SCI Библиотека

Цель нашей работы - изучение закономерностей пространственно-временного распределения хлорофилла «а» в Беринговом море и его районах.

По данным концентрациям цитокинов проведено исследование связей между предикторами. Разработан алгоритм выделения наиболее информативных цитокинов. По данному алгоритму выделены информативные предикторы из цитокинового профиля пациентов. Проведена оценка качества классификации и устойчивости результатов.

Работа посвящена вопросам реализации разработанной авторами математической модели дыхательной системы человека, предназначенной для прогнозирования возникновения патологий органов дыхания, обусловленных негативным воздействием загрязняющих компонентов атмосферного воздуха. Предложенная модель описывает легкие как упруго-деформируемую насыщенную двухфазную пористую среду, испытывающую большие градиенты перемещений. Поскольку аналитическое решение поставленной существенно нелинейной задачи представляется нереализуемым, для решения предлагается прибегать к численным методам с пошаговыми процедурами. Предложен алгоритм решения связанной задачи фильтрации воздуха в упруго-деформируемой пористой среде. Численное решение нелинейной подзадачи деформирования двухфазной среды легких осуществляется методом конечных элементов, подзадачи фильтрации — методом конечных объемов. Для реализации алгоритма разработан комплекс программ (на языке C++) с применением технологий параллельных вычислений. На основе томографических снимков легких, получаемых с помощью интерактивного программного продукта ITK-SNAP, выполняется восстановление трехмерной формы легких. С использованием пакета ANSYS ICEM CFD строится объемная конечно-элементная сетка. Численное моделирование течения воздуха в легких человека производится для персонализированной трехмерной геометрии. Представлены поля давления газовой фазы в легких человека в различные моменты дыхательного цикла. Разработанную модель в дальнейшем планируется рассматривать как инструмент для определения зон риска развития патологий органов дыхания, обусловленных негативным воздействием аэрогенных факторов среды обитания.

Агентная модель описывает динамику генетического разнообразия непрерывно распределенной популяции в случае конечного числа особей. В событии вымирания в некоторой области умирает часть популяции, после чего в ходе реколонизации рождаются новые особи с генотипом родителя. Мы рассматриваем модель, а также её модификацию, и получаем свойства, связанные с популяционными параметрами. В работе показано, что время жизни особей имеет экспоненциальное распределение, вероятности аллелей сохраняются во времени, средняя гетерозиготность при ограничении, связанном с числом особей при вымирании и реколонизации, равна аналогичной величине в модели Морана. Совместное распределение аллелей обобщено на случай популяций, непрерывно расположенных в пространстве. Совместное распределение аллелей и гетерозиготность посчитаны на симуляциях.

Проведено исследование процессов внутривидовой конкуренции в зависимости от взаимного расположения деревьев и начальной густоты древостоя. Для количественной оценки напряженности конкурентных отношений предложено использовать статистическую кросс-корреляционную функцию. Значения этой функции при анализе пространственных данных могут служить пороговой величиной, характеризующей возникновение процессов изреживания.

Методы машинного обучения широко используются для построения медицинских прогностических моделей. В то же время, наряду с методами, основанными на классической статистике, применяются байесовские методы, которые наиболее эффективны при малых объемах выборки. В данной работе построен ряд моделей прогнозирования биовозраста пациента на основе его функциональных данных с использованием как классических методов машинного обучения, так и байесовского подхода. В качестве данных использовались результаты кластеризации, проведенной нами ранее в предыдущем исследовании на материале медицинских организаций -quot;Свердловский областной клинический психоневрологический госпиталь для ветеранов войн-quot; и «Институт медицинских клеточных технологий» за 1995-2022 гг. в объеме 6440 записи, где было получено 4 кластера, разделенных по полу и статусу пациента (стационарный и амбулаторный). Исходя из предположения, что пациенты в амбулаторном статусе имеют наименьшую разницу биологического и календарного возраста и, поэтому, вносят меньшую ошибку в точность модели, чем пациенты в стационарном статусе, принято решение строить модели только для пациентов в амбулаторном статусе. В работе построен набор моделей для 2 кластеров - кластера мужчин в амбулаторном статусе (объем выборки 344 записи) и кластера женщин в амбулаторном статусе (объем выборки 991 запись). Анализ распределения возраста в каждой группе показал двумодальное распределение с границей при значении 40 лет. Поэтому группы были разделены по возрасту на две части: до 40 лет и после. Для выбора классических моделей машинного обучения использовалась платформа lazypredict. Для каждой группы выбирались 4 метода, дающие наибольшую точность и строились модели на их основе, а также использовались ансамбли моделей - stacking и votinmg. Точность моделей на тестовых данных составила от 4,1 до 6,3 лет. В байесовском подходе построена линейная многофакторная модель регрессии с заданным априорным распределением коэффициентов регрессии. Точность моделей составила от 4,9 до 6,6 лет.

В статье предлагаются два подхода к анализу временных рядов численности бактериопланктона в трех различных слоях водной толщи озера Байкал. При первом подходе рассчитываются значения сезонной компоненты рядов методом скользящей средней и строятся аддитивные и мультипликативные модели, из которых на основании рассчитанных коэффициентов достоверности, выбираются лучшие. Проводится интерпретация оценок значений сезонной компоненты в каждой из них. При втором подходе выполняется корреляционно-регрессионный анализ совместного изменения численности бактериопланктона, температуры и уровня воды озера. Выдвигаются и проверяются статистические гипотезы о значимости коэффициентов корреляции между рассматриваемыми факторами. Строится математическая модель множественной регрессии с включением фиктивных переменных, описывающих влияние сезонных колебаний на изменение численности бактериопланктона. Рассчитывается статистическая оценка значимости построенной модели и включенных в модель факторов. Приводится интерпретация результатов корреляционно-регрессионного анализа по отношению к исследуемой предметной области. Делается вывод о том, что полученные результаты могут быть использованы при прогнозировании количества бактериопланктона в разные периоды времени, при составлении экологического обоснования состояния озера, а также прогноза его микробиологического режима.

Прогнозирование живого веса помогает контролировать здоровье животных, эффективно проводить генетическую селекцию и определять оптимальное время убоя. На крупных фермах для измерения живого веса используются точные и дорогостоящие промышленные весы. Взвешивание животного из-за стресса ведет к потере его веса и продуктивности на 5-10%. Однако, перспективной альтернативой является оценка живого веса с помощью морфометрических измерений животного, а затем применение уравнений регрессии, связывающих такие измерения с живым весом. Ручные измерения животных с помощью рулетки отнимают много времени и вызывают стресс у животных. Поэтому в настоящее время для бесконтактных морфометрических измерений все чаще используются технологии компьютерного зрения. В статье предлагается новая модель для прогнозирования живого веса на основе регрессии изображений с использованием методов глубокого обучения. Для регрессии изображений использовались RGB изображения и карты глубины вид сбоку для прогнозирования живого веса крупного рогатого скота. Показано, что на реальных наборах данных предложенная модель достигает точности измерения веса с ошибкой MAE 35.5 и MAPE 8.4 на тестовом наборе данных.

Цель работы - научно обоснованные рекомендации лечащим врачам и
биологам в областях онкологии, эндокринологии и эпидемиологии. При написании
использовались классические методы теории дифференциальных уравнений – устойчивость решений и ветвления решений в точках бифуркации. Результаты исследования: составлена таблица, позволяющая онкологам с достаточно высокой степенью вероятности предвидеть, как будет развиваться онкологическое заболевание в зависимости от физиологических параметров организма; вычислен уровень связанного и активного инсулина в плазме крови, а также уровень сахара в крови; вычислено бифуркационное многообразие сетевой иммунной системы; рассмотрена детерминированная модель распространения венерического заболевания.