивания, Вт, при температуре от — 60 до +70°С	8	8	8	8	8	8	8	8
Прямой ток, А, при температуре корпуса до 100°С	1	1	1	1	1	1	1	1
Прямое напряжение, В, при токе 0,5 А в	1,5	1,5	1,5	1,5	1,5	1,5	1,5	1,5

Кремниевые сплавные двуханодные стабилитроны КС175А, КС182А, КС191А, КС210Б, КС213Б выпускают в пластмассовом кор­пусе массой 0,35 г, с диапазоном рабочих температур от — 50 до +100°С. Электрические параметры стабилитронов при­ведены в табл. 87.

Параметры	Типы стабилитронов
	КС175А	КС182А	КС191А	КС210Б	КС213Б
Напряжение ста­билизации, В, при номиналь­ном токе	7,5	8,2	9,1	10	10
Дифференциальное сопротивление, Ом, при номиналь­ном токе и тем­пературе, °С:
20	16	14	18	22	25
100	—	30	35	40	50
Той стабилизации, мА
номинальный	5	5	5	5	5
максимальный	18	17	15	14	10
минимальный	3	3	3	3	3
Температурный ко­эффициент на­пряжения, %/°С		0,05	0,06	0,07	0,08
Мощность рассеи­вания, мВт, при температуре от — 55 до +50°С	150	150	150	150	150
Несимметричность напряжения ста­билизации, %	±2	±2	±2	±2 ,	±2

Кремниевые сплавные термокомпенсированные стабилитроны КС211 (Б — Д) применяют для работы в качестве источников опорно­го напряжения и выпускают в пластмассовом корпусе  массой 13 г, с диапазоном рабочих температур от — 60 до 125°С. Электрические параметры стабилитронов приведены в табл. 88.

Кремниевые стабилитроны КС482А, КС515А, КС518А, КС522А, КС527А выпускают в металлическом корпусе с гибкими выводами, массой 1 г, с диапазоном рабочих температур от — 60 до -ИОО°С. Электрические параметры стабилитронов приведены в табл 89.

Кремниевые стабилитроны КС620А, КС630А, КС650А, КС680А выпускают в металлическом корпусе массой 6 г, с диапазоном рабочих температур от — 60 до +100°С Корпус у ста­билитронов является положительным электродом. Если в их обозначение введена дополнительная буква П, например КС620АП, они имеют обратную полярность. Электрические параметры приведены в табл. 90.

Таблица 88

Параметры	Типы стабилитронов
	КС211В	КС211В	КС211Г	КС2ПД
Напряжение стабилиза­ции, В, при токе 10 мА	11 — 13,2	8,8 — 11	9,3 — 12,6	9,3 — 12,6
Дифференциальное со­противление, Ом, при токе 1,0 мА	15	15	15	15
Ток стабилизации, мА, при температуре, °С:				—
минимальный в диа­пазоне от — 60 до — +125	5	5	5	5
максимальный при 25	33	33	33	33
Температурный коэффи­циент напряжения, %/°с	0,02	— 0,02	±0,01	±0,05
Мощность рассеивания, мВт, при температуре 50 °С	280	280	280	280

Таблица 89

Параметры	Типы стабилитронов
	КС482А	КС515А	КС518А	КС522А	КС527А
Напряжение ста­билизации, В, нри токе 5 мА	7,4 — 9	13,5 — 16,5	16,2 — 19,8	19,8 — 24,2	24,3 — 29,7
Д ифференци альное сопротивление, Ом, при токе 5 мА	25	25	25	25	40
Ток табилизации, мА: номинальный	50	50	50	50	50
минимальный	1	1	1	1	1
максимальный при темпера­туре от — 60 до +35°С	96	53	45	37	30
Температурный ко­эффициент на­пряжения, %/°С	0,08	. 0,1	0,1	0,1	0,1
Мощность рассеи­вания, Вт, при температуре от — 60 до +35°С	1	1	1	1	1

Таблица 90

Параметры	Типы стабилитронов
	КС620А	КС630А	КС650А	КС680А
Напряжение стабилизации, В	120	130	150	180
Дифференциальное сопро-	150	180	255	330
тивление, Ом, при номи-
нальном токе стабилиза-
ции
Ток стабилизации, мА:
номинальный	50	50	25 .	25
минимальный	5	5	2,5	2,5
максимальный при тем-	42	38	33	28
пературе от — 60 до
Температурный коэффици-	0,2	0,2	0,2	. 0,2
ент напряжения, %/°С
Мощность рассеивания, Вт	5	5	5	5

Новая молекулярная классификация для управления стратегиями точного лечения первичного синдрома Шегрена

Вычислительные инструменты

За исключением случаев, когда указано, анализ данных проводился с использованием набора программного обеспечения системы R (http://www.R-project.org, V2.10.1), включая пакеты Bioconductor или оригинальный R. Пакеты R указаны там, где это необходимо. Для анализа GWAS мы использовали Plink, набор инструментов для анализа ассоциации всего генома с открытым исходным кодом. Подходы машинного обучения были реализованы с использованием программ на Python (v3.8.5) на основе следующих модулей: scikit-learn, numpy и xgboost.

Популяция пациентов

Настоящее исследование проводилось на пациентах с pSS и HV, включенных в европейское многоцентровое перекрестное исследование консорциума PRECISESADS IMI, в котором участвовали пациенты с семью системными аутоиммунными заболеваниями. Это исследование было заранее запланированным дополнительным исследованием, которое должно было быть проведено специально в популяции pSS и соответствовало утверждениям STROBE (дополнительное примечание). Диагноз ПСШ был поставлен в соответствии с критериями классификации Американско-европейской консенсусной группы 2002 года, по крайней мере, с наличием анти-SSA и / или положительным акцентом на биопсии малой слюнной железы.Выбор набора для анализа пациента подробно описан на дополнительном рис. 1а. Набор проводился с декабря 2014 г. по октябрь 2017 г. с участием 19 учреждений в 9 странах (Австрия, Бельгия, Франция, Германия, Венгрия, Италия, Португалия, Испания и Швейцария). Композитная модель была проверена с использованием транскриптома 37 пациентов с впервые установленным диагнозом pSS, отобранных для начального исследования, также полученного от консорциума PRECISESADS. Начальные пациенты были набраны 10 учреждениями в Испании, Бельгии, Франции, Италии, Германии и Швейцарии.Соответствующим критериям пациентам был поставлен диагноз менее чем через год после постановки диагноза ПСС.

Два исследования (перекрестное и начальное) соответствовали стандартам, установленным Международной конференцией по гармонизации и надлежащей клинической практике (ICH-GCP), и этическим принципам, берущим свое начало в Хельсинкской декларации (2013 г.). Перед включением в исследование каждый пациент подписал информированное согласие. Комиссии по этической экспертизе 19 участвующих учреждений одобрили протокол перекрестного исследования.Более того, протокол начального исследования был одобрен этическими комитетами 10 участвующих учреждений. Эти 10 сайтов также участвовали в перекрестном исследовании, поэтому этические комитеты рассмотрели оба протокола. Были задействованы этические комитеты: Comitato Etico Milano, Италия; Комитет защиты людей Запад VI Брест, Франция; Лувен, Госпитальный комитет по этике, Бельгия; Comissao de ética para a Saude — CES do CHP Порту, Португалия; Ética de Investigación Clínica del Hospital Clínic de Barcelona, ​​Испания; Commissie Medische Ethiek UZ KU Leuven / Onderzoek, Бельгия; Geschaftsstelle Ethikkommission, Кельн, Германия; Ethikkommission Hannover, Германия; Ethik Kommission.Борщкегассе, Вена, Австрия; Комитет по этике и расследованию в центре Гранады, Испания; Кантональная комиссия по исследованиям университетов Женевы, Швейцария; Csongrad Megyei Kormanyhivatal, Сегед, Венгрия; Ethikkommission, Берлин, Германия; Биобанк Андалузской системы общественного здравоохранения, Гранада, Испания.

Защита конфиденциальности записей, которые могут идентифицировать включенных субъектов, обеспечивается в соответствии с определением Директивы ЕС 2001/20 / EC и применимыми национальными и международными требованиями, касающимися защиты данных в каждой стране-участнице.Поперечные и начальные исследования зарегистрированы на ClinicalTrials.com под номерами NCT028 ^{и NCT028}

соответственно.

Для каждого человека были собраны образцы крови, а также биологическая и клиническая информация, как описано в следующих разделах «Методы». Для получения дополнительной технической информации о пробах и сборе данных, пожалуйста, обратитесь к основному документу PRECISESADS ⁵ .

После контроля качества данных транскриптомики RNAseq (описанных ниже), проверки критериев классификации ARC / EULAR (фокусная оценка ≥ 1 очагов / мм² и положительность антител к SSA / Ro) и сопоставление HV с пациентами на основе По возрасту и полу, наша последняя когорта исследования включает 304 пациента с ПСШ и 330 HV.Этот выбор подробно описан на дополнительном рисунке 1. Из 304 pSS 227 (75%) использовались для этапа обнаружения и 77 (25%) были оставлены для проверки (таблица 1).

Доступные данные

Высокомерный генотип омика, транскриптом, ДНК-метилом и пропорции соответствующих типов клеток с использованием пользовательских маркерных панелей проточной цитометрии были проанализированы из образцов цельной крови. Информация с низким размером была получена из образцов сыворотки, включая выбранную серологическую информацию, такую ​​как аутоантитела, цитокины, хемокины и медиаторы воспаления.Следует отметить, что за исключением образцов, собранных для анализа проточной цитометрией, все образцы были отправлены клиническими центрами в Центральный биобанк (Гранада) для обработки, хранения и дальнейшей отправки в центры анализа, где были выполнены различные определения. Проточная цитометрия управлялась в каждом центре свежей крови после многоцентровой гармонизации проточных цитометров, чтобы гарантировать зеркальное отображение всех инструментов ^53,54 , тем самым обеспечивая последующую интеграцию всех данных, полученных с разных участков и инструментов.Следовательно, все разные образцы омиков обрабатывались с использованием одних и тех же протоколов в одном и том же месте (RNA-Seq в Bayer, цитокины в UNIMI, аутоантитела и комплексные анализы проточной цитометрии в UBO, метилом в IDIBELL, GWAS в CSIC, что гарантирует высокое качество.

Методы, используемые для секвенирования РНК, контроля качества, обработки данных и профилирования экспрессии, подробно описаны ниже и на дополнительном рисунке 1c.

RNA-Seq

Методы, используемые для секвенирования РНК, контроля качества, обработки данных , и профилирование выражений подробно описаны ниже и на дополнительном рис.1c. Суммарную РНК экстрагировали из образцов цельной крови, собранных в пробирки Tempus, с использованием технологии Tempus Spin (Applied Biosystems). 1857 образцов были обработаны партиями по 384, рандомизированных в четыре 96-луночных планшета с учетом диагноза пациента, центра набора и даты выделения РНК. Образцы были истощены по мРНК альфа- и бета-глобина с использованием протокола globinCLEAR (Ambion), и 1 мкг общей РНК был использован в качестве входных данных. Впоследствии 400 нг обедненной глобином тотальной РНК использовали для синтеза библиотеки с помощью набора TruSeq Stranded mRNA HT (Illumina).Библиотеки количественно оценивали с помощью кПЦР с набором PerfeCTa NGS (Quanta Biosciences) и объединяли эквимолярные количества образцов из того же 96-луночного планшета. Четыре пула были сгруппированы в проточной кювете с высоким выходом (две дорожки на пул) с использованием набора HiSeq SR Cluster v4 и прибора cBot (Illumina). Впоследствии 50 циклов секвенирования с однократным считыванием были выполнены на приборе HiSeq2500 с использованием набора HiSeq SBS v4 (Illumina). Этапы кластеризации и секвенирования были повторены в общей сложности для трех прогонов, чтобы получить достаточное количество считываний на образец.Необработанные данные секвенирования для каждого цикла были предварительно обработаны с использованием программного обеспечения bcl2fastq, а качество оценивалось с помощью инструментов FastQC. Cutadapt ⁵⁵ использовали для удаления 3′-концевых нуклеотидов с показателем качества ниже 20 Phred, и посторонние адаптеры, кроме того, считывания ниже 25 нуклеотидов после обрезки были отброшены. Затем считанные данные были обработаны и сопоставлены с эталонным геномом UCSC Homo sapiens (Build hg19) с использованием STAR v2.5.2b ⁵⁶ . Использовалось двухпроходное сопоставление с параметрами выравнивания по умолчанию.Для получения данных количественной оценки мы использовали RSEM v1.2.31 ⁵⁷ , в результате чего были получены оценки уровня экспрессии генов (количество транскриптов на миллион, TPM и количество считываний).

Для фильтрации образцов образцы были отфильтрованы по крайней мере в одной из следующих ситуаций: (i) общая сумма подсчета слишком мала (<5000000), (ii) они были извлечены другим методом, чем Tempus Spin, и (iii) значение RIN (интегрированное число РНК) образца ниже 6,5, (iv) образцы с предполагаемым полом RNAseq несовместимы с клиническими данными, и (v) существует несогласие между генотипами, полученными из RNA-Seq, и генотипами, полученными из Генотипирование GWAS.

Для нормализации и пакетной коррекции r отсчетов ead были нормализованы функцией vst преобразования стабилизации дисперсии из пакета DESeq2 (v1.30.0) R ⁵⁸ . Чтобы уменьшить влияние RIN, была применена коррекция с использованием функции ComBat из пакета sva (v3.38.0) R ⁵⁹ , после разделения значений RIN на 7 классов: (7.5, 8], (8.5, 9], (9.5, 10], (8, 8.5], (7, 7.5], (9, 9.5], (6.5, 7].

Для фильтрации генов, среди 55 771 гена, обнаруженного в данных, те, у которых 0 подсчитываются все образцы или образцы с уровнем экспрессии ниже 1 на более чем 95% были отфильтрованы.В конце концов, наши окончательные данные RNA-Seq включают 16876 генов. Этот выбор подробно описан на дополнительном рис. 1.

Обнаружение молекулярных подгрупп

Нашим рациональным решением было создание надежной схемы классификации и обеспечение максимально возможной однородности внутри выявленных подгрупп. С этой целью обнаружение подгрупп было основано на предварительно обработанных данных RNA-seq набора обнаружения (после преобразования vst). Мы реализовали стратегию, уже применяемую при раке груди, которая повторяет неконтролируемые и контролируемые шаги, поэтому была обозначена как «полу-контролируемый» подход ⁸ .Он описан ниже и резюмирован на дополнительном рис. 2.

Шаг 1: Неконтролируемый отбор гена

Коэффициент вариации (\ (C {V} _ {g} = \ frac {{\ sigma} _ {g}}) {{\ mu} _ {g}} \), где \ ({\ sigma} _ {g} \) — стандартное отклонение гена \ (g \) и \ ({\ mu} _ {g} \ ) среднее значение гена \ (g \), оцененное при обнаружении популяции) и его робастная версия ( r \ (C {V} _ {g} = \ frac {{\ gamma} _ {g}} {{\ mu} _ {g}} \), где \ ({\ gamma} _ {g} \) — среднее абсолютное отклонение) были рассчитаны для каждого гена.Оба были очень согласны. Для проведения последующего кластерного анализа были отобраны 25% самых популярных вариантов.

Шаг 2: Надежная консенсусная кластеризация

Для определения количества кластеров была проведена консенсусная кластеризация между тремя методами: (i) Агломеративная иерархическая кластеризация (функция hclust из пакета stats v4.0.2 R) с корреляцией Пирсона в качестве меры сходства и метод связывания Уорда, (ii) кластеризация K-средних (функция kmeans из пакета stats R) с 4 группами и (iii) кластеризация гауссовой смеси (функция mclust из mclust v5.4.6 R пакет).

Шаг 3: Идентификация молекулярной сигнатуры

Контролируемый анализ был проведен на 149 пациентах с последовательным распределением кластеров между тремя методами кластеризации (рассматриваемыми как «основные» молекулярные профили), чтобы идентифицировать наиболее различающую сигнатуру из 4 кластеры. Первая сигнатура набора из 3577 генов была выбрана с помощью классического однофакторного дисперсионного анализа (FDR <1e-10), а затем уменьшена с помощью Random Forest до 257 главных распознающих генов (функция randomForest из randomForest v4.6-14 Р упаковка ⁶⁰ ).

Шаг 4: Классификация устойчивости

Чтобы проверить надежность нашей кластеризации, мы повторно применили Шаг 2 к нашему набору обнаружения и к окончательной сигнатуре.

Шаг 5: Классификация несогласных пациентов

Пациенты, отнесенные к разным группам с помощью 3 методов кластеризации, были отнесены к одному из 4 кластеров с применением метода расстояния до центра тяжести, основанного на корреляции Пирсона.

Валидация молекулярной подгруппы

Наборы данных валидации были независимо классифицированы в молекулярные подгруппы pSS с применением классического подхода расстояния до центроида, основанного на корреляции.Следуя тому же подходу, HV не составлял отдельный кластер, но в основном соответствовал молекулярным подгруппам pSS C2 (0,5% в C1, 93% в C2, 4% в C3 и 2,5% в C4) путем применения классического расстояния до центроидный подход, основанный на корреляции. Окончательная кластеризация (без HV) представлена ​​тепловой картой с использованием функции Heatmap из пакета ComplexHeatmap (v2.6.2) R. Кластеры отдельно ограничиваются для лучшей визуализации. Этот метод позволяет выделить неоднородные внутрикластеры. Представление анализа главных компонентов (PCA) будет исследовать четко определенные кластеры и соответствие между C2 и HV.

Половина пациентов с ПСШ лечилась противомалярийными препаратами, иммунодепрессантами или стероидами во время визита. По сравнению с тремя другими кластерами, мы наблюдали более высокую долю пролеченных пациентов в группе C4. Чтобы исследовать влияние лечения на кластеризацию, мы сравнили пролеченных и нелеченных пациентов. Для этого мы применяем иерархическую кластеризацию к леченным и нелеченным пациентам и сравниваем кластерное распределение. Тепловая карта (дополнительный рис.4) пролеченных и нелеченных пациентов были очень похожи, что показывает, что окончательная кластеризация не зависит от лечения.

Анализ обогащения

Анализ обогащения выполняли с применением двустороннего точного теста Фишера ⁶¹ против различных источников генных модулей или путей: (i) 3 сильно усиленных IFN-аннотированных модуля из ¹⁰ (M1.2) , M3.4 и M5.12), определенные на основе транскриптомных данных периферической крови с каждым отдельным порогом активации, (ii) гены, предпочтительно индуцируемые IFNα или IFNγ, идентифицированные с помощью ¹⁰ , (iii) канонический путь из анализа пути изобретательности ( IPA, дата выпуска: 2020-06-01), (iv) репертуар, недавно созданный для расширенного диапазона заболеваний и патологических состояний (382 модуля транскриптомов, основанных на паттернах коэкспрессии генов при 16 заболеваниях и 985 уникальных профилях транскриптомов) к ⁹ .

Анализ дифференциальной экспрессии генов

Чтобы идентифицировать гены, дифференциально экспрессируемые между подгруппами pSS и HV, мы выполнили линейную модель (функция lmFit из пакета limma v3.46.0 R ⁶² ) на наборе данных экспрессии генов трансформации vst. Полученные значения p были скорректированы для проверки множественных гипотез и отфильтрованы для сохранения генов DE с скорректированным значением FDR p -значение ≤ 0,05 и | Fold-Change (FC) | ≥ 1,5.

Полногеномное исследование ассоциации

Полногеномное исследование ассоциации (GWAS) было выполнено для каждой подгруппы pSS (C1: 101, C2: 77, C3: 88 и C4: 38) по сравнению с 330 HV.После экстракции ДНК образцы генотипировали с использованием платформы для генотипирования SNP по всему геному HumanCore-24 v1.0 и Infinium CoreExome-24 v1.2 (Illumina Inc., Сан-Диего, Калифорния, США). Лица были исключены на основании неправильного определения пола, большого количества отсутствующих (> 10%), неевропейского происхождения (<55% при использовании Frappe15 и REAP) и высокой степени родства (PLINK v1.9 ⁴⁵ , pi_hat> 0,5) ⁶³ . Генотипы были отфильтрованы перед вменением из-за большого количества отсутствующих (> 2%), равновесия Харди – Вайнберга (HWE) <0.001, частота минорных аллелей (MAF) <1%, а AT / CG изменяется при MAF> 40%. PLINK v1.9 ⁴⁵ использовался для проведения мер контроля качества (QC), фильтрации данных генотипа. Базовая ассоциация для локуса кластерного признака, основанная на сравнении частоты аллелей между пациентами из каждого кластера и HV, также была получена с помощью этого набора инструментов благодаря вычислительным ресурсам платформы Roscoff Bioinformatics ABiMS. Генотипы были фазированы с использованием Eagle v2.3 и рассчитаны с использованием Minimac3 против HRC v1.1 Справочная панель Genomes с платформы Michigan Imputation Server. Генотипы были отфильтрованы после вменения, чтобы иметь значение HWE p > 0,001, MAF> 1% и информационный балл вменения> 0,7, в результате было получено 6 664 685 вмененных генотипов. Статистический анализ ассоциации для каждого кластера по сравнению с HV был выполнен с помощью логистической регрессии в рамках аддитивной аллельной модели. Уровень значимости GWAS был зафиксирован на уровне p -значение <5 × 10 ^-8 . Аннотации SNP и график Манхэттена были получены с помощью веб-инструмента SNP snap от Broad Institute ⁶⁴ и qqman (v0.1.8) ⁶⁵ R пакетов соответственно.

Метилирование

Анализ метилирования цельной крови был проведен у 226 пациентов с pSS (C1: 81, C2: 57, C3: 62 и C4: 26) и 175 здоровых добровольцев (HV). ДНК экстрагировали с использованием протокола выделения нуклеиновых кислот с помощью магнитных шариков (Chemagic DNA Blood Kit special, CHEMAGEN), автоматизированного с помощью Chemagic Magnetic Separation Module I (PerkinElmer), из пробирки с кровью K2EDTA (бледно-лиловая крышка, BD Vacutainer) объемом 10 мл (экстракции проводили на 3 мл).2 мкг ДНК отправляли на анализ метилирования ДНК. Образцы анализировали с использованием чипа Infinium Human Methylation 450 K BeadChip (Illumina, Inc., Сан-Диего, Калифорния, США), который охватывает более 400 000 сайтов CpG. Образцы ДНК были превращены в бисульфит с использованием набора для метилирования ДНК EZ (Zymo Research, Orange, CA, USA). После превращения бисульфита оставшиеся этапы анализа были выполнены в соответствии со спецификациями, рекомендованными производителем. Массив был гибридизован с использованием программы температурного градиента, и массивы были отображены с использованием BeadArray Reader (Illumina Inc., Сан-Диего, Калифорния, США). Контроль качества образца и функциональная нормализация были выполнены с использованием пакета minfi (v3.3) R ⁶⁶ . Вкратце, во время этапов контроля качества субъектов удаляли на основании выбросов для метилированных и неметилированных сигналов, отклонения от средних значений на контрольных пробах и высокой доли необнаруженных проб (с использованием параметров minfi по умолчанию). Зонды метилирования ДНК, которые перекрывались с SNP (dbSNPs v147), находились в половых хромосомах или считались перекрестно-реактивными, были удалены. Кроме того, в последующем анализе использовались только зонды, контролируемые качеством и совместимые между обоими массивами (368 607 зондов).Измерения уровня метилирования (значения B) производились для каждого зонда CpG и варьировались от 0 (0% молекул, метилированных в определенных сайтах) до 1 (метилированные 100% молекул).

Чтобы идентифицировать дифференциально метилированные позиции (DMP) между HV и каждой подгруппой pSS (от C1 до C4), была реализована функция champ.DMP пакета ChAMP (v2.18.3) R ⁶⁷ для попарного сравнения между каждым кластером и HV. Многие пороговые значения Δ-бета описаны в литературе, и наиболее часто используемые для исследований цельной крови при аутоиммунных заболеваниях равны 0.05 (разница 5%) и 0,1 (разница 10%). Чтобы определить лучший порог для нашего исследования, мы проверили значения 0,05, 0,075, 0,1 и 0,15 для абсолютной ΔBeta. Дополнительные данные 11 представляют количество DMP и генов, полученных с этими разными пороговыми значениями.

Затем мы решили проанализировать данные в два этапа: первый этап со значительным скорректированным значением p (Бенджамини Хохберг) на уровне 0,1 и абсолютным ΔBeta> 0,075. Мы предположили, что порог 0,05 был слишком низким и было бы очень трудно интерпретировать значение этих дефектов метилирования для C4.Если бы мы применили порог ΔBeta 0,1 в первом намерении, мы могли бы пропустить DMP. На втором этапе, чтобы идентифицировать наиболее устойчивую и значимую сигнатуру гипо- и гиперметилированных генов, применяли значимое скорректированное значение p (Benjamini Hochberg) на уровне 0,1 и абсолютное значение ΔBeta> 0,15.

Для просмотра в сети мы протестировали списки генов в сети известных и прогнозируемых белок-белковых взаимодействий STRING 9.1 (http://string-db.org/) ⁶⁸ .

Проточная цитометрия

Многопараметрические анализы проточной цитометрии были выполнены в одиннадцати различных центрах консорциума PRECISESADS. Следовательно, интеграция всех данных в общие биоинформатические и биостатистические исследования потребовала точного отражения всех инструментов ⁵⁴ . Процедура калибровки, разработанная для достижения этой предпосылки, и используемые панели антител были ранее описаны ⁵³ .

Используемые панели антител, специфичности и клоны показаны на дополнительном рис.15а.

Стратегия, разработанная, чтобы избежать любой избыточности в различных подмножествах клеток и повысить точность фенотипов, была автоматизирована компанией AltraBio (Лион, Франция). Сгенерированные автоматы были проверены в предварительном исследовании с участием 300 пациентов, сравнивающих данные автоматического стробирования с данными, введенными вручную тем же оператором (коэффициент корреляции 0,9996). Стратегия стробирования была следующей: после исключения обломков, мертвых клеток и дублетов, частоты и абсолютные числа CD15 ^hi CD16 ^hi нейтрофилов, CD15 ^hi CD16 ⁺ эозинофилов, CD14 ⁺ CD15 ^hi ЛДГ, CD14 ⁺⁺ CD16 ^— классические моноциты, CD14 ⁺⁺ CD16 ⁺ промежуточные моноциты, CD14 ⁺ CD16 ⁺⁺ неклассические моноциты, CD3 ⁺ Т-клетки (с CD4 ⁺ CD8 ^— , CD4 ⁺ CD8 ⁺ , CD4 ^— CD8 ⁺ , CD4 ^— CD8 ^— Подмножества Т-клеток), CD19 ⁺ В-клеток, CD3 ^— CD56 ⁺ NK-клеток (с CD16 ^lo CD56 ^hi и CD16 ^hi CD56 ^lo подмножеств NK-клеток), CD3 ⁺ CD56 ⁺ NK-подобных клеток, Lin-HLA-DR ⁺ DC (с CD11c ^— CD123 ⁺ pDC, CD11c ⁺ CD123 ^— mDC (с CD141 ^— CD1c ⁺ mDC1, CD141 ⁺ CD11c ^— mDC2 и CD141 ^— CD1c ^— mDC подмножества) и CD123 ⁺ HLA-DR ^— базофилов были автоматически извлечены из файлов FCS и LMD 283 пациентов и 309 HV и отправлены в рабочий процесс проточной цитометрии Excel.Среднее распределение подмножеств клеток крови по частоте (0–100%) и абсолютные числа по кластерам сравнивается с использованием теста Краскела – Уоллиса.

Стратегии стробирования автоматов показаны на дополнительном рис. 15b. Для всех инструментов данные из файлов проточной цитометрии анализируются с использованием аналогичной стратегии одним автоматом для панели 1 и другим автоматом для панели 2, а затем специально для каждого инструмента из ворот [S4], чтобы учесть изменчивость FSC и Сигналы SSC.Желаемые популяции клеток идентифицируются с помощью стратегии стробирования, идентичной для всех инструментов для окрашивания панели 1 и панели 2. Среднее распределение подмножеств клеток крови по частоте и абсолютным числам показано в дополнительных данных 12 и 13, соответственно.

Цитокины

Цитокины измеряли в образцах сыворотки. CXCL13 / BLC, лиганд FAS, GDF15, CXCL10 / IP-10, CCL8 / MCP-2, CCL13 / MCP-4, CCL4 / MIP-1β, MMP-8, CCL17 / TARC, IL-1 RII, TNF RI и IL1-Ra измеряли с помощью системы Luminex.Индивидуальная панель для 12 аналитов была построена с использованием предварительно смешанного мультианализируемого анализа Luminex для людей (R&D Systems). В день анализа образцы размораживали и тестировали партиями. Растворимые MMP-2, CRP, TNFα, IL-6, BAFF и TGFβ измеряли с помощью анализа ELISA. Описательная статистика представлена ​​в дополнительных данных 14. Мы измерили уровни IFNα в плазме с использованием технологии Simoa Single Molecule Array. Результаты были рассчитаны со ссылкой на стандартную кривую, построенную с использованием подбора логистической кривой с четырьмя параметрами, и были выражены в пг / мл.Для получения дополнительной технической информации о выборке и сборе данных, пожалуйста, обратитесь к основному исследованию PRECISESADS ⁵ . Дифференциальную концентрацию цитокинов между подгруппами по сравнению с HV проводили с использованием однофакторного дисперсионного анализа с последующим апостериорным тестом Тьюки (функция ghlt из multicomp multcomp v1.4-13 R package ⁶⁹ ). Z-оценка указывает направление концентрации между кластером и HV. Z-оценка> 0 означает, что кластер имеет избыточную экспрессию по сравнению с HV. Z-оценка <0 означает, что кластер имеет более низкую экспрессию по сравнению с HV (рис.6). Распределение концентрации по подгруппам представлено на дополнительном рис. 8. Были вычислены двусторонние попарные критерии суммы рангов Вилкоксона.

Аутоантитела

Аутоантитела (экстрагируемые антитела к ядерным антигенам, антитела против SSA, антитела против SSA (Ro-52), антитела против SSA (Ro-60), антитела против SSB) измеряли в сыворотке с помощью автоматизированного хемилюминесцентный иммуноанализатор (IDS-iSYS). После обработки конечный результат указывает на концентрацию конкретного аутоантитела, присутствующего в образце.Ревматоидный фактор (RF), комплемент C3c, C4 и индивидуализированные (каппа, лямбда) свободные легкие цепи (Combilite и freelight, соответственно) измеряли в сыворотке с использованием турбидиметрического иммуноанализа в соответствии с рекомендациями производителя (анализатор SPAPLUS). Для получения дополнительной технической информации о выборке и сборе данных, пожалуйста, обратитесь к основному исследованию PRECISESADS ⁵ . Распределение аутоантител и RF было описано уровнем концентрации (отрицательный / низкий / средний / повышенный / высокий), и был применен точный тест Фишера для сравнения пропорции и концентрации в 4 кластерах.Комплементы C3 и C4 и циркулирующие свободные легкие цепи были описаны в постоянной концентрации, выраженной в г / л и мг / л соответственно, и был применен тест Крукала-Уоллиса для сравнения уровня концентрации в 4 кластерах. Описательная статистика описана в дополнительных данных 8.

Клинические данные

Клинические данные о 304 пациентах с pSS и 330 HV, описывающие фенотип заболевания, были собраны с использованием электронной формы отчета о клиническом случае (eCRF). Была создана рабочая группа экспертов по системным аутоиммунным заболеваниям, и желаемые элементы были отобраны с помощью метода Delphi.Был создан, оцифрован и апробирован окончательный набор элементов, разделенных на 8 областей (конституциональные симптомы, желудочно-кишечные, сосудистые, сердце и легкие, нервная система, кожа и железы, опорно-двигательный аппарат, терапия). После подтверждения включения пациента были собраны клинические данные, включая возраст, пол, этническую принадлежность пациента, дату первого проявления заболевания (начало заболевания), клинические и биологические характеристики на исходном уровне, глобальную оценку врачом активности заболевания, сопутствующую патологию и текущее использование лечения.

Другая рабочая группа экспертов по патологии pSS была создана для выбора элементов, специфичных для pSS, в основном шкал активности pSS, таких как ESSDAI и его компоненты, а также ESSPRI и его компоненты. Эти элементы были собраны в подгруппе pSS ( n = 193).

Для характеристики подгрупп pSS был проведен ассоциативный тест с клиническими данными. Двусторонний точный тест Фишера (функция fisher.test из пакета stats R) или критерий хи-квадрат (функция chisq.test из пакета stats R), в зависимости от случая, применялся для оценки связи между супгруппами pSS и качественным клиническим фактором.Тест Краскела – Уоллиса (функция Краскала.Уоллиса из пакета stats R) использовался для оценки связи между подгруппами pSS и количественными клиническими переменными.

Разработка составной модели для прогнозирования кластеров

Этот процесс выбора признаков состоит из двух отдельных частей: (i) определение подмножества генов, потенциально интересных для прогнозирования 4 кластеров, (ii) использование этих ранее определенных подмножеств для фактического создания модель прогнозирования и извлеките функции, используемые моделью, чтобы повысить ее точность.В первой части, при FC ≥1,5 и FDR ≤0,05, мы выбрали DEG в соответствии со следующими 7 комбинациями: C2 vs C1, C3 vs C1, C4 vs C1, C4 vs C2, C3 vs C2, C4 vs C2, C4 против C3. Мы идентифицировали 14 240 и выбрали те, которые являются общими для всех комбинаций, представляющих 1154 градуса.

Мы использовали алгоритм Борута ⁷⁰ для всех наборов данных (наборы для обнаружения и проверки) для извлечения функций, которые существенно способствовали прогнозированию кластера пациента.

Алгоритм начал расширять набор данных, добавляя копии каждого объекта в исходный набор данных.Эти функции были названы «теневыми характеристиками» и заключались в случайной перестановке модальности исходной функции, чтобы удалить любую корреляцию с целевой переменной, в нашем случае с назначением кластера. После создания теневых объектов для всего набора данных был запущен случайный лесной классификатор, и для всех объектов (реальных и «теневых») были вычислены z-баллы. Затем теневые функции были отсортированы в соответствии с их z-оценкой, и максимальная оценка сохранялась в памяти в качестве порогового значения. Алгоритм назначил попадание каждой реальной функции, у которой z-оценка была выше этого порога.Наконец, Борута пометил объекты, у которых z-оценка была значительно ниже, чем у тени с максимальной z-оценкой, как «неважные» и удалила их из набора данных, прежде чем удалить все теневые объекты и вернуть чистый набор данных.

Этот процесс позволил нам идентифицировать переменные в наборе данных, которые вносили значительно больший вклад в проблемы классификации, чем зашумленные переменные и случайные артефакты, эмулируемые исходной перестановкой модальности переменных, обеспечивая использование надежных функций на втором этапе нашей стратегии выбора характеристик. .

Относительно небольшой размер и неоднородность C4 по сравнению с другими кластерами могут повлиять на процесс выбора признаков, поэтому мы решили решить две проблемы классификации: (i) идентифицировать C4 по сравнению со всеми кластерами, (ii) различать C1, C2, и C3.

Операция была выполнена дважды: одна для прогнозирования кластера C4 по сравнению со всеми другими кластерами и одна для различения между C1, C2 и C3. В обоих случаях алгоритм выполнял более 100 итераций с максимальной глубиной 5 и сбалансированными классами для инициализации случайных лесов.

Два набора выбранных признаков состояли соответственно из 255 генов для набора данных прогнозирования C4 и 597 генов для набора данных прогнозирования C1, C2 и C3.

Затем мы использовали подход xgboost-tree ⁷¹ , чтобы обучить модель на наборе данных с бинарной логистической целевой функцией для прогнозирования C4 по сравнению со всеми (с использованием 255 генов, ранее идентифицированных алгоритмом Борута) и для извлечения признаков, которые были используется алгоритмом для построения дерева решений модели.{K} {f} _ {k} \ left ({x} _ {i} \ right), {f} _ {k} \ in {F} \), где \ ({\ hat {y}} _ { i} \) — кластерный прогноз для пациента \ (i \), \ ({x} _ {i} \) вектор, описывающий пациента \ (i \) (составленный из выбранных функций), \ (F \ ) набор оценок для модели (в нашем случае 4, по одному для каждого кластера) и \ (K \) количество деревьев по оценке, равное 3 для C4 и 4 для C1, C2 и C3. В этом контексте \ ({f} _ {k} \) относится к номеру дерева \ (k \) оценки \ ({f} \), где \ (f \ in F \) . K был доработан вручную, чтобы найти компромисс между хорошей прогнозирующей способностью и моделью низкой сложности.

Мы применили тот же подход с целевой функцией softmax в контексте множественной классификации, чтобы спрогнозировать кластер C1, C2 и C3 на основе 597 функций, ранее выделенных Борутой для этой конкретной задачи классификации.

Окончательный набор выбранных признаков состоял из 10 генов для модели прогнозирования C4 и 31 гена для модели с множественной классификацией (C1, C2 или C3) (дополнительный рисунок 10). Точность моделей на этапе обучения на проверочном наборе (таблица 1) составила 94.81% для модели прогнозирования C4 и 96,72% для модели с несколькими классификациями.

Затем мы создали составную модель, используя комбинаторные результаты модели предиктора C4 и модели множественной классификации, чтобы спрогнозировать все 4 кластера для пациентов из набора для обнаружения.

Пациенты были сначала оценены с помощью предикторной модели C4. Если C4 не был назначен, пациентов оценивали по модели множественной классификации.

Чтобы наша модель могла обрабатывать другие группы пациентов, мы реализовали функцию интерполяции, описанную в (2).Мы выбрали 6 генов с FC ≤ 1,1 и FDR ≥ 0,05 на основании их постоянной экспрессии во всех 4 кластерах и HV. Их выражения были между 4 и 14 vst нормализованными счетчиками [ SPIRE (4), NUP210L (6), GATAD1 (8), HVCN1 (10), ENO (12) и FLNA ). (14)] (Дополнительный рис. 13). Этот набор генов был обозначен \ (G \). Интерполированное значение гена \ (x \), \ (I (x) \) было вычислено как \ (I \ left (x \ right) = I \ left (a \ right) + \ left (I \ left ( b \ right) -I \ left (a \ right) \ right) \ times \ frac {xa} {ba} \) с \ (a \) и \ (b \), представляющими нормированное значение экспрессии vst двух генов, таких как как гены \ (a, {b} \ in G \), \ (a \, <\, x \, <\, b \) и \ (b \, \ ne \, a \).

Составная модель интегрирована в инструмент анализа, доступный ³³ , а описание псевдокода приведено на дополнительном рисунке 16.

Сводка отчетов

Дополнительная информация о дизайне исследования доступна в Резюме отчетов исследований природы, связанном с этой статьей .

15–26 февраля 1999 г. С D690 по D861

Список отложенных взносов (совещание: 15–26 февраля 1999 г.)
[COM13-D690C] Nortel Networks (Канада), (Q20 / 13): Взаимодействие между сетями IP / ATM: дифференцированные IP-услуги через ATM
[COM13-D691] Korea Telecom (Q24 / 13): Шаблон для руководства проектом I.1 для мониторинга технического состояния
[COM13-D691Add] Korea Telecom (Q24 / 13): шаблон для руководства проектом I.1 для мониторинга технического состояния
[COM13-D692] Швеция (Q19 / 13) : Требуются изменения Рек. G.872 до возможного утверждения
[COM13-D693] Япония (Q6 / 13): функция эксплуатации и обслуживания IP-сетей
[COM13-D694] Соединенные Штаты Америки (Q4 / 13) : Технические недоработки в переработанном I.361
[COM13-D695] Швейцария (OFCOM), (Q25 / 13, Q28 / 13): Терминология GII: предложение терминов и определений (COM 13-R 15-E) для части испанской терминологии
[COM13-D696] Fujitsu Limited (Япония), (Q5 / 13): Уточнение алгоритма обработки потерянных / неправильно вставленных ячеек AAL1
[COM13-D697] CSELT (Италия), (Q16 / 13): размер блока и определение SES в Рек. G.829
[COM13-D698] Соединенные Штаты Америки (Q14 / 13): Задержка передачи ячеек и классы QoS
[COM13-D699] Соединенные Штаты Америки (Q16 / 13): Edits для нового проекта Рекомендации МСЭ-Т G.828
[COM13-D700] Канада (Q14 / 13): Основа для моделей эталонной нагрузки
[COM13-D701] Канада (Q7 / 13): Обзор параметров ABR и связанных допусков
[COM13-D702] Канада (Q26 / 13): Схема предлагаемой новой Рекомендации G.APF
[COM13-D703] Канада (Q13 / 13): Ссылка на терминологию IEFT в проекте новой Рекомендации I.380
[COM13-D704] Канада (Q6 / 13): использование ячеек OAM уровня ATM в канале APS
[COM13-D705] Канада (Q6 / 13): быстрое переключение защиты при использовании VPG / Защитное переключение VCG
[COM13-D706] Канада (Q6 / 13, Q15 / 13): Процедуры оценки доступности соединения в рабочем режиме с использованием I.610 Инструменты OAM
[COM13-D707] Канада (Q7 / 13): Сравнение производительности ABR и CT
[COM13-D708] Канада (Q7 / 13): Расширение ABT для включения кредита функция на основе
[COM13-D709] Канада (Q7 / 13): Действительно ли необходима предлагаемая CT ATC?
[COM13-D710] Канада (Q7 / 13): Неадекватные ответы на вопрос в пункте 12 живого списка I.371
[COM13-D711] Канада (Q7 / 13): кандидат CT ATC не требуется для управления трафиком ATM
[COM13-D712] Канада (Q20 / 13): Требования к взаимодействию между IP и сетями ATM
[COM13-D713] Канада (Q20 / 13): Поддержка дифференцированных IP-сервисов через ATM
[COM13-D713Add] Канада (Q20 / 13): Поддержка дифференцированных IP-сервисов через ATM
[COM13-D714] Япония (Q25 / 13): предложение о внесении поправок в проект Рекомендации Y.POIF
[COM13-D715] Япония (Q20 / 13): Предложение о добавлении архитектуры VPN в I.IPATM
[COM13-D716] NTT (Q2 / 13): Уточнение собранных параметров в проекте Рек. I.31z
[COM13-D717] NTT (Q3 / 13): Предлагаемое описание интерфейса SDB
[COM13-D718] NTT и NTT DoCoMo (Q5 / 13): Предлагаемые определения, диапазон, степень детализации и наборы параметров характеристик канала AAL типа 2
[COM13-D719] Nippon Telegraph and Telephone Corporation (NTT), (Q7 / 13): предложение по алгоритму соответствия QOS в GFR на основе спецификации форума ATM
[COM13-D720] Nippon Telegraph and Telephone Corporation (NTT), (Q12 / 13): Предлагаемый тест на соответствие для интерфейсов VB5
[COM13-D721] Nippon Telegraph and Telephone Corporation (NTT), (Q15 / 13, Q16 / 13): Комментарии к определению последовательной SES
[COM13-D722] Nippon Telegraph and Telephone Corporation (NTT), (Q19 / 13): Предложение архитектур защиты кольца для OTN
[COM13-D723] Nippon Teleg raph and Telephone Corporation (NTT), (Q19 / 13): Предложение по философии взаимодействия в отношении IP по WDM
[COM13-D724] Соединенные Штаты Америки (Q6 / 13): Предложение для I.610 расширений OAM
[COM13-D725] CSELT — Centro Studi E Laboratori Telecomunicazioni — S.P.A. (Q7 / 13): Снятие ограничений на сосуществование ATC на уровне VC и VP
[COM13-D726] Nortel Networks (США), (Q18 / 13): Предложения по дополнительному тексту для включения в новый проект Рекомендации МСЭ G.825
[COM13-D727] Соединенные Штаты Америки (Q18 / 13): Добавление требований к дрожанию интерфейса OC-192 в ANSI T1.105.03
[COM13-D728] Соединенные Штаты Америки (Q18 / 13): Комментарии к живому списку G.781 для сетей варианта II
[COM13-D729] Италия (Q19 / 13): Подразделение оптической транспортной сети (Рек. G.873)
[COM13-D730] France Tlcom (Q7 / 13, Q14 / 13): проблемы взаимодействия между коммутируемыми сетями ATM Forum и коммутируемыми сетями ITU-T на обеспечить согласование сквозного QoS
[COM13-D731] France Tlcom (Q11 / 13): Редакционные поправки к проекту пересмотренной Рекомендации I.431.1 (COM 13-44)
[COM13-D732] France Tlcom (Q7 / 13): На PCR соединения ABR
[COM13-D733] France Tlcom (Q11 / 13): Обновление механизма защиты 1 + 1 для физического уровня ячеек
[COM13-D734] Nortel Networks (Канада), (Q29 / 13): Архитектура — название, объем и цель и другие конкретные комментарии
[COM13-D735] Nortel Networks (Канада), (Q29 / 13): предложение по «архитектуре информационных коммуникаций (ICA)»
[COM13-D736] Nortel Networks (Канада), (Q29 / 13) , Q25 / 13): концепция агента: согласованность с Y.110, обоснование включения в «новую» архитектуру ICA
[COM13-D737] Deutsche Telekom AG (Q25 / 13, Q29 / 13): Концепции бизнес-моделирования — основа для распространения требований в открытой электросвязи market
[COM13-D738] Nortel Networks (Канада), (Q29 / 13): Предлагаемая версия TAEEv2 для «архитектуры информационных коммуникаций» (ICA)
[COM13-D739] Соединенные Штаты Америка (Q5 / 13, Q7 / 13): изучить, как захватить дополнительные атрибуты канала AAL типа 2 для мобильных приложений
[COM13-D740] Соединенные Штаты Америки (Q19 / 13): предложение сохранить проект Рекомендации G .872, как определено
[COM13-D741] Соединенные Штаты Америки (Q19 / 13): подход к нормализованным сечениям
[COM13-D742] Virata LTD (Q7 / 13): CWD — допуск параметр для CT ATC
[COM13-D743] Virata LTD (Q7 / 13): CT поддерживает оптимизированную производительность для сетевого Интернета
[COM13-D744] Lucent Technologies, Nederland BV (Q19 / 13) : Некоторые пояснения к G.805
[COM13-D745] Австралия (Q7 / 13): Решение по приложению B
[COM13-D746] Австралия (Q7 / 13): Консолидация I.371 пункт 12 живого списка
[COM13-D747] Австралия (Q7 / 13): Предлагаемые редакционные изменения в Разделе 6.X.3 пункта 11 LL из Q7
[COM13-D748] Австралия (Q7 / 13): Предлагаемая поправка к разделу A.3 приложения Q7 LL, элемент 11
[COM13-D749] Австралия (Q7 / 13): принятие возможности контролируемой передачи на уровне ATM в Рекомендации ITU I.371
[COM13-D750] Австралия (Q7 / 13): строгие требования к коэффициенту потерь ячеек для оптимальной производительности передачи данных TCP через ATM
[COM13-D750Add] Австралия (Q7 / 13): строгие требования к коэффициенту потерь ячеек для оптимальной производительности передачи данных TCP через ATM
[COM13-D751] Австралия (Q5 / 13, Q7 / 13, Q14 / 13): пригодность существующих ATC для передачи трафика голосовой магистрали AAL2
[ COM13-D752] Siemens (Q19 / 13): Редакционные улучшения G.872
[COM13-D753] CSELT (Q16 / 13): возможность мониторинга производительности ошибок для VC-4-XC
[COM13-D754] CSELT (Q6 / 13, Q14 / 13): In -сервисный мониторинг соединения ATM: оценка параметров характеристик ошибок
[COM13-D755] Lucent Technologies, Нидерланды (Q18 / 13): изменить ссылки на G.958 в пересмотренном G.825
[COM13- D756] Lucent Technologies (Q18 / 13, Q19 / 13): Пересмотренное предложение по руководству по проектированию сети синхронизации (недоступно в электронном виде)
[COM13-D757] Intelsat (Q4 / 13): многоточечный подход ATM в общие носители, такие как спутниковая и наземная беспроводная сеть
[COM13-D757Add1] Intelsat (Q4 / 13, Q22 / 13): многоточечные подходы ATM в общих средах, таких как спутниковая и наземная беспроводная сеть
[COM13-D758] CSELT (Q20 / 13): Поддержка IP ov ATM в B-ISDN через устройства гибридного IP / ATM
[COM13-D759] Lucent Technologies, Нидерланды (Q19 / 13): Моделирование обратного мультиплексирования и взаимодействия услуг в G.805 и G.803
[COM13-D760] Федеративная Республика Германия (Q19 / 13): Изменения в разделе защиты G.805
[COM13-D761] Федеративная Республика Германия (Q19 / 13): Взаимодействие служб в G.805
[COM13-D762] Федеративная Республика Германия (Q19 / 13): Объединение в G.803
[COM13-D763] Федеративная Республика Германия ( Q19 / 13): Предложение по проекту Рекомендации Y.POIF контрольные точки для структуры межсоединений
[COM13-D764] Siriti S.pA (Q19 / 13): Структура многоуровневой живучести
[COM13-D765] Comsat Corporation (Q14 / 13): Ограничение CTD для жесткого двухуровневого класса
[COM13-D766] Российская Федерация (Q16 / 13): цели BBER в проекте новой Рекомендации G.828 «Параметры и нормативы характеристик ошибок для международных синхронных цифровых трактов с постоянной скоростью передачи данных»
[COM13-D767] Российская Федерация (Q15 / 13) : Приоритеты категорий трактов в Рекомендациях МСЭ-Т G.827.1 и G.827
[COM13-D768] Alcatel (Q18 / 13): Замечания по D570, представленные на последней встрече в июне 1998 г.
[COM13-D769] Alcatel (Q6 / 13): От редакции комментарии к проекту Рекомендации I.610, август 1998 г., версия
[COM13-D770] Italtel (Q16 / 13): Определение SEPR в проекте Рек. G.828
[COM13-D771] France Telecom (Q19 / 13): завершение I.326 при вставке AIS на уровне ATM
[COM13-D772] France Telecom (Q19 / 13) : Расширение G.805 для других архитектурных объектов
[COM13-D773] France Telecom (Q11 / 13, Q19 / 13): Предложение по интерфейсу транспортного сетевого узла ATM Рекомендация
[COM13-D774] KDD Corporation ( Q8 / 13): Изменение порядка элементов исследования для управления эхом в голосовой службе сети ATM с взаимодействием PSTN
[COM13-D775] Siemens AG (Q7 / 13): проблемы ABR для I.371
[COM13-D776] Siemens AG (Q7 / 13): Вопросы и предложения по управляемой передаче
[COM13-D777] Siemens AG (Q7 / 13): проблемы со СКФ для I.371
[COM13-D778] Nortel Networks Europe (Q5 / 13): Некоторые проблемы с проектом новой Рекомендации I.366.2
[COM13-D779] Ericsson (Q19 / 13): Предложение для OMS DCC в G.872
[COM13-D780] Deutsche Telekom (Q19 / 13): Предложения по 3R-AIS
[COM13-D781] Deutsche Telekom (Q19 / 13): Предложение по использованию 3R на междоменных интерфейсах (IrDI)
[COM13-D782] Deutsche Telekom (Q19 / 13): Моделирование 2R / 3R относительно эталонной конфигурации
[COM13-D783] Deutsche Telekom ( Q19 / 13): IP через WDM.Управление скоростью передачи данных и существующее оборудование
[COM13-D784] Deutsche Telekom (Q19 / 13): правила каскадирования для некоторых элементов ссылки OCh
[COM13-D785] Deutsche Telekom (Q19 / 13) : Соединение OTN с цифровыми сетями
[COM13-D786] Deutsche Telekom (Q19 / 13): Соединение OTN с SDH, которые поддерживают функции OAM SDH
[COM13-D787] Deutsche Telekom (Q19 / 13): Предложение по RS-TCM
[COM13-D788] Royal KPN N.V. (Q7 / 13, Q14 / 13): Актуальность определения нового строгого двухуровневого класса QoS
[COM13-D789] Royal KPN NV (Q2 / 13): номер индекса CDR
[COM13-D790] Royal KPN NV (Q2 / 13): Производство CDR
[COM13-D791] Royal KPN NV (Q2 / 13): Информация о начислении платы в B-ISDN на «Charge Party» в I .31z
[COM13-D792] Royal KPN NV (Q7 / 13): обязательства QoS для GFR
[COM13-D793] Royal KPN N.V. (Q7 / 13): Обзор параметров ABR и связанных допусков
[COM13-D794] Royal KPN NV (Q7 / 13): Пиковая скорость ячеек ABR
[COM13-D795] Royal KPN NV (Q7 / 13): Обязательства по задержке для SBR2 / SBR3
[COM13-D796] British Telecom (Q19 / 13): Административные и управленческие домены
[COM13-D797] British Telecom (Q19 / 13): Совместимые и несовместимые интерфейсы OTN
[COM13-D798] British Telecom (Q19 / 13): Унификация транспортных моделей
[COM13-D799] British Telecom (Q19 / 13) : Оптические подсети и их определение
[COM13-D800] British Telecom (Q6 / 13): Проблемы, требующие решения до утверждения Рекомендации I.610 (пересмотренный)
[COM13-D801] British Telecom (Q6 / 13): возражение против сегмента AIS в проекте пересмотренной Рекомендации I.610
[COM13-D802] British Telecom (Q6 / 13) : Пояснения по триггеру защитного переключения для проекта Рекомендации I.630
[COM13-D803] British Telecom (Q16 / 13): Включение SEP в проект новой Рекомендации G.828
[COM13-D804] British Telecom (Q29 / 13): Функциональные требования на разных уровнях
[COM13-D805] British Telecom (Q29 / 13): Требования к уровням в стеке протоколов телекоммуникаций / IP
[COM13-D806 ] Lucent Technologies Nederland (Q6 / 13): Предложение прояснить, что сегмент OAM будет существовать за пределами сегмента
[COM13-D807] Lucent Technologies Nederland (Q6 / 13): Редакционные поправки к спецификации обратной связи в проекте пересмотренной Рекомендации I.610 (COM 13-40)
[COM13-D808] Lucent Technologies Nederland (Q6 / 13): модификации I.630
[COM13-D809] Lucent Technologies Nederland (Q6 / 13): Редакционные проблемы в I.630
[COM13-D810] Lucent Technologies Nederland (Q6 / 13): Технические проблемы в I.630
[COM13-D811] Lucent Technologies Nederland (Q6 / 13): Архитектура 1: N в I.630 (ATM) отличается от архитектуры 1: N в G.841 (SDH)
[COM13-D811Add] Lucent Technologies Nederland (Q6 / 13): архитектура 1: N в I.630 (ATM) отличается от архитектуры 1: N в G.841 (SDH)
[COM13-D812] Lucent Technologies Nederland (Q11 / 13): Редакционные поправки к проекту пересмотренной Рекомендации I.432.2 (COM13-45)
[COM13-D813] Lucent Technologies Nederland (Q11 / 13): Технические проблемы в рамках пересмотренной Рекомендации I.432.2 (COM13-45)
[COM13-D814] Lucent Technologies Nederland (Q11 / 13, Q12 / 13): несоответствия между проектом новой Рекомендации G.966 (COM 13-48) и проект пересмотренной Рекомендации I.432.2 (COM 13-45), проект пересмотренной Рекомендации I.610 (COM 13-40), Рекомендация G.783
[COM13-D815] Lucent Technologies Nederland (Q19 / 13): Предложение о расширении общей спецификации защиты в G.805
[COM13-D816] Lucent Technologies Nederland (Q6 / 13, Q19 / 13): Введение функции обратной петли на основе технологии ячеек / пакетов в рекомендациях по архитектуре
[COM13-D817] ETRI (Q8 / 13): пересмотренный текст проекта I.5bp Рекомендация
[COM13-D818] ETRI (Q2 / 13): требования к маршрутизации на I.31y и I.31y.2
[COM13-D819] ETRI (Q20 / 13): эталонная конфигурация для IP через ATM в B-ISDN
[COM13-D820] ETRI (Q20 / 13): пересмотр общей эталонной модели протокола для IP через ATM в B-ISDN
[COM13-D821] ETRI (Q20 / 13): отображение QoS между классами обслуживания IP и классами QoS ATM
[COM13-D821Add] ETRI (Q20 / 13): отображение QoS между классами обслуживания IP и классами QoS ATM
[ COM13-D822] ETRI (Q2 / 13): сетевые требования для всесезонного качества обслуживания
[COM13-D822Add] ETRI (Q2 / 13): сетевые требования для всесезонного качества обслуживания
[COM13- D823] ETRI (Q20 / 13): Комментарии к I.ipatm
[COM13-D824] Корея (Q20 / 13): Комментарии к архитектуре основного протокола
[COM13-D825] Республика Корея (Q7 / 13): Новая терминология для функции формирования трафика
[COM13-D826] Республика Корея (Q6 / 13): пояснение к механизму AIS / RDI сегмента
[COM13-D827] Республика Корея (Q7 / 13): функция планирования ячеек для контроля перегрузки
[COM13-D828] ETRI (Q2 / 13): Вставка абзаца для интервала записи данных начисления (периода начисления) в живой список N15 / Q2 в основной текст
[COM13-D829] ETRI ( Q2 / 13): Редакционные изменения и комментарии для I.31z
[COM13-D830] ETRI (Q2 / 13): Вставка текста для раздела 6 и проекта заявления о взаимодействии для ИК11 и ИК13
[COM13-D831C] Korea Telecom (Rep.) (Q13 / 13): Разложение сегментов телекоммуникационных сетей на GII QoS
[COM13-D832C] Korea Telecom (Rep. Of) (Q13 / 13): Модификации общей эталонной модели для QoS / NP на GII
[COM13-D833C] Korea Telecom (Rep. Of) (Q13 / 13): Вопросы будущего исследования производительности взаимодействующих сетей
[COM13-D834] Korea Telecom (Rep.of) (Q8 / 13, Q25 / 13): эталонная модель на базе IP
[COM13-D835] Korea Telecom (Rep. of) (Q8 / 13): Требования к взаимодействию IP-сети с B-ISDN
[COM13-D836] Korea Telecom (Республика) (Q29 / 13): выяснение отношений между «тремя агентами»
[COM13-D837] Korea Telecom (Rep.) (Q14 / 13): Предложение по использованию расчета фактической протяженности маршрута
[COM13-D838] Korea Telecom (Rep.of) (Q14 / 13): Модификация о нарушениях из-за неправильной вставки ячеек.
[COM13-D839] Соединенные Штаты Америки (Q18 / 13): Модификации к G.824
[COM13-D840] Hermes Europe Railtel (Q19 / 13): Предложение по сигналу RS-AIS на интерфейсе без OTN
[COM13-D841] Hermes Europe Railtel (Q19 / 13): приложения для управления тандемными соединениями на сетевом уровне OCh
[COM13-D842] Hermes Europe Railtel (Q19 / 13) ): Предложение по защите трассы 1: N и защите SNC / S 1: N на сетевом уровне OCh
[COM13-D843] Соединенные Штаты Америки (Q13 / 13): Предлагаемый новый материал для Приложения B / I .380
[COM13-D844] Соединенные Штаты Америки (Q14 / 13): Предлагаемый новый класс QoS ATM для I.356
[COM13-D845] Соединенные Штаты Америки (Q16 / 13): О подраспределении 17,5% распределения национального блока, предложенном в проекте новой Рекомендации G.828
[COM13-D846] Bellcore (Q13 / 13): Соображения по спецификации требований к производительности IP
[COM13-D847] Deutsche Telekom (Q19 / 13): IP через WDM, взаимодействие с существующим оборудованием OAM аспекты
[COM13-D848] Deutsche Telekom (Q19 / 13): Улучшения для SDH
[ COM13-D849] L.М. Эрикссон (Q11 / 13, 12/13): Необходимость ATM по частичным физическим каналам в сетях мобильного радиодоступа
[COM13-D852] Соединенные Штаты Америки (Q14 / 13): Обоснование точек измерения и внутренние эталонные события для AAL типа 1
[COM13-D853] Соединенные Штаты Америки (Q14 / 13): Комментарии к предложению и совещанию докладчика Q16 / 13 в ноябре 1998 г. по использованию байтов NxB1 для ошибки секции регенератора STM-N производительность в G.829
[COM13-D854] Соединенные Штаты Америки (Q19 / 13): необходимость управления подуровнем в OTN
[COM13-D855] Соединенные Штаты Америки (Q19 / 13) ): Предложение сохранить клиентские сигналы, отличные от SDH / PDH, в G.873
[COM13-D856] Lucent Technologies (Q7 / 13): лучший метод накопления CDV
[COM13-D857] Lucent (Q7 / 13): уточнения ожидаемого поведения сетевых элементов для GFR
[COM13-D858] Соединенные Штаты Америки (Q7 / 13): Нечувствительный к CLP режим для GFR
[COM13-D859] Noretl Networks (Канада), (Q29 / 13): Приложения к иллюстрируют взаимосвязь между ICA и другими стандартами для архитектур и технологий
[COM13-D860] MII (Китай), (Q29 / 13): Модель TAEE
[COM13-D861] Sudatel (Судан ), (Q9 / 13): Взаимодействие 64 K-ISDN с другими сетями (с системами will)

Регистрация с привязкой к оси для сканирования панорамирования и наклона RGB-D для быстрой и точной реконструкции

Основные моменты

•

Мы интегрируем калибровку оси вращения и сервопривод c ontrol для регистрации облаков точек.

•

Мы предлагаем ограничение круга отклонения для надежного сопоставления / отклонения признаков.

•

Чередующаяся оптимизация разделяет, линеаризует и ускоряет целевую функцию.

•

Предложенный метод превзошел другие методы регистрации на основе BA или ICP.

Abstract

Представлен быстрый и точный алгоритм для регистрации сканирований с камеры RGB-D, которая автоматически вращает и сканирует всю сцену на платформе панорамирования и наклона.Предлагаемый алгоритм, Axis Bound Registration , использует движение камеры, которое ограничено двумя осями вращения сервоприводов панорамирования и наклона, чтобы реализовать быструю и точную регистрацию полученных облаков точек. Параметры вращения, включая оси вращения, преобразования панорамирования-наклона и механизм сервоуправления, калибруются заранее. Впоследствии во время работы в режиме онлайн может выполняться быстрая глобальная регистрация с матрицами преобразования, образованными откалиброванными осями и углами вращения.При локальной регистрации функции извлекаются и сопоставляются между двумя сценами. Для надежной регистрации ложноположительные соответствия отклоняются на основе расстояний до предварительно ориентированных пар ключевых точек, а именно ограничения круга отклонения . Затем более точная регистрация может быть достигнута за счет минимизации остаточных расстояний между парами соответствий, в то время как предполагаемые преобразования привязаны к осям вращения. Результаты сравнительных экспериментов подтверждают, что предлагаемый метод превосходит современные алгоритмы различных подходов, основанных на калибровке камеры, глобальной регистрации и одновременной локализации и картировании с точки зрения среднеквадратичной ошибки и времени вычислений.

Ключевые слова

Наклонно-поворотная камера

Калибровка оси вращения

Сервоуправление

Регистрация облака точек

Рекомендуемые статьиЦитирующие статьи (0)

© 2020 Авторы. Опубликовано Elsevier BV

Рекомендованные статьи

Цитирующие статьи

Алгоритм продольного выбора признаков и его применение к профилям экспрессии днРНК у пациентов с псориазом, получающих иммунную терапию

С быстрым развитием высокопроизводительных технологий эксперименты по продольной экспрессии генов стали становятся доступными и становятся все более распространенными в биомедицинских областях.Подход обобщенного оценочного уравнения (GEE) — широко используемый статистический метод для анализа продольных данных. Выбор характеристик является обязательным при лонгитюдном анализе данных. Среди множества существующих методов выбора функций встроенный метод — регуляризация порогового градиентного спуска (TGDR) — выделяется своими превосходными характеристиками. Согласование GEE с TGDR является многообещающей областью для определения соответствующих маркеров, которые могут объяснить динамические изменения результатов во времени.Мы предложили новый алгоритм выбора новых характеристик для продольных результатов — GEE-TGDR. В методе GEE-TGDR соответствующая функция квазивероятности модели GEE является целевой функцией, которая должна быть оптимизирована, а оптимизация и выбор функций выполняются методом TGDR. Длинные некодирующие РНК (днРНК) являются посттранскрипционными и эпигенетическими регуляторами, имеют более низкие уровни экспрессии и более тканеспецифичны по сравнению с генами, кодирующими белок. До сих пор значение lncRNAs в псориазе остается в значительной степени неизученным и малоизученным, хотя некоторые доказательства в литературе подтверждают, что lncRNAs и псориаз тесно связаны.В этом исследовании мы применили метод GEE-TGDR к набору данных экспрессии lncRNA, который изучал реакцию пациентов с псориазом на иммунное лечение. В результате список, включающий 10 соответствующих днРНК, был идентифицирован с предсказательной точностью 70%, что превосходит точность, достигаемую двумя конкурирующими методами и значимой биологической интерпретацией. Ожидается широкое применение метода GEE-TGDR в продольном анализе данных omics.

1. Введение

С быстрым развитием высокопроизводительных технологий, продольные омические эксперименты стали доступными и все более распространенными во многих областях биомедицины для исследования динамически или временно изменяющихся биологических систем или процессов.Обычно стратегии анализа сосредоточены на отдельном анализе отдельных моментов времени. Как отмечали многие исследователи [1–4], неспособность включить информацию, содержащуюся в зависимой структуре данных о ходе времени, приводит к неэффективной оценке стандартных ошибок, что приводит к неадекватной статистической мощности. Эта проблема особенно выделяется в крупных омических исследованиях, поскольку размер выборки таких данных обычно невелик. Более того, чрезмерно упрощенное рассмотрение путем объединения результатов маржинального анализа в отдельные моменты времени, как правило, не позволяет выявить значимый образец изменений во времени.

Подход обобщенного уравнения оценки (GEE) [5] — это хорошо зарекомендовавший себя и широко используемый статистический метод для анализа продольных данных. GEE учитывает первые два предельных момента (т.е. среднее значение и дисперсию) данных и рабочую матрицу корреляции для моделирования коррелированных ответов, искусно избегая указания полной совместной функции правдоподобия. Привлекательность GEE заключается в том, что он дает согласованные оценки для интересующих параметров, даже если рабочая корреляционная структура указана неправильно.Естественно, GEE был модифицирован или расширен для идентификации дифференциально экспрессируемых генов с течением времени для данных с высокой пропускной способностью. Такие модификации и / или расширения непросты из-за большой размерности данных omics, хотя были предприняты некоторые усилия [1, 2, 6].

Как и его аналог в кросс-секциях, выбор функций является обязательным в процессе обучения для продольных омических данных. Отбор признаков направлен на устранение нерелевантных генов, предотвращение переобучения, ускорение процесса обучения и достижение окончательной модели, которая является экономной (т.е., количество выбранных генов как можно меньше). Следовательно, модификация GEE для анализа многомерных данных требует использования выбора функций. В литературе существует несколько таких алгоритмов. Например, Wang et al. В [2] использован термин штрафа за сглаженное абсолютное отклонение (SCAD) [7], который является новым расширением штрафа L ₁ для оснащения моделей GEE возможностью выбора характеристик. Штраф L ₁ , также известный как LASSO [8], вытесняет гены с небольшими оценочными коэффициентами из окончательной модели, предоставляя разреженное решение, с помощью которого происходит отбор признаков.Однако две последующие работы по этой теме [1, 6] показали, что этот алгоритм обычно не может сходиться, когда количество ковариант намного больше, чем количество выборок. Этот недостаток более очевиден и фатален для данных продольных исследований, где размер выборки обычно меньше, чем при поперечном исследовании.

Среди множества существующих алгоритмов выбора признаков мы приложили значительные усилия для метода регуляризации порогового градиентного спуска (TGDR) [9] (см. Его описание в разделе «Методы»).Ранее мы расширяли TGDR для задачи классификации нескольких групп (> 2) и для идентификации прогностических генов, специфичных для подгрупп, с исходом выживания [10–14]. Применяя эти расширения TGDR к различным типам данных omics, включая данные микрочипов, секвенирования РНК и масс-спектрометрии (МС), мы показали, что TGDR и его соответствующие расширения имеют множество достоинств, включая простую и умеренную интенсивность программирования, хорошие прогнозные характеристики, и биологически значимое значение полученных подписей.В недавней работе [4] мы показываем, что алгоритм TGDR можно рассматривать как стратегию оптимизации и что окончательные модели, предоставленные TGDR, имеют более высокую предсказательную производительность и более значимую биологическую интерпретацию, чем модели LASSO, оптимизированные методом спуска координат [15 ]. Следовательно, интеграция GEE с TGDR может преодолеть недостатки существующих подходов к продольному выбору признаков.

Длинные некодирующие РНК (днРНК) являются посттранскрипционными и эпигенетическими регуляторами и обладают характеристиками более низких уровней экспрессии и более тканеспецифичными по сравнению с генами, кодирующими белок [16].Когда-то считавшиеся мусором эволюции, lncRNA, как было показано, играют важную роль во многих сложных заболеваниях, особенно в раке [16]. Как указывалось в нашем предыдущем исследовании [17], псориаз является идеальной моделью для изучения эффектов направленного иммунного лечения, учитывая, что он хорошо характеризуется молекулярными профилями, проявляет низкие эффекты плацебо и обладает легкодоступными больными тканями. До сих пор значение днРНК при псориазе остается в значительной степени неизученным и малоизученным.Среди ограниченных исследований, проведенных для изучения роли днРНК в псориазе; Однако появились некоторые обнадеживающие результаты. Например, совсем недавнее исследование [18] показало, что LOC285194 может служить в качестве губки для miR-616, который регулирует экспрессию GATA3, связываясь с его 3-нетранслируемой областью с помощью вестерн-блоттинга, количественной ПЦР в реальном времени и двойного анализа. люциферазный репортерный анализ. В частности, уровень экспрессии LOC285194 был ниже в пораженной коже пациента с псориазом по сравнению с непораженной кожей.Кроме того, Rakhshan et al. [19] показали, что один SNP (т.е. rs12826786) антисмысловой РНК транскрипта HOX (HOTAIR) связан с более высоким риском развития псориаза (TC + ​​TT по сравнению с CC:,). Таким образом, мы считаем, что роль днРНК при псориазе заслуживает глубокого и широкого изучения.

В этой статье мы предложили новый алгоритм выбора признаков, называемый GEE-TGDR, специально для продольного анализа данных и выбора признаков. В методе GEE-TGDR соответствующая функция квазивероятности модели GEE является целевой функцией, которая должна быть оптимизирована, в то время как оптимизация и выбор функций выполняются методом TGDR.Мы применили этот метод к данным по продольной экспрессии генов на микрочипе, которые нацелены на оценку эффективности лечения двумя иммунотерапевтическими методами для пациентов с псориазом, и определили соответствующие lncRNAs, которые могут предсказать временные изменения баллов площади псориаза и индекса тяжести (PASI), которые используются. чтобы определить, реагирует ли пациент с псориазом на лечение, с целью выявления основных механизмов этих двух методов лечения с точки зрения днРНК.

В соответствии со структурой обзора [20], статья организована следующим образом.В разделе 2 приведены подробные сведения о предлагаемом методе GEE-TGDR. В разделе 3 представлено применение метода GEE-TGDR к данным по продольной экспрессии днРНК при псориазе и результаты анализа. Затем подробно обсуждается биологическая значимость идентифицированной сигнатуры днРНК для псориаза. В разделе 4 обсуждаются ограничения настоящего исследования в дополнение к вкладам и будущей работе. В заключение даются выводы.

2. Материалы и методы

2.1. Экспериментальные данные

Набор данных микроматрицы [17], использованный для характеристики предложенного алгоритма GEE-TGDR, находился в базе данных Gene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/) под инвентарный номер GSE85034. В этом эксперименте было 179 массивов, включая профили экспрессии генов 30 пациентов с псориазом средней и тяжелой степени на исходной коже без повреждений и на исходной поврежденной коже, а также на 1, 2, 4 и 16 неделях. Из 30 пациентов половину вводили. с адалимумабом (ADA), а другая половина лечилась метотрексатом (MTX).У одного пациента в группе ADA не было измерений экспрессии на 16-й неделе, поскольку его / ее показатель площади псориаза и индекса тяжести (PASI) уже испытали снижение на 75% на 4-й неделе. В исходной статье ответ на лечение был основан на снижении 75% по шкале PASI после 12 недели или позже. Продольные профили баллов PASI (исходные очаги поражения на 1, 2 и 4 неделях) были интересными исходами, а значения экспрессии днРНК исходных пораженных участков кожи служат в качестве потенциальных предикторов для исследования, соответствуют ли они баллам PASI для пациенты с псориазом с течением времени.

В этом исследовании предварительно обработанные данные были загружены непосредственно из базы данных GEO. Никакой альтернативной предварительной обработки не производилось. Путем сопоставления символов генов днРНК в базе данных GENCODE (https://www.gencodegenes.org/) (версия 32) с символами генов, аннотированных чипами-бусинами Illumina HumanHT-12 V 4.0, было идентифицировано и включено 662 уникальных днРНК. в последующем анализе.

2.2. Статистические методы

В этой статье мы представляем новый алгоритм выбора характеристик, называемый GEE-TGDR, специально для выбора соответствующих характеристик, связанных с временными изменениями продольных результатов, в котором GEE оснащен TGDR, как следует из его названия.Мы кратко описали методы GEE и TGDR, прежде чем перейти к предлагаемой интеграции. Здесь, чтобы сделать его наиболее актуальным, мы сосредоточились на случае непрерывных результатов.

2.2.1. Регуляризация спуска порогового градиента

Для непрерывных результатов алгоритм TGDR основан на линейной модели, где переменная отклика (размер выборки) моделируется -мерным вектором наблюдаемых ковариат (здесь) как. Здесь представлены коэффициенты ковариат для величин связи между ковариатами и результатом.Для непрерывных результатов обычно предполагается нормальное распределение, а затем соответствующая функция правдоподобия используется как функция отклика / целевая функция в алгоритме TGDR. С некоторым алгебраическим упрощением функцию отклика можно записать как

. Алгоритм TDGR начался с того, что изначально были установлены на нуле (что соответствует нулевой модели). Использование для обозначения небольшого положительного приращения (например, 0,01) в поиске градиентного спуска и для итерации, (1) По текущей оценке, матрица отрицательного градиента с ее компонентом as вычисляется как (2) Представляет пороговый вектор размера на итерации и является индикатором (если условие истинно, этот индикатор возвращает 1; в противном случае его значение равно 0), тогда его компонент (для гена): (3) Обновить и (4) Повторить шаги 1-3 несколько раз .можно рассматривать как параметр настройки, при этом большое значение соответствует плотной модели (больше ненулевых коэффициентов), а небольшое значение — разреженной модели (меньше ненулевых коэффициентов). Оптимальное значение определяется перекрестной проверкой (CV).

В методе TGDR не добавляется явный штрафной член к целевой функции (то есть функции отклика). Регуляризация коэффициентов (таким образом, выбор функций) стала возможной благодаря введению пороговой функции на шаге 2, которая определяет, достаточно ли велик градиент коэффициента для спуска или, точнее говоря, для обновления.Более подробное описание метода TGDR можно найти в работах [9, 21].

2.2.2. Обобщенное оценочное уравнение

В продольной нотации наблюдаются момент времени / измерение объекта, -мерный вектор переменных отклика (здесь и) и ковариаты (здесь представляют ковариату). Таким образом обозначает вектор ответов в разные моменты времени для субъекта и является ковариатом для субъекта в момент времени.

В модели GEE первые два предельных момента обозначаются (математическое ожидание данного) и (дисперсия).Здесь коэффициенты, представляющие величину связи между ковариатами и результатами, с отображением того, как атрибут связан со значением результата (то есть результатом в момент времени). Это интересующие параметры. Кроме того, предполагается, что распределение принадлежит экспоненциальному семейству с канонической функцией связи. Пусть и, затем под канонической функцией ссылки. Здесь представлена ​​рабочая корреляционная матрица с конечномерным вектором параметров для корреляций, который обычно оценивается методом остаточных моментов.В модели GEE функцию квазивероятности можно записать в виде четырех структур, которые обычно используются для рабочей корреляционной матрицы — авторегрессия первого порядка (AR1), заменяемая, неструктурированная и независимая структура.

2.2.3. GEE-TGDR

Традиционный метод TGDR имеет дело только с одномерными результатами. Что касается многомерных продольных результатов, метод необходимо расширить.

В этом исследовании мы предложили заменить функцию правдоподобия соответствующей функцией квазивероятности и расширить TGDR до GEE-TGDR.С обозначением небольшого положительного приращения (например, 0,01) в поиске градиентного спуска, затем на итерации, (1) При текущей оценке вычисляется матрица отрицательного градиента с ее компонентом, как (2) Представим пороговый вектор размера для времени point () на итерации, то его компонент (для гена) равен (3) Обновить и (4) Рассчитать остатки, а именно,, и на их основе оценить мешающие параметры, участвующие в (для различных корреляционных структур параметры разные) и.Следует отметить, что, поскольку в разные моменты времени у нас разные пороговые функции, ожидается, что выбранные гены в разные моменты времени будут отличаться. Таким образом, возможен выбор критических моментов времени. (5) Повторите шаги 1–4 несколько раз. — параметр настройки, такой же, как в обычном методе TGDR. Оптимальное значение также определяется CV

В этом исследовании мы разработали только алгоритм GEE-TGDR для непрерывных результатов, представленных в мотивированной базе данных; Показатели PASI, которые являются непрерывными, были интересующими результатами, затем соответствующие ожидания данных.Здесь позвольте представить измеренные моменты времени; затем предназначены для профилей экспрессии генов в момент времени для субъекта и для соответствующих коэффициентов этих значений экспрессии генов в момент времени. На рисунке 1 представлена ​​графическая иллюстрация алгоритма GEE-TGDR для непрерывных продольных результатов.

Поскольку результаты были непрерывными, была рассчитана статистика среднеквадратичной ошибки (MSE) для оценки эффективности полученных сигнатур генов. Стоит отметить, что для результатов других типов расширение, подходящее для базового типа данных алгоритма GEE-TGDR, является простым, с соответствующей функцией квазивероятности, выступающей в качестве целевой функции / функции отклика.

2.3. Статистический язык

Статистический анализ проводился на языке R версии 3.6.1 (http://www.r-project.org).

3. Результаты

3.1. Идентифицированные сигнатуры LncRNA

В этом исследовании мы предлагаем расширить алгоритм выбора признаков TDGR для учета корреляционной структуры продольных данных. Это достигается путем определения целевой функции TDGR как соответствующей функции квазивероятности, которая, как и в GEE, определяется на основе первых двух моментов и рабочей корреляционной матрицы.TDGR-GEE описан в разделе «Материалы и методы». В этом разделе мы проиллюстрируем применение предложенного метода при поиске биомаркеров, которые предсказывают клиническое разрешение псориаза после лечения двумя видами иммунотерапии.

Профили экспрессии генов исходной биопсии пораженной кожи были получены для 30 субъектов, наблюдавшихся в течение 16 недель после лечения адалимумабом и метотрексатом. Клиническое разрешение на 1-й, 2-й и 4-й неделях оценивалось с помощью PASI. В этом примере мы хотели бы идентифицировать сигнатуру генов, значения базовой экспрессии которых коррелируют с изменениями PASI, нашего непрерывного продольного результата.Мы использовали 662 lnRNA в качестве ковариант в предложенной модели GEE-TGDR при 4 различных рабочих корреляционных структурах. Статистика производительности (т.е. MSE) и идентифицированные гены lncRNA представлены в таблице 1.

903 -AS1 LINC01139 RAMP2-AS1 PAEM99 LINC01139 RAMP413 AS10351 RAMP41-AS1 TMEM99 LIPC01139 RAMP413 X10351 Среднее значение MSE (5-кратное CV) SD MSE (CV) MSE (все данные) Идентифицированные днРНК (с использованием всех данных) Исходный уровень Неделя 1 Неделя 2 Неделя 4 AR1.456 3,258 2,101 RAMP2-AS1 RAMP2-AS1 RAMP2-AS1 RAMP2-AS1 неструктурированный 3,741 3,725 AS1 LRRC75A-AS1 PAXIP1-AS1 LINC00667 RAMP2-AS1 MIR205 LRRC75A-AS1 TMEM99 LINC01018 PAXIP1-AS1 LINC01139 RAMP2-AS1 AS1.758 1,649 0,767 XIST RAMP2-AS1 MIR205 LRRC75A-AS1 XIST LINC01139 SDHAP2 RAMP2-AS1 TMEM99 LINC01139 RAMP2-AS1 TMEM99 LINC01139 RAMP413 AS10351 Независимый 2,675 1,694 0,760 SNHG5 LINC01139 Изменение скорости 2-AS1 MIR205 SNHG5 Изменение скорости 2-AS1 MIR205 SNHG5 TMEM99 Изменение скорости 2-AS1 MIR205 SNHG5 XIST LINC01018 LINC01139 Изменение скорости 2-AS1 MIR205

Использовались только базовые значения экспрессии.AR1: порядок авторегрессии 1; MSE: среднеквадратичная ошибка; SD: стандартное отклонение; Резюме: перекрестная проверка.

В этом приложении результаты, полученные при рабочих корреляционных структурах, взаимозаменяемых, неструктурированных и независимых, практически не различаются, при этом аналогичные наборы биомаркеров приводят к аналогичным характеристикам. Это отражает хорошо известную устойчивую характеристику GEE, когда при правильном указании предикторов оценки GEE остаются согласованными, даже если структуры корреляции указаны неправильно.В структуре AR1 GEE-TGDR идентифицировал только одну днРНК как связанную с оценками PASI, что привело к недостаточному соответствию и худшим характеристикам по сравнению с тремя другими корреляционными структурами.

Из-за обременительности пациента и бюджетных ограничений данные продольного измерения обычно очень короткие и расположены неравномерно. В этом случае AR1 не очень подходит, и неструктурированная корреляция может быть наиболее подходящей структурой, даже несмотря на то, что эта структура соответствует модели с большим количеством мешающих параметров, включенных в соответствующую рабочую структуру корреляции.

Результаты перекрестной проверки (CV) дали нам представление о вариабельности характеристик модели в этом отношении; Результаты CV показали, что все корреляционные структуры, кроме структуры AR1, дали аналогичные результаты, причем как заменяемые, так и независимые структуры имели наименьшие MSE, но большую изменчивость, а неструктурированная структура имела большую MSE, но меньшие вариации.

Несмотря на то, что в отдельные моменты времени идентифицированные признаки существенно различались для неструктурированных, заменяемых и независимых рабочих корреляционных структур (рис. 2), объединение списков днРНК во времени по существу одинаково, включая 9 днРНК, идентифицированных всеми этими три структуры и одна днРНК, выбранная только независимой структурой (рис. 3).

3.2. Сравнение с конкурирующими методами

Чтобы дополнительно охарактеризовать метод GEE-TGDR, было проведено сравнение с двумя конкурирующими методами. Одним из рассматриваемых конкурирующих методов является метод GEE-скрининга [1], в котором модель GEE соответствовала показателям PASI с течением времени в качестве результата и значениям экспрессии определенной днРНК в качестве ковариаты. Метод GEE-скрининга отфильтровывал гены один за другим. Следует отметить, что в методе GEE-TGDR и модели GEE-скрининга мы рассматривали только неструктурированную рабочую корреляционную структуру.В другом конкурирующем методе, а именно методе скрининга на основе линейной смешанной модели, модель GEE была заменена линейной смешанной моделью (результат и ковариата такие же, как в модели скрининга GEE), а член пересечения был рассматривается как случайный эффект. ДнРНК с соответствующими значениями коэффициентов <0,05 были выбраны как подходящие для обоих конкурирующих методов. Затем была подобрана машинная модель опорных векторов, используя статус ответа в качестве результата и идентифицированные днРНК с помощью определенного метода в качестве предикторов.Согласно результатам 10-кратной перекрестной проверки (для оценки прогностической эффективности каждого метода), метод GEE-TGDR достиг наилучшей точности предсказания (таблица 2). Следует отметить, что даже GEE-TGDR имеет лучшую производительность по сравнению с двумя другими конкурирующими методами, его точность прогнозирования оценивается в 70%, что далеко от 100%, что оставляет много места для улучшения.

Метод Размер Прогнозируемая ошибка GEE-TGDR 9033% 9033 9033 903 40% Линейный скрининг на основе смешанной модели 27 33.33%

Ошибки прогноза были рассчитаны на основе 10-кратной перекрестной проверки. Здесь статус ответа, то есть, произошло ли снижение показателя PASI на 75% от исходного уровня пораженной кожи после 12 недели или позже. Размер: количество идентифицированных днРНК определенным методом; здесь были указаны размеры, обученные для всего набора данных; при перекрестной проверке эти числа подвергались изменениям, поскольку обучающие наборы были подмножеством всего набора данных.Для скрининга на основе GEE-TGDR и GEE учитывалась только неструктурированная рабочая корреляционная матрица.

3.3. Биологическая релевантность

Чтобы получить биологические инсайты, идентифицированные биомаркеры, мы оценили релевантность к псориазу 10 идентифицированных днРНК с использованием показателей достоверности заболевания, где высокий балл представляет собой прочную поддержку литературой в соответствии с базой данных GeneCards. Ни одна из 10 днРНК не была напрямую связана с псориазом, в то время как 5 днРНК, перечисленных в порядке убывания оценок достоверности и, таким образом, нисходящей поддержки литературой в соответствии с базой данных GeneCards, MIR205 , XIST , SNHG5 , LINC01139 и SDHAP2 были связаны с иммунитетом.

Из аннотированных баз данных днРНК было извлечено мало значимой информации, что неудивительно, поскольку этот псориаз остается в значительной степени неизученным с точки зрения днРНК. Таким образом, мы сосредоточились на изучении мРНК, коррелированных или нацеленных на эти днРНК. В частности, мы идентифицировали гены, чья базовая экспрессия в очагах поражения сильно коррелировала по крайней мере с одной из 10 днРНК (, 5), и идентифицировали 225 генов мРНК. Согласно базе данных GeneCards [22], примерно 30% этих мРНК (64) были напрямую связаны с псориазом, в первую очередь IL10 , FABP5 , KRT16 , CCR6 , IL18 , STAT3 , GATA3 и SERPINB3 , обеспечивая некоторую проверку биомаркеров днРНК, идентифицированных методом GEE-TGDR.Напротив, среди 29 целевых мРНК, идентифицированных базой данных lncRNA Disease 2.0 [23] как нацеленных на панель из 10 lnRNA (все они были идентифицированы с помощью корреляционного подхода), GeneCards утверждали, что CCR10 , AOC3 , UBB и WNK4 были напрямую связаны с псориазом, но только CCR10 имел высокий балл достоверности в отношении его значимости для псориаза. Следует отметить, что среди 10 днРНК только RAMP2-AS1 , PAX1P1-AS1 , TMEM99 и LIN01018 имеют много коррелированных мРНК, но остальные пять имеют мало коррелированных мРНК или совсем не имеют коррелированных мРНК.

3.4. Пути, обогащенные мРНК-мишенями

Анализ избыточного представительства набора генов был проведен на 225 мРНК, идентифицированных как нацеленные с помощью панели биомаркеров 10 lnRNA, с использованием программного обеспечения STRING [24] на коллекциях KEGG и GO. Около 346 терминов обогащенных биологических процессов (BP), 23 термина молекулярных функций (MF) и 21 термина клеточного компонента (CC) были идентифицированы в коллекции GO, что отражает иммунную патофизиологию заболевания. Три основных пути, обогащенных KEGG [25], отражают воспалительные процессы, не только идентифицируя воспалительные заболевания кишечника () и взаимодействие цитокин-цитокиновых рецепторов (), но также обнуляя ключевой путь при псориазе: дифференцировку Th27 ().

Наконец, среди 225 мРНК мы выбрали 10 лучших с точки зрения релевантности псориазу () и построили сеть взаимодействия днРНК-мРНК, визуализированную программным обеспечением Cytoscape [26] (рис. 4). Мы заметили, что мРНК-мишени сильно связаны с IL10 и , выступающим в качестве гена-концентратора. Хорошо известно, что IL10 является иммунодепрессивным цитокином и позволяет поддерживать иммунологический гомеостаз [27]. Основываясь на этом, мы предполагаем, что идентифицированные днРНК могут регулировать экспрессию важных цитокинов, таких как IL10 , и требуют дальнейших исследований.

4. Обсуждение

4.1. Ограничения и дальнейшая работа

На текущем этапе метод GEE-TGDR имеет несколько ограничений. Во-первых, никакая структура группировки не принимается во внимание, и, таким образом, метод GEE-TGDR относится к традиционной категории выбора встроенных функций. К настоящему времени накопленные исследования [28–31] показали, что метод, основанный на путях, который учитывает группирующую информацию, превосходит его основанный на генах аналог, в котором группирующая информация игнорируется.Таким образом, как расширить предлагаемый метод GEE-TGDR для учета корреляций между генами — это направление исследований, которым мы займемся в ближайшем будущем.

Во-вторых, метод TGDR намного медленнее, чем метод координатного спуска (CD) [15], как показано в нашем предыдущем исследовании [4]. Учитывая, что расширение GEE-TGDR использует метод TGDR в качестве стратегии оптимизации, ожидается, что его скорость сходимости будет очень низкой. Метод, сочетающий в себе достоинства этих двух алгоритмов, безусловно, востребован.В качестве альтернативы алгоритм синус-косинуса [20] может быть интегрирован в этап градиентного спуска для более быстрого обновления и лучшей настройки гиперпараметров (параметров настройки). Кроме того, в текущей версии шаг шага фиксируется на постоянном значении. В будущем этот параметр будет изменен для обновления во время итераций, как в алгоритме Адама, что может повысить эффективность вычислений и избежать застревания в локальном минимальном значении.

В-третьих, метод GEE-TGDR принимает только не зависящие от времени ковариаты в своей текущей версии.Для продольных профилей экспрессии генов будет использоваться суммарная оценка, чтобы суммировать значения экспрессии каждого гена с течением времени как одно общее значение. Следовательно, ковариаты снова стали инвариантными во времени. Например, средние значения профилей экспрессии днРНК на исходном уровне и на 1-й неделе могут использоваться для представления соответствующих днРНК, а затем в качестве ковариант для исследования они связаны с баллами PASI на 1-й, 2-й и 4-й неделе или изменение PASI набирает баллы в эти временные точки по сравнению с исходными уровнями.С другой стороны, метод GEE-TGDR, безусловно, может быть расширен для обработки изменяющихся во времени ковариат, которые могут изучить влияние динамических изменений в значениях экспрессии генов на интересующие результаты и, таким образом, облегчить своевременную корректировку стратегий лечения соответственно. Наконец, сейчас единственный тип результатов — непрерывный; тем не менее, конечно, он может быть расширен для обработки результатов других типов с соответствующей функцией квазивероятности, выступающей в качестве целевой функции.

4.2. Вклад

В этом исследовании мы предлагаем новый алгоритм выбора признаков, который способен анализировать продольные результаты и исследовать связи между профилями экспрессии генов и временными изменениями результатов. В приложении для лечения псориаза переобучение может быть возможным из-за большого расхождения в статистике MSE между всей обучающей выборкой и перекрестной проверкой. Что еще хуже, но более реалистично, переоснащение и неполное оснащение могут сопровождать друг друга, чтобы существовать в процессе выбора характеристик.Поскольку для реальных приложений истинные релевантные гены неизвестны, поэтому биологическая релевантность обычно прибегает к абстрактным представлениям о присвоении идентифицированных списков генов. Тем не менее, что касается псориаза и основного механизма иммунного лечения для борьбы с этим заболеванием, мало что было исследовано с точки зрения днРНК для сбора такой важной информации. Насколько нам известно, наша работа здесь является одной из первых попыток раскрыть механизмы псориаза и его иммунное лечение с использованием профилей экспрессии днРНК и метода отбора признаков, специфичного для продольных данных.

После того, как ограничения метода GEE-TGDR будут устранены в ближайшем будущем, мы полагаем, что будет собрана сигнатура lncRNA, чтобы точно сказать, какие пациенты будут реагировать на конкретное лечение от тех, кто не будет, и, таким образом, облегчить индивидуальные схемы или наименее дополняющий другие молекулярные маркеры для точных стратегий лечения.

5. Выводы

В этом исследовании мы предложили новый алгоритм выбора признаков — GEE-TGDR — способный обрабатывать продольные результаты и определять соответствующие гены, связанные с временными изменениями таких результатов.

Наша будущая работа будет сосредоточена на устранении ограничений метода GEE-TGDR. Кроме того, расширение текущей процедуры для анализа других типов результатов, а не непрерывных, и более эффективная и быстрая реализация коэффициентов обновления находятся в верхней части этого списка.

Стоит упомянуть, что помимо работы с продольными клиническими исходами, GEE-TGDR может использоваться для вывода ассоциаций между днРНК и мРНК и, таким образом, построения сетей взаимодействия днРНК-мРНК.Например, используя хорошо известные связанные с раком мРНК в качестве результатов, днРНК, которые потенциально могут регулировать / нацеливать эти мРНК, можно найти с помощью метода GEE-TGDR, который также является одной из наших будущих работ. Поэтому мы ожидаем широкого применения метода GEE-TGDR в анализе данных omics.

Доступность данных

Предварительно обработанные данные об экспрессии генов (номер доступа: GSE85034) вместе с клинической информацией пациента были загружены из базы данных GEO (https: // www.ncbi.nlm.nih.gov/geo/).

Конфликт интересов

Конфликт интересов не заявлен.

Вклад авторов

ST задумал и разработал исследование. ST и CW проанализировали данные. Анализ данных и результаты, интерпретированные CW и ST. ST и CW написали статью. Все авторы просмотрели и одобрили окончательную рукопись.

Благодарности

Мы благодарим доктора Данну Гилбрет за редактирование на английском языке. Это исследование было поддержано фондом (№ 31401123) Национального фонда естественных наук Китая.Д-р Суарес-Фаринас также был поддержан Исследовательской премией Ирмы Т. Хиршл / Моник Вайль-Кулье.

Произошла ошибка при настройке пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.

---

Настройка вашего браузера для приема файлов cookie

Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:

• В вашем браузере отключены файлы cookie.Вам необходимо сбросить настройки своего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
• Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, нажмите кнопку «Назад» и примите файлы cookie.
• Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
• Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie.Чтобы исправить это, установите правильное время и дату на своем компьютере.
• Вы установили приложение, которое отслеживает или блокирует установку файлов cookie. Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.

---

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.

---

Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.

Как правило, в файлах cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, пока вы не введете его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступа к остальной части вашего компьютера, и только сайт, который создал файл cookie, может его прочитать.

% PDF-1.3 % 162 0 объект > эндобдж xref 162 108 0000000016 00000 н. 0000002512 00000 н. 0000002666 00000 н. 0000002705 00000 н. 0000002773 00000 н. 0000003570 00000 н. 0000003984 00000 н. 0000004051 00000 н. 0000004254 00000 н. 0000004362 00000 п. 0000004467 00000 н. 0000004592 00000 н. 0000004712 00000 н. 0000004870 00000 н. 0000005041 00000 н. 0000005166 00000 н. 0000005294 00000 н. 0000005354 00000 п. 0000005516 00000 н. 0000005667 00000 н. 0000005727 00000 н. 0000005885 00000 н. 0000005945 00000 н. 0000006005 00000 н. 0000006126 00000 н. 0000006258 00000 н. 0000006393 00000 п. 0000006521 00000 н. 0000006640 00000 н. 0000006778 00000 н. 0000006911 00000 п. 0000007056 00000 н. 0000007207 00000 н. 0000007320 00000 н. 0000007437 00000 н. 0000007549 00000 н. 0000007668 00000 н. 0000007787 00000 н. 0000007904 00000 н. 0000008023 00000 н. 0000008137 00000 н. 0000008251 00000 н. 0000008363 00000 п. 0000008474 00000 н. 0000008587 00000 н. 0000008701 00000 п. 0000008817 00000 н. 0000008928 00000 н. 0000009039 00000 н. 0000009155 00000 н. 0000009271 00000 н. 0000009388 00000 п. 0000009504 00000 н. 0000009622 00000 н. 0000009736 00000 н. 0000009852 00000 н. 0000009967 00000 н. 0000010082 00000 п. 0000010197 00000 п. 0000010309 00000 п. 0000010347 00000 п. 0000010400 00000 п. 0000010495 00000 п. 0000010598 00000 п. 0000011282 00000 п. 0000016217 00000 п. 0000016619 00000 п. 0000016641 00000 п. 0000017370 00000 п. 0000024883 00000 п. 0000025280 00000 п. 0000025969 00000 п. 0000026719 00000 п. 0000026840 00000 п. 0000036870 00000 п. 0000037429 00000 п.% ޹]? I — # \, \ t & դ jX4 ~ 2!> ٬ Fh

Q

G ښ 7 Pf; | UT $ Up

CO Организатор встреч EGU2020

DAFNE (Data Fusion by Bayesian Network) — это набор инструментов с открытым исходным кодом на основе Matlab, предназначенный для создания карт наводнений на основе дистанционно полученной и другой вспомогательной информации с помощью подхода слияния данных [1].Он основан на байесовских сетях и состоит из пяти модулей, которые можно легко модифицировать или модернизировать для удовлетворения различных потребностей пользователей. DAFNE предоставляет в качестве выходных продуктов вероятностные карты паводков, то есть для каждого пикселя в данной выходной карте сообщается значение вероятности того, что соответствующая область была достигнута в результате наводнения. Более того, если изображения с дистанционным зондированием были получены в разные дни во время наводнения, DAFNE позволяет проследить временную эволюцию наводнения.

Хорошо известно, что сценарии наводнений являются типичными примерами сложных ситуаций, в которых необходимо учитывать различные факторы, чтобы обеспечить точную и надежную интерпретацию ситуации на местах [2].В частности, комбинированный анализ разновременных и многочастотных трендов интенсивности и когерентности SAR вместе с оптическими данными и другой вспомогательной информацией может быть особенно полезен для картирования затопленных территорий, характеризующихся различным земным покровом и землепользованием [3]. Здесь представлено недавнее обновление, которое позволяет рассматривать в качестве входных данных многочастотные изображения интенсивности SAR, такие как изображения X-диапазона, C-диапазона и L-диапазона.

Три различных события наводнения были рассмотрены в качестве практических примеров: для каждого из них были составлены разновременные вероятностные карты паводков путем объединения разновременных и многочастотных изображений интенсивности SAR (таких как изображения COSMO-SkyMed, Sentinel-1). и изображения ALOS 2), когерентность InSAR и оптические данные (такие как изображения Landsat 5 или изображения высокого разрешения) вместе с геоморфической и другой наземной информацией.Экспериментальные результаты показывают хорошие возможности создания точных карт паводков с временем вычислений, совместимым с приложением, близким к реальному времени.

[1] A. D’Addabbo, A. Refice, F. Lovergine, G. Pasquariello, DAFNE: набор инструментов Matlab для байесовского дистанционного зондирования из нескольких источников и объединения вспомогательных данных с приложением для картирования наводнений. Компьютеры и науки о Земле 112 (2018), 64-75.

[2] А. Рефис и др., IEEE Journal of Selected Topics in Applied Earth and Remote Sensing, vol.7, вып. 7, pp. 2711–2722, 2014.

[3] А. Д’Аддаббо и др., «Байесовская сеть для обнаружения наводнений, объединяющая изображения SAR и вспомогательные данные», IEEE Transactions on Geoscience and Remote Sensing, vol.54 , n.6, pp.3612-3625, 2016.

.