7 класс

Контрольная работа по алгебре 7 класс мерзляк 1: Контрольные работы по алгебре 7 класс по учебнику Мерзляка

Содержание

Контрольные работы по алгебре 7 класс по учебнику Мерзляка

 

А-7             Контрольная работа №6 по теме «Функции».

 

Вариант 1.

1.      Функция задана формулой y = -3x + 1. Определите:

1)      значение функции,  если значение аргумента равно 4;

2)      значение аргумента, при котором значение функции равно -5;

3)      проходит ли график функции через точку А(-2; 7).

 

2.      Постройте график функции y = 2x – 5. Пользуясь графиком, найдите:

1)      значение функции, если значение аргумента равно 3;

2)    значение аргумента, при котором значение функции равно -1.

 

3.      Не выполняя построения, найдите координаты точек пересечения  графика функции  y = -0,6x+ 3 с осями координат.

 

4.

      При каком значении k график функции y = kx+ 5 проходит через точку D(6; -19)?

 

 

                                                        х, если х  3;

5.      Постройте график функции  y =

                                                            1, если х  3.

 

 

 

 

 

 

 

 

 

 

 

 

А-7             Контрольная работа №6 по теме «Функции».

 

Вариант 2.

1.      Функция задана формулой y = -2x + 3. Определите:

1)      значение функции,  если значение аргумента равно 3;

2)      значение аргумента, при котором значение функции равно 5;

3)      проходит ли график функции через точку В(-1; 5).

 

2.       Постройте график функции y = 5x – 4. Пользуясь графиком, найдите:

1)      значение функции, если значение аргумента равно 1;

2)      значение аргумента, при котором значение функции равно 6.

 

3.      Не выполняя построения, найдите координаты точек пересечения  графика функции  y = 0,2x 10 с осями координат.

 

4.      При каком значении k график функции y = kx 15 проходит через точку С(-2; -3)?

 

 

                                                        х, если х  4;

5.      Постройте график функции  y =

                                                            2, если х  4.

 

 

А-7             Контрольная работа №6 по теме «Функции».

 

Вариант 3.

   1.   Функция задана формулой y = 4x — 7. Определите:

1)      значение функции,  если значение аргумента равно -3;

2)      значение аргумента, при котором значение функции равно 9;

3)      проходит ли график функции через точку С(2; 1).

 

2.      Постройте график функции y = -3x + 2. Пользуясь графиком, найдите:

1)      значение функции, если значение аргумента равно 2;

2)      значение аргумента, при котором значение функции равно 5.

 

3.      Не выполняя построения, найдите координаты точек пересечения  графика функции  y = -0,7x+ 14 с осями координат.

 

4.      При каком значении k график функции y = kx — 8 проходит через точку В(-2; -18)?

 

 

                                                       , если х  -6;

5.      Постройте график функции  y =

                                                             х, если х  -6.

 

 

А-7             Контрольная работа №6 по теме «Функции».

 

Вариант 4.

   1.  Функция задана формулой y = 6x — 5. Определите:

1)      значение функции,  если значение аргумента равно -2;

2)      значение аргумента, при котором значение функции равно 13;

3)      проходит ли график функции через точку А(-1; -11).

 

2.      Постройте график функции y = 4x — 3. Пользуясь графиком, найдите:

1)    значение функции, если значение аргумента равно 1;

2)    значение аргумента, при котором значение функции равно -7.

 

3.      Не выполняя построения, найдите координаты точек пересечения  графика функции  y = -0,4x+ 2 с осями координат.

 

4.      При каком значении k график функции y = kx + 4 проходит через точку А(-3; -17)?

 

 

                                                       1, если х  5;

5.       Постройте график функции  y =

                                                            0,2х, если х  5.

 

 

 

 

 

 

 

 

 

 

 

Диагностическая контрольная работа за 1 полугодие по математике 7 класс (Мерзляк)

Диагностическая контрольная работа по алгебре

для 7 класса за 1 полугодие.

Учебник «АЛГЕБРА – 7» Мерзляк А.Г., Полонский В.Б.,

Якир М.С.

Составитель: Рогачева С.А. учитель математики.

Работа состоит из двух частей.

Часть А содержит 10 заданий базового уровня, задания с выбором ответа.

Часть вторая В содержит 2 задания, требующее записать решение и ответ.

Обучающиеся должны продемонстрировать знания, умения и навыки за 1 полугодие: умение находить значение выражения, раскрывать скобки и приводить подобные слагаемые, решать уравнения, умение работать со степенями, выносить общий множитель за скобки, приводить одночлен к стандартному виду, упрощать выражения.

Ответы:

А

2

А

3

А

4

А

5

А

6

А

7

А

8

А

9

В

1

В

2

а

В

2

б

1

б

г

г

г

б

в

в

г

б

а2+23а-10

-2

0; 7

2

б

г

в

а

г

а

в

в

б

с2+23с-10

-13

0; 11

Критерий оценивания:

Часть «А»- 1балл за каждое задание.

Часть «В»- 2 балла за каждое задание.

Максимальное количество- 15 баллов.

Диагностическая работа по алгебре за 1 полугодие

Ф.И.____________________ Класс 7

Вариант I

А1. Найти значение выражения: 6х-8у, при х = , у = —

а) -1 б) 9 в) 11 г) -9

А2. Раскрыть скобки и привести подобные слагаемые:

(2,7х -5 ) — (3,1х — 4)

а) 2,7х – 9 б) -0,4х-9 в) 5,8х-1 г)-0,4х-1

А3. Найти корень уравнения: 0,5у -14= -29+0,8у

а) б) 5 в) -50 г) 50.

А4. Вынесите общий множитель за скобки: 3ав + 6ас

а) 3а(в – 2с) б) 3а(2с-в) в) а(в +2с) г) 3а(в + 2с)

А5.Представить в виде произведения многочлен: ах- ау +8х- 8у

а)(х+у)(8х – 8) б) )(х-у)(а+ 8)

в) )(х-у)(а – 8) г) )(х+у)(а + 8)

А6. Каково значение выражения: — 4х +1 при х = -3?

а) -13 б) –11 в)13 г)-12.

А7. Привести одночлен к стандартному виду: 4у* 0,3х

а)12 в) г) 1,2ху

А8. Возвести в степень: (-2

а)16 б)-16 в) г)16

А9. Вычислить:

а) 10 б)25 в) г)

В1.Упростить выражение:(3а+2) (2а-1) – (5а-2) (а-4)=

В2. Решить уравнения:

а) 9х – 6*( х – 1) = 5 * ( х+2) б) х2 – 7х= 0

Кол-во баллов ________ Оценка «____»

Диагностическая работа по алгебре за 1 полугодие

Ф.И.____________________ Класс 7

Вариант II

А1. Найти значение выражения: 16х+12у, при х = , у = —

а) -12 б) 8 в) 12 г) -8

А2. Раскрыть скобки и привести подобные слагаемые:

(1,3х -4 ) — (6 +2,7х)

а) 4х-10 б) 4х-2 в) -10-4х г)-1,4х-10

А3.Найти корень уравнения: 12-0,8у = 26+0,6у

а)1 б) -2 в) -10 г) 10.

А4. Вынесите общий множитель за скобки: 3ав – 6ас

а) 3а(в – 2с) б) 3а(в + 2с) в) а(в-2с) г) 3а(2с-в)

А5 Представить в виде произведения многочлен: ах+ ау -8х- 8у

а)(х+у)(8х – 8) б) )(х-у)(а+ 8)

в) )(х-у)(а – 8) г) )(х+у)(а — 8)

А6.Каково значение выражения: — 3х -7 при х = — 4?

а) 5 б) –5 в) -14 г) 4.

А7. Привести одночлен к стандартному виду: 0,3у* 4х

а)12 в) г) 1,2ху

А8. Возвести в степень: (-3

а)27 б)-27 в) г)27

А9. Вычислить:

а) 14 б)49 в) г)

В1. Упростить выражение:(3с+2) (2с-1) – (5с-2) (с-4)=

В2. Решить уравнение:

а) 15х-7*(2х+5) = 4*(х+1) б) х2 — 11х = 0

Кол-во баллов ________ Оценка «____»

Общая информация

Если Вы являетесь автором этой работы и хотите отредактировать, либо удалить ее с сайта — свяжитесь, пожалуйста, с нами.

ГДЗ Алгебра 7 класс Мерзляк, Полонский, Рабинович, Якир

Алгебра 7 класс

Дидактические материалы

Мерзляк, Полонский, Рабинович, Якир

Вентана-Граф

Обучение в школе в наше время напоминает игру в шарады: учащиеся должны по разрозненным словам учителя понять суть изучаемого предмета, а так же самостоятельно освоить принцип выполнения практических задач. Многим родителям порой совершенно не понятно, чем же именно их дети занимаются на уроке, если придя домой они попросту не знают как выполнять то или иное упражнение. Но спросить об этом самого преподавателя взрослые почему-то опасаются. Поэтому практически все сейчас пользуются вспомогательными пособиями, такими как решебник к учебнику «Алгебра. Дидактические материалы 7 класс» Мерзляк, Полонский, Рабинович.

Содержание данного пособия

В сборнике представлены задания для трех вариантов. В каждом из них дано по двести десять упражнений. Кроме того, в издании имеются и контрольные работы, содержащие задачи для двух вариантов. Детализированные ответы в ГДЗ по алгебре 7 класс Мерзляк дают полное понимание алгоритма решений. Имея сборник под рукой, можно заранее подготовиться к проверочным работам.

Для чего он нужен

К седьмому классу у ребят уже вырабатывается определенная манера восприятия материала. Кто-то все понимает уловив объяснения учителя, кто-то должен сам прочитать параграф к теме. Но есть и отдельная подгруппа детей, которым необходимо «разжевывать» информацию. Но учителя, которые сейчас по сути работают на показатели, уже не занимаются подробным изложением всех данных, поэтому весьма часто школьники уходят с урока так и не поняв всех критериев новой темы. Хорошие же показатели по дисциплине довольно трудно получить, если нет ее понимания. Решебник к учебнику «Алгебра. Дидактические материалы 7 класс» Мерзляк поможет не только хорошо подготовиться к проверочным работам, но и лучше усвоить необходимые познания. «Вентана-граф», 2017 г.

Похожие ГДЗ Алгебра 7 класс

Название

Условие

Решение

ГДЗ решебник по алгебре 7 класс Мерзляк, Полонский, Рабинович дидактические материалы Вентана-Граф

Алгебра 7 класс

Тип пособия: Дидактические материалы

Авторы: Мерзляк, Полонский, Рабинович

Издательство: «Вентана-Граф»

«ГДЗ по алгебре за 7 класс дидактические материалы Мерзляк, Полонский (Вентана-граф)» было разработано лучшими педагогами страны. Они придерживались современной методики обучения и создали прекрасный информационный справочник. Лучше этого пособия школьникам просто не найти. В нем собраны не просто ответы к заданиям, а даны развернутые авторские комментарии и заметки методистов.

Алгебра в 7 классе

На седьмой ступени обучения в школе учащимся посчастливится познакомиться со следующими интересными и важными темами:

  1. Математический язык и математическая модель.
  2. Линейное уравнение с одной переменной.
  3. Координатная прямая.
  4. Линейная функция.
  5. Таблица основных степеней.
  6. Числовые и алгебраические выражения в математических моделях и задачах.

Школьникам необходимо постоянно практиковаться, решая как можно больше заданий. Этот процесс может занять очень много времени, а ведь есть и другие уроки, к которым тоже нужно хорошо подготовиться. Чтобы сэкономить драгоценные часы и закрепить пройденное в классе, сами учителя рекомендуют воспользоваться готовыми домашними заданиями. В комплексе с основным учебником сборник верных ответов становится еще более эффективным. И это уже было неоднократно доказано.

Для чего нужны готовые ответы

ГДЗ — гарантия того, что ученик всегда будет получать только отличные отметки, но при условии, что материалами решебника он воспользуется правильно. Не стоит бездумно переписывать результаты в чистовик в надежде получить за это хорошую оценку. Очень важно обдумывать каждое свое действие. Это поможет:

  • обнаружить часто повторяющиеся ошибки;
  • восполнить пробелы в знаниях;
  • изучить незнакомую тему;
  • подготовиться к уроку наперед.

Если родители желают принять участие в образовательном процессе своего чада, то они тоже могут использовать данную книгу, чтобы вспомнить все то, что когда-то учили в школе.

Преимущества решебника

«ГДЗ по алгебре за 7 класс дидактические материалы Мерзляк А. Г., Полонский В. Б., Рабинович Е. М., Якир М. С. (Вентана-граф)» находится в онлайн-доступе. Зайти на страницы готовых ответов можно с ноутбука, планшета, компьютера, смартфона. Самое главное — это иметь доступ к Интернету. Больше не нужно загромождать рюкзаки дополнительными книгами, ведь все ответы к номерам будут находиться в одном месте. Заглянуть на страницы ГДЗ можно как дома, так и в классе.

Похожие ГДЗ Алгебра 7 класс

Варианты контрольной работы №1. Линейное уравнение с одной переменной: 1

Контрольная Работа По Алгебре Номер 1 Мерзляк – Telegraph


>>> ПОДРОБНЕЕ ЖМИТЕ ЗДЕСЬ <<<

Контрольная Работа По Алгебре Номер 1 Мерзляк
Установим стиральную машину?! Жмите!
gold-santehnik.ru

Подготовка к ЕГЭ по Математике
ege.foxford.ru
Контрольные работы по алгебре в 9 классе с ответами и решениями в 2-х вариантах ориентированы на учебник «Алгебра 9 класс» авторов А. Г. Мерзляк, В.Б. Полонский, М.С. Якир системы УМК «Алгоритм успеха». Ответы на контрольные работы адресованы родителям, которые смогут проконтролировать правильность выполнения задания. Выберите необходимую вам тему контрольной работы. Алгебра 9 Контрольные Мерзляк. В начале указана цитата (материал контрольной работы) из учебного пособия: «Алгебра 9 класс. Дидактические материалы/ А.Г. Мерзляк, В.Б. Полонский, Е.М.Рабинович и др. — М.: Вентана-Граф». Затем представлены решения и ответы (нет в пособии). При постоянном использовании данных контрольных работ рекомендуем КУПИТЬ книгу:  Мерзляк, Рабинович, Полонский: Алгебра. 9 класс. Дидактические материалы. ФГОС (переход по ссылке в интернет-магазин «Лабиринт.Ру»). Вопросы и ответы представлены в учебных целях, а также для ознакомления и покупки учебного пособия.
К-1. Проверяемая тема: «Неравенства»
К-2. Тема: «Квадратичная функция, её график и свойства»
Станьте Дата Инженером
geekbrains.ru
16+

Репетиторы к ЕГЭ по Математике
uslugi. yandex.ru
К-3. Тема: «Решение квадратных неравенств»
К-4. Тема: «Элементы прикладной математики»
К-5. Тема: «Числовые последовательности»
К-6. Тема: Итоговая контрольная работа за курс 9 класса
Вы смотрели страницу Алгебра 9 Контрольные Мерзляк. Цитаты контрольных работ и ответы на задачи контрольных работ из учебного пособия: «Алгебра 9 класс. Дидактические материалы/ А.Г. Мерзляк, В.Б. Полонский, Е.М.Рабинович и др. — М.: Вентана-Граф».
Если Вы считаете, что какой-то пример решен неправильно обязательно напишите нам в поле для Комментариев (ниже) с указанием № контрольной работы, № варианта и № задачи.
18 вопросов. Нет ограничения по времени. Отправка результатов теста на почту.
18 вопросов. Нет ограничения по времени. Отправка результатов теста на почту.
18 вопросов. Нет ограничения по времени. Отправка результатов теста на почту.

Copyright © 2020. All rights reserved.
This site is protected by The Shield.
ООО «Центр НПИ», г.Москва
Контакты: [email protected] ru
Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie и других пользовательских данных в целях функционирования сайта, проведения статистических исследований и обзоров. Если вы не хотите, чтобы ваши данные обрабатывались, покиньте сайт.

Алгебра 9 Контрольные Мерзляк | Контроль знаний
АЛГЕБРА Контрольные работы 7 класс Мерзляк
Контрольные работы по алгебре 7 класс по учебнику Мерзляка
Контрольные работы 8 класс, алгебра (Мерзляк А.Г. и др.)
ГДЗ контрольная работа / КР-1 1 алгебра 7 класс дидактические…
Маленький Человек Шинель Сочинение
Сколько Можно Аргументов В Итоговом Сочинении
Уголовно Правовая Характеристика Грабежа Курсовая
Сочинение Про Достопримечательности России
Политический Режим Современной России Эссе

Дистанционное зондирование | Бесплатный полнотекстовый | Использование БПЛА и мультиспектральных изображений для оценки изменчивости зрелости арахиса на орошаемых и богарных полях Применение линейных моделей и искусственных нейронных сетей

1.

Введение Дистанционное зондирование используется во всем мире для оценки состояния посевов в поле. Документально подтверждена внутрипольная изменчивость многих параметров сельскохозяйственных культур, таких как биомасса и листья [1], высота растений хлопчатника (Gossypium hirsutum L.; [2]), урожайность пшеницы (Triticum aestivum L.; [3]) и кукурузы (Zea mays L.; [4]). Более того, мониторинг сезонной зрелости видов, таких как соя (Glycine max L.), также оказался жизнеспособным благодаря использованию дистанционного зондирования и вегетационных индексов (VI), полученных на основе изображений с высоким разрешением [5]. Предварительные исследования с проксимальным оптическим зондированием на участках арахиса (Arachis hypogaea L.) с разными сроками посадки показали, что зрелость можно оценить с помощью VI [6]. Однако эти наблюдения, вероятно, были результатом различий в биомассе.Прогнозирование зрелости арахиса было сложной задачей, поскольку нет очевидных надземных признаков зрелости. Стручки арахиса, плоды урожая, производятся под землей. После оплодотворения цветка стебель, обычно называемый колышком, удлиняется вместе с завязью и врастает в почву. Затем кончик штифта превращается в зрелый стручок арахиса [7]. Поскольку арахис является индетерминантной культурой, он цветет в течение продолжительных периодов в течение вегетационного периода. В результате по мере приближения периода сбора урожая на растении присутствуют стручки арахиса разной степени зрелости.Поэтому определить оптимальную зрелость сложно. Сбор урожая на поле в период пиковой зрелости приводит к получению семян высочайшего качества, сорта и урожайности. Незрелые стручки обычно имеют семена с более низким содержанием масла, что снижает их качество [8]. С другой стороны, сбор растений с перезревшими стручками приводит к потерям урожая до 40%, поскольку стручки отделяются от колышков в процессе инверсии и теряются в почве [9]. Williams et al. [10] заметили, что по мере созревания стручков арахиса мезокарпий (второй слой оболочки стручка) меняет цвет с белого на желтый, оранжевый, коричневый и, наконец, черный, когда они полностью созреют. Затем авторы разработали метод очистки шелухи для определения зрелости арахиса. Этот метод широко используется производителями арахиса в США и других странах. Однако сортировка стручков по цвету и размещение их на доске субъективны и в значительной степени зависят от восприятия цвета сортировщиком. Дополнительная стратегия, используемая для прогнозирования зрелости арахиса, — это скорректированное кумулятивное количество дней созревания (aGDD). Эта стратегия основана на расчете тепла, аккумулируемого растением [11]. В модели используются дневные максимальные и минимальные температуры, базовая температура 13.3 °C для арахиса, эвапотранспирации и воды (осадки и орошение, если таковые имеются). Американский арахис побега обычно достигает оптимальной зрелости примерно при 2500 aGDDs [11]. Метод aGDD по-прежнему требует подтверждения зрелости с использованием метода очистки корпуса. Чтобы стандартизировать оценку процента зрелости в выборке, Rowland et al. [11] разработали индекс зрелости арахиса (PMI) для арахиса побега. PMI — это процент зрелых стручков (коричневых + черных классов) от общей выборки.Как правило, метод очистки корпуса является трудоемким, субъективно основанным на способности человека поместить стручки в правильную цветовую категорию и подвержен микроизменчивости в полевых условиях, которая может повлиять на зрелость отдельных растений. Цифровой анализ изображений RGB также был протестирован для арахиса. классификация зрелости. Гейт и др. [12] разработали систему для классификации стручков арахиса на три категории — незрелые, среднеспелые и полностью созревшие — в соответствии с визуальной текстурой скорлупы. Кроме того, программная модель цифровой классификации цветов была обучена определять зрелость арахиса путем сканирования стручков в разных ориентациях (седловидная область вверху или случайное размещение) в коммерческом сканере и дальнейшего расчета процента зрелости [13].Хотя анализ зрелости с помощью изображений RGB снижает субъективность человеческого глаза, этот метод по-прежнему трудоемок и требует много времени, поскольку стручки должны быть собраны в поле, а мезокарпий выставлен напоказ до получения изображения, а стручки должны быть повернуты. во время визуализации. Очевидно, что альтернативы, которые оценивают зрелость стручков по всему полю, а не по отдельным растениям, помогут производителям принимать более обоснованные решения об урожае. Растущее использование методов дистанционного зондирования в производстве арахиса внесло новый вклад в прогнозирование зрелости с меньшим субъективизмом, в то же время фиксируя полевые масштабы. условиях без деструктивного отбора проб растений.Роуленд и др. [14] обнаружили, что коэффициент отражения в ближнем инфракрасном диапазоне (БИК) сильнее коррелирует со зрелостью арахиса по сравнению с другими диапазонами. Изменения отражательной способности арахиса в полосе красного края (RE) по мере приближения стручков к зрелости указывают на то, что эти длины волн также чувствительны к зрелости стручков [15]. Было показано, что индексы растительности, полученные из полос отражения, являются многообещающим инструментом для мониторинга зрелости. Было проведено несколько исследований для оценки ВИ как показателей зрелости арахиса, но они не смогли определить индекс, который последовательно предсказывал зрелость арахиса [14,15,16,17]. Ю и др. [5] использовали установленный на тракторе оптический датчик отражения для оценки реакции ВИ на зрелость арахиса в масштабном исследовании. Авторы обнаружили, что нелинейный индекс (NLI) был наиболее точным показателем зрелости для многих сортов арахиса. Однако необходимы дополнительные исследования, чтобы определить, можно ли успешно использовать ВП для прогнозирования зрелости стручков арахиса. В последние годы все чаще используются инструменты машинного обучения (ML), особенно в отношении методов дистанционного зондирования для решения нелинейных задач. [18].Среди многочисленных моделей машинного обучения искусственные нейронные сети (ИНС) использовались для выявления сложных закономерностей в сельскохозяйственных системах [19]. Хотя ранее сообщалось об использовании нелинейной модели для определения идеальной точки зрелости стручков арахиса с помощью дистанционного зондирования [20], исследования с использованием инструментов машинного обучения для объяснения изменчивости в оценке зрелости для арахиса не были задокументированы. Цели этого исследования состояли в том, чтобы (I) сравнить эффективность использования линейной и множественной линейной регрессии с моделями, использующими ИНС, и (II) проверить точность моделей ИНС для прогнозирования зрелости арахиса в орошаемых и богарных районах.

2. Материалы и методы

2.1. Участки исследования
В этом исследовании использовались четыре коммерческих поля арахиса, расположенные на юге Джорджии, США, одно орошаемое и одно богарное в каждый из вегетационных сезонов 2018 и 2019 годов (рис. 1). Орошаемые и богарные поля 2018 года были засеяны 6 и 11 июня соответственно. В 2019 году поливное поле было засеяно 29 апреля, а богарное поле было засеяно 28 апреля. На всех полях использовался арахисовый сорт Грузия-06Г, цикл вегетации которого составляет около 140 дней. 90% полей арахиса в Грузии [21].Южная Грузия имеет субтропический климат с жарким летом (классифицируется как Cfa согласно [22]) и среднегодовым количеством осадков 1346 мм. В сочетании с песчаными почвами региона эти условия окружающей среды благоприятны для выращивания арахиса, особенно при наличии орошения. Максимальные и минимальные суточные температуры и суточные осадки для экспериментальных участков в оба сезона представлены на рис. 2.
2.2. Сбор наземных данных
На орошаемых полях 2018 и 2019 гг. и богарном поле 2018 г. для исследования была выбрана площадь 24 га в пределах поля.Поскольку богарное поле 2019 года было меньше, для исследования была выбрана площадь 12 га. Изучаемые площади были разделены на участки площадью 1 га (рис. 2). Начиная с 90-го дня после посадки (DAP), еженедельно собирали по 10 растений в радиусе 10 м от центра каждой делянки. Растения переносили в лабораторию, и стручки вручную отделяли от растений до тех пор, пока не было получено приблизительно 200 стручков для каждого образца. Иногда необходимое количество стручков достигалось при использовании менее 10 растений, поэтому не всегда использовались все растения с каждой делянки или времени отбора проб. После отделения от растений стручки промывали под давлением, чтобы выявить цвет мезокарпия, в соответствии с протоколом, приведенным в Williams et al. [10]. Затем стручки помещали на доску профиля арахиса в соответствии с цветом мезокарпия (рис. 3) и регистрировали количество стручков в каждом классе зрелости [10]. Оптимальная зрелость достигается, когда передний край профиля зрелости образца достигает наклонной линии на доске. PMI рассчитывали для каждой выборки согласно [14] путем деления числа зрелых стручков (коричневые + черные) на сумму всех стручков в выборке.PMI варьируется от 0 до 1, а оптимальная зрелость достигается, когда образец имеет PMI 0,7. Для каждого времени отбора образцов рассчитывались скорректированные кумулятивные градусо-дни роста (aGDD) с использованием ежедневной эвапотранспирации, максимальной и минимальной температуры и осадков [11]. Инструмент управления посевами PeanutFARM (peanutfarm.org, 5 ноября 2021 г.) использовался для автоматического получения метеорологических параметров с ближайшей к каждому полю метеостанции и расчета aGDD.
2.3. Сбор данных с БПЛА и обработка изображений

Во время каждого периода выборки камера Parrot Sequoia (Parrot Drone SAS, Париж, Франция), установленная на квадрокоптере 3DR Solo (3D Robotics, Беркли, Калифорния, США), использовалась для получения мультиспектральных изображений в 4 разные полосы: зеленый (530–570 нм), красный (640–680 нм), БИК (770–810 нм) и RE (730–740 нм).Все полеты БПЛА были выполнены в течение 2 часов солнечного полудня при ясных и безоблачных погодных условиях на высоте 90 м с 70% перекрытием спереди и сбоку, что дало разрешение примерно 95 мм на пиксель. Обработку изображений БПЛА проводили с помощью программного обеспечения Pix4Dmapper (Pix4D SA, Лозанна, Швейцария) версии 4.4.12. Отдельные изображения были сшиты для создания мозаики карт отражения всех четырех каналов. В процессе сшивки выполнялась географическая коррекция по четырем опорным точкам с известными координатами, распределенными по периметру поля.Изображения калибровочной панели, сделанные после каждого полета, использовались для радиометрической калибровки окончательных карт отражательной способности.

После создания мозаик фоновая отражательная способность почвы была удалена из каждой полосы с помощью неконтролируемой классификации с помощью программного обеспечения ArcGIS (ESRI, Редлендс, Калифорния, США). Затем с использованием того же программного обеспечения была разработана модель для извлечения среднего значения коэффициента отражения для каждого из 24 отдельных участков за дату на обоих полях в 2018 году и орошаемого поля в 2019 году, а также 12 отдельных участков за дату в богарной зоне в 2019 году.На всех полях для средней отражательной способности каждого участка использовался участок площадью 1 га с отрицательным буфером 10 м на краю участка. Средние значения коэффициента отражения использовались для построения VI для каждого участка для каждого дня полета.

2.4. Индексы вегетации
Одиннадцать индексов VI, которые использовались в других исследованиях для прогнозирования зрелости сельскохозяйственных культур, были выбраны и оценены с использованием данных этого исследования (таблица 1).
2.5. Статистический анализ

Были опробованы различные подходы к прогнозированию зрелости стручков арахиса на основе отражательной способности кроны и aGDD, и они описаны в следующих разделах.

2.5.1. Линейная и множественная линейная регрессия

Таким образом, модели линейной регрессии используются для объяснения пространственного распределения с использованием зависимой переменной и независимой переменной (предиктора). В этом исследовании было рассчитано одиннадцать VI, и они использовались по отдельности в качестве предикторов в линейной модели (LR) для объяснения изменчивости PMI. Второй шаг был выполнен для улучшения моделей LR с использованием множественной линейной регрессии (MLR). В этом случае было определено, что aGGD лучше прогнозирует PMI; таким образом, он был объединен с каждым отдельным ВП для создания MLR.В обеих моделях мы использовали 80% набора данных для обучения и 20% для тестирования.

2.
5.2. Искусственные нейронные сети Для нелинейной модели искусственные нейронные сети (ИНС) использовались для тестирования различных входных комбинаций (80% набора данных для обучения и 20% для тестирования моделей). В качестве методов ИНС использовались многослойный персептрон (MLP) и радиальная базисная функция (RBF). Эти два метода широко используются для классификации сложных данных и прогнозирования в точном земледелии. ИНС представляют собой системы, состоящие из искусственных нейронов, которые выполняют функции, аналогичные нейронам человека [31].Без предположений о распределении данных эти алгоритмы могут изучать отношения между входными и оценочными переменными [32]. Кроме того, они способны решать сложные проблемы, которые невозможно объяснить с помощью линейных моделей. Общепринятый подход проб и ошибок требует много времени и нецелесообразен для выполнения вручную, связанного с оптимизацией гиперпараметров и выбором функций. Поэтому был использован инструмент Intelligent Problem Solver (IPS), встроенный в программное обеспечение Statistica 7. Он сочетает в себе эвристические и сложные стратегии оптимизации (алгоритм минимального брекетинга и имитации отжига, [33]).
2.6. Структура ANN
. Входной слой для ANN состоял из VI и спектральных диапазонов, а выходным был PMI. Количество нейронов было переменным: от одного до 30 для сетей MLP и от одного до 45 для сетей RBF. Сетевые входы (VI и aGDD) также различались, как и количество скрытых слоев: от одного до трех для MLP и только один для RBF. Все ВИ, описанные в таблице 1, а также отдельные полосы и aGDD тестировались по отдельности и объединялись. Для каждой входной комбинации была обучена тысяча моделей с использованием алгоритма обучения с учителем обратного распространения ошибки для моделей MLP [34].Нейронная сеть обратного распространения обучается на входных данных, адаптированных к выходным переменным, в два этапа [32]. RBF обучается по алгоритму k-средних [35].

С заданными границами (типы нейронных сетей, количество нейронов и скрытого слоя, входы и выходы) с помощью инструмента IPS обучена тысяча моделей с различными комбинациями границ параметров; с использованием алгоритма баланса ошибки и разнообразия были сохранены десять моделей, использующих сеть MLP, и десять моделей, использующих сеть RBF, а затем была выбрана лучшая модель на основе показателей точности и точности, рассчитанных с использованием тестового набора данных (20% данных, не использованных во время тренировочный процесс). Все эти подходы применялись для каждого сценария (орошаемые, богарные и объединенные данные со всех полей).

2.6.1. MLP
Сети MLP были связаны между собой с помощью синаптических весов, которые отвечают за хранение значения соединения между двумя узлами. Значения, используемые во входных слоях, были нормализованы в соответствии с уравнением (1):

yi=xi−xmaxxmax+xmin

(1)

где x i — значение входного вектора (например, индекс вегетации), а x min и x max — минимальное и максимальное наблюдаемые значения соответственно.Выходное значение каждого нейрона в слое k выражается как zk = g(ak), где g — функция активации ak, а ak — синаптическая функция, представляющая собой линейную комбинацию нормализованных входных значений и синаптических весов ( Уравнение (2)). где w kj — синаптические веса, соединяющие входные значения y j с каждым k нейроном. Функция передачи или активации в нейронах каждого скрытого слоя представляла собой гиперболическую тангенсную функцию, где «e» — число Напьера ( Уравнение (3)).

g(ak)=eak-e-akeak+e-ak

(3)

2.6.2. RBF
Сети RBF имеют только один скрытый слой, и каждый нейрон содержит функцию активации радиального базиса. В каждом нейроне в качестве радиальной базисной функции использовалась функция Гаусса или нормальная функция [35], а значения расстояния (отклонения) этой функции увеличиваются или уменьшаются по отношению к центральной точке [36]. Функция Гаусса представлена ​​в уравнении (4): в котором ν = ||x − µ|| — евклидово расстояние между входным вектором и центром µ функции Гаусса, σ — ширина.Евклидово расстояние от входного вектора до центра; µ является входом для функции Гаусса, которая обеспечивает значение активации радиальной единицы. Выход каждого нейрона в выходном слое определяется уравнением (5):

yj=∑h=1Hωjhφh(xs)

(5)

где ωjh — синаптический вес между нейроном h скрытого слоя и нейроном j выходного слоя, xs — входные данные, а φh — функция Гаусса каждого нейрона скрытого слоя.

Как и в нейронной сети MLP, входные значения были нормализованы по уравнению (2), в котором значения в выходном слое представляли предполагаемый PMI.

2.7. Оценка производительности модели
Чтобы оценить производительность модели для прогнозирования PMI, были рассчитаны коэффициенты детерминации (R 2 ) и среднеквадратическая ошибка (RMSE) с использованием уравнений (6) и (7):

RMSE=∑i=1n(yobs-yest)2n

(6)

где n — количество точек данных, y est — значение переменной, оцененное сетью, а y obs — значение наблюдаемой переменной. где SSR — сумма квадратов регрессии, а TSS — общая сумма квадратов.

Модели с более высоким R 2 и более низким RMSE (<0,07) более точно предсказывают PMI.

3. Результаты

Эффективность VI для прогнозирования зрелости арахиса варьировалась в зависимости от условий выращивания, оцениваемых в этом исследовании. Для орошаемых участков были получены более точные модели для прогнозирования зрелости с использованием подхода линейной модели с VI в качестве предиктора (рис. 4). Из оцененных VI у SR был самый высокий R 2 и самый низкий RMSE (0,59 и 0,125 соответственно), за ним следуют NLIreg, MNLIreg и MNLI, у которых значения R 2 превышали 0. 50 и RMSE примерно 0,133 (рис. 4). Эти четыре ВИ также показали наивысшую эффективность модели для прогнозирования зрелости арахиса на богарных участках; однако значения R 2 были низкими (p > 0,05). Как для орошаемых, так и для богарных площадей наиболее точная модель линейного подбора наблюдалась при использовании aGDD для оценки PMI (рис. 4). В результате R 2 составил 0,73 для богарных и 0,68 для орошаемых полей. Это указывает на то, что использование aGDD для прогнозирования зрелости арахиса является разумным подходом, поскольку aGDD связан с переменными, непосредственно связанными с фенологическим развитием растений арахиса.Комбинация VI и aGDD в нескольких линейных моделях повысила производительность как для богарных, так и для орошаемых участков, но в основном в богарных условиях (рис. 5). Однако, несмотря на значительные значения теста F (стр.

). Несколько линейных моделей были дополнительно протестированы на наборе данных, отличном от того, который использовался для создания моделей, и все они завышали шаблоны PMI, независимо от условий выращивания (данные не показаны). Переоценка или недооценка значений с использованием линейных моделей может быть следствием процесса обучения модели, в котором оценочные значения надежны только в том случае, если предикторы находятся в том же диапазоне значений, что и данные, используемые для обучения модели.Следовательно, использование нелинейных моделей может улучшить прогнозирование PMI, особенно при использовании в качестве предикторов VI, которые имеют высокую временную и пространственную изменчивость, в основном при сравнении орошаемых и богарных площадей.

Среди более тысячи моделей, протестированных с использованием ИНС, для орошаемых и богарных территорий были выбраны две — RBF и MLP (табл. 2). В отличие от линейных моделей, прогноз PMI с помощью ИНС может быть выполнен как в орошаемых, так и в богарных условиях с одинаковой точностью. Однако входные данные и топология для каждого условия выращивания были разными.Анализ важности функций также показан в дополнительной таблице S1 для каждой модели ANN. Вход aGDD имел наибольшее значение в модели, за исключением MLP для орошаемой площади, в которой наибольший вклад имел SRreg (таблица S1).

Эффективность моделей ИНС для прогнозирования PMI на орошаемых полях в процессе обучения была одинаковой для двух протестированных моделей (RBF и MLP) на орошаемых землях. Обе модели завышают зрелость в начале процесса зрелости стручка, однако ошибки составляют менее 10 %.С другой стороны, когда зрелость превышала 60%, модели RBF и MLP имели меньшее количество ошибок на этапах обучения и тестирования.

Эти результаты показывают, что, когда растения достигают высокой зрелости бобов (приближается период сбора урожая), модели ИНС можно использовать для прогнозирования PMI с точностью R 2 = 0,91 на орошаемых площадях, независимо от использования RBF или MLP (рис. 6A). ). В целом модель MLP имела низкое среднеквадратичное отклонение (0,062) и успешную линейную подгонку для оценок по наблюдаемым значениям (линия 1:1) на этапе проверки данных, тогда как модель RBF имела среднеквадратичное отклонение, равное 0.065 (рис. 6B). В отличие от линейных моделей, которые не показали хороших результатов во время испытаний, использование ИНС демонстрирует большой потенциал для прогнозирования PMI в районах богарного земледелия, даже с учетом различий в значениях отражательной способности между датами, что чаще происходило в 2019 г. , когда растения испытали больше периодов засухи (Рисунок 3 и Рисунок 6). Взаимодействие между водой и растением является сложным и напрямую влияет на процесс созревания, увеличивая изменчивость отражательной способности полога и процентное соотношение зрелых стручков на одном и том же растении.Даже в этих переменных условиях точность теста для MLP и RBF составила R 2 = 0,92 и 0,91 соответственно (рис. 6). Кроме того, обе модели имели меньшее количество ошибок для прогноза в начале выборки. период, когда растения накопили от 1600 до 1900 лет назад. По мере увеличения изменчивости PMI (середина вегетационного периода) RBF имел тенденцию занижать значения, тогда как MLP сохранял значения на линии 1:1 (рис. 6). Значения ошибки ниже 8% предполагают, что модели ИНС способны оценивать зрелость арахиса в богарных районах с высокой точностью и достоверностью.

Комбинация данных из орошаемых и богарных площадей была протестирована для обучения надежной и общей модели прогнозирования PMI, способной оценивать зрелость независимо от условий выращивания. Максимальные ошибки, обнаруженные на этапе обучения, составляли 0,038 для RBF и 0,033 для MLP, когда наблюдаемые значения PMI находились в диапазоне от 30 до 40%. Однако ошибка для обеих моделей ANN уменьшалась, когда наблюдаемые значения PMI превышали 60%, с ошибками ниже 0,005.

Результаты испытаний общей модели (объединенной орошаемой и богарной) показали, что R 2 больше 0.90 и аналогичное среднеквадратичное отклонение для обеих протестированных моделей ИНС с ошибками 0,07 (рис. 7). Несмотря на точность общих моделей с использованием ИНС, на этапе тестирования обе модели завышали PMI на ранних стадиях зрелости и недооценивали его, когда наблюдаемая зрелость превышала 70%. Эти результаты на этапе тестирования предполагают, что точность прогнозирования PMI высока; однако следует принимать во внимание условия орошения для данного поля. Анализируя производительность алгоритмов LR, MLR и ANN с учетом их наилучших входных комбинаций для большей точности, как для орошаемых, так и для богарных условий, модели ANN оказались наиболее точными. (Рисунок 4, Рисунок 5, Рисунок 6 и Рисунок 7).Каждый LR рассматривал в модели один VI (рис. 4), тогда как модели MLR использовали комбинацию данного VI и aGG (рис. 5). Для ANN aGG сочетался с несколькими VI в каждой модели (таблица 2). Использование множественных входных данных в моделях ИНС позволяет решать сложные задачи, что нашло широкое применение в сельском хозяйстве. Эти результаты подчеркивают большую способность к обучению и применение ИНС в сельском хозяйстве по сравнению с менее сложными моделями прогнозирования (например, LR или MLR), в основном для урожая арахиса.

4. Обсуждение

Использование ВИ для прогнозирования зрелости арахиса является многообещающей альтернативой снижению субъективности текущего метода, основанного на цвете мезокарпия стручка [10], особенно когда ВИ связаны с аГДД. Это особенно важно, поскольку стручки арахиса развиваются под землей, а муравьи имеют неопределенный характер роста, что усложняет определение оптимального времени сбора урожая. Мониторинг урожая арахиса с помощью мультиспектральных изображений, полученных с помощью БПЛА, показал, что все значения VI уменьшались по величине по мере того, как растения приближались к оптимальному времени инвертирования (выкапывания).Эти результаты подтверждают работу, о которой сообщают dos Santos et al. [20], в которой растения арахиса контролировались с помощью спутниковых изображений высокого разрешения (3 м) и было предсказано оптимальное время инвертирования с использованием модели Гомперца. Успешный результат этого исследования сдерживается трудностью получения безоблачных спутниковых изображений в течение вегетационного периода во влажных регионах выращивания арахиса, таких как южная Джорджия, где частичная облачность является ежедневным явлением в течение вегетационного периода. Обычно это ограничивает количество доступных полезных изображений, даже для спутниковых платформ с высоким временным разрешением, и может быть особенно важным по мере приближения сбора урожая.Хотя получение изображений с помощью БПЛА также связано с проблемами, связанными с облаками, БПЛА обеспечивают гораздо более высокую гибкость планирования, а окно времени, необходимое для полета над полем, относительно невелико, что дает больше возможностей для сбора изображений без облаков. Различные степени индекса насыщенность или почвенный фон могут влиять на VI [37]. NDVI и NLI показали одинаковые результаты при использовании линейных моделей (рис. 4), поскольку оба индекса рассчитываются с использованием одних и тех же диапазонов с помощью аналогичных уравнений. NDVI особенно чувствителен к насыщению в условиях полного покрова.Однако в уравнении NLI значение коэффициента отражения NIR возводится в квадрат, чтобы ослабить эффекты насыщения. Хотя NLI является улучшенным VI, полученным из NDVI, оба VI были насыщены и оставались относительно постоянными до 22:00 aGDD на орошаемых полях из-за закрытия полога до первых полетов. Между 23:26 и 24:00 aGDD оба VI снизились на 50% (данные не показаны) по мере того, как растения приближались к зрелости. Это связано с изменением тенденций отражения красного и NIR в этот период, связанных с физиологическими изменениями.Снижение значений VI в культуре арахиса напрямую связано с индексом площади листьев (LAI), при этом красный и NIR являются наиболее чувствительными полосами к изменению биомассы [38]. С другой стороны, VI имели более низкие значения и большую изменчивость между участками для богарная территория, что могло повлиять на точность линейных моделей. Вероятно, это связано с тем, что ВИ реагировали на влияние пространственной изменчивости почв на рост растений, которое было преувеличено в богарных условиях по сравнению с орошаемыми.В условиях орошения можно лучше контролировать водный стресс сельскохозяйственных культур и способствовать более равномерному росту по всему полю, несмотря на основную изменчивость почвы [39,40,41]. Эта разница в VI между орошаемыми и богарными полями связана с коэффициентом отражения в NIR, в котором коэффициент отражения в этом диапазоне более заметен, чем в видимом спектре, у растений в условиях стресса. Несмотря на низкую точность линейных и множественных линейных моделей, полученных в В этом исследовании, особенно в процессе тестирования, взаимосвязь между PMI и VI ранее была продемонстрирована с помощью линейной аппроксимации, в которой Rowland et al. [14] наблюдали большую чувствительность к изменениям листьев для NDVI по сравнению с GNDVI, в основном, когда коротковолновое инфракрасное отражение (SWIR-1640 нм) комбинировалось с красным (660 нм) с использованием спектрорадиометра. Множественные линейные модели с использованием VI и aGDD были умеренно удовлетворительно с R 2 более 0,55 и RMSE менее 0,135, за исключением случаев, когда сочетаются NDVI и aGDD. Модели ANN превзошли линейную и множественную линейную регрессию в прогнозировании PMI. Разделение эффектов допустимо в подходе множественной линейной регрессии, когда гипотезы верны [42].Это имеет то преимущество, что определяет вклад данного параметра в модель. В нашем исследовании aGDD был параметром с наибольшим вкладом в прогнозирование PMI с помощью модели множественной линейной регрессии. Хотя одного только aGDD было недостаточно для прогнозирования оптимальной зрелости стручков с высокой точностью. Использование математических моделей с помощью искусственного интеллекта с несколькими входными данными, таких как сети RBF и MLP, протестированные в этом исследовании, показало, что можно снизить субъективность с высокой точностью и точностью при использовании отражательной способности растений и метеорологических данных, уменьшая вмешательство человека в процесс. процесс классификации.Кроме того, модели ИНС могут определять влияние, которое каждая переменная оказывает на отклик PMI, и это преимущество обусловлено параллельной обработкой при взаимодействии входных данных [42]. Модели ИНС, наблюдавшиеся в нашем исследовании, показали самую высокую точность среди всех моделей. разработан для объяснения взаимосвязи между VI и PMI с помощью дистанционного зондирования, о котором сообщается в литературе [14,15,20]. Независимо от архитектуры ИНС, используемой в нашем исследовании, обе рассматривали aGDD в качестве входных данных, что усилило возможности прогнозирования PMI с помощью этих моделей, что является уникальным вкладом в науку.Кроме того, было продемонстрировано, что для каждого условия выращивания рекомендуется использовать конкретную модель, в основном связанную с различиями в погодных условиях по годам и земельным участкам (например, доступность орошения). На богарных полях, несмотря на то, что модели ИНС показали высокую точность как для процессов обучения, так и для тестовых процессов, точность и правильность моделей прогнозирования должны быть связаны с погодными переменными, в основном с осадками, поскольку в условиях малого количества осадков стресс от засухи может быть искажающим фактором. фактор оценки PMI посредством дистанционного зондирования.

Аутофлуоресцентная спектральная визуализация как инновационный метод быстрой, неразрушающей и надежной оценки качества семян сои

Растительный материал

Семена сои (сорт M5705 IPRO), используемые в этом исследовании, были любезно предоставлены доктором Ракель Марсией Моденой Вуцки. , менеджер по качеству семян в компании Lagoa Bonita, город Итабера, штат Сан-Паулу, Бразилия. Семена были произведены в Фазенда Редомона (поле 194S18), город Арапоти, штат Парана, Бразилия, в сезон сбора урожая 2018/2019 гг.Для исследования были получены все необходимые разрешения, которые соответствовали всем применимым нормам. Семена с исходной влажностью 7,9% подвергали искусственному старению в течение 0, 12, 24 и 48 ч. Для старения семена распределяли в один слой на сите из проволочной сетки, подвешенном внутри закрытой коробки (11,0 см × 11,0 см × 3,5 см), содержащей 40 мл дистиллированной воды при 42 °C и относительной влажности 98 ± 2%. . Затем семена высушивали при 20 °C в течение 24 ч, чтобы вернуть их к исходному содержанию влаги перед выдержкой перед измерениями.

Спектральная автофлуоресцентная визуализация

Мультиспектральные флуоресцентные изображения были сняты с семян (четыре 9-сантиметровые стеклянные чашки Петри с 50 семенами на класс) с использованием устройства VideometerLab4™ (Videometer A/S, Herlev, Дания). Эта система интегрирована с ПЗС-чипом, что позволяет получать автофлуоресцентные спектральные изображения (2192 × 2192 пикселей; 40 мкм/пиксель; 32 бита/пиксель) за несколько секунд, не требуя подготовки образца. Фильтры длинного пропускания (LP) были объединены с различными длинами волн возбуждения, обеспечивая следующие комбинации возбуждения-излучения: 365/400 нм, 405/500 нм, 430/500 нм, 450/500 нм, 470/500 нм, 515/600 нм. нм, 540/600 нм, 570/600 нм, 630/700 нм, 645/700 нм, 660/700 нм.Изображения RGB также были получены тем же датчиком, в котором каждый отдельный пиксель связан со значениями для красного, зеленого и синего каналов.

Спектральные данные автофлуоресценции были извлечены с использованием программного обеспечения VideometerLab™ версии 3.14.9 (Videometer A/S, Herlev, Дания). Была построена маска для сегментации семян, а затем был применен алгоритм нормализованного канонического дискриминантного анализа (nCDA) для выделения сигналов автофлуоресценции от пикселя к пикселю. Этот алгоритм использует 10% усеченное среднее значение, исключая влияние выбросов (самые низкие 10% и самые высокие 10% данных).

Чтобы проверить, влияет ли искусственное старение в первую очередь на флуорофоры, присутствующие в поверхностных областях тканей семени, изображения автофлуоресценции всех образцов также были получены без семенной оболочки с использованием тех же процедур, описанных выше, и они использовались только для иллюстрации.

Тесты на всхожесть

После визуализации семена распределяли на сетке из проволочной сетки, подвешенной внутри коробки (11,0 см × 11,0 см × 3,5 см), содержащей 40 мл дистиллированной воды. Ящики накрывали крышками и выдерживали при 25 °C в течение 16 ч, чтобы обеспечить меньшее поглощение воды. Затем в четырех повторах по 50 семян помещали в свернутые бумажные полотенца, смоченные дистиллированной водой (1:2,5, г:мл), и выдерживали при 25°С в течение 8/16 ч (день/ночь). Процент проросших семян рассчитывали по количеству нормальных всходов на 5-й и 8-й день после посева.

Тесты на жизнеспособность

Четыре повторения с 50 семенами каждого класса оценивали на электропроводность, SSAA, AA и тесты на появление всходов.Электропроводность (мкСм см -1 мкг -1 ) измеряли в образцах, предварительно взвешенных и помещенных в пластиковые контейнеры с 75 мл дистиллированной воды при 25 ºC на 24 часа. В тестах на старение семена распределяли в один слой на сите из проволочной сетки, подвешенном внутри коробки (11,0 см × 11,0 см × 3,5 см), содержащей либо 40 мл дистиллированной воды (тест АА), либо 40 мл насыщенного раствора NaCl ( т. е. 40 г NaCl в 100 мл воды) (тест SSAA), обеспечивая относительную влажность 98 ± 2% (тест AA) или 76 ± 2% относительной влажности (тест SSAA) при 42°C в течение 72 часов. Скорость нормальных всходов регистрировали на 5 днях. Испытание на появление всходов проводили в пластиковых ящиках (32,0 см × 28,0 см × 10,0 см) при комнатной температуре (25–30 °C) в течение 8 дней.

Хлорофиллы и каротиноиды в семенах

Хлорофилл a , хлорофилл b и общие каротиноиды экстрагировали из 5 г ткани семян в 10 мл 80% ацетона. Через 24 ч материал фильтровали и центрифугировали при 500× г в течение 10 мин. Хлорофиллы и каротиноиды определяли по поглощению при 470, 662 и 645 нм 44,45 .

Перекисное окисление липидов в семенах

Перекисное окисление липидов или МДА измеряли в соответствии с методом, описанным Heath and Packer 46 . Образцы с 400 мг мацерированного материала смешивали с 4 мл 0,1% (вес/объем) трихлоруксусной кислоты (ТХУ), а затем центрифугировали при 10 000 об/мин в течение 15 минут при 4 °C. Реакцию запускали добавлением 250 мкл супернатанта и 1 мл 20% раствора трихлоруксусной кислоты + 0,5% тиобарбитуровой кислоты. Все образцы выдерживали в сухой бане при 95°С в течение 30 мин.Материал центрифугировали при 10 000 об/мин в течение 10 мин, и считывали оптическую плотность при 535 и 600 нм. Концентрацию Н 2 О 2 определяли по Алексиевой с соавт. 47 . Приблизительно 400 мг мацерированного материала смешивали с 4 мл 0,1% (вес/объем) трихлоруксусной кислоты (ТХУ). Материал гомогенизировали и центрифугировали при 10 000 об/мин в течение 15 мин при 4 °C. Затем 200 мкл супернатанта объединяли с 200 мкл 100 мМ калий-фосфатного буфера и 800 мкл 1 М раствора йодида калия.Поглощение считывали при 390 нм.

Лигнин в семенной оболочке

Лигнин определяли с использованием методики с ацетилбромидом, как описано Fukushima and Kerley 48 . Экстракцию клеточных стенок проводили с использованием 10 мг посевного материала в сочетании с 1 мл воды при 98 °C в течение 30 мин. Образцы центрифугировали в течение 5 мин при 14 000 об/мин, затем супернатант смешивали с 1 мл этанола и инкубировали при 76°С в течение 30 мин. Далее образцы с 1 мл хлороформа инкубировали при 59°С в течение 30 мин.Наконец, добавляли 1 мл ацетона и образцы инкубировали при 54 °C в течение 30 мин. После центрифугирования в течение 5 мин при 14 000 об/мин супернатант удаляли, а осадок сушили в течение 45 мин с использованием вакуума SpeedVac. Очищенную клеточную стенку использовали для количественного определения лигнина с использованием ацетилбромида.

Общее количество фенолов в семенной кожуре и зародыше

Общее количество фенолов в семенной кожуре и зародыше определяли в соответствии с процедурами, описанными Swain and Hillis 49 .Измерения проводили в 100 мг посевного материала, смешанного с 2,0 мл этанола (70 %), на водяной бане при 70 °С в течение 30 мин. После центрифугирования в течение 5 мин при 13 000 об/мин супернатант объединяли с реагентом Фолина-Чокальто и раствором карбоната натрия. Поглощение измеряли при 725 нм.

Фотосинтез и хлорофилл а в рассаде

Измерения проводились на 32 горшках каждого класса (по два сеянца на горшок), которые содержались при 25 °C, 8/16 ч (день/ночь) и относительной влажности 50–70%. Свет обеспечивали светодиодные лампы (900 мм, 13 Вт) (округ Илум., Сан-Паулу, Бразилия) с фотосинтетически активной радиацией (ФАР) 200 мкмоль м -2 с -1 . В 16 дней проростки адаптировали в темноте в течение 30 мин, а затем освещали высокоинтенсивными светодиодами янтарного цвета (пик 620 нм) с интенсивностью насыщающего света 6320 мкмоль·м −2 с −1 за короткий промежуток времени. временной интервал (≈ 0,8 с). Метод быстрой флуоресценции хлорофилла, основанный на индукционной кривой Каутского, использовали для измерения начальной флуоресценции (F 0 ), максимальной флуоресценции (F M ), переменной флуоресценции (F V ) и F V /F . M 50 с использованием оборудования SeedReporter™ (PhenoVation B.В., Вагенинген, Нидерланды). ПЗС-чип обеспечивал быстрое экранирование флуоресцентного излучения хлорофилла на длине волны 730 нм, создавая изображения с пространственным размером 2448×2448 пикселей (3,69 мкм/пиксель). F V /F M измеряли по следующей формуле:

$$\frac{Fv}{Fm}=\frac{Fm-F0}{Fm}.$$

Хлорофилл a индекс измеряли, как описано Gitelson et al. 51 на основе коэффициента отражения при 710 и 770 нм по следующей формуле:

$$Chl a index=\left(\frac{\rho 770}{\rho 710}\right)-1,$$

, где ρ представляет спектральную отражательную способность для каждой длины волны.

Анализ данных

Основные процедуры извлечения и анализа данных спектра аутофлуоресценции показаны на рис. 8. Значения аутофлуоресценции сравнивали с помощью теста Тьюки ( P  < 0,05), и для исследования взаимосвязи измеряли коэффициент корреляции Пирсона среди различных комбинаций возбуждения-эмиссии. LDA применялся для ранжирования важности пропускной способности. Были разработаны различные модели для классификации качества семян на основе ИНС (решатель: стохастический градиентный спуск; размеры скрытых слоев: два слоя по 25 нейронов в каждом; функция активации: Tanh; скорость обучения: адаптивная; максимальное количество взаимодействий: 5000), SVM- l и алгоритмы LDA. Данные по 680 семенам использовались для обучения и тестирования моделей при перекрестной проверке (K-fold = 5). Внешний набор данных со 120 начальными значениями использовался для выполнения внешней проверки. Производительность моделей оценивалась по пяти показателям: точность, коэффициент Каппа Коэна, точность, полнота, F1 (документацию можно найти по адресу https://scikit-learn.org/stable/modules/model_evaluation.html). Коэффициент корреляции Пирсона был измерен для исследования взаимосвязи между измерениями аутофлуоресценции и традиционными тестами качества семян.Все статистические анализы были выполнены с использованием программного обеспечения R 4.0.0 52 .

Рисунок 8

Общая блок-схема основных процедур классификации качества семян сои на основе спектральной автофлуоресцентной визуализации.

Изучение доиммунного ландшафта антигенспецифических Т-клеток | Genome Medicine

  • Benichou J, Ben-Hamo R, Louzoun Y, Efroni S. Rep-Seq: раскрытие иммунологического репертуара с помощью секвенирования следующего поколения. Иммунология.2012; 135:183–91.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Шугай М., Багаев Д.В., Звягин И.В., Вруманс Р.М., Кроуфорд Дж.С., Долтон Г., Комеч Е.А., Сычева А.Л., Конева А.Е., Егоров Е.С., и др. VDJdb: курируемая база данных последовательностей Т-клеточных рецепторов с известной антигенной специфичностью. Нуклеиновые Кислоты Res. 2017;46:D419–27.

    Артикул ПабМед Центральный Google ученый

  • Британова О.В., Шугай М., Мерзляк Е.М., Староверов Д.Б., Путинцева Е.В., Турчанинова М.А., Мамедов И.З., Погорелый М.В., Болотин Д.А., Израильсон М., и соавт.Динамика индивидуального репертуара Т-клеток: от пуповинной крови до долгожителей. Дж Иммунол. 2016;196:5005–13.

    Артикул пабмед КАС Google ученый

  • Хизер Дж.М., Исмаил М., Оукс Т., Чейн Б.Высокопроизводительное секвенирование репертуара Т-клеточных рецепторов: подводные камни и возможности. Кратко Биоинформ. 2018;19(4):554-65.

  • Шугай М., Багаев Д.В., Турчанинова М.А., Болотин Д.А., Британова О.В., Путинцева Е.В., Погорелый М.В., Назаров В.И., Звягин И.В., и др. VDJtools: объединяющий постанализ репертуаров Т-клеточных рецепторов. PLoS Comput Biol. 2015;11:e1004503.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Emerson RO, DeWitt WS, Vignali M, Gravley J, Hu JK, Osborne EJ, Desmarais C, Klinger M, Carlson CS, et al. Иммуносеквенирование идентифицирует признаки воздействия цитомегаловируса в анамнезе и HLA-опосредованные эффекты на репертуар Т-клеток. Нат Жене. 2017; 49: 659–65.

    Артикул пабмед КАС Google ученый

  • Faham M, Carlton V, Moorhead M, Zheng J, Klinger M, Pepin F, Asbury T, Vignali M, Emerson RO, Robins HS, et al. Открытие бета-мотивов Т-клеточных рецепторов, специфичных для HLA-B27-позитивного анкилозирующего спондилита, путем анализа последовательности глубокого репертуара.Артрит Ревматолог. 2017; 69: 774–84.

    Артикул пабмед КАС Google ученый

  • Майер А., Баласубраманян В., Мора Т., Вальчак А.М. Как устроена хорошо адаптированная иммунная система. Proc Natl Acad Sci U S A. 2015;112:5950–5.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Blattman JN, Antia R, Sourdive DJ, Wang X, Kaech SM, Murali-Krishna K, Altman JD, Ahmed R. Оценка частоты предшественников наивных антиген-специфических CD8 T-клеток. J Эксперт Мед. 2002; 195: 657–64.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Аланио С., Леметр Ф., Лоу Х.К., Хасан М., Альберт М.Л.Подсчет человеческих антиген-специфических наивных CD8+ Т-клеток выявляет консервативные частоты предшественников. Кровь. 2010;115:3718–25.

    Артикул пабмед КАС Google ученый

  • Обар Дж. Дж., Ханна К. М., Лефрансуа Л. Частота эндогенных наивных предшественников CD8+ Т-клеток регулирует первичный ответ и ответ памяти на инфекцию. Иммунитет. 2008; 28: 859–69.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Мора Т., Валчак А.Количественная оценка разнообразия рецепторов лимфоцитов. Электронные распечатки ArXiv. 2016;1604:00487.

    Google ученый

  • Неллер М.А., Ладелл К., Макларен Дж.Э., Мэтьюз К.К., Гостик Э., Пентьер Дж.М., Долтон Г., Шауэнбург А.Дж., Конинг Д., Фонтейн Коста А.И. и др. Наивные предшественники CD8+ T-клеток демонстрируют структурированный репертуар TCR и сложную динамику селекции, управляемую антигеном. Иммунол Селл Биол. 2015;93:625–33.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Погорелый М.В., Минервина А.А., Чудаков Д.М., Мамедов И.З., Лебедев Ю.Б., Мора Т., Вальчак А.М. Метод идентификации последовательностей общедоступных антигенных рецепторов, связанных с состоянием. Элиф. 2018;7:e33050.

    Артикул пабмед ПабМед Центральный Google ученый

  • Вентури V, Прайс Д.А., Дуэк, округ Колумбия, Давенпорт, член парламента.Молекулярная основа публичных ответов Т-клеток? Нат Рев Иммунол. 2008; 8: 231–8.

    Артикул пабмед КАС Google ученый

  • Багаев Д.В., Звягин И.В., Путинцева Е.В., Израэльсон М., Британова О.В. , Чудаков Д.М., Шугай М. VDJviz: универсальный браузер данных иммуногеномики. Геномика BMC. 2016;17:453.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Шугай М., Болотин Д.А., Путинцева Е.В., Погорелый М.В., Мамедов И.З., Чудаков Д.М.Огромное совпадение отдельных бета-репертуаров TCR. Фронт Иммунол. 2013; 4:466.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Чоуэлл Д., Кришна С., Беккер П.Д., Кочита К., Шу Дж., Тан Х., Гринберг П.Д., Клавинскис Л.С., Блаттман Д.Н., Андерсон К.С. Гидрофобность контактного остатка TCR является отличительной чертой иммуногенных CD8+ Т-клеточных эпитопов. Proc Natl Acad Sci U S A. 2015;112(14):E1754–62.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Лефранк М.П., ​​Джудичелли В., Гинесту С., Джабадо-Михалуд Дж., Фолч Г., Белласен Ф., Ву И., Гемрот Э., Броше X, Лейн Дж. и др. IMGT, международная информационная система ImMunoGeneTics. Нуклеиновые Кислоты Res. 2009; 37:D1006–12.

    Артикул пабмед КАС Google ученый

  • Флери В., Пол С., Дханда С.К., Махаджан С., Сюй Х., Питерс Б., Сетте А.База данных иммунных эпитопов и аналитические ресурсы для обнаружения эпитопов и разработки синтетических вакцин. Фронт Иммунол. 2017;8:278.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Муруган А., Мора Т., Валчак А.М., Каллан С.Г. мл.Статистический вывод о вероятности образования Т-клеточных рецепторов из репертуаров последовательностей. Proc Natl Acad Sci U S A. 2012;109:16161–6.

    Артикул пабмед ПабМед Центральный Google ученый

  • Кидера А., Кониши Ю., Ока М., Оой Т., Шерага Х.А. Статистический анализ физических свойств 20 встречающихся в природе аминокислот. J Protein Chem. 1985; 4: 23–55.

    Артикул КАС Google ученый

  • Аттаф М., Хасеби Э., Сьюэлл А.К.Алфавитные Т-клеточные рецепторы как предикторы здоровья и болезни. Селл Мол Иммунол. 2015;12:391–9.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Калис Дж.Дж., Мейбено М., Гринбаум Дж.А., Вайскопф Д., Де Сильва А.Д., Сетте А., Кесмир С., Петерс Б. Свойства МНС класса I представлены пептидами, повышающими иммуногенность. PLoS Comput Biol. 2013;9:e1003266.

    Артикул пабмед ПабМед Центральный Google ученый

  • Экеруче-Макинде Дж., Майлз Дж.Дж., ван ден Берг Х.А., Сковера А., Коул Д.К., Долтон Г., Шауэнбург А.Дж., Тан М.П., ​​Пентьер Дж.М., Ллевеллин-Лейси С. и др.Длина пептида определяет результат взаимодействия TCR/пептид-MHCI. Кровь. 2013; 121:1112–23.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Йейтс А.Дж. Теории и количественная оценка тимической селекции. Фронт Иммунол. 2014;5:13.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Melenhorst JJ, Lay MD, Price DA, Adams SD, Zeilah J, Sosa E, Hensel NF, Follmann D, Douek DC, Davenport MP, et al.Вклад локуса TCR-бета и HLA в форму репертуара Vbeta зрелого человека. Дж Иммунол. 2008; 180:6484–9.

    Артикул пабмед КАС Google ученый

  • Balfour HH Jr, Sifakis F, Sliman JA, Knight JA, Schmeling DO, Thomas W. Возрастная распространенность вирусной инфекции Эпштейна-Барр среди лиц в возрасте 6–19 лет в США и факторы, влияющие на ее заражение. J заразить дис. 2013; 208:1286–93.

    Артикул пабмед Google ученый

  • Garderet L, Dulphy N, Douay C, Chalumeau N, Schaeffer V, Zilber MT, Lim A, Even J, Mooney N, Gelin C, et al.Репертуар Т-клеток алфавита пуповинной крови: характеристики поликлонального и наивного, но полностью сформированного репертуара. Кровь. 1998;91:340–6.

    ПабМед КАС Google ученый

  • Погорелый М.В., Эльханати Ю., Марку К., Сычева А.Л., Комеч Е.А., Назаров В.И., Британова О.В., Чудаков Д.М., Мамедов И.З., Лебедев Ю.Б., и др. Сохраняющиеся клонотипы плода влияют на структуру и перекрытие репертуаров Т-клеточных рецепторов взрослого человека.PLoS Comput Biol. 2017;13:e1005572.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Неделец Й., Санс Дж., Бахарян Г., Шпих З.А., Пацис А., Дюмен А., Гренье Дж.К., Фрейман А., Сэмс А.Дж., Хеберт С. и др. Генетическое происхождение и естественный отбор определяют популяционные различия в иммунных реакциях на патогены. Клетка. 2016; 167: 657–69. e621

    Артикул пабмед КАС Google ученый

  • Quach H, Rotival M, Pothlichet J, Loh YE, Dannemann M, Zidane N, Laval G, Patin E, Harmant C, Lopez M, et al. Генетическая адаптация и примесь неандертальцев сформировали иммунную систему человеческих популяций. Клетка. 2016; 167: 643–56. e617

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Хараламбиева И.Х., Овсянникова И.Г., Кеннеди Р.Б., Ларраби Б.Р., Шейн Панкрац В., Польша Г.А. Расовые и половые различия цитокинового иммунного ответа на вакцину против оспы у здоровых людей. Хум Иммунол. 2013;74:1263–6.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Tan AT, Loggi E, Boni C, Chia A, Gehring AJ, Sastry KS, Goh V, Fisicaro P, Andreone P, Brander C, et al.Этническая принадлежность хозяина и генотип вируса формируют репертуар Т-клеток, специфичных для вируса гепатита В. Дж Вирол. 2008; 82:10986–97.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Эльтахла А.А., Риззетто С., Пирозян М.Р., Бетц-Стаблин Б.Д., Вентури В., Кедзерска К., Ллойд А.Р., Булл Р.А., Лучани Ф.Связывание Т-клеточного рецептора с транскриптомом одной клетки в антиген-специфических Т-клетках человека. Иммунол Селл Биол. 2016; 94: 604–11.

    Артикул пабмед КАС Google ученый

  • Howie B, Sherwood AM, Berkebile AD, Berka J, Emerson RO, Williamson DW, Kirsch I, Vignali M, Rieder MJ, Carlson CS, et al. Высокопроизводительное соединение альфа- и бета-последовательностей Т-клеточного рецептора. Sci Transl Med. 2015;7:301ra131.

    Артикул пабмед КАС Google ученый

  • Стронен Э., Тобес М., Келдерман С., ван Бюрен М.М., Ян В., ван Рой Н., Дония М., Бошен М.Л., Лунд-Йохансен Ф., Олвеус Дж. и др.Нацеливание на неоантигены рака с репертуарами Т-клеточных рецепторов донорского происхождения. Наука. 2016; 352:1337–41.

    Артикул пабмед КАС Google ученый

  • Dash P, Fiore-Gartland AJ, Hertz T, Wang GC, Sharma S, Souquette A, Crawford JC, Clemens EB, Nguyen THO, Kedzierska K, et al. Поддающиеся количественной оценке прогностические признаки определяют репертуары эпитоп-специфических Т-клеточных рецепторов. Природа. 2017; 547:89–93.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Гланвилл Дж., Хуанг Х., Нау А. , Хаттон О., Вагар Л.Э., Рубельт Ф., Джи С., Хан А., Крамс С.М., Петтус С. и др.Выявление групп специфичности в репертуаре Т-клеточных рецепторов. Природа. 2017; 547: 94–8.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Россджон Дж., Грас С., Майлз Дж.Дж., Тернер С.Дж., Годфри Д.И., Маккласки Дж. Распознавание Т-клеточным антигенным рецептором антигенпрезентирующих молекул. Анну Рев Иммунол. 2015;33:169–200.

    Артикул пабмед КАС Google ученый

  • Сикс А, Мариотти-Феррандис М.Э., Чаара В., Магадан С., Фам Х.П., Лефранк М.П., ​​Мора Т., Томас-Васлин В., Вальчак А.М., Будино П.Прошлое, настоящее и будущее биологии иммунного репертуара — рост анализа репертуара следующего поколения. Фронт Иммунол. 2013;4:413.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Дегок Н., Бруар С., Суиллу Дж. П.Перекрестная реактивность репертуара TCR: современные концепции, проблемы и значение для аллотрансплантации. Фронт Иммунол. 2016;7:89.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Сьюэлл А.К. Почему Т-клетки должны быть перекрестно-реактивными? Нат Рев Иммунол. 2012;12:669–77.

    Артикул пабмед КАС Google ученый

  • Дэйв Х., Луо М., Блейни Дж.В., Патель С., Барезе С., Круз К.Р., Шпалл Э.Дж., Боллард К. М., Хэнли П.Дж.На пути к быстрому производству мультивирус-специфических Т-клеток, нацеленных на BKV, аденовирус, CMV и EBV из пуповинной крови. Mol Ther Methods Clin Dev. 2017;5:13–21.

    Артикул пабмед ПабМед Центральный КАС Google ученый

  • Мета-клонотипы TCR для обнаружения биомаркеров с помощью tcrdist3 позволили идентифицировать общедоступные HLA-ограниченные кластеры TCR SARS-CoV-2

    Рецензент №1 (Рекомендации авторам):

    Авторам следует уточнить рукопись, сосредоточив ее исключительно на оценке их новой концепции метаклонотипа, а не на оценке набора данных SARS-Cov-2 на основе MIRA.Например, строки 302-325 — в чем актуальность этого раздела? Он анализирует набор данных MIRA и предполагает, что пептид-специфические ответы показывают предпочтение HLA (что неудивительно), но ничего не говорит о мета-клонотипах.

    Мы согласны с вами и понимаем, почему вы считаете важным сосредоточиться на концепции метаклонотипа, и пересмотрели рукопись в соответствии с этой целью. Строки 333–337 помогают установить предшествующие доказательства ограничения HLA для подмножества наборов данных MIRA, что становится критическим позже, когда мы предоставим доказательства последовательного ограничения HLA соответствующих мета-клонотипу TCR у пациентов с COVID-19; именно эта согласованность помогает продемонстрировать ценность мета-клонотипов по сравнению с отдельными клонотипами.Однако мы признали, что раздел анализа HLA в нашей первоначальной версии отвлекал от нашей основной мысли, поэтому мы сократили этот раздел в основном тексте.

    Расширение TCRdist на гамма/дельта-клетки кажется неуместным для этой статьи. Данные гамма-дельта не оцениваются.

    Мы согласны с тем, что это не основное внимание в статье, однако мы включили эту информацию, поскольку возможность анализа гамма/дельта TCR отличает tcrdist3 от других доступных в настоящее время инструментов.Возможность выполнять анализ данных парных цепей, а также гамма/дельта TCR являются важными функциями программного обеспечения, и поэтому мы оставили одну краткую ссылку на эти функции в разделе «Обсуждение».

    Я нашел раздел 560-574 (подробности создания мета-клонотипов) очень трудным для понимания.

    Спасибо, что обратили на это наше внимание. Мы существенно переработали параграф «Результаты», в котором описывается, как генерируются мета-клонотипы, включая процедуру выбора радиуса (строки 178–258).Дополнения включают формулу (строка 235) для реализации корректировки, необходимой для плана выборки, и анализ чувствительности (строки 259–294), поддерживающий выбор размера фона и состава. Со всеми подробностями в результатах мы удалили этот раздел из методов.

    Это, безусловно, суть всей статьи, и метод получения мета-клонотипов должен быть предельно ясен. Например, что означает «Для каждого кандидата центроида метаклонотип был спроектирован путем выбора максимального радиуса расстояния, который все еще контролировал количество соседних TCR на взвешенном необогащенном фоне до 1 из 10 6 ».Как достичь 10 6 , имея всего 200 000 фоновых TCR?

    Это достигается путем отбора фоновых TCR из областей «пространства TCR», расположенных проксимальнее центроида, на основе сопоставления генов VJ. Это значительно повышает эффективность фонового сравнения, поскольку подавляющее большинство пространства TCR не имеет отношения к делу и может быть отобрано более редко. Затем мы используем взвешивание для учета этой систематической ошибки выборки; Ранее мы называли этот метод обратным взвешиванием вероятностей (IPW), и, хотя эта концепция получена из IPW, мы считаем, что она более четко передается без этой статистической терминологии, и поэтому удалили ее из рукописи.Это объясняется более подробно в разделе «Результаты» «Радиус метаклонотипа можно настроить, чтобы сбалансировать чувствительность и специфичность» в строках 178–258.

    Крайне важно, чтобы усилить влияние этого исследования, было бы важно показать, что мета-клонотипы лучше, чем общедоступные клонотипы, в идентификации инфицированных COVID (как это сделано для клонотипов ЦМВ в Emerson et al. Nature Genetics 49,659) .

    Хотя может показаться, что создание основанного на репертуаре классификатора инфекции SARS-CoV-2 было бы отличным способом продемонстрировать ценность мета-клонотипов, есть веские причины не включать такой анализ в рукопись. Одна из причин заключается в том, что мы не обязательно ожидаем, что мета-клонотипы будут лучше общедоступных клонотипов для идентификации людей, инфицированных SARS-CoV-2. На самом деле, другие показали (Snyder et al., 2020), что с массивным набором данных о случаях и контроле можно идентифицировать относительно небольшое количество отдельных клонов, которые способны идентифицировать людей с предшествующей инфекцией. Вместо этого мы предполагаем, что мета-клонотипы будут более полезными, чем отдельные клонотипы, когда (а) доступно меньше данных по методу «случай-контроль» для обучения классификатора, (б) требуется сосредоточиться на конкретном эпитопе или (в) когда это было бы быть полезным для понимания лежащей в основе биологии (например,g., иерархии иммунодоминантности эпитопов, поликлональность ответа или мотивы CDR3, определяющие антигенную специфичность). Мы также отмечаем, что набор неинфицированных контрольных данных, который позволил провести вышеуказанный анализ на уровне клонотипа, не был опубликован, что не позволяет нам и другим вносить дальнейшие улучшения. Наконец, мы согласны с предыдущими комментариями о том, что эта рукопись выиграла бы от более пристального внимания к концепции метаклонотипа. Поэтому мы решили не прилагать усилий для создания классификатора предшествующей инфекции, а вместо этого сделали упор на существующее приложение, которое демонстрирует, как мета-клонотипы сохраняют антигенную специфичность и как их можно использовать для анализа на уровне популяции.

    Рецензент №2 (Рекомендации авторам):

    Заголовок: Немного странно называть метаклонотипы признаками (тем более, что машинное обучение не проводилось). Также. термин особенность не имеет одинакового значения на протяжении всей рукописи. Можете ли вы изменить заголовок, чтобы он был более прямым и менее запутанным?

    Мы видим, как обращение к мета-клонотипам как к признакам может сбивать с толку, и соответствующим образом изменили название: «Мета-клонотипы TCR для обнаружения биомаркеров с помощью tcrdist3 позволили идентифицировать общедоступные HLA-ограниченные кластеры TCR SARS-CoV-2»

    Резюме: «Являясь механистической основой адаптивного распознавания клеточных антигенов, Т-клеточные рецепторы (TCR) кодируют» → это предложение не имеет смысла. Есть много механизмов, участвующих в иммунном распознавании (связывание, пролиферация и т. д.), последовательности TCR, безусловно, являются его частью, но я бы вряд ли назвал их «механистической основой» — не могли бы вы перефразировать? Я бы хотел, чтобы термин «механистический» исчез – эта статья никоим образом не является механистической.

    Мы согласны и удалили эту формулировку.

    «17 репертуаров, обогащенных антигенами SARS-CoV-2» → «обогащенный антигенами» означает не то, что вы думаете. Не могли бы вы перефразировать всю рукопись? Вы имеете в виду антиген-аннотированные/антиген-специфические/и т. д.

    Мы понимаем, что термин «обогащенный антигеном» не может означать одно и то же для всех.Мы приняли термин антиген-ассоциированные TCR для обозначения набора TCR, в которых преобладают те, которые распознают конкретный антиген. Мы предоставили явное определение этого использования во введении и используем этот термин повсюду.

    Введение: Введение кажется немного многословным (весь документ довольно многословен… более упорядоченный за счет уточнения текста и заголовков значительно улучшит читабельность). Это статья не о коронавирусе — пожалуйста, значительно сократите раздел SARS-CoV-2.Также первый абзац можно написать в 5 вместо 35 строк. Пожалуйста, постарайтесь приблизиться к одной странице в целом.

    Мы ценим краткость. Введение было оптимизировано, и вся информация о COVID-19, не имеющая прямого отношения к анализам, была удалена.

    Результаты Рисунок 1A: что означает «доступный для поиска общедоступный мета-клонотип»? Больше нигде в тексте не упоминается.

    Эта фраза была заменена на «Общедоступный мета-клонотип»: мы имели в виду, что мета-клонотип может быть использован для поиска конформных последовательностей в объемных репертуарах, но теперь этот момент разъясняется в другом месте.

    Думаю, читателю будет гораздо полезнее, если вы проиллюстрируете, как tcrdist вычисляет tdus, как их интерпретировать (вы упоминаете в тексте: 1 aa несоответствие равно 12 tdus — это здорово и было бы неплохо увидеть в Рисунок 1А, например).

    Мы согласны с тем, что интуитивное понимание tdus важно для понимания определения метаклонотипа и его радиуса. Мы добавили новый рисунок 2, на котором показаны расстояния между иллюстративными парами CDR3 TCR, ассоциированных с антигеном (MIRA55), с использованием единиц расстояния редактирования по сравнению с единицами расстояния TCR.

    Рисунок 1B На мой взгляд, рисунок не отражает того, что вы хотите сказать (количественное определение частоты предполагаемых мета-клонотипов). Пожалуйста, скорректируйте рисунок соответствующим образом.

    Теперь начинается заголовок рисунка 1B: «Количественная оценка TCR, соответствующих мета-клонотипу, в массовом репертуаре» и рисунка 1C «Анализ частоты мета-клонотипа TCR на уровне популяции»

    Рисунок 2A «По мере того, как радиус вокруг центроида TCR увеличивается, количество TCR, которые он охватывает, естественным образом увеличивается; скорость увеличения более высока в репертуарах, обогащенных антигеном 167, по сравнению с необогащенными репертуарами» → можете ли вы количественно определить эту скорость? Как скорость зависит от глубины секвенирования? Можете ли вы также добавить на этот график данные, сгенерированные OLGA? Ваше предположение, что данные, сгенерированные OLGA, будут близки к данным по пуповинной крови?

    Рисунок 2 теперь называется Рисунок 3. Здесь мы имели в виду сделать наблюдение, что доля TCR с соседями в наборе антиген-ассоциированных TCR была выше, чем доля TCR среди набора, который не был экспериментально обогащен Т-клетками, распознающими один антиген (например, кровь), по всему диапазону радиусов соседства. Действительно, размер набора TCR действительно влияет на долю TCR с хотя бы одним соседом, поэтому мы решили включить репертуары пуповинной крови с 1K и 10K TCR каждый; чем больше набор TCR, тем больше вероятность найти хотя бы один, который является соседним.По мере того, как мы продвигаем это наблюдение дальше в рукописи, полезно учитывать долю TCR, включенных в окрестности каждого TCR, а не долю, по крайней мере, с одним соседом; это то, что мы наносим на рисунок 3 (теперь пересмотренный рисунок 4), снова для антиген-ассоциированных TCR и TCR пуповинной крови. Цель Рисунка 2 (теперь исправленного Рисунка 3) состоит в том, чтобы начать с более интуитивного наблюдения, а затем перейти к Рисунку 3 (теперь исправленному Рисунку 4), который является лучшим способом количественной оценки наблюдения плотности соседства как функции радиуса; статистика, представленная на рис. 3 (теперь пересмотренный рис. 4) для каждого TCR, «доля TCR в пределах заданного радиуса» также теперь устойчива к заданному размеру по сравнению с простым индикатором присутствия соседа.

    Мы провели несколько анализов чувствительности с оценкой пуповинной крови, последовательностей OLGA и их сочетания в качестве фонового репертуара для выбора оптимального радиуса для каждого мета-клонотипа (строки 259-294). Эти анализы показывают, что эффективно отобранные последовательности OLGA ведут себя аналогично последовательностям пуповинной крови при оценке плотности соседства мета-клонотипов. Мы пришли к выводу, что дополнительные линии на рисунке 3A для репертуаров OLGA сопоставимых размеров не помогут сделать вывод о том, что районы вокруг антиген-ассоциированных TCR более плотно заселены, чем районы вокруг отдельных TCR в невыбранном репертуаре (например,грамм. пуповинная кровь). Мы добавили подпанель с ECDF из TCR, сгенерированных OLGA, на новом рисунке 4D.

    Для всех рисунков: можно ли заменить полужирный текст подписи на основной результат рисунка. На данный момент жирный текст мало что говорит.

    Первая строка подписей к рисункам была изменена, чтобы сделать ее более описательной.

    Если я выполняю текстовый поиск в основном тексте для «Dash BMLF», я ничего не нахожу. Пожалуйста, определите все именованные наборы данных в методах/основном тексте.

    Дэш и др. общедоступный источник этих TCR, отсортированных по тетрамеру, теперь включен в подпись к рисунку.

    Относительно антиген-специфических данных. Является ли более высокая скорость в антиген-специфических данных следствием того, что здесь вы фокусируетесь только на нескольких пептидах? Будет ли скорость похожа на исходные данные, если вы каким-то образом нормализуете ее? Например, принимать только один tcr на пептид? Вероятно, это невозможно, учитывая редкость данных..?

    Мы не уверены, что полностью поняли вашу точку зрения, но постараемся дать дополнительные разъяснения. Мы думаем, вы подчеркиваете, что размер набора TCR имеет значение. Например, вы можете взять один TCR либо из набора, связанного с антигеном, либо из фонового набора, и подсчитать, сколько соседей он имеет в своем наборе для данного радиуса. Подсчитанное число будет зависеть от размера набора И от плотности соседства. Мы показываем репертуары пуповинной крови 1K и 10K, потому что это показывает, что по мере уменьшения размера набора по соседству меньше TCR.Если бы мы использовали 100 или 500 TCR, что было бы аналогично некоторым наборам, связанным с антигеном, это, вероятно, привело бы к еще более плоской линии; мы включили 1K и 10K, потому что они консервативно больше, чем наборы, связанные с антигеном, и все же в целом представляют собой более плоские линии. Кроме того, имейте в виду, что линия представляет собой среднее значение для всех TCR в наборе, которое также будет более изменчивым для меньших наборов. Теперь мы отметили этот последний пункт уточнения в подписи к Рисунку 3.

    Как Tcrdist3 нормализует разницу в длине? Различаются ли эти кривые по длине tcr, генам зародышевой линии?

    Метрика TCRdist наказывает различия в длине CDR3 как неконсервативную аминокислотную замену; это было разъяснено в методах. Мы показываем на рисунках 3 и 4 (теперь рисунки 4 и 5), что плотность соседства связана с длиной CDR3, путем построения кривых вероятности генерации центроида. TCR с более низкой вероятностью генерации обычно имеют меньше соседей в фоновом режиме. Мы не изучали систематически различные VJ-гены, но их использование в фоновом репертуаре имело бы аналогичный эффект на плотность соседства.

    Рисунок 2B

    Не могли бы вы объяснить в основном тексте и методах, что означает MIRA M48, в частности, что означает каждое из чисел?

    Это важный момент, поэтому мы вытащили определение из Методов и добавили определение во Введение: «мы называем эти наборы от MIRA1 до MIRA252 в порядке ранжирования по их размеру» (строки 95–96).

    Рисунок 3

    «Это говорит о том, что TCR в разреженных районах представляют собой менее распространенные способы распознавания антигена, и подчеркивает широкую гетерогенность плотности соседства даже среди TCR, распознающих один pMHC». → в какой степени TCR с разреженным соседством могут быть результатом недостаточной выборки?

    Если мы делаем предположение, что выборка однородна по всему репертуарному пространству, тогда, хотя на абсолютное число соседей может влиять недостаточная/избыточная выборка, относительное число соседей для одного TCR по сравнению с другим должно контролироваться в пределах набора антиген-ассоциированных TCR.Возможно, что вблизи уровня обнаружения (например, частоты около 1/n) присутствие соседа может наблюдаться в этом эксперименте, но не в том случае, если бы мы повторили эксперимент (т.е. высокая вариабельность), но это не должно быть смещено к недооценивать или переоценивать плотность. Поэтому мы считаем, что неоднородность, которую мы видим в каждом наборе MIRA, представляет собой реальную вариацию плотности соседства.

    Можете ли вы также добавить данные, сгенерированные OLGA, на рис. 3?

    Да.Мы добавили данные, сгенерированные OLGA, к исправленному рисунку 3D, теперь рисунку 4D.

    Рисунок 4

    Можете указать в подписи, сколько TCR вы исследуете на этом подрисунке? Пожалуйста, также проверьте все другие цифры, где это уместно.

    Да, добавлено и адресовано повсюду.

    «Мы также отметили, что TCR со 191 пустым соседством, как правило, имеют более длинные петли CDR3 (рис. 4C)». Где и как я это вижу на рис. 4C?

    Мы разъяснили это наблюдение в тексте.Пересмотренная фигура 4C показывает, что TCR с разреженными или пустыми соседями, как правило, имеют более длинные петли CDR3.

    «Чтобы быть полезным, определение мета-клонотипа должно быть достаточно широким 206, чтобы охватить несколько биохимически сходных TCR» → что вы подразумеваете под биохимически сходными? Я думаю, что в области AIRR, когда люди говорят о биохимическом сходстве, они имеют в виду нечто, связанное с факторами Этчли/Кидера. Я не думаю, что это то, что вы имеете в виду здесь, верно? Может быть, перефразировать, чтобы избежать недоразумений?

    В то время как расстояние на основе последовательности может просто подсчитывать замены, с TCRdist мы используем матрицу замен (BLOSUM62), которая снижает вес замен биохимически сходных аминокислот. Он также увеличивает вес CDR3 из-за его важности для установления контактов с антигеном. Таким образом, мы считаем уместным обращение к соседям, определенным TCRdist, как к биохимически сходным.

    «Это похоже на предыдущие подходы, используемые такими инструментами, как ALICE и TCRNET, за исключением того, что мы используем биохимически обоснованную меру расстояния (TCRdist)» → это утверждение, на мой вкус, несколько косвенно. Не могли бы вы перефразировать и пояснить, в чем tcrdist3 отличается от Alice et al.?

    Да, см. ответ выше. Полное сравнение этих методов теперь появляется в Обсуждении.

    Как вы определились с количеством 100000 IGOR и TCR пуповинной крови?

    «Одна часть состояла из 100 000 синтетических TCR, чьи частоты генов TRBV- и TRBJ совпадали с частотами в репертуаре, обогащенном антигенами; TCR были созданы с использованием программного обеспечения OLGA» → как вы удостоверились, что частоты совпадают?

    «Используя этот подход, мы можем оценить количество TCR, подобных центроидному TCR, в необогащенном фоновом репертуаре, состоящем примерно из ~ 1 000 000 TCR», → Откуда берется количество 1M TCR? Можете ли вы показать, что расчеты не изменятся, если вы выберете еще 100 000? В какой степени, по вашему мнению, играет роль тот факт, что данные пуповинной крови были получены с использованием совершенно другого экспериментального протокола, чем данные MIRA?

    См. ответ выше.Мы провели анализ чувствительности, изучая влияние размера фона на оптимизацию радиуса мета-клонотипа, которые появляются в пересмотренной рукописи. На ваши конкретные вопросы, на которые нет ответа выше: частоты генов V и J набора OLGA были сопоставлены с их частотами в наборе данных пуповинной крови. Кроме того, OLGA был модифицирован для создания синтетических TCR со специфическими генами V и J (эта модифицированная версия доступна на GitHub). Мы не знаем, в какой степени технические факторы играют роль при отборе проб фона и использовании его в качестве компаратора для данных MIRA.В идеале можно было бы создать фон, который имеет отношение к эксперименту, и использовать идентичные протоколы секвенирования. Мы считаем многообещающим, что OLGA (после сопоставления гена VJ) и фон пуповинной крови показали себя последовательно. В конечном счете, мы считаем, что выбор фона должен основываться на эксперименте, включая возможные технические факторы. Мы добавили этот комментарий к рукописи.

    Рисунок 5

    Не могли бы вы добавить в раздел «Выводы о генотипе HLA» в разделе «Методы» точность предсказания для аллелей HLA-B, использованных на рисунке 5A? Если точность прогноза низкая, удалите эти данные также с рисунка 5А.

    Является ли общедоступным HLA-классификатор? Пакет для него тоже существует? Какие аллели HLA, кроме упомянутых, достаточно безопасно предсказать по данным секвенирования?

    Да, этот классификатор доступен на GitHub (github.com/kmayerb/hla3). Точность прогнозирования и чувствительность варьируются в зависимости от аллеля, но обычно чувствительность колеблется от 0,85–0,97 до специфичности 0,97–1 для основных аллелей HLA-A и HLA-B, которые мы проанализировали здесь: HLA-A*01:01, HLA-A*02. :01, HLA-A*03:01, HLA-A*24:02, HLA-A*11:01, HLA-B*07:02, HLA-B*15:01, HLA-B*35:03 , HLA-B*57:01, HLA-B*40:01.

    Независимо от рисунка 5, есть ли рисунок, на котором я вижу, сколько мета-клонотипов составляют репертуар с точки зрения последовательностей и прочтений секвенирования? По сути, насколько больше антиген-специфической части репертуара можно уловить, если взглянуть на мета-клонотипы?

    Это важный вопрос, но мы не знаем ответа. С помощью чего-то вроде набора данных, отсортированного по тетрамерам, мы можем ответить на этот вопрос и показать, какая часть антиген-специфических последовательностей захвачена метаклонотипами.По сути, мы делаем это с MIRA ECDF на рисунках 3, 4 и 5 (теперь на рисунках 4, 5, 6), но это циклично, потому что мета-клонотипы, конечно, были определены для идентификации этих TCR. Возможно, имея большой набор данных, можно было бы посмотреть, насколько хорошо работают эти мета-клонотипы; экспериментально можно было бы захотеть создать большие наборы данных, отсортированные по тетрамерам, от многих людей, чтобы показать, что мета-клонотипы работают в популяции. С помощью анализа COVID-19 мы попытались продемонстрировать это статистически, и хотя он не дает оценки того, какую часть антиген-специфического репертуара мы фиксируем, он показывает, что антиген-специфический сигнал является статистически значимым.

    Кроме того, как вы сравниваете мета-клонотипы у разных людей (публичность)? Может ли TCR быть частью нескольких метаклонотипов? Можете ли вы объяснить все это подробнее на рисунке 1 и в основном тексте?

    Да, см. ответ выше о перекрывающихся метаклонотипах.

    Рисунок 7

    Насколько эта цифра нужна в основном тексте?

    Рисунок 7 теперь называется Рисунок 11. На этом рисунке сравниваются метаклонотипы с признаками на основе k-mere для 16 наборов MIRA.

    Так как ваш подход на самом деле очень похож на Алису, особенно, поскольку вы включаете в свой анализ pgens, не будет ли интереснее более подробно относиться к Алисе, чем к GLIPH?

    У нас сложилось впечатление, что GLIPh3 является более часто используемым инструментом (из-за вычислительной производительности) для поиска потенциально интересных групп TCR, и отзывы, которые мы получили, заключаются в том, что было бы полезно сравнить их в рукописи. Поэтому мы сохранили рисунок 7 (теперь рисунок 11) в рукописи.Чтобы уточнить, мы явно не используем Pgen для формирования мета-клонотипов; вместо этого мы эмпирически оцениваем вероятность наблюдения TCR, соответствующего метаклонотипу, на заднем плане. Насколько мы понимаем, ALICE неприменим в этом контексте при попытке найти общедоступные признаки среди TCR, которые уже были обогащены для разделения антигенной специфичности; это обогащение сделало бы большинство, если не все группировки, весьма неожиданными в модели ALICE.

    GIPh3 использовался с фоном TCR по умолчанию (строка 629).Даст ли это мета-клонотипам TCRdist3 преимущество, поскольку использованный фон для TCRdist3 был более плотно отобран вокруг представляющих интерес биохимических окрестностей (строка 563)?

    Фон GIPh3 по умолчанию большой (CD8, 573 211 клонов, CD4 772 312 клонов), что может дать GIPh3 преимущество. Вместо этого мы используем меньший фон, который имеет большую эффективность из-за плотной выборки биохимически сходных TCR. Мы решили, что использование фона GLIph3 по умолчанию является наиболее подходящим для сравнения, поскольку именно его использует большинство людей.

    По сравнению с признаками CDR3 на основе k-меров мета-клонотипы определялись RADIUS или RADIUS+MOTIF? Также укажите это на рисунке 7.

    Сравнения были основаны на метаклонотипах RADIUS+MOTIF. Это пояснено на рисунке 7 (теперь рисунок 11).

    Более общие комментарии:

    В статье мета-клонотипы представлены как новый подход к сравнению сходных TCR в разных репертуарах и в основном сравнивается подход мета-клонотипов с использованием общедоступных точных TCR.Это сравнение кажется немного тривиальным, поскольку ожидается, что любой подход кластеризации сходства последовательностей будет работать лучше, чем точное совпадение TCR. Я думаю, очень интересно показать, что пространства мета-клонотипов различаются между антиген-специфическим и неспецифическим репертуарами. Было бы неплохо сосредоточить анализ больше на этом и действительно открыть что-то интересное в репертуарной биологии, чем пытаться относиться исключительно к ковиду.

    Мы пересмотрели рукопись, чтобы показать, как мета-клонотипы могут формировать интересные биологические гипотезы об антигенной специфичности на основе экспериментов, которые обогащают антиген-специфические TCR. Мы также считаем важным, чтобы мета-клонотипы можно было использовать для статистики на уровне популяции и разработки биомаркеров, что является необходимым шагом на пути к клиническому применению. Тем не менее мы преуменьшаем значение анализа COVID-19, сосредоточившись на том, как он демонстрирует эффективность метаклонотипов.

    Как ваш метод сравнивается с этим недавно опубликованным подходом, основанным на подрепертуарах TCR, общих для разных людей? https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-021-04087-7

    Йоханнес и др.2021 недавно опубликовал интересную методологию. Вкратце, Yohannes и коллеги используют 4-nt-mers или 3-aa-mers для кластеризации наборов последовательностей CDR3 в образце из одного репертуара TCR. В случае 3-мерной аминокислоты вектор (20 3 ) 8000 измерений представляет каждую CDR3. Разнообразие внутри репертуара уменьшается за счет кластеризации векторов посредством агломеративной кластеризации. Вектор среднего значения представляет каждый кластер (который авторы называют центроидом). Векторы центроидов из нескольких выборок группируются по выборкам, чтобы идентифицировать кластеры, представляющие общие черты репертуара.Этот новый подход был применен к небольшой группе пациентов с глютеновой болезнью и позволил идентифицировать кластеры похожих, но неидентичных TCR в образцах, которые были похожи на антиген-ассоциированные TCR из предыдущих исследований. Этот и другие k-мерные методы (см. также Grief et al. 2017) и GLIPH (Glanville 2017) и GLIPh3 (Huang 2020) показали, что k-мерное представление CDR3 кодирует информацию, которая обобщается по образцам.

    Важнейшее отличие состоит в том, что эти методы «снизу вверх» изучают обогащенные признаки k-меров в пределах одного репертуара, а затем пытаются увидеть, встречаются ли эти паттерны в нескольких образцах.Напротив, методология, которую мы описываем, пытается использовать информацию, полученную в результате экспериментальной идентификации антиген-ассоциированных TCR из многих образцов, для выявления большего количества антиген-ассоциированных TCR в объемных данных. Мы стремились прояснить это различие в исправленной рукописи, в частности, в строках 53–65, 483–497.

    Рецензент №3 (Рекомендации авторам):

    Методология, предложенная в этой рукописи (tcrdist3), стала общедоступной через GitHub.Приложение к COVID-19 основано на общедоступных наборах данных и имеет четкие ссылки. Данные, полученные в ходе анализа, такие как прогнозы NetMHCpan и набор производных мета-клонотипов, включены в качестве дополнительного материала, который является полезным и соответствует политике eLife.

    Набор данных производных мета-клонотипов, связанных с COVID-19, является ценным ресурсом для анализа других объемных наборов данных COVID-19 репертуара, и предлагаемый метод должен быть применим в различных антигенных условиях.Этот набор данных может быть дополнительно охарактеризован, возможно, как дополнительный/дополнительный показатель: распределение оптимальных радиусов, распределение количества TCR, соответствующих каждому метаклонотипу, количество людей, вносящих TCR в метаклонотип, различаются ли они между сильными Мета-клонотипы HLA и слабые мета-клонотипы HLA? Это поможет при применении метода в других контекстах.

    Это интересные моменты. Мы предоставляем характеристики других наборов MIRA в поддержку таблицы S6, включая количество уникальных TCR, вносящих вклад в каждый мета-клонотип, и количество участников, вносящих вклад в каждый мета-клонотип.Дополнительный анализ чувствительности, ориентированный на оптимизацию радиуса, теперь показывает распределение радиусов по мета-клонотипам; радиус и количество субъектов, вносящих вклад в каждый метаклонотип, также включены в таблицы S7 и S8. Как правило, мета-клонотипы самого высокого качества включают множество входных TCR и широко известны.

    [Примечание редактора: перед принятием были предложены дальнейшие изменения, как описано ниже.]

    Рецензенты согласны с тем, что рукопись была значительно улучшена, но есть несколько остающихся вопросов ясности, которые необходимо решить, как указано ниже рецензентом 3.

    В частности:

    1. Включите в Обсуждение четкое и последовательное определение метаклона. Если на самом деле существует несколько альтернативных определений, пожалуйста, четко изложите их, указав, когда каждое из них будет использоваться.

    Мы благодарны за возможность доработать рукопись. Мы согласны с тем, что ясность определения метаклонотипа имеет решающее значение. В результате мы перенесли четкое описание во введение; техническое обсуждение определения и его контраста с другими группами TCR находится в Обсуждении с большей ясностью.

    Мы определяем мета-клонотип как группу биохимически сходных клонотипов, окружающих центроидный клонотип, что позволяет проводить анализ на уровне популяции и рассматривать всех членов мета-клонотипа как функциональную единицу. В этом исследовании мы разработали основу для определения мета-клонотипов из антиген-ассоциированных TCR на основе порога сходства (т. е. радиуса) и, необязательно, мотива CDR3, которые представляют собой портативный набор критериев, которые можно использовать для идентификации мета-клонотипа. соответствующие TCR в наборах данных.По мере развития экспериментальных и статистических подходов мы приветствуем новые методы определения мета-клонотипов TCR и надеемся, что новый термин и концепция по-прежнему будут полезны, поскольку они отражают необходимость определения групп функционально сходных клонотипов для анализа. См. строки 53-80 для разъяснения этого определения в рукописи.

    2. Четко укажите, какой фоновый набор используется в каждом рисунке/разделе статьи.

    На протяжении всего манускрипта фон, использованный для создания метаклонотипов, относится к следующему, что мы прямо указываем:

    «Синтетический фон был создан с использованием 100 000 TCR, сгенерированных OLGA, и 100 000 TCR, отобранных из пуповинной крови; Сгенерированные OLGA TCR были отобраны для соответствия частоте гена VJ в каждом наборе рецепторов MIRA с взвешиванием для учета систематической ошибки выборки (подробности см. в разделе «Методы»).

    В одном отдельном случае для создания визуализации мотива используется другой тип «фона», как показано на рисунке 10. На рисунке 10 «фон», используемый для обозначения мотива логотипа CDR3 с вычтенным фоном. Здесь фон представляет собой случайную выборку бета-рецепторов TCR из пуповинной крови с той же частотой использования генов TRBV и TRBJ, что и рецепторы, обнаруженные в радиусе TCRdist 20 от центроида метаклонотипа TRBV28*01 CASSLKTDAYEQYF.

    Чтобы обеспечить ясность, мы изменили подписи к рисункам с подробным описанием фона:

    — мы добавили это описание к рисунку 1A, чтобы оно соответствовало формулировке на рис. 6:

    .

    «Синтетический фон был создан с использованием 100 000 TCR, сгенерированных OLGA, и 100 000 TCR, отобранных из пуповинной крови; Сгенерированные OLGA TCR были отобраны для соответствия частоте гена VJ в каждом наборе рецепторов MIRA с взвешиванием для учета систематической ошибки выборки (подробности см. в разделе «Методы»).

    — на рисунках 4C и 4D соответственно показаны пропорции соседей в 9866 OLGA и 10 000 рецепторов пуповинной крови, как теперь указано в тексте подписи.

    — Рисунок 7 включает проверку чувствительности при изменении размера и типа фона, как указано в подписи.

    — Рисунок 8: мы добавили текст подписи для ясности:

    «Радиусы метаклонотипов были сконструированы с использованием синтезированных фонов, разработанных для каждого набора MIRA. Каждый фон содержал 100 000 TCR, сгенерированных OLGA, и 100 000 TCR, отобранных из пуповинной крови; Сгенерированные OLGA TCR были отобраны для соответствия частоте гена VJ в каждом наборе рецепторов MIRA (т.e., MIRA 1, 10, 30, 44, 45, 48, 51, 53, 55, 70, 99, 110, 111, 118, 133, 140 или 183) со взвешиванием для учета систематической ошибки выборки (подробности см. )».

    — Рисунок 10. Логотипы с поправкой на фон создаются путем случайной выборки β-рецепторов TCR из пуповинной крови с одинаковым использованием генов TRBV и TRBJ, при этом для каждого рецептора в наборе переднего плана отбираются 100 TCR, совпадающих с V-J.

    — Рисунок 13: мы добавили текст подписи для ясности:

    «Радиусы метаклонотипов были сконструированы с использованием синтезированных фонов, разработанных для каждого набора MIRA. Каждый фон содержал 100 000 TCR, сгенерированных OLGA, и 100 000 TCR, отобранных из пуповинной крови; Образцы TCR, сгенерированные OLGA, были отобраны для сопоставления с частотой гена VJ в каждом наборе рецепторов MIRA со взвешиванием для учета систематической ошибки выборки (подробности см. в разделе «Методы»)».

    3. Дальнейшее обострение дискуссии вокруг сравнения метаклонотипического подхода с другими существующими методами. В частности, уточните относительную важность определения нового метаклонотипа, которое вытекает из новой метрики TCRdist3, мотива и нового подхода к установлению фоновых сравнений.

    Мы согласны с тем, что крайне важно внести ясность в отношении того, чем эта структура для разработки антиген-ассоциированных мета-клонотипов отличается от других опубликованных методов группировки TCR, а также в отношении того, когда мета-клонотипы являются подходящим инструментом для анализа. Фундаментальное отличие состоит в том, что другие инструменты, такие как GLIPh3, TCRNET и ALICE, не были разработаны для поиска групп сходных TCR среди TCR, которые были экспериментально предварительно обогащены для антигенной специфичности. Мы включили абзац в Обсуждение (цитируется ниже), в котором подчеркивается это различие и последствия для анализа.

    Мы также обращаемся к тому, как радиус TCRdist, мотив и новый подход к эффективному фоновому сравнению способствуют дифференциации нашей структуры мета-клонотипа от существующих методов. В исправленной рукописи мы пишем:

    .

    «Представляемая нами структура мета-клонотипа присоединяется к классу широко используемых методов анализа TCR, которые зависят от сравнения с антиген-наивным фоновым репертуаром. […] В конечном счете, внимание сосредоточено на контроле абсолютной частоты TCR, соответствующих мета-клонотипу, на антиген-наивном фоне, что обеспечивает переносимость определений мета-клонотипа для анализа массивных репертуаров, где проводится количественная оценка сходных антиген-специфических Требуется TCR.

    Рецензент №3 (Рекомендации авторам):

    В пересмотренной рукописи авторы уделили больше внимания определению и созданию метаклонотипов, как это было предложено, с использованием данных covid в качестве примера приложения. С этой целью они включили пару новых анализов (фоновые наборы «анализ чувствительности», характеристика последовательности логотипов). Хотя я по-прежнему считаю, что идея метаклонотипов интересна и потенциально полезна, я нахожу некоторые статьи слишком длинными и трудными для понимания.

    Например, мне кажется, что определение мета-клонотипа изменяется вдоль статьи: например. На фигуре 1/фигуре 6 метаклонотип представляет собой центроид (TRBV + CDR3) + радиус +/- мотив; на рис. 10 он также включает то, что я считаю идентификатором набора, из которого он исходит; а на рисунке 12 это TRBV + TRBJ + CDR3 + радиус. Поскольку это основное внимание в статье, я думаю, что это определение должно быть ясным, последовательным и где-то объяснено.

    Номенклатура для определения метаклонотипов указана в дополнительных таблицах 1G и 1H:

    Название набора+Фоновая частота+Центроид V-Gene+Центроид CDR3+TCRdist Radius+Ограничение MOTIF

    (т.г., M_1_1E6+TRBV27*01+CASSDRGPPDTQYF+22+([AST][DE]RG[GP]. [DE]TQ))

    — Установить имя (например, M_1)

    — Оценка фоновой частоты, используемая для установки радиуса (например, 1E6)

    — Центроид V-Gene (например, TRBV27*01)

    — центроид CDR3 (например, CASSDRGPPDTQYF)

    – Радиус TCRdist (например, 22)

    — Ограничение MOTIF (например, ([AST][DE]RG[GP].[DE]TQ))

    Рецензент прав на рис. 10, мы включаем номенклатуру мета-клонотипов: M_55_1E6+TRBV28*01+CASSLKTDAYEQYF+20+(SL[RK][ST][ND].YEQ)

    Мы рассмотрели комментарий рецензента и согласовали идентификаторы на обновленном рисунке 12. Мы перечислили идентификаторы как TRBV27*01+CASSDRGPPDTQYF+22+([AST][DE]RG[GP].[DE]TQ). Поскольку все они взяты из одного набора MIRA, мы опускаем часть тега M_55_1E6 для наглядности.

    Во-вторых, мне было непонятно, когда авторы используют какой набор для фона: например. Относится ли Рисунок 1 и подпись «синтетический набор» к набору из 100k OLGA V-J со смещением + 100k шнур, который использовался позже? cf Строки 535-537 «фоновые CDR3, которые были отобраны из пуповинной крови и ограничены использованием одних и тех же генов V и J», а в других местах используется нескорректированная пуповинная кровь без скорректированного набора OLGA.

    Спасибо за внимательный обзор. См. комментарий выше о разъяснении подписей, чтобы явно объяснить фон на каждом рисунке. Обращение к предыдущим предложениям в строке 398-400:

    «График с поправкой на фон показывает позиционно-специфическое расхождение Кульбака-Лейблера из выравнивания фоновых CDR3, которые были взяты из пуповинной крови и ограничены использованием одних и тех же генов V и J»

    Источником путаницы является то, что фоны, используемые для оценки оптимального радиуса мета-клонотипа, основаны на использовании гена V-J каждого из набора TCR, аннотированных антигеном.Сюда входят 200 000 TCR: 100 000 OLGA V-J в сочетании со 100 000 случайных образцов, взятых из пуповинной крови.

    Принимая во внимание, что для мотивов логотипа с поправкой на фон и вычисления специфичного для положения расхождения Кульбака-Лейблера мы используем TCRsampler для случайного выбора TCR из пуповинной крови с использованием гена VJ, совпадающим с использованием TCR, используемых для мотива. Новая подпись гласит:

    .

    «Логотипы с поправкой на фон создаются путем случайной выборки рецепторов TCR β из пуповинной крови с использованием одного и того же гена TRBV и TRBJ, при этом для каждого рецептора в наборе переднего плана отбирается 100 TCR, соответствующих V-J.

    Методология выбора синтетического фона 200K более обширна, чем та, которая используется для создания фона для визуализации мотива логотипа CDR3. Для оценки оптимальной длины радиуса для большого набора аннотированных антигеном TCR необходимы дополнительные последовательности и корректировки выборки. Напротив, для визуализации логотипа CDR3 достаточно 1000 клонов, совпадающих с V-J.

    Я также считаю, что преимущество/уникальное использование предложенного метода метаклонотипирования по сравнению с существующими методами группировки антиген-специфических TCR следует уточнить и подчеркнуть: лично я не нахожу раздел «Результаты» «Сравнение с CDR3 на основе k-mer». функции» или рисунки 11 и 12 очень убедительны в этом отношении, и думаю, что это сообщение должно быть более ясным в документе перед предложением в обсуждении «Наша структура предназначена для другой задачи, чем эти алгоритмы…».

    В Обсуждении мы разъяснили различия в дизайне GIPh3 и других инструментов по сравнению с фреймворком метаклонотипов.

    Я действительно считаю, что метод мета-клонотипа полезен, эти изменения можно исправить, и статью можно сделать более читаемой и более эффективной, если авторы оптимизируют определение и пояснения, удалят повторяющиеся разделы и перекрестные ссылки на соответствующие места в тексте, где вещи упоминаются в тексте перед их объяснениями.

    Спасибо за отзыв. См. выше изменения, которые мы внесли во Введение и Обсуждение, касающиеся некоторых из этих проблем.

    https://doi.org/10.7554/eLife.68605.sa2

    Descargar Готовое домашнее задание: фото ответы к заданиям на ПК

    Готовое домашнее задание: фото ответы к заданиям На ПК

    Готовое домашнее задание: фото ответы к заданиям, исходящие от ООО «Сфера», в прошлом работали на системе Android.

    Теперь в Gameloop можно без проблем играть Готовые школьные домашние задания: фото ответы к заданиям на ПК.

    Загрузите его в библиотеке Gameloop или результатах поиска. Больше не нужно смотреть на аккумулятор или разочаровывать звонки в неподходящее время.

    Просто наслаждайся Готовое школьное домашнее задание: фотоответы к заданиям на большом экране бесплатно!

    Готовое домашнее задание: фото ответы к заданиям Введение

    Готовое домашнее задание по фотографиям — мечта каждого школьника! Это приложение поможет вам найти готовые домашние задания по всем школьным предметам с 1 по 11 класс.Достаточно сфотографировать страницу с домашним заданием из учебника или рабочей тетради смартфоном, и приложение найдет ответ. Также вы можете получить решения задач, уравнения и примеры по фото.

    Преимуществом нашего образовательного приложения является широкая база авторов учебников, рабочих тетрадей, тестов и викторин по основным школьным предметам.

    Вы найдете готовые домашние задания на самых популярных школьных предметах:

    — Math

    — Russian

    — Algebra

    — Английский

    — Геометрия

    — Физика

    — Биология

    — История

    — География

    — Литература

    — Химия

    — Немецкий язык

    — Информатика

    — Обществознание

    и сборники заданий от следующих авторов: Александрова, Алимов, Атанасян, Афанасьева, Баранов, Баранова, Бархударов, Башмаков, Боголюбова, Босова, Бунеев, Бунимович, Бутузов, Быстрова, Ваулина, Виленкин, Волкова, Габриелян, Гаврилова, Гамбарин, Глазков , Гольцова, Горецкий, Демидова, Дорофеев, Дудницын, Евстафьева, Егорова, Ерина, Ефремова, Желтовская, Жохов, Звавич, Зив, Зубарева, Иванов, Истомина, Ич Энская, Канакина, Кауфман, Кибирева, Климанова, Ключникова, Козлов, Колягин, Комарова, Коровина, Кузнецова, Кузовлева, Купалова, Ладыженская, Ларионова, Литвинова, Львова, Макарычева, Мартышова, Мерзляк, Меркин, Минаева, Миндюк, Миракова, Мищенко, Мордкович, Моро, Муравин, Мякишев, Никитина, Никольский, Перышкин, Песняева, Петерсон, Пичугов, Погорелов, Полонский, Попов, Попова, Потапов, Разумова, Разумовская, Рамзаева, Рубин, Рудницкая, Рыбченкова, Смирнова, Соловейчик, Ткачева, Тростенцова, Чекин, Чесноков, Чулков, Шарыгин, Шмелев, Яценко и другие.

    Точность прогнозирования урожайности моркови по проксимальным гиперспектральным и спутниковым мультиспектральным данным

  • Статистика Aerd. (2019). Односторонняя анова . Получено 5 января 2020 г. с https://statistics.laerd.com/statistical-guides/one-way-anova-statistical-guide.php.

  • Агегнеху, Г., ванБик, К., и Берд, М.И. (2014). Влияние комплексного управления плодородием почвы на продуктивность пшеницы и тефа и химические свойства почвы в высокогорной тропической среде. Журнал почвоведения и питания растений, 14 , 532–545.

    КАС Google ученый

  • Аль-Гаади, К. А., Хассабалла, А. А., Тола, Э., Каяд, А. Г., Мадугунду, Р., Алблеви, Б., и др. (2016). Прогнозирование урожайности картофеля с помощью методов точного земледелия. PLoS ONE, 11 (9), 1–16. https://doi.org/10.1371/journal.pone.0162219.

    КАС Статья Google ученый

  • Апан А. , Хелд, А., Финн, С., и Маркли, Дж. (2004). Обнаружение заболевания сахарного тростника «апельсиновой ржавчиной» с использованием гиперспектральных изображений eo-1 Hyperion. Международный журнал дистанционного зондирования, 25 (2), 489–498.

    Google ученый

  • Апан А., Келли Р., Финн С., Стронг В., Лестер Д., Батлер Д. и др. (2006). Прогнозирование содержания белка в зерне пшеницы с использованием гиперспектрального зондирования сезонного покрова урожая и частичной регрессии методом наименьших квадратов. Международный журнал геоинформатики, 2 (1), 93–108.

    Google ученый

  • Бала, С.К., и Ислам, А.С. (2009). Корреляция между урожайностью картофеля и индексами вегетации, полученными по модису. Международный журнал дистанционного зондирования, 30 (10), 2491–2507. https://doi.org/10.1080/01431160802552744.

    Артикул Google ученый

  • Болл, Г. H., & Hall, DJ (1965). Изодата, новый метод анализа данных и классификации закономерностей . Менло-Парк, Калифорния, США: Стэнфордский исследовательский институт.

    Google ученый

  • Баннари, А., Асали, Х., и Тейе, П. М. 2002. Преобразованный разностный индекс растительности (tdvi) для картирования растительного покрова. В Международном симпозиуме IEEE по геонаукам и дистанционному зондированию, (том 5, стр. 3053–3055). https://дои.org/10.1109/IGARSS.2002.1026867.

  • Баттуд, М., Аль Битар, А., Морин, Д., Крос, Дж., Хук, М., Марэ Сикр, К., и др. (2016). Оценка биомассы и урожая кукурузы на больших площадях с использованием Sentinel-2 с высоким пространственным и временным разрешением, подобного данным дистанционного зондирования. Дистанционное зондирование окружающей среды, 184 (Приложение C), 668–681. https://doi.org/10.1016/j.rse.2016.07.030.

    Артикул Google ученый

  • Белеитес, К. (2014). Введение в Hyperspect. Йена, Германия: спектроскопия Imagimg . Йена: IPHT.

    Google ученый

  • Блэкберн, Джорджия (2007). Гиперспектральное дистанционное зондирование пигментов растений. Journal of Experimental Botany, 58 (4), 855–867. https://doi.org/10.1093/jxb/erl123.

    КАС Статья Google ученый

  • Болтон, Д.К. и Фридл, Массачусетс (2013). Прогнозирование урожайности с использованием вегетационных индексов дистанционного зондирования и показателей фенологии сельскохозяйственных культур. Сельскохозяйственная и лесная метеорология, 173 (Приложение C), 74–84. https://doi.org/10.1016/j.agrformet.2013.01.007.

    Артикул Google ученый

  • Броге, Н. Х., и Леблан, Э. (2001). Сравнение прогностической способности и стабильности широкополосных и гиперспектральных индексов растительности для оценки индекса площади зеленых листьев и плотности хлорофилла в пологе. Дистанционное зондирование окружающей среды, 76 (2), 156–172. https://doi.org/10.1016/S0034-4257(00)00197-8.

    Артикул Google ученый

  • Бюро метеорологии. (2017). Каталог метеостанций . Получено 21 апреля 2020 г. с https://www.bom.gov.au/climate/data/stations/.

  • Чен, Дж. (1996). Оценка вегетативных индексов и модифицированного простого соотношения для бореальных применений. Canadian Journal of Remote Sensing, 22 (3), 229–242. https://doi.org/10.1080/07038992.1996.10855178.

    Артикул Google ученый

  • Дотри, К.С.Т., Уолтхолл, К.Л., Ким, М.С., де Колстоун, Э.Б., и Макмертри, Дж.Э. (2000). Оценка концентрации хлорофилла в листьях кукурузы по отражательной способности листьев и полога. Дистанционное зондирование окружающей среды, 74 (2), 229–239. https://дои.орг/10.1016/S0034-4257(00)00113-9.

    Артикул Google ученый

  • Детар, В. Р., Пеннер, Дж. В., и Функ, Х. А. (2006). Дистанционное зондирование с воздуха для обнаружения водного стресса растений в хлопчатнике с полным пологом. Transactions of ASABE — Американское общество инженеров сельского хозяйства, 49 (3), 655.

    Google ученый

  • DigitalGlobe. (2018). Мировоззрение-3: Выше и дальше .Получено 15 августа 2019 г. с https://worldview3.digitalglobe.com/.

  • Европейское космическое агентство. (2019). Страж-2 . Получено 7 мая 2019 г. с https://sentinel.esa.int/web/sentinel/missions/sentinel-2;jsessionid=AAFB81F54C376B6EB9CABEDF840EC6D1.jvm2.

  • Форкуор, Г., Димобе, К., Серме, И., и Тондох, Дж. Э. (2018). Landsat-8 по сравнению с Sentinel-2: Изучение дополнительной ценности красных краевых полос Sentinel-2 для картирования землепользования и земного покрова в Буркина-Фасо. GIScience & Remote Sensing, 55 (3), 331–354. https://doi.org/10.1080/15481603.2017.1370169.

    Артикул Google ученый

  • Games, PA, & Howell, JF (1976). Процедуры попарного множественного сравнения с неравными n и/или дисперсиями: исследование методом Монте-Карло. Журнал статистики образования, 1 (2), 113–125. https://doi.org/10.2307/1164979.

    Артикул Google ученый

  • Гительсон А.А., Гриц Ю. и Мерзляк М. Н. (2003). Взаимосвязь между содержанием хлорофилла в листьях и спектральной отражательной способностью и алгоритмы неразрушающей оценки хлорофилла в листьях высших растений. Журнал физиологии растений, 160 (3), 271–282. https://doi.org/10.1078/0176-1617-00887.

    КАС Статья Google ученый

  • Гительсон А.А., Кауфман Ю.Дж. и Мерзляк М.Н. (1996). Использование зеленого канала для дистанционного зондирования глобальной растительности с помощью eos-modis. Дистанционное зондирование окружающей среды, 58 (3), 289–298. https://doi.org/10.1016/S0034-4257(96)00072-7.

    Артикул Google ученый

  • Гнип М.Л., Мяо Ю., Юань Ф., Устин С.Л., Ю К., Яо Ю. и др. (2014). Гиперспектральное зондирование растительного покрова надземной биомассы риса-сырца на разных стадиях роста. Исследование полевых культур, 155 , 42–55. https://doi.org/10.1016/j.fcr.2013.09.023.

    Артикул Google ученый

  • Гомес Д., Сальвадор П., Санс-Хусто Дж. и Казанова Дж.-Л. (2019). Прогноз урожайности картофеля с использованием методов машинного обучения и данных Sentinel 2. Дистанционное зондирование, 11 , 1745. https://doi.org/10.3390/rs11151745.

    Артикул Google ученый

  • Генри В. Б., Шоу Д. Р., Редди К. Р., Брюс Л.М. и Тамханкар, HD (2004). Дистанционное зондирование для обнаружения переноса гербицидов на сельскохозяйственные культуры. Weed Technology, 18 (2), 358–368. https://doi.org/10.1614/WT-03-098.

    Артикул Google ученый

  • Садоводство Innovation Australia Limited. (2018). Австралийский справочник по статистике садоводства: овощи 2016/2017 (стр. 119). Австралия.

  • Хуанг Ю., Редди К. Н., Томсон С.Дж. И Яо, Х. (2015). Оценка поражения растений сои глифосатом с помощью аэромультиспектрального дистанционного зондирования. Наука о борьбе с вредителями, 71 (4), 545–552. https://doi.org/10.1002/ps.3839.

    КАС Статья Google ученый

  • Хьюте, А., Джастис, К., и Лю, Х. (1994). Разработка вегетативных и почвенных индексов для модис-эос. Дистанционное зондирование окружающей среды, 49 (3), 224–234.

    Google ученый

  • Huete, AR (1988). Вегетативный индекс с поправкой на почву (savi). Дистанционное зондирование окружающей среды, 25 (3), 295–309.

    Google ученый

  • Иммитцер М., Вуоло Ф. и Атцбергер К. (2016). Первый опыт работы с данными Sentinel-2 для классификации культур и видов деревьев в Центральной Европе. Дистанционное зондирование, 8 (3), 166.

    Google ученый

  • Цзян З., Уэте А. Р., Дидан К. и Миура Т. (2008). Разработка двухполосного расширенного вегетационного индекса без синей полосы. Дистанционное зондирование окружающей среды, 112 (10), 3833–3845. https://doi.org/10.1016/j.rse.2008.06.006.

    Артикул Google ученый

  • Иордания, CF (1969). Получение индекса площади листьев по качеству света на лесной подстилке. Экология, 50 (4), 663–666. https://doi.org/10.2307/1936256.

    Артикул Google ученый

  • Куэстер, М. (2016). Радиометрическое использование снимков мировоззрения-3 (стр. 12). Лонгмонт, Колорадо, США: DigitalGlobe.

    Google ученый

  • Лана, М. М. (2012). Влияние расстояния между рядами и времени сбора урожая на урожайность и размер корней моркови для производства ценурета®. Horticultura Brasileira, 30 , 304–311.

    Google ученый

  • Ли, В. С., Алханатис, В., Ян, К., Хирафудзи, М., Мошоу, Д., и Ли, К. (2010). Сенсорные технологии для точного выращивания специальных культур. Компьютеры и электроника в сельском хозяйстве, 74 (1), 2–33. https://doi.org/10.1016/j.compag.2010.08.005.

    Артикул Google ученый

  • Лима, Т.А., Беучле Р., Лангнер А., Греччи Р.К., Грисс В.К. и Ачард Ф. (2019). Сравнение изображений MSI Sentinel-2 и Landsat 8 oli для мониторинга выборочных рубок в бразильской Амазонии. Дистанционное зондирование, 11 (8), 961.

    Google ученый

  • Мэгни, Т.С., Эйтель, Дж.У.Х., и Вирлинг, Л.А. (2017). Картирование поглощения азота пшеницей по вегетационным индексам Rapideye. Точное земледелие, 18 (4), 429–451.https://doi.org/10.1007/s11119-016-9463-8.

    Артикул Google ученый

  • Марино С. и Альвино А. (2015). Гиперспектральные вегетационные индексы для прогнозирования лука (allium cepal.) дают пространственную изменчивость. Компьютеры и электроника в сельском хозяйстве, 116 , 109–117. https://doi.org/10.1016/j.compag.2015.06.014.

    Артикул Google ученый

  • Моран, М.С., Иноуэ, Ю., и Барнс, Э.М. (1997). Возможности и ограничения для дистанционного зондирования на основе изображений в точном управлении посевами. Дистанционное зондирование окружающей среды, 61 (3), 319–346. https://doi.org/10.1016/S0034-4257(97)00045-X.

    Артикул Google ученый

  • Наир, А., и Нгуаджио, М. (2010). Интеграция рядных покрытий и почвенных добавок для органического выращивания огурцов: влияние на рост культур, урожайность и микроклимат. HortScience, 45 (4), 566–574. https://doi.org/10.21273/HORTSCI.45.4.566.

    Артикул Google ученый

  • Ортис, Б.В., Томсон, С.Дж., Хуанг, Ю., Редди, К.Н., и Дин, В. (2011). Определение различий в поражении культур от авиационного применения глифосата с использованием индексов вегетации. Компьютеры и электроника в сельском хозяйстве, 77 (2), 204–213. https://doi.org/10.1016/j.комп.2011.05.004.

    Артикул Google ученый

  • Пенья, Э.А., и Слейт, Э.Х. (2006). Глобальная проверка допущений линейной модели. Журнал Американской статистической ассоциации, 101 (473), 341–341. https://doi.org/10.1198/016214505000000637.

    КАС Статья Google ученый

  • Пеньюэлас, Дж., Барет, Ф., и Филелла, И.(1995). Полуэмпирические индексы для оценки соотношения каротиноидов/хлорофилла по спектральной отражательной способности листа. Фотосинтетика, 31 (2), 221–230.

    Google ученый

  • Петерс, Г.-Дж. (2018). Userfriendlyscience: доступ к количественному анализу. (Пакет R 0.7.2 ред.) .

  • Пинтер, П. Дж., Хэтфилд, Дж. Л., Шеперс, Дж. С., Барнс, Э. М., Моран, М. С., Дотри, К. С. Т., и другие. (2003). Дистанционное зондирование для управления посевами. Фотограмметрическая инженерия и дистанционное зондирование, 69 (6), 647–664.

    Google ученый

  • Пинти, Б., и Верстрате, М.М. (1992). Gemi: нелинейный индекс для мониторинга глобальной растительности со спутников. Vegetatio, 101 (1), 15–20. https://doi.org/10.1007/BF00031911.

    Артикул Google ученый

  • Ци, Дж., Chehbouni, A., Huete, A.R., Kerr, YH, & Sorooshian, S. (1994). Модифицированный вегетативный индекс с поправкой на почву. Дистанционное зондирование окружающей среды, 48 (2), 119–126. https://doi.org/10.1016/0034-4257(94)-1.

    Артикул Google ученый

  • Цю, С., Хе, Б., Инь, К., и Ляо, З. (2017). Оценка спектральных полос красного края растительности Sentinel-2 для улучшения классификации земного покрова. Международный архив фотограмметрии, дистанционного зондирования и пространственных информационных наук. . https://doi.org/10.5194/isprs-archives-XLII-2-W7-871-2017.

    Артикул Google ученый

  • Основная команда R. (2014). R: Язык и среда для статистических вычислений . Вена, Австрия: R Foundation for Statistical Computing.

    Google ученый

  • Рахман, М., Робсон, А., и Бристоу, М. (2018). Изучение потенциала изображений мировоззрения-3 с высоким разрешением для оценки урожайности манго. Дистанционное зондирование, 10 (12), 1866.

    Google ученый

  • Рама Рао, Н. (2008). Разработка спектральной библиотеки для конкретных культур и различение различных сортов сельскохозяйственных культур с использованием гиперспектральных изображений. Международный журнал дистанционного зондирования, 29 (1), 131–144. https://doi.org/10.1080/01431160701241779.

    Артикул Google ученый

  • Рапапорт Т., Хохберг У., Шошани М., Карниели А. и Рахмилевич С. (2015). Сочетание физиологии листьев, гиперспектральной визуализации и частичной регрессии по методу наименьших квадратов (pls-r) для оценки водного статуса виноградной лозы. ISPRS Journal of Photogrammetry and Remote Sensing, 109 , 88–97. https://doi.org/10.1016/j.isprsjprs.2015.09.003.

    Артикул Google ученый

  • Робсон А., Рахман М. и Мьюир Дж. (2017a).Использование спутниковых изображений мирового масштаба для картирования урожайности авокадо (Persea Americana): тематическое исследование в Бандаберге, Австралия. Дистанционное зондирование, 9 (12), 1223.

    Google ученый

  • Робсон А., Рахман М. М., Мьюир Дж., Сэйнт А., Симпсон К. и Сирл К. (2017b). Оценка спутникового дистанционного зондирования как метода измерения изменчивости урожайности культур авокадо и макадамии. В J. A. Taylor (Ed.), 11-я Европейская конференция по точному земледелию (ECPA 2017), Advances in Animal Biosciences , 8 (2), 498–504, https://doi.org/10.1017/S2040470017000954.

  • Рондо Г., Стивен М. и Барет Ф. (1996). Оптимизация вегетационных индексов с поправкой на почву. Дистанционное зондирование окружающей среды, 55 (2), 95–107. https://doi.org/10.1016/0034-4257(95)00186-7.

    Артикул Google ученый

  • Ружан, Дж.-Л., и Бреон, Ф.-М. (1995). Оценка паритета, поглощаемого растительностью, по двунаправленным измерениям коэффициента отражения. Дистанционное зондирование окружающей среды, 51 (3), 375–384. https://doi.org/10.1016/0034-4257(94)00114-3.

    Артикул Google ученый

  • Роуз, Дж. В., Хаас, Р. Х., Шелл, Дж. А., и Диринг, Д. В. (1974). Мониторинг систем растительности на великих равнинах с помощью erts. На третьем симпозиуме ERTS, NASA , стр.309–317.

  • Рю, К., Сугури, М., и Умеда, М. (2011). Многофакторный анализ содержания азота в рисе на стадии колошения с использованием отражательной способности аэрогеоспектрального дистанционного зондирования. Исследование полевых культур, 122 (3), 214–224. https://doi.org/10.1016/j.fcr.2011.03.013.

    Артикул Google ученый

  • Шлеммер М., Гительсон А., Шеперс Дж., Фергюсон Р., Пэн Ю., Шанахан Дж., и другие. (2013). Дистанционная оценка содержания азота и хлорофилла в кукурузе на уровне листьев и полога. Международный журнал прикладного наблюдения Земли и геоинформации, 25 , 47–54. https://doi.org/10.1016/j.jag.2013.04.003.

    Артикул Google ученый

  • Команда проекта Sentinel-2 PDGS. (2011). Наземный сегмент данных полезной нагрузки Sentinel-2 (pdgs): документ определения продуктов . (стр. 92).Париж, Франция: Европейское космическое агентство (ЕКА).

  • Суарес, Л. А., Апан, А., и Верт, Дж. (2016). Гиперспектральное зондирование для обнаружения влияния сноса гербицидов на рост и урожайность хлопчатника. ISPRS Journal of Photogrammetry and Remote Sensing, 120 , 65–76. https://doi.org/10.1016/j.isprsjprs.2016.08.004.

    Артикул Google ученый

  • Суарес, Л. А., Апан, А., и Верт, Дж. (2017).Определение дозы феноксигербицида в посевах хлопчатника путем анализа гиперспектральных данных. Международный журнал дистанционного зондирования, 38 (23), 6528–6553. https://doi.org/10.1080/01431161.2017.1362128.

    Артикул Google ученый

  • Thenkabail, PS (2003). Биофизическая информация и информация об урожайности для точного земледелия на основе снимков, сделанных почти в реальном времени, и исторических изображений landsat tm. Международный журнал дистанционного зондирования, 24 (14), 2879–2904.https://doi.org/10.1080/01431160710155974.

    Артикул Google ученый

  • Траут, Т.Дж., Джонсон, Л.Ф., и Гартунг, Дж. (2008). Дистанционное зондирование растительного покрова садовых культур. HortScience, 43 (2), 333–337.

    Google ученый

  • Вайпхаса, К. (2006). Рассмотрение методов сглаживания для гиперспектральной ДЗЗ. ISPRS Journal of Photogrammetry and Remote Sensing, 60 (2), 91–99. https://doi.org/10.1016/j.isprsjprs.2005.11.002.

    Артикул Google ученый

  • Ван, Д., Ван, Б., Цю, П., Су, Ю., Го, К., Ван, Р., и др. (2018). Оценка эффективности Sentinel-2, landsat 8 и pléiades-1 при картографировании мангровых зарослей и видов. Дистанционное зондирование, 10 (9), 1468.

    CAS Google ученый

  • Уолд, С., Шёстрём, М., и Эрикссон, Л. (2001). Pls-регрессия: основной инструмент хемометрики. Хемометрика и интеллектуальные лабораторные системы, 58 (2), 109–130. https://doi.org/10.1016/S0169-7439(01)00155-1.

    КАС Статья Google ученый

  • Ян, К., Эверитт, Дж., и Брэдфорд, Дж. (2006). Сравнение спутниковых снимков Quickbird и аэрофотоснимков для картирования моделей урожайности зернового сорго. Точное земледелие, 7 (1), 33–44.https://doi.org/10.1007/s11119-005-6788-0.

    Артикул Google ученый

  • Ян, К., Эверитт, Дж., и Брэдфорд, Дж. (2009). Оценка 5 спутниковых снимков высокого разрешения для оценки урожайности. Точное земледелие, 10 (4), 292–303. https://doi.org/10.1007/s11119-009-9120-6.

    Артикул Google ученый

  • Ян, К.и Эверитт, Дж. Х. (2002). Взаимосвязь между данными монитора урожайности и многозональными цифровыми изображениями, полученными с воздуха, для зернового сорго. Точное земледелие, 3 (4), 373–388. https://doi.org/10.1023/a:1021544

    7.

    Артикул Google ученый

  • Ян, К., Эверитт, Дж. Х., Брэдфорд, Дж. М., и Мерден, Д. (2004). Гиперспектральные изображения с воздуха и данные мониторинга урожайности для картирования изменчивости урожайности хлопка. Точное земледелие, 5 (5), 445–461. https://doi.org/10.1007/s11119-004-5319-8.

    Артикул Google ученый

  • Йе, X., Сакаи, К., Манаго, М., Асада, С.-И., и Сасао, А. (2007). Прогноз урожайности цитрусовых по гиперспектральным снимкам с воздуха. Точное земледелие, 8 (3), 111–125. https://doi.org/10.1007/s11119-007-9032-2.

    Артикул Google ученый

  • Зайнол Абдулла, В.Н.З., Апан, А.А., Марасени, Т.Н., и Ле Брок, А.Ф. (2014). Спектральная дискриминация бычьего дуба ( allocasuarina luehmannii ) и связанных с ним лесных массивов для картирования среды обитания находящейся под угрозой исчезновения бабочки-бычьего дуба ( Hypochrysops piceata ) в южном Квинсленде. Journal of Applied Remote Sensing, 8 (1), 083561–083561. https://doi.org/10.1117/1.JRS.8.083561.

    Артикул Google ученый

  • Зарко-Техада, П.Дж., Устин, С.Л., и Уайтинг, М.Л. (2005). Временные и пространственные отношения между изменчивостью результатов внутри поля на хлопке и высокопространственных гиперспектральных изображениях дистанционного зондирования. Агрономический журнал, 97 (3), 641–653. https://doi.org/10.2134/agronj2003.0257.

    Артикул Google ученый

  • Технология на основе нанопор | СпрингерЛинк

    ‘) переменная голова = документ.getElementsByTagName(«голова»)[0] var script = document.createElement(«сценарий») script.type = «текст/javascript» script.src = «https://buy.springer.com/assets/js/buybox-bundle-52d08dec1e.js» script.id = «ecommerce-scripts-» ​​+ метка времени head.appendChild (скрипт) var buybox = document.querySelector(«[data-id=id_»+ метка времени +»]»).parentNode ;[].slice.call(buybox.querySelectorAll(«.вариант-покупки»)).forEach(initCollapsibles) функция initCollapsibles(подписка, индекс) { var toggle = подписка.querySelector(«.цена-варианта-покупки») подписка.classList.remove(«расширенный») var form = подписка.querySelector(«.форма-варианта-покупки») если (форма) { вар formAction = form.getAttribute(«действие») документ.querySelector(«#ecommerce-scripts-» ​​+ timestamp).addEventListener(«load», bindModal(form, formAction, timestamp, index), false) } var priceInfo = подписка.querySelector(«.Информация о цене») var PurchaseOption = toggle.parentElement если (переключить && форма && priceInfo) { toggle.setAttribute(«роль», «кнопка») переключать.setAttribute(«табиндекс», «0») toggle.addEventListener («щелчок», функция (событие) { var expand = toggle.getAttribute(«aria-expanded») === «true» || ложный toggle.setAttribute(«aria-expanded», !expanded) form.hidden = расширенный если (! расширено) { покупкаOption.classList.add(«расширенный») } еще { покупкаВариант.classList.remove («расширенный») } priceInfo.hidden = расширенный }, ложный) } } функция bindModal (форма, formAction, метка времени, индекс) { var weHasBrowserSupport = window.fetch && Array.from функция возврата () { var Buybox = EcommScripts ? EcommScripts.Buybox : ноль var Modal = EcommScripts ? EcommScripts.Модальный: ноль if (weHasBrowserSupport && Buybox && Modal) { var modalID = «ecomm-modal_» + метка времени + «_» + индекс var modal = новый модальный (modalID) modal.domEl.addEventListener («закрыть», закрыть) функция закрыть () { form.querySelector («кнопка [тип = отправить]»).фокус() } вар корзинаURL = «/корзина» var cartModalURL = «/cart?messageOnly=1» форма.setAttribute( «действие», formAction.replace(cartURL, cartModalURL) ) var formSubmit = Buybox.interceptFormSubmit( Буйбокс.fetchFormAction(окно.fetch), Buybox.triggerModalAfterAddToCartSuccess(модальный), функция () { form.removeEventListener («отправить», formSubmit, false) форма.setAttribute( «действие», formAction.replace(cartModalURL, cartURL) ) форма.представить() } ) form.addEventListener («отправить», formSubmit, ложь) document.body.appendChild(modal.domEl) } } } функция initKeyControls() { document.addEventListener («нажатие клавиши», функция (событие) { если (документ.activeElement.classList.contains(«цена-варианта-покупки») && (event.code === «Пробел» || event.code === «Enter»)) { если (document.activeElement) { событие.preventDefault() документ.activeElement.click() } } }, ложный) } функция InitialStateOpen() { var узкаяBuyboxArea = покупная коробка.смещениеШирина -1 ;[].slice.call(buybox.querySelectorAll(«.опция покупки»)).forEach(функция (опция, индекс) { var toggle = option.querySelector(«.цена-варианта-покупки») var form = option.querySelector(«.форма-варианта-покупки») var priceInfo = option.querySelector(«.Информация о цене») если (allOptionsInitiallyCollapsed || узкаяBuyboxArea && индекс > 0) { переключать.setAttribute («ария-расширенная», «ложь») form.hidden = «скрытый» priceInfo.hidden = «скрытый» } еще { переключить.щелчок() } }) } начальное состояниеОткрыть() если (window.buyboxInitialized) вернуть window.

    Добавить комментарий

    Ваш адрес email не будет опубликован.