Параметры д818: Стабилитрон Д818Д818А, Д818Б, Д818В, Д818Г, Д818Д, Д818Е

alexxlab | 15.10.1974 | 0 | Разное

Содержание

Стабилитрон Д818Д818А, Д818Б, Д818В, Д818Г, Д818Д, Д818Е

Поиск по сайту


Стабилитрон Д818 (Д818А, Д818Б, Д818В, Д818Г, Д818Д, Д818Е) - диффузионно-сплавной, прецизионный, кремниевый, малой мощности. Применяется в основном для стабилизации номинального напряжения 9 В с повышенными требованиями к стабильности напряжения в диапазоне температур от -60 до +125°С. Диапазон токов стабилизации: от 3 до 33 мА. Имеет металлостеклянный корпус и гибкие выводы. На корпусе нанесён тип стабилитрона Д818 и его цоколёвка. Его корпус в рабочем режиме является анодом (положительным электродом). Весит не более 1 г.


Электрические параметры Д818 (Д818А, Д818Б, Д818В, Д818Г, Д818Д, Д818Е)

Напряжение стабилизации стабилитрона Д818 при Iст = 10 мА:
при Т = +25°C:
Д818А9. ..10,35 В
Д818Б7,65...9 В
Д818В
8,1...9,9 В
Д818Г, Д818Д, Д818Е8,55...9,45 В
при Т = -60°C:
Д818А8,82...10,35 В
Д818Б7,65...9,16 В
Д818В8,02...10 В
Д818Г8,51...9,5 В
Д818Д8,53...9,47 В
Д818Е8,54...9,46 В
при Т = +125°C:
Д818А9...10,58 В
Д818Б7,48...9 В
Д818В8,01...10,01 В
Д818Г8,5...9,5 В
Д818Д8,53...9,47 В
Д818Е8,54...9,46 В
Уход напряжения стабилизации в диапазоне темрератур
от -60 до +125°C при Iст = 10 мА:
Д818А0...0,32 В
Д818Б-0,32...0 В
Д818В±160 мВ
Д818Г±80 мВ
Д818Д±32 мВ
Д818Е±16 мВ
Временна´я нестабильность напряжения стабилизации при Iст = 10 мА:
Д818А±0,11 %
Д818Б±0,13 %
Д818В, Д818Г, Д818Д, Д818Е±0,12 %
Дифференциальное сопротивление, не более:
при Iст = 10 мА и Т = -60...+25°C:18 Ом
при Iст = 10 мА и Т = +125°C:25 Ом
при Iст = 3 мА и Т = +25°C:70 Ом

Предельные характеристики стабилитрона Д818


Минимальный ток стабилизации:3 мА
Максимальный ток стабилизации:
При Т ≤ +50°C:33 мА
При Т = +125°C:11 мА
Рассеиваемая мощность:
при Т ≤ +50°C:300 мВт
при Т = +125°C:100 мВт
Рабочая температура (окружающей среды)-60...+125°C

Допускается параллельное или последовательное соединение любого числа стабилитронов.



Стабилитрон Д818 — DataSheet

Корпус стабилитрона Д818

Описание

Стабилитроны кремниевые, диффузионно-сплавные, малой мощности, прецизионные. Предназначены для стабилизации номинального напряжения 9 В в диапазоне токов стабилизации 3…33 мА с высокими требованиями к стабильности напряжения в диапазоне температур —60…+125 °С. Выпускаются в металлостеклянном корпусе с гибкими выводами. Тип стабилитрона приводится на корпусе. Корпус стабилитрона в рабочем режиме служит положительным электродом (анодом). Масса стабилитрона не более 1 г.

Эксплуатация стабилитронов на прямой ветви вольт-амперной характеристики не допускается.

Изгиб выводов допускается ие ближе 2 мм от корпуса или расплющенной части катодного вывода с радиусом закругления не менее 1,5 мм. Растягивающая сила не должна превышать 19,6 Н для анодного вывода и 9,8 Н для катодного.

Пайка выводов допускается не ближе 5 мм от корпуса. Температура корпуса при пайке не должна превышать +125°С.

Допускается параллельное или последовательное соединение любого числа стабилитронов.

 

Характеристики стабилитрона Д818
ОбозначениеЗначение для:Ед. изм.
Д818АД818БД818ВД818ГД818ДД818Е
 Аналог —
Uстмин.7.658.18.558.558.55В
ном.9999
9
9
макс.10.359.99.459.459.45
при Iст101010101010мА
αUст+0.020
-0.029
±0.01±0.005±0.002±0.001%/°C
δUст±0.11±0.13±0.12±0.12±0.12±0.12%
Uпр  (при Iпр, мА)В
rст (при Iст, мА)70 (3)18 (10)18 (10)18 (10)18 (10)18 (10)Ом
Iст
мин.
333333мА
макс.333333333333
Pпp0.30.30.30.30.30.3Вт
T-60…+125-60…+125-60…+125-60…+125-60…+125-60…+125°C
  • Uст — Напряжение стабилизации.
  • αUст — Температурный коэффициент напряжения стабилизации.
  • δUст — Временная нестабильность напряжения стабилизации.
  • Uпр — Постоянное прямое напряжение.
  • Iпр — Постоянный прямой ток.
  • rст — Дифференциальное сопротивление стабилитрона.
  • Iст — Ток стабилизации.
  • Pпp — Прямая рассеиваемая мощность.
  • T — Температура окружающей среды.

 

Зависимость дифференциального сопротивления от температуры

Зависимость дифференциального сопротивления от тока

Зависимости температурного коэффициента напряжения стабилизации от тока

Зависимости температурного коэффициента напряжения стабилизации от тока

Зависимости ухода напряжения стабилизации от тока

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

Д818А, Д818Б, Д818В, Д818Г, Д818Д, Д818Е


Стабилитроны Д818А, Д818Б, Д818В, Д818Г, Д818Д, Д818Е cсоответствуют техническим условиям 3.362.045 ТУЧертёж стабилитрона Д818А, Д818Б, Д818В, Д818Г, Д818Д, Д818Е

Содержание драгметаллов в одном стабилитроне:
Золота – 0,0009981 гр.
Серебра – 0,00002598 гр.

Электрические параметры.
Электрические параметры стабилитронов типа: Д818А-Д818ЕПредельно допустимые электрические режимы эксплуатации.
Предельно допустимые электрические режимы эксплуатации стабилитронов типа: Д818А, Д818Б, Д818В, Д818Г, Д818Д, Д818Е

Примечание: В интервале температур окружающей среды от +50 до +100 градусов допустимые значения токов и мощностей снижаются линейно.

Условия хранения стабилитронов Д818А, Д818Б, Д818В, Д818Г, Д818Д, Д818Е.

Сохраняемость стабилитронов в упаковке поставщика, в ЗИПе, а также вмонтированных в аппаратуру при хранении их в складских условиях не менее 6 лет. Из шести лет один год допускается хранить стабилитроны в полевых условиях в аппаратуре и ЗИПе, защищенных от прямого воздействия солнечной радиации и атмосферных осадков.

Гарантии

Предприятие-изготовитель гарантирует:
наработку – 10 000 часов, сохраняемость – 6 лет.
Гарантийный срок исчислять с момента отгрузки.

Указания и рекомендации по эксплуатации.

При работе в качестве стабилизатора напряжения, стабилитрон включать полярностью, обратной указанной на корпусе стабилитрона.
При пайке выводов стабилитронов Д818А, Д818Б, Д818В, Д818Г, Д818Д, Д818Е температура в любой точке корпуса, включая места контакта выводов с корпусом, не должна превышать +100 градусов по Цельсию. Минимальное расстояние места пайки от корпуса 5 мм.
Изгиб выводов стабилитронов допускается на расстоянии не менее 2 мм от корпуса или расплющенной части трубки с радиусом изгиба не менее 1,5 мм.
Параллельное соединение стабилитронов допускается при условии, что ток стабилизации, проходящий через каждый стабилитрон, должен быть в пределах допустимых норм см. таблицу предельно допустимые электрические режимы эксплуатации.


Справочник стабилитронов отечественных. Datasheets с подробными характеристиками.

Отечественные производители стабилитронов
Наименование Напряжение стабилизации, В
Импортные стабилитроны
BZX55C0V8 - BZX55C1000.8-100 (0.5 Вт, 5% и 2%)
BZX85C3V6 - BZX85C1003.6-200 (1.3 Вт, 5% и 2%)
1N4728 - 1N47643.3-100 (1 Вт, 10% и 5%)
Отечественные интегральные аналоги стабилитрона
К142ЕН19 2.5-30 (ток до 100мА)
К1156ЕР5 2.5-36 (ток до 100мА) 1%
Отечественные прецизионные стабилитроны  (до 5%)
Д818(А-Е) 8, 8.5, 9, 9.5
2С108(Г-Р) 6,4
2С166(А-В),КС166(А-В) 6.4, 6.6
2С164(Н-К) 6.4, 6.6
2С190(Б-Д),КС190(Б-Д) 9
2С190(Е-Т) 9
2С191(М-Р),КС191(М-Р) 9,1
2С191(С-Ф),КС191(С-Ф) 9,1
КС211(Б-Д) 11
КС405А 6,2
КС515Г,КС520В,КС524Г, КС531, КС547 15, 20, 24, 31, 47
КС539Г,КС568В,КС582Г, КС596В 39, 68, 82, 96
Отечественные импульсные стабилитроны
2С175Е-2С213Е,КС175Е-КС213Е 7.5, 8.2, 9.1, 10, 11, 12, 13
Отечественные двуханодные стабилитроны
2С170А,КС170А 7
КС162А,КС168В,КС175А, КС182А, КС191А, КС210Б, КС213Б 6.2, 6.8, 7.5, 8.2, 9.1, 10, 11, 12, 13
Отечественные стабисторы
2С107А,КС107А 0,6
2С113А,2С119А,КС113А, КС119А 1.25, 1.86
Отечественные стабилитроны общего назначения
Д808-Д813 8, 9, 10, 11, 13
Д814(А-Д) 8, 9, 10, 11, 13
Д815(А-Д), Д816(А-Д),Д817(А-Д) 5.6, 6.8, 8.2, 10, 12, 15, 18, 22, 27, 33, 39, 47, 56, 68, 82, 100
КС133А-КС168А 3.3, 3.9, 4.7, 5.6, 6.8
2С133Г-2С156Г 3.3, 3.9, 4.7, 5.6
2С156Ф 5,6
2С175Ж-2С224Ж, КС175Ж-КС224Ж 7.5, 8.2, 9.1, 10, 11, 12, 13, 15, 16, 18, 20, 22,24
2С175Ц-2С212Ц 7.5, 8.2, 9.1, 10, 11, 12
2С291А,КС291А 91
КС406(А,Б), КС508(А-Д) 8.2, 10, 12, 15, 16, 18, 24
КС407(А-Д) 3.3, 3.9, 4.7, 5.1, 6.8
КС409А 5,6
2С433А-2С468А, КС433А-КС468А 3.3, 3.9, 4.7, 5.6, 6.8
КС509(А-В) 14.7, 18, 20
КС533А 33
2С551А-2С600А, КС551А-КС600А 51, 91, 100
КС620А-КС680А 120, 130, 150, 180
2С920А-2С980А 120, 130, 150, 180
интернет казино играть
casino riva
казино Aladdins Gold

Стабилитронов

КС126А

красное широкое + фиолетовое узкое + белое узкое кольца

КС126Б

оранжевое широкое + чёрное узкое + белое узкое кольца

КС126В

оранжевое широкое + оранжевое узкое + белое узкое кольца

КС126Г

оранжевое широкое + белое узкое + белое узкое кольца

КС126Д

жёлтое широкое + фиолетовое узкое + белое узкое кольца

КС126Е

зелёное широкое + голубое узкое + белое узкое кольца

КС126Ж

голубое широкое + красное узкое + белое узкое кольца

КС126И

голубое широкое + серое узкое + белое узкое кольца

КС126К

фиолетовое широкое + зелёное узкое + белое узкое кольца

КС126Л

серое широкое + красное узкое + белое узкое кольца

КС126М

белое широкое + коричневое узкое + белое узкое кольца

КС126А

черное кольцо

КС126Б

черное кольцо

КС126В

черное кольцо

КС126Г

черное кольцо

КС126Д

черное кольцо

КС126Е

черное кольцо

КС126Ж

черное кольцо

КС126И

черное кольцо

КС126К

черное кольцо

КС126Л

черное кольцо

КС126М

черное кольцо

Полупроводниковый стабилитрон - Большая Энциклопедия Нефти и Газа, статья, страница 2

Полупроводниковый стабилитрон

Cтраница 2


Функции полупроводниковых стабилитронов выполняют кремниевые диоды ( см. § 1.4) с повышенным содержанием донорных и акцепторных примесей. Благодаря повышенной концентрации носителей ( электронов и дырок) p - n - переход получается достаточно узким. Поэтому уже при относительно небольших обратных напряжениях в p - n - переходе появляется настолько большая напряженность электрического поля, что становится возможным непосредственный переход электронов от одного слоя полупроводника к другому ( туннельный эффект) или лавинообразное размножение носителей.  [17]

Для любого полупроводникового стабилитрона существует значение тока, при котором минимален температурный дрейф его напряжения. Обычно именно при этом токе в технических условиях на стабилитрон приводятся его дрейфовые параметры.  [18]

В полупроводниковых стабилитронах, служащих для уменьшения пульсаций постоянного напряжения, используется слабая зависимость обратного напряжения p - n - перехода в режиме электрического пробоя ( участок аб) от величины тока ( рис. В.  [19]

Исключение составляют полупроводниковый стабилитрон к лавинный транзистор, для которых электрический ( но не тепловой.  [20]

Максимальный ток полупроводникового стабилитрона ограничен допустимой мощностью рассеяния, одинаковой для диодов данной группы. Поэтому большему номинальному напряжению соответствует меньший допустимый ток.  [21]

Параллельное соединение полупроводниковых стабилитронов не допускается, так как практически невозможно подобрать два диода с одинаковыми параметрами. Последовательно же можно соединять любое число стабилитронов.  [22]

Максимальный ток полупроводникового стабилитрона ограничен допустимой мощностью рассеяния.  [24]

Опорные диоды ( полупроводниковые стабилитроны), используемые в качестве шунтов, должны иметь трехкратный запас по максимальному току. Может быть применено последовательное включение опорных диодов. Особенно часто этим пользуются в тех случаях, когда напряжение стабилизации одного диода недостаточно.  [25]

Как известно, полупроводниковые стабилитроны представляют собой диоды, работающие в предпробойной части характеристики, обратное напряжение которых держится почти постоянным при значительном изменении тока стабилитрона.  [27]

Отечественная промышленность выпускает полупроводниковые стабилитроны типов Д219С, Д220С, Д223С, Д808 - Д811, Д813 - Д818, КС133А, КС139А, КС156А, КС168А, КС 196, КС433А, К.  [28]

Предельные эксплуатационные параметры полупроводниковых стабилитронов оцениваются максимально допустимой мощностью Рст. Эти параметры зависят от температуры, при которой стабилитроны используются: с повышением температуры максимально допустимые значения мощности и тока стабилизации заметно уменьшаются.  [29]

Ганна; RD - полупроводниковый стабилитрон; SD - полупроводниковый диод; SL - светодиод; SV - варактор, VD - варистор; V - новый полупроводниковый прибор.  [30]

Страницы:      1    2    3    4    5

Электродвигатель постоянного тока тихоходный для подъемно-транспортных механизмов и металлургических агрегатов Д-810, Д-812, Д-814, Д-816, Д-818

Весь каталог - электродвигатели крановые

Общие технические характеристики электродвигателей серии Д

Тихоходные электродвигатели серии Д предназначены для работы в электроприводах подъемно-транспортных машин металлургических агрегатов и рольгангов в продолжительном, кратковременном и повторно-кратковременном режимах в условиях запыленности, вибрации и повышенной влажности (сталеплавильные, прокатные, доменные цеха).

Электродвигатели серии Д характеризуются высокой устойчивостью от перегрузок, а так же широким диапазоном регулирования частоты вращения.
Степень защиты электродвигателей закрытого исполнения - IP44, в экспортных поставках - IP54.
Поставляются с естественным охлаждением в закрытом исполнении, а так же в защитном исполнении с независимой вентиляцией и подачей воздуха через тоннельные трубы из воздушной магистрали, либо от вентилятора-наездника.
Электродвигатели изготавливаются для номинальных напряжений 220 и 440 В с последовательным, смешанным, параллельным и параллельным способом возбуждения, со стабилизирующей обмоткой. В закрытом исполнении установлены режимы работы S2 - 60 мин, S3 - 15%, 25%, 40%, 60% и S1, в защищенном исполнении S1.
Для привода рольгангов двигатели выпускаются в специальном исполнение с пониженной частотой вращения.
Исполнение по способу монтажа IM1003, IM1004, IM4014 по ГОСТ 2479.
По требованию потребителей возможна поставка двигателей с установочно–присоединительными размерами в соответствии с публикацией МЭК 34-13, с прецизионными тахогенераторами и клеммными коробками.
Возможно осуществлять регулирование частоты вращения изменяя подводимое напряжение и степень возбуждения.

Электродвигатель соответствует ГОСТ 183-74, публикации МЭК 34-13 и выпускается по ТУ 16-87 ИРАК.524314.003ТУ. Двигатели серии Д имеют сертификаты соответствия по безопасности Госстандарта РФ. Гарантийный срок эксплуатации – 3 года , но не более 3,5 лет со дня получения его потребителем.

Габаритные и присоединительные размеры тихоходных двигателей серии Д

Тип
двигателя

l10

b10

d10

h41

h

l1

l31

l33

d1

b1

h2

Д810

660

520

32

648

315

130

178

1276

90

22

14

Д812

724

570

35

708

340

165

172

1398

100

25

14

Д814

813

636

42

772

375

165

200

1543

120

28

16

Д816

890

686

42

824

400

200

212

1714

130

28

16

Д818

990

760

48

919

450

200

201

1792

140

32

18

Основные технические характеристики двигателей постоянного тока серии Д

Тип двигателя

Мощность, кВт

Частота вращения, мин-1, при возбуждении:

Масса, кг

последовательно

смешанно

параллельном со стабилизир. обмоткой

Параллельном

Двигатели закрытого исполнения с естественным охлаждением
Режим работы S2-60 мин. Напряжение 220В.

Д810

55

500

550

540

550

1215

Д812

75

475

515

500

515

1570

Д814

115

760

500

490

500

2240

Д816

150

450

480

470

480

2860

Д818

186

410

435

440

450

3745

Напряжение 440В

Д810

55

510

560

550

560

1215

Д812

75

500

520

510

520

1570

Д814

115

460

500

480

500

2240

Д816

160

460

490

480

490

2860

Д818

186

410

435

440

450

3745

Двигатели защищенного исполнения с независимой вентиляцией
Режим работы S1 Напряжение 220В

Д810

55

500

550

540

550

1215

Д812

85

475

515

500

515

1570

Д814

125

460

500

490

500

2240

Д816

170

450

480

470

480

2860

Д818

200

410

435

440

450

3745

Напряжение 440В

Д810

55

510

560

550

560

1215

Д812

80

500

520

510

520

1570

Д814

125

460

500

480

500

2240

Д816

170

460

490

480

490

2860

Д818

200

410

435

440

450

3745

Основные параметры двигателей серии Д с пониженной частотой вращения

Тип двигателя

Мощность, кВт

Напряжение, В

Частота вращения, мин-1

Масса, кг

Двигатели закрытого исполнения с естественным охлаждением в режиме S2-60мин и защищенные с независимой вентиляцией в режиме S1

Д810

17,5

220

165

1215,0

Д812

17,0

220

115

1570,0

Д816

70,0

220

240

2860,0

Двигатели закрытого исполнения с естественным охлаждением в режиме S3-40%

Д810

14,0

220

158

1215,0

Д812

13,5

220

130

1570,0

Д816

35,0

220

260

2860,0

Двигатели закрытого исполнения с естественным охлаждением в режиме S2-60мин и защищенные с независимой вентиляцией

Д810

35,0

440

370

1215,0

Д812

35,0

440

270

1570,0

Двигатели закрытого исполнения с естественным охлаждением в режиме S3-40%

Д810

28,0

440

390

1215,0

Д812

28,0

440

290

1570,0

 


Каталог - электродвигатели крановые

sdk-api / nf-recapis-createrecognizer.md в docs · MicrosoftDocs / sdk-api · GitHub

sdk-api / nf-recapis-createrecognizer.md в docs · MicrosoftDocs / sdk-api · GitHub Постоянная ссылка

В настоящее время невозможно получить участников
UID титул описание helpviewer_keywords старое местоположение тех.корень ms.assetid мс. Дата мс ключевые слова заголовок req.include-header треб. Тип цели req.target-min-winverclnt req.target-min-winversvr req.kmdf-ver req.umdf-ver req.ddi-соответствие req.unicode-ansi req.idl req.max-support требуемое пространство имен Треб. Сборка треб.библиотека типов req.lib req.dll req.irql мишеней треб. Тип. Имен req.redist мс по индивидуальному заказу f1_keywords dev_langs тип_ темы api_type api_location api_name

NF: recapis.CreateRecognizer

Функция CreateRecognizer (recapis.h)

Создает распознаватель.

CreateRecognizer

Функция CreateRecognizer [Планшетный ПК]

b4a5517e-d818-4d4d-a06f-3e0dcbcc52c6

резюме / CreateRecognizer

планшет. Createrecognizer

планшет \ createrecognizer.htm

планшет

b4a5517e-d818-4d4d-a06f-3e0dcbcc52c6

05.12.2018

CreateRecognizer, функция CreateRecognizer [планшетный ПК], b4a5517e-d818-4d4d-a06f-3e0dcbcc52c6, recapis / CreateRecognizer, планшет.createrecognizer

recapis.h

Окна

Windows XP Tablet PC Edition [настольные приложения \ | UWP apps]

Не поддерживается

Окна

19х2

CreateRecognizer

резюме / CreateRecognizer

- описание

Создает распознаватель.

-параметры

-парам pCLSID

CLSID распознавателя. Это значение создается в реестре при регистрации распознавателя.

-param phrec

Ручка распознавателя.

- возвращает

Эта функция может возвращать одно из этих значений.

Код возврата Описание
С_ОК
Успех.
E_FAIL
Произошла неопределенная ошибка.
E_POINTER
Параметр является недопустимым указателем.
E_INVALIDARG
Получен недопустимый аргумент.
E_OUTOFMEMORY
Недостаточно памяти.

-см. Также

Регистрация DLL-библиотеки распознавателя

Вы не можете выполнить это действие в настоящее время.Вы вошли в систему с другой вкладкой или окном. Перезагрузите, чтобы обновить сеанс. Вы вышли из системы на другой вкладке или в другом окне. Перезагрузите, чтобы обновить сеанс.

15–26 февраля 1999 г. С D690 по D861

Список отложенных взносов (собрание: 15–26 февраля 1999 г.)
[COM13-D690C] Nortel Networks (Канада), (Q20 / 13): Взаимодействие между сетями IP / ATM: дифференцированные IP-услуги через ATM
[COM13-D691] Korea Telecom (Q24 / 13): Шаблон для руководства проектом I.1 для мониторинга технического состояния
[COM13-D691Add] Korea Telecom (Q24 / 13): шаблон для руководства проектом I.1 для мониторинга технического состояния
[COM13-D692] Швеция (Q19 / 13) : Требуются изменения Рек. G.872 до возможного утверждения
[COM13-D693] Япония (Q6 / 13): функция эксплуатации и обслуживания IP-сетей
[COM13-D694] Соединенные Штаты Америки (Q4 / 13) : Технические недоработки в переработанном I.361
[COM13-D695] Швейцария (OFCOM), (Q25 / 13, Q28 / 13): Терминология GII: предложение терминов и определений (COM 13-R 15-E) для части испанской терминологии
[COM13-D696] Fujitsu Limited (Япония), (Q5 / 13): Уточнение алгоритма обработки потерянных / неправильно вставленных ячеек AAL1
[COM13-D697] CSELT (Италия), (Q16 / 13): размер блока и определение SES в Рек. G.829
[COM13-D698] Соединенные Штаты Америки (Q14 / 13): Задержка передачи ячеек и классы QoS
[COM13-D699] Соединенные Штаты Америки (Q16 / 13): Редакции для нового проекта Рекомендации МСЭ-Т G.828
[COM13-D700] Канада (Q14 / 13): Основа для моделей эталонной нагрузки
[COM13-D701] Канада (Q7 / 13): Обзор параметров ABR и связанных допусков
[COM13-D702] Канада (Q26 / 13): Схема предлагаемой новой Рекомендации G.APF
[COM13-D703] Канада (Q13 / 13): Ссылка на терминологию IEFT в проекте новой Рекомендации I.380
[COM13-D704] Канада (Q6 / 13): использование ячеек OAM уровня ATM в канале APS
[COM13-D705] Канада (Q6 / 13): быстрое переключение защиты при использовании VPG / Защитное переключение VCG
[COM13-D706] Канада (Q6 / 13, Q15 / 13): Процедуры оценки доступности соединения IN-service с использованием I.610 OAM tools
[COM13-D707] Канада (Q7 / 13): Сравнение производительности ABR и CT
[COM13-D708] Канада (Q7 / 13): Расширение ABT для включения кредита функция на основе
[COM13-D709] Канада (Q7 / 13): Действительно ли необходима ли предлагаемая CT ATC?
[COM13-D710] Канада (Q7 / 13): Неадекватные ответы на вопрос в пункте 12 живого списка I.371
[COM13-D711] Канада (Q7 / 13): кандидат CT ATC не требуется для управления трафиком ATM
[COM13-D712] Канада (Q20 / 13): Требования для взаимодействия между IP и сетями ATM
[COM13-D713] Канада (Q20 / 13): Поддержка дифференцированных IP-сервисов через ATM
[COM13-D713Add] Канада (Q20 / 13): Поддержка дифференцированных IP-сервисов через ATM
[COM13-D714] Япония (Q25 / 13): предложение о внесении поправок в проект Рекомендации Y.POIF
[COM13-D715] Япония (Q20 / 13): Предложение о добавлении архитектуры VPN в I.IPATM
[COM13-D716] NTT (Q2 / 13): Уточнение собранных параметров в проекте Рек. I.31z
[COM13-D717] NTT (Q3 / 13): Предлагаемое описание интерфейса SDB
[COM13-D718] NTT и NTT DoCoMo (Q5 / 13): Предлагаемые определения, диапазон, степень детализации и наборы параметров характеристик канала AAL типа 2
[COM13-D719] Nippon Telegraph and Telephone Corporation (NTT), (Q7 / 13): предложение по алгоритму соответствия QOS в GFR на основе спецификации форума ATM
[COM13-D720] Nippon Telegraph and Telephone Corporation (NTT), (Q12 / 13): Предлагаемый тест на соответствие для интерфейсов VB5
[COM13-D721] Nippon Telegraph and Telephone Corporation (NTT), (Q15 / 13, Q16 / 13): Комментарии к определению последовательной SES
[COM13-D722] Nippon Telegraph and Telephone Corporation (NTT), (Q19 / 13): Предложение архитектур защиты кольца для OTN
[COM13-D723] Nippon Teleg raph and Telephone Corporation (NTT), (Q19 / 13): Предложение по философии взаимодействия в отношении IP по WDM
[COM13-D724] Соединенные Штаты Америки (Q6 / 13): Предложение для I.610 расширений OAM
[COM13-D725] CSELT - Centro Studi E Laboratori Telecomunicazioni - S.P.A. (Q7 / 13): Снятие ограничений на сосуществование ATC на уровне VC и VP
[COM13-D726] Nortel Networks (США), (Q18 / 13): Предложения по дополнительному тексту для включения в новый проект Рекомендации МСЭ G.825
[COM13-D727] Соединенные Штаты Америки (Q18 / 13): Добавление требований к джиттеру интерфейса OC-192 в ANSI T1.105,03
[COM13-D728] Соединенные Штаты Америки (Q18 / 13): Комментарии к живому списку G.781 для сетей варианта II
[COM13-D729] Италия (Q19 / 13): Подразделение оптической транспортной сети (Рек. G.873)
[COM13-D730] France Tlcom (Q7 / 13, Q14 / 13): проблемы взаимодействия между коммутируемыми сетями ATM Forum и коммутируемыми сетями ITU-T обеспечить согласование сквозного QoS
[COM13-D731] France Tlcom (Q11 / 13): Редакционные поправки к проекту пересмотренной Рекомендации I.431.1 (COM 13-44)
[COM13-D732] France Tlcom (Q7 / 13): На PCR соединения ABR
[COM13-D733] France Tlcom (Q11 / 13): Обновление механизма защиты 1 + 1 для физического уровня ячеек
[COM13-D734] Nortel Networks (Канада), (Q29 / 13): Архитектура - название, объем и цель и другие конкретные комментарии
[COM13-D735] Nortel Networks (Канада), (Q29 / 13): Предложение по «архитектуре информационных коммуникаций (ICA)»
[COM13-D736] Nortel Networks (Канада), (Q29 / 13) , Q25 / 13): концепция агента: согласованность с Y.110, обоснование включения в «новую» архитектуру ICA
[COM13-D737] Deutsche Telekom AG (Q25 / 13, Q29 / 13): Концепции бизнес-моделирования - основа для распространения требований в открытой электросвязи market
[COM13-D738] Nortel Networks (Канада), (Q29 / 13): Предлагаемая версия TAEEv2 для «архитектуры информационной связи» (ICA)
[COM13-D739] Соединенные Штаты Америка (Q5 / 13, Q7 / 13): изучить, как захватить дополнительные атрибуты канала AAL типа 2 для мобильных приложений
[COM13-D740] Соединенные Штаты Америки (Q19 / 13): предложение сохранить проект Рекомендации G .872, как определено
[COM13-D741] Соединенные Штаты Америки (Q19 / 13): подход к нормализованным сечениям
[COM13-D742] Virata LTD (Q7 / 13): CWD - допуск параметр для CT ATC
[COM13-D743] Virata LTD (Q7 / 13): CT поддерживает оптимизированную производительность для сетевого Интернета
[COM13-D744] Lucent Technologies, Nederland BV (Q19 / 13) : Некоторые пояснения к G.805
[COM13-D745] Австралия (Q7 / 13): Решение по приложению B
[COM13-D746] Австралия (Q7 / 13): Консолидация I.371 элемент живого списка 12
[COM13-D747] Австралия (Q7 / 13): Предлагаемые редакционные изменения в Разделе 6.X.3 пункта 11 LL из Q7
[COM13-D748] Австралия (Q7 / 13): Предлагаемая поправка к Разделу A.3 Приложения к пункту 11 LL Q7
[COM13-D749] Австралия (Q7 / 13): Принятие возможности контролируемой передачи на уровне ATM в Рекомендации ITU I.371
[COM13-D750] Австралия (Q7 / 13): строгие требования к коэффициенту потерь ячеек для оптимальной производительности передачи данных TCP через ATM
[COM13-D750Add] Австралия (Q7 / 13): строгие требования к коэффициенту потерь ячеек для оптимальной производительности передачи данных TCP через ATM
[COM13-D751] Австралия (Q5 / 13, Q7 / 13, Q14 / 13): пригодность существующих ATC для передачи трафика голосовой магистрали AAL2
[ COM13-D752] Siemens (Q19 / 13): Редакционные улучшения G.872
[COM13-D753] CSELT (Q16 / 13): возможность мониторинга производительности ошибок для VC-4-XC
[COM13-D754] CSELT (Q6 / 13, Q14 / 13): In -сервисный мониторинг соединения с банкоматом: Оценка параметров характеристик ошибок
[COM13-D755] Lucent Technologies, Нидерланды (Q18 / 13): Измените ссылки на G.958 в пересмотренном G.825
[COM13- D756] Lucent Technologies (Q18 / 13, Q19 / 13): Пересмотренное предложение по руководству по проектированию сети синхронизации (недоступно в электронном виде)
[COM13-D757] Intelsat (Q4 / 13): многоточечный подход ATM в общие носители, такие как спутниковая и наземная беспроводная сеть
[COM13-D757Add1] Intelsat (Q4 / 13, Q22 / 13): многоточечные подходы ATM в общих средах, таких как спутниковая и наземная беспроводная сеть
[COM13-D758] CSELT (Q20 / 13): Поддержка IP ov ATM в B-ISDN через устройства гибридного IP / ATM
[COM13-D759] Lucent Technologies, Нидерланды (Q19 / 13): Моделирование обратного мультиплексирования и взаимодействия услуг в G.805 и G.803
[COM13-D760] Федеративная Республика Германия (Q19 / 13): Изменения в разделе защиты G.805
[COM13-D761] Федеративная Республика Германия (Q19 / 13): Взаимодействие служб в G.805
[COM13-D762] Федеративная Республика Германия (Q19 / 13): Объединение в G.803
[COM13-D763] Федеративная Республика Германия ( Q19 / 13): Предложение в отношении эталонных точек проекта Рекомендации Y.POIF для структуры межсоединений
[COM13-D764] Siriti S.pA (Q19 / 13): Структура многоуровневой живучести
[COM13-D765] Comsat Corporation (Q14 / 13): Ограничение CTD для жесткого двухуровневого класса
[COM13-D766] Российская Федерация (Q16 / 13): цели BBER в проекте новой Рекомендации G.828 «Параметры и нормативы характеристик ошибок для международных синхронных цифровых трактов с постоянной скоростью передачи данных
[COM13-D767] Российская Федерация (Q15 / 13) : Приоритеты категорий трактов в Рекомендациях МСЭ-Т G.827.1 и G.827
[COM13-D768] Alcatel (Q18 / 13): Замечания по D570, представленные на последней встрече в июне 1998 г.
[COM13-D769] Alcatel (Q6 / 13): От редакции комментарии к проекту Рекомендации I.610, август '98, версия
[COM13-D770] Italtel (Q16 / 13): Определение SEPR в проекте Рек. G.828
[COM13-D771] France Telecom (Q19 / 13): завершение I.326 по вставке AIS на уровне ATM
[COM13-D772] France Telecom (Q19 / 13) : Расширение G.805 для охвата других архитектурных объектов
[COM13-D773] France Telecom (Q11 / 13, Q19 / 13): Предложение по интерфейсу транспортного сетевого узла ATM Рекомендация
[COM13-D774] KDD Corporation ( Q8 / 13): Перегруппировка элементов исследования для управления эхом в голосовой службе сети ATM с взаимодействием PSTN
[COM13-D775] Siemens AG (Q7 / 13): проблемы ABR для I.371
[COM13-D776] Siemens AG (Q7 / 13): Вопросы и предложения по контролируемой передаче
[COM13-D777] Siemens AG (Q7 / 13): проблемы со СКФ для I.371
[COM13-D778] Nortel Networks Europe (Q5 / 13): Некоторые проблемы с проектом новой Рекомендации I.366.2
[COM13-D779] Ericsson (Q19 / 13): Предложение для OMS DCC в G.872
[COM13-D780] Deutsche Telekom (Q19 / 13): Предложения по 3R-AIS
[COM13-D781] Deutsche Telekom (Q19 / 13): Предложение по использованию 3R на междоменных интерфейсах (IrDI)
[COM13-D782] Deutsche Telekom (Q19 / 13): Моделирование 2R / 3R относительно эталонной конфигурации
[COM13-D783] Deutsche Telekom ( Q19 / 13): IP через WDM.Управление скоростью передачи данных и существующее оборудование
[COM13-D784] Deutsche Telekom (Q19 / 13): правила каскадирования для некоторых элементов ссылки OCh
[COM13-D785] Deutsche Telekom (Q19 / 13) : Соединение OTN с цифровыми сетями
[COM13-D786] Deutsche Telekom (Q19 / 13): соединение OTN с SDH, которые поддерживают функции OAM SDH
[COM13-D787] Deutsche Telekom (Q19 / 13): Предложение по RS-TCM
[COM13-D788] Royal KPN N.V. (Q7 / 13, Q14 / 13): Актуальность определения нового строгого двухуровневого класса QoS
[COM13-D789] Royal KPN NV (Q2 / 13): номер индекса CDR
[COM13-D790] Royal KPN NV (Q2 / 13): Производство CDR
[COM13-D791] Royal KPN NV (Q2 / 13): Информация о начислении платы в B-ISDN на «Charge Party» в I .31z
[COM13-D792] Royal KPN NV (Q7 / 13): обязательства QoS по GFR
[COM13-D793] Royal KPN N.V. (Q7 / 13): Обзор параметров ABR и связанных допусков
[COM13-D794] Royal KPN NV (Q7 / 13): Пиковая скорость ячеек ABR
[COM13-D795] Royal KPN NV (Q7 / 13): Обязательства по задержке для SBR2 / SBR3
[COM13-D796] British Telecom (Q19 / 13): домены администрирования и управления
[COM13-D797] British Telecom (Q19 / 13): Совместимые и несовместимые интерфейсы OTN
[COM13-D798] British Telecom (Q19 / 13): Унификация транспортных моделей
[COM13-D799] British Telecom (Q19 / 13) : Оптические подсети и их определение
[COM13-D800] British Telecom (Q6 / 13): Вопросы, требующие решения до утверждения Рекомендации I.610 (пересмотренный)
[COM13-D801] British Telecom (Q6 / 13): возражение против сегмента AIS в проекте пересмотренной Рекомендации I.610
[COM13-D802] British Telecom (Q6 / 13) : Пояснения по триггеру защитного переключения для проекта Рекомендации I.630
[COM13-D803] British Telecom (Q16 / 13): Включение SEP в проект новой Рекомендации G.828
[COM13-D804] British Telecom (Q29 / 13): Функциональные требования на разных уровнях
[COM13-D805] British Telecom (Q29 / 13): Требования к уровням в стеке протоколов телекоммуникаций / IP
[COM13-D806 ] Lucent Technologies Nederland (Q6 / 13): Предложение прояснить, что сегмент OAM будет существовать за пределами сегмента
[COM13-D807] Lucent Technologies Nederland (Q6 / 13): Редакционные поправки к спецификации кольцевой проверки в проекте пересмотренной Рекомендации I.610 (COM 13-40)
[COM13-D808] Lucent Technologies Nederland (Q6 / 13): модификации I.630
[COM13-D809] Lucent Technologies Nederland (Q6 / 13): Редакционные вопросы в I.630
[COM13-D810] Lucent Technologies Nederland (Q6 / 13): Технические проблемы в I.630
[COM13-D811] Lucent Technologies Nederland (Q6 / 13): Архитектура 1: N в I.630 (ATM) отличается от архитектуры 1: N в G.841 (SDH)
[COM13-D811Add] Lucent Technologies Nederland (Q6 / 13): архитектура 1: N в I.630 (ATM) отличается от архитектуры 1: N в G.841 (SDH)
[COM13-D812] Lucent Technologies Nederland (Q11 / 13): Редакционные поправки к проекту пересмотренной Рекомендации I.432.2 (COM13-45)
[COM13-D813] Lucent Technologies Nederland (Q11 / 13): Технические вопросы в рамках пересмотренной Рекомендации I.432.2 (COM13-45)
[COM13-D814] Lucent Technologies Nederland (Q11 / 13, Q12 / 13): Несоответствия между проектом новой Рекомендации G.966 (COM 13-48) и проект пересмотренной Рекомендации I.432.2 (COM 13-45), проект пересмотренной Рекомендации I.610 (COM 13-40), Рекомендация G.783
[COM13-D815] Lucent Technologies Nederland (Q19 / 13): Предложение о расширении общей спецификации защиты в G.805
[COM13-D816] Lucent Technologies Nederland (Q6 / 13, Q19 / 13): Введение функции обратной петли на основе технологии ячеек / пакетов в рекомендациях по архитектуре
[COM13-D817] ETRI (Q8 / 13): пересмотренный текст проекта I.5bp Рекомендация
[COM13-D818] ETRI (Q2 / 13): требования к маршрутизации на I.31y и I.31y.2
[COM13-D819] ETRI (Q20 / 13): Эталонная конфигурация для IP через ATM в B-ISDN
[COM13-D820] ETRI (Q20 / 13): пересмотр общей эталонной модели протокола для IP через ATM в B-ISDN
[COM13-D821] ETRI (Q20 / 13): отображение QoS между классами обслуживания IP и классами QoS ATM
[COM13-D821Add] ETRI (Q20 / 13): отображение QoS между классами обслуживания IP и классами QoS ATM
[ COM13-D822] ETRI (Q2 / 13): сетевые требования для всесезонного качества обслуживания
[COM13-D822Add] ETRI (Q2 / 13): сетевые требования для всесезонного качества обслуживания
[COM13- D823] ETRI (Q20 / 13): Комментарии к I.ipatm
[COM13-D824] Корея (Q20 / 13): Комментарии к архитектуре основного протокола
[COM13-D825] Республика Корея (Q7 / 13): Новая терминология для функции формирования трафика
[COM13-D826] Республика Корея (Q6 / 13): Разъяснение по механизму AIS / RDI сегмента
[COM13-D827] Республика Корея (Q7 / 13): Функция планирования ячеек для контроля перегрузки
[COM13-D828] ETRI (Q2 / 13): Вставка абзаца для интервала записи данных начисления (периода начисления) в список «живущих» N15 / Q2 в основной текст
[COM13-D829] ETRI ( Q2 / 13): Редакционные изменения и комментарии для I.31z
[COM13-D830] ETRI (Q2 / 13): Вставка текста для раздела 6 и проекта заявления о взаимодействии для ИК11 и ИК13
[COM13-D831C] Korea Telecom (Rep.) (Q13 / 13): Разложение сегментов телекоммуникационных сетей на GII QoS
[COM13-D832C] Korea Telecom (Rep. Of) (Q13 / 13): Модификации общей эталонной модели для QoS / NP на GII
[COM13-D833C] Korea Telecom (Rep. Of) (Q13 / 13): Вопросы будущего исследования производительности взаимодействующих сетей
[COM13-D834] Korea Telecom (Rep.из) (Q8 / 13, Q25 / 13): эталонная модель на базе IP
[COM13-D835] Korea Telecom (Rep. of) (Q8 / 13): Требования к взаимодействию сети на основе IP с B-ISDN
[COM13-D836] Korea Telecom (Республика) (Q29 / 13): выяснение отношений между «тремя агентами»
[COM13-D837] Korea Telecom (Rep.) (Q14 / 13): Предложение по использованию расчета фактической протяженности маршрута
[COM13-D838] Korea Telecom (Rep.of) (Q14 / 13): Модификация о нарушениях из-за неправильной вставки ячеек.
[COM13-D839] Соединенные Штаты Америки (Q18 / 13): Модификации G.824
[COM13-D840] Hermes Europe Railtel (Q19 / 13): Предложение для сигнала RS-AIS на интерфейсе без OTN
[COM13-D841] Hermes Europe Railtel (Q19 / 13): приложения для управления тандемными соединениями на сетевом уровне OCh
[COM13-D842] Hermes Europe Railtel (Q19 / 13) ): Предложение по защите трассы 1: N и защите SNC / S 1: N на сетевом уровне OCh
[COM13-D843] Соединенные Штаты Америки (Q13 / 13): Предлагаемый новый материал для Приложения B / I .380
[COM13-D844] Соединенные Штаты Америки (Q14 / 13): Предлагаемый новый класс QoS ATM для I.356
[COM13-D845] Соединенные Штаты Америки (Q16 / 13): О подраспределении 17,5% распределения национального блока, предложенном в проекте новой Рекомендации G.828
[COM13-D846] Bellcore (Q13 / 13): Соображения по спецификации требований к производительности IP
[COM13-D847] Deutsche Telekom (Q19 / 13): IP через WDM, взаимодействие с существующим оборудованием OAM аспекты
[COM13-D848] Deutsche Telekom (Q19 / 13): Улучшения для SDH
[ COM13-D849] L.М. Эрикссон (Q11 / 13, 12/13): Необходимость ATM по частичным физическим каналам в сетях мобильного радиодоступа
[COM13-D852] Соединенные Штаты Америки (Q14 / 13): Обоснование точек измерения и внутренние эталонные события для AAL типа 1
[COM13-D853] Соединенные Штаты Америки (Q14 / 13): Комментарии к предложению и собрание докладчика Q16 / 13 в ноябре 1998 г. по использованию байтов NxB1 для ошибки секции регенератора STM-N производительность в G.829
[COM13-D854] Соединенные Штаты Америки (Q19 / 13): необходимость управления подуровнем в OTN
[COM13-D855] Соединенные Штаты Америки (Q19 / 13 ): Предложение сохранить клиентские сигналы, отличные от SDH / PDH, в G.873
[COM13-D856] Lucent Technologies (Q7 / 13): лучший метод накопления CDV
[COM13-D857] Lucent (Q7 / 13): уточнения ожидаемого поведения сетевых элементов для GFR
[COM13-D858] Соединенные Штаты Америки (Q7 / 13): Нечувствительный к CLP режим для GFR
[COM13-D859] Noretl Networks (Канада), (Q29 / 13): Приложения к иллюстрируют взаимосвязь между ICA и другими стандартами для архитектур и технологий.
[COM13-D860] MII (Китай), (Q29 / 13): Модель TAEE
[COM13-D861] Sudatel (Судан ), (Q9 / 13): Взаимодействие 64 K-ISDN с другими сетями (с системами воли)

Подпишитесь, чтобы прочитать | Файнэншл Таймс

Разумный взгляд на мировой образ жизни, искусство и культуру

  • информативных прочтений
  • Интервью и отзывы
  • Кроссворд FT
  • Путешествия, дома, развлечения и стиль

Выберите вашу подписку

Испытание

Попробуйте полный цифровой доступ и узнайте, почему более 1 миллиона читателей подписались на FT

  • В течение 4 недель получите неограниченный цифровой доступ премиум-класса к надежным, отмеченным наградами бизнес-новостям FT

Подробнее

Цифровой

Будьте в курсе важных новостей и мнений

  • MyFT - отслеживайте самые важные для вас темы
  • FT Weekend - полный доступ к материалам выходных
  • Приложения для мобильных устройств и планшетов - загрузите, чтобы читать на ходу
  • Gift Article - делитесь до 10 статьями в месяц с семьей, друзьями и коллегами

Подробнее

ePaper

Цифровая копия печатного издания

с простой навигацией.
  • Прочтите печатное издание на любом цифровом устройстве, можно прочитать в любое время или загрузить на ходу
  • Доступно 5 международных изданий с переводом на более чем 100 языков
  • Журнал
  • FT, журнал How to Spend It и информационные приложения включены
  • Доступ к предыдущим выпускам за 10 лет и к архивам с возможностью поиска

Подробнее

Команда или предприятие

Премиум FT.com доступ для нескольких пользователей, с интеграцией и инструментами администрирования

Премиум цифровой доступ, плюс:
  • Удобный доступ для групп пользователей
  • Интеграция со сторонними платформами и CRM-системами
  • Цены на основе использования и оптовые скидки для нескольких пользователей
  • Инструменты управления подпиской и отчеты об использовании
  • Система единого входа (SSO) на основе SAML
  • Специализированный аккаунт и команды по работе с клиентами

Подробнее

Узнайте больше и сравните подписки содержание раскрывается выше

Или, если вы уже являетесь подписчиком

Войти

Watson Data API - IBM Cloud API Docs

Важно понимать, что GET Asset API не , а возвращает ресурс актива, такой как таблица базы данных, электронная таблица, файл csv и т. Д.Вместо этого он возвращает первичный документ метаданных (т. Е. Карточку), в котором описывает ресурс актива.

Очевидно, что первичный документ метаданных (т. Е. Карточка) должен быть создан до того, как его можно будет извлечь. Тем не менее, поучительно увидеть реальные примеры карты и ее частей, прежде чем пытаться создать эти вещи. В конце концов, многие пользователи будут извлекать карты, которые ранее были созданы кем-то другим.

В этом и следующих разделах показано, как получить метаданные актива и вложения (например, ресурс ресурса и документы расширенных метаданных).

Получение актива - для соединения

Мы начнем с получения общего первичного документа метаданных (т. Е. Карты): один для типа актива «соединение». Это простая карта, потому что у нее нет вложений. Это делает его простым примером для начала, даже несмотря на то, что многие другие карты, с которыми вы столкнетесь, действительно имеют вложения.

Используйте следующий API GET Asset для получения документа первичных метаданных для соединения. Обратите внимание, что для этого необходимо знать и указывать идентификаторы как основного документа метаданных (т. Е. Карты), так и каталога, содержащего карту.Либо кто-то дал вам оба этих идентификатора, либо вы можете перейти на страницу актива с помощью пользовательского интерфейса каталога знаний Watson, а затем извлечь идентификатор каталога и идентификатор документа первичных метаданных из URL-адреса в адресной строке браузера.

Получение актива - URL запроса:

  GET {service_URL} / v2 / assets / {asset_id}? Catalog_id = {catalog_id}
  

Ниже приведен основной документ метаданных (т. Е. Карточка), который возвращается.

Примечание: вам может быть полезно взглянуть на части рисунка основного документа метаданных, прежде чем смотреть на следующий текст ответа.

Получение актива - Подключение - Тело ответа:

  {
  "метаданные": {
    "rov": {
      «режим»: 0,
      "Collaborator_ids": {}
    },
    "использование": {
      "last_updated_at": "2018-11-06T17: 40: 37Z",
      "last_updater_id": "IBMid -___",
      "last_update_time": 1541526037227,
      "last_accessed_at": "2018-11-06T17: 40: 37Z",
      "last_access_time": 1541526037227,
      "last_accessor_id": "IBMid -___",
      "access_count": 0
    },
    "name": "ConnectionForCSVFile",
    "description": "Подключение для CSV файла",
    "теги": [],
    "asset_type": "соединение",
    "origin_country": "нас",
    "рейтинг": 0,
    "total_ratings": 0,
    "catalog_id": "c6f3cbd8-2b7f-42fb-aa60 -___",
    «создано»: 1541526037227,
    "created_at": "2018-11-06T17: 40: 37Z",
    "owner_id": "IBMid -___",
    "размер": 0,
    «версия»: 2,
    "asset_state": "доступно",
    "asset_attributes": [
      "связь"
    ],
    "asset_id": "070e9be2-40a8-4e0e -___",
    "категория_ресурсов": "СИСТЕМА"
  },
  "организация": {
    "связь": {
      "datasource_type": "193a97c1-4475-4a19-b90c-295c4fdc6517",
      «контекст»: «источник, цель»,
      "характеристики": {
        "bucket": "catalogforgettingsta___",
        "secret_key": "{wdpaes} 12345 ___ =",
        "api_key": "{wdpaes} eo / 12345_ =",
        "resource_instance_id": "crn: v1: bluemix: public: cloud-object-storage: global: a / 12345c ___: 7240b198-b0f6 -___ ::",
        "access_key": "12345___",
        "регион": "us-geo",
        "url": "https: // s3.us-south.objectstorage.softlayer.net "
      },
      "флаги": []
    }
  }
}
  

Приведенный выше ответ содержит две из трех основных групп метаданных, которые были описаны в разделе «Первичный документ метаданных»: «метаданные» и «объект».

Как обсуждалось в разделе «Обзор Assets API», содержимое поля «метаданные» является общим для всех первичных документов метаданных (т. Е. Карточек). Набор полей в «метаданных» полностью определяется Assets API. Значения для некоторых из этих полей должны быть предоставлены создателем карты, в то время как значения других полей будут заполнены различными API-интерфейсами ресурсов в течение срока действия карты.В частности, обратите внимание на значения следующих полей:

  • «метаданные» полей, значения которых предоставлены создателем карты:
    • «имя» : «ConnectionForCSVFile»
    • "описание" : "Подключение для файла CSV"
    • "asset_type" : "connection"
    • "asset_attributes" : [
        "соединение"
        
  • «метаданные» полей, значения которых устанавливаются различными API ресурсов в течение срока действия карты:
    • «использование» : содержит различную статистику, описывающую использование карты / актива
    • "catalog_id" : идентификатор каталога, содержащего карту
    • .
    • "created_at" : время и дата создания карты
    • "asset_id" : идентификатор карты (не ресурса актива)

Дополнительные сведения о полях «метаданные» см. В обсуждении «метаданных» в разделе «Обзор API ресурсов» выше.

Содержимое поля «entity» только частично определяется Assets API. В частности, поле «entity» , показанное на приведенной выше карточке, содержит поле, имя которого должно соответствовать значению в «metadata.asset_type» , в данном случае «connection» . Это поле является основным атрибутом.

С другой стороны, как имена, так и значения всех полей внутри первичного атрибута «entity.connection» полностью определяются создателем типа актива «соединение» и создателем «соединения». "атрибут.Assets API, как правило, не решает, какие поля идут внутри первичного атрибута (или любого другого атрибута). В приведенном выше примере атрибута «соединение» наиболее интересными полями являются:

  • «datasource_type» - указывает идентификатор типа источника данных, к которому будет сформировано соединение.
  • «свойства» - задает метаданные подключения, относящиеся к типу источника данных. Точное содержимое этого поля будет меняться в зависимости от типа источника данных.

Для получения дополнительной информации о содержании «entity» в целом см. Обсуждение «entity» в разделе Assets API Overview.

Обратите внимание, что карта выше не содержит массива «вложений». Это означает, что с этой картой не связан ни один ресурс актива. Возникает естественный вопрос: как могут существовать метаданные актива «подключения» для несуществующего ресурса «подключения» или описывать его? На самом деле ресурс актива «соединение» действительно существует, но только тогда, когда метаданные в первичном документе метаданных соединения используются для создания соединения клиент-сервер во время выполнения.

Получение актива - для файла CSV

В этом разделе показан гораздо более типичный пример, в котором к основному документу метаданных (т. Е. Карточке) действительно прикреплен ресурс ресурса - в данном случае это файл csv с именем Sample. csv. Вот очень простое содержимое файла Sample.csv:

Содержимое файла Sample.csv

  Имя, Номер
abc, 123
защита, 456
  

Используйте API GET Asset для получения метаданных актива для Sample.csv ресурс актива. Примечание. API GET Asset возвращает только первичный документ метаданных (т. Е. Карту), который описывает файл Sample.csv - он не , а возвращает фактический файл Sample.csv .

Получение актива - URL запроса:

  GET {service_URL} / v2 / assets / {asset_id}? Catalog_id = {catalog_id}
  

Поучительно показать две разные версии документа первичных метаданных для ресурса Sample.csv:

  1. Профилирование до (которое возвращает небольшой документ метаданных - без расширенных метаданных)
  2. После профилирования (которое возвращает документ метаданных гораздо большего размера - с расширенными метаданными)

Примечание. Возможно, вам будет полезно взглянуть на части рисунка основного документа метаданных, прежде чем смотреть на любой из следующих двух тел ответа Get Asset Response Body.

Вот основной документ метаданных меньшего размера, который существует до вызова Profile API в файле Sample.csv.

Получение актива - CSV-файл - Тело ответа -
До Профилирование:

  {
  "метаданные": {
    "name": "Sample.csv",
    "description": "Простой CSV-файл.",
    "asset_type": "data_asset",
    "rov": {
      «режим»: 0,
      "Collaborator_ids": {}
    },
    "использование": {
      "last_updated_at": "2018-11-06T17: 45: 23Z",
      "last_updater_id": "IBMid -___",
      "last_update_time": 1541526323713,
      "last_accessed_at": "2018-11-06T17: 45: 23Z",
      "last_access_time": 1541526323713,
      "last_accessor_id": "IBMid -___",
      "access_count": 0
    },
    "origin_country": "соединенные штаты",
    "рейтинг": 0,
    "total_ratings": 0,
    "catalog_id": "c6f3cbd8-2b7f-42fb-aa60 -___",
    «создано»: 1541526321437,
    "created_at": "2018-11-06T17: 45: 21Z",
    "owner_id": "IBMid -___",
    "размер": 0,
    «версия»: 2,
    "asset_state": "доступно",
    "asset_attributes": [
      "data_asset"
    ],
    "asset_id": "45f4ab8c-37d5-45a1-8adf -___",
    "asset_category": "ПОЛЬЗОВАТЕЛЬ"
  },
  "организация": {
    "data_asset": {
      "mime_type": "текст / csv",
      "набор данных": ложь
    }
  },
  "вложения": [
    {
      "id": "b8c7a390-e857-4c34-add8 -___",
      «версия»: 2,
      "asset_type": "data_asset",
      "имя": "удаленный",
      "описание": "удаленный",
      "connection_id": "070e9be2-40a8-4e0e -___",
      «путь_подключения»: «catalogforgettingsta-datacatalog-r1s ___ / data_asset / Sample_SyjEQUy6m.csv ",
      "create_time": 1541526323713,
      "размер": 0,
      "is_remote": правда,
      "is_managed": ложь,
      "is_referenced": ложь,
      "is_object_key_read_only": ложь,
      "is_user_provided_path_key": истина,
      "transfer_complete": правда,
      "is_partitioned": ложь,
      "complete_time_ticks": 1541526323713,
      "данные пользователя": {},
      "test_doc": 0,
      "использование": {
        "access_count": 0,
        "last_accessor_id": "IBMid -___",
        "last_access_time": 1541526323713
      }
    }
  ]
}
  

Вышеупомянутый первичный документ метаданных содержит все три основные группы метаданных («метаданные», «сущность» и «вложения»), которые были описаны в разделе «Обзор API ресурсов».

Содержимое поля «метаданные» очень похоже на содержимое, показанное выше для примера карты подключения. Наиболее важным отличием является значение, указанное пользователем в качестве «типа актива» для ресурса Sample.csv, а именно «data_asset» . Это имя типа актива отображается в двух местах в разделе «метаданные» основного документа метаданных:

  • «метаданные» :
    • «asset_type» : «data_asset»
    • "asset_attributes" : [
        "data_asset"
        
      ]

Как обсуждалось в разделе «Атрибуты», тот факт, что "метаданные.asset_type " имеет значение " data_asset " означает, что поле" entity "карты должно содержать первичный атрибут с именем " data_asset ". API типов активов предоставляет предопределенный актив типа " data_asset ". Этот " data_asset " type определение объявляет, что есть два обязательных поля в " data_asset " attribute : " mime_type " и " dataset ", как видно на карточке выше и повторяется здесь:

  • «entity» :
    • «data_asset» :
      • «mime_type» : «text / csv»
        • указывает mime-тип ресурса актива.Здесь тип mime указывает, что ресурс ресурса - это текстовый CSV-файл.
      • «набор данных» : ложь
        • ложь, потому что в этом первичном атрибуте нет поля «столбцы».
        • Примечание: false не означает, что в ресурсе актива нет столбцов. Очевидно, что в нашем файле Sample.csv есть столбцы. Проблема здесь в том, что никто (пока) не сказал карте , что ресурс актива имеет столбцы. Сравните этот атрибут «набор_данных» с атрибутом, показанным в следующем примере. Получить актив - Файл CSV - Тело ответа - После профилирования , где значение «набор данных» было изменено на истинное, а у основного атрибута действительно есть столбцы. " поле.

В отличие от приведенного выше примера карты подключения, карта для файла Sample.csv имеет поле «вложений» . В этом случае в массиве «attachments» есть один элемент. Этот элемент содержит метаданные, указывающие на прикрепленный ресурс актива (например, файл Sample.csv). Некоторые из наиболее интересных полей в этом элементе вложения:

  • «id» : «b8c7a390-e857-4c34-add8 -___»
    • идентифицирует документ метаданных , который указывает на ресурс вложенного актива
  • "asset_type" : "data_asset"
  • "connection_id" : "070e9be2-40a8-4e0e -___"
    • идентифицирует документ первичных метаданных соединения (т. Е. Карту), который содержит учетные данные и другую информацию, которую можно использовать для подключения к внешнему репозиторию, содержащему прикрепленный актив ресурс (например, «Образец.csv "файл)
    • не случайно, конкретная карта подключения, обозначенная как «070e9be2-40a8-4e0e- _», является точно такой же картой подключения, показанной выше в [Get Asset - Connection Primary Metadata Document] (# Section_Assets Get_Asset__WDP_Connection)
  • «путь_подключения» : «catalogforgettingsta-datacatalog-r1s ___ / data_asset / Sample_SyjEQUy6m.csv»,
    • определяет путь во внешнем репозитории, который содержит присоединенный ресурс (т. Е. «Sample.csv "файл)
  • «is_remote» : true
    • , как описано в разделе обзора «вложений», is_remote истинно, потому что «connection_id» и «connection_path» используются для описания того, как получить ресурс ресурса Sample.csv.
  • "is_referenced" : false (не более одного из "is_referenced" и "is_remote" будет истинным)

Получение актива - CSV-файл - Тело ответа -
После профилирования :

Теперь давайте сравним, что GET {service_URL} / v2 / assets / {asset_id}? Catalog_id = {catalog_id} возвратов для тот же ресурс после вызова Profile API в примере.csv файл:

  {
  "метаданные": {
    "rov": {
      «режим»: 0,
      "Collaborator_ids": {}
    },
    "name": "Sample.csv",
    "description": "Простой CSV-файл для эксперимента для начала работы с документом.",
    "теги": [],
    "asset_type": "data_asset",
    "origin_country": "соединенные штаты",
    "рейтинг": 0,
    "total_ratings": 0,
    "catalog_id": "c6f3cbd8-2b7f-42fb-aa60 -___",
    «создано»: 1541526321437,
    "created_at": "2018-11-06T17: 45: 21Z",
    "owner_id": "IBMid -___",
    «размер»: 9238,
    «версия»: 2,
    "asset_state": "доступно",
    "asset_attributes": [
      "массив_данных",
      "профиль_данных"
    ],
    "asset_id": "45f4ab8c-37d5-45a1-8adf -___",
    "asset_category": "ПОЛЬЗОВАТЕЛЬ"
  },
  "организация": {
    "data_asset": {
      "mime_type": "текст / csv",
      "набор данных": правда,
      "столбцы": [
        {
          "name": "Имя",
          "тип": {
            "тип": "варчар",
            «длина»: 1024,
            «масштаб»: 0,
            "обнуляемый": истина,
            "подписано": ложь
          }
        },
        {
          "name": "Число",
          "тип": {
            "тип": "варчар",
            «длина»: 1024,
            «масштаб»: 0,
            "обнуляемый": истина,
            "подписано": ложь
          }
        }
      ]
    },
    "data_profile": {
      "971e9c66-be4c-44b4-91f3 -___": {
        "метаданные": {
          "guid": "971e9c66-be4c-44b4-91f3 -___",
          "asset_id": "971e9c66-be4c-44b4-91f3 -___",
          "dataset_id": "45f4ab8c-37d5-45a1-8adf -___",
          "catalog_id": "c6f3cbd8-2b7f-42fb-aa60 -___",
          «created_at»: «2018-11-12T15: 32: 53.902Z ",
          "accessed_at": "2018-11-12T15: 32: 53.902Z",
          "owner_id": "IBMid -___",
          "last_updater_id": "IBMid -___"
        },
        "организация": {
          "data_profile": {
            "параметры": {
              "disable_profiling": ложь,
              "max_row_count": 5000,
              "max_distribution_size": 100,
              "max_numeric_stats_bins": 200,
              "опции_классификации": {
                "отключен": ложь,
                "use_all_ibm_classes": правда,
                "ibm_class_codes": [],
                "custom_class_codes": []
              }
            },
            "исполнение": {
              "статус": "завершено",
              "is_supported": правда,
              "dataflow_id": "3f1ace02-4d40-451d-9bc7 -___",
              "dataflow_run_id": "f774f92f-5a61-49ca-8a68 -___"
            },
            "столбцы": [],
            "attachment_id": "8d614be0-6900-403b-ab50 -___"
          }
        }
      },
      "attribute_classes": [
        "NoClassDetected",
        "Название организации"
      ]
    }
  },
  "вложения": [
    {
      "id": "b8c7a390-e857-4c34-add8 -___",
      «версия»: 2,
      "asset_type": "data_asset",
      "имя": "удаленный",
      "описание": "удаленный",
      "connection_id": "070e9be2-40a8-4e0e -___",
      «путь_подключения»: «catalogforgettingsta-datacatalog-r1s ___ / data_asset / Sample_SyjEQUy6m.csv ",
      "create_time": 1541526323713,
      "размер": 0,
      "is_remote": правда,
      "is_managed": ложь,
      "is_referenced": ложь,
      "is_object_key_read_only": ложь,
      "is_user_provided_path_key": истина,
      "transfer_complete": правда,
      "is_partitioned": ложь,
      "complete_time_ticks": 1541526323713,
      "данные пользователя": {},
      "test_doc": 0,
      "использование": {
        "access_count": 0,
        "last_accessor_id": "IBMid -___",
        "last_access_time": 1541526323713
      }
    },
    {
      "id": "8d614be0-6900-403b-ab50 -___",
      «версия»: 2,
      "asset_type": "data_profile",
      "имя": "профиль_данных_971e9c66-be4c-44b4-91f3 -___",
      "ключ_объекта": "профиль_данных_971e9c66-be4c-44b4-91f3 -___",
      "create_time": 1542036813627,
      «размер»: 9238,
      "is_remote": ложь,
      "is_managed": ложь,
      "is_referenced": правда,
      "is_object_key_read_only": ложь,
      "is_user_provided_path_key": истина,
      "transfer_complete": правда,
      "is_partitioned": ложь,
      "complete_time_ticks": 1542036813627,
      "данные пользователя": {},
      "test_doc": 0,
      "ручка": {
        "bucket": "catalogforgettingsta-datacatalog-r1s ___",
        "location": "us-geo",
        "ключ": "профиль_данных_971e9c66-be4c-44b4-91f3 -___",
        "upload_id": "готово",
        «max_part_num»: 1
      },
      "использование": {
        "access_count": 0,
        "last_accessor_id": "iam-ServiceId-12345 ___",
        "last_access_time": 1542036813627
      }
    }
  ]
}
  

Давайте рассмотрим несколько наиболее важных различий между основным документом метаданных для Образца.csv файл до и после профилирования :

  • "entity" :

    • "data_asset" :

      • «столбцы» : API профиля добавил поле «столбцы» в атрибут data_asset ,
      • «набор данных» : API профиля заставил это изменить с false на true из-за недавно добавленных «столбцов» поля
    • "профиль_данных" :

      • этот атрибут data_profile является совершенно новым и был добавлен API профиля.
      • имя этого вторичного атрибута совпадает с именем вторичного типа актива «data_profile», который был (ранее) создан API профиля.
      • содержимое этого атрибута «data_profile» полностью определялось Profile API, а не Assets API.
      • этот атрибут содержит множество расширенных метаданных о прогоне «data_profile», который произвел «data_profile» расширенный документ метаданных.
  • «насадки» :

    • в массив "вложений" добавлен новый элемент
    • , этот новый элемент содержит следующие метаданные о документе расширенных метаданных:
      • "id" : "8d614be0-6900-403b-ab50 -___"
      • «asset_type» : «data_profile»
        • обратите внимание, что значение «data_profile» совпадает с именем атрибута «data_profile», которому принадлежит этот элемент вложения, таким образом связывая элемент вложения и атрибут.
      • «дескриптор» : содержит различные поля, указывающие на фактический прикрепленный документ расширенных метаданных, который находится в некотором внешнем репозитории. Этот документ с расширенными метаданными будет содержать гораздо больше метаданных о ресурсе актива, то есть о файле «Sample.csv».

В следующем разделе показано, как получить документ расширенных метаданных, на который ссылается новый элемент «data_profile» «attachments», только что описанный выше.

Получить вложение - документ с расширенными метаданными:

Следующий пример основан на примере GET Asset из предыдущего раздела и показывает, как получить вложение, которое является документом с расширенными метаданными.

Вложение можно получить в 4 этапа.

Шаг 1: Определите asset_type для нужного вложения.

Единственные варианты, которые у вас есть для asset_type в данном первичном документе метаданных, перечислены в метаданных "этого документа.поле asset_attributes "". В приведенном выше примере эти значения:

  • "data_asset"
  • "профиль_данных"

Тип ресурса расширенного документа метаданных, который нам нужен, - это «профиль_данных».

Шаг 2: Получите «id» из «вложений» элемента, чье поле «asset_type» имеет значение, которое вы выбрали на шаге 1.

В основном документе метаданных найдите только " attachments " элемент, чье поле " asset_type " имеет значение, которое вы выбрали на шаге 1, а именно" data_profile ".В нашем примере первичного документа метаданных выше, этот элемент «вложений» имеет значение «id» «8d614be0-6900-403b-ab50 -___».

Шаг 3: Вызов Get Attachment API, чтобы получить метаданных вложения для вложенного документа расширенных метаданных.

Получить вложение актива - URL-адрес запроса

  GET / v2 / assets / {asset_id} / attachments / {attachment_id}
  

Значения вышеуказанных параметров URL-адреса получаются следующим образом:

  • {asset_id} : то же самое, что и в метаданных ".asset_id " поле указанного выше первичного документа метаданных, а именно" 45f4ab8c-37d5-45a1-8adf -___ "

  • {attachment_id} - это «id» , полученный на шаге 2, а именно «8d614be0-6900-403b-ab50 -___».

Вызов вышеуказанного GET Attachment API с указанными выше значениями, который вернет документ метаданных вложения, как показано в следующем теле ответа:

Get Asset Attachment - Response Body:

  {
  "attachment_id": "8d614be0-6900-403b-ab50 -___",
  "asset_type": "data_profile",
  "is_partitioned": ложь,
  "имя": "профиль_данных_971e9c66-be4c-44b4-91f3 -___",
  "created_at": "2018-11-12T15: 33: 33Z",
  "ключ_объекта": "профиль_данных_971e9c66-be4c-44b4-91f3 -___",
  "object_key_is_read_only": ложь,
  "ведро": {
    "bucket_name": "catalogforgettingsta-datacatalog-r1s ___",
    "bluemix_cos_connection": {
      "viewer": {
        "bucket_connection_id": "5b6bc03d-577d-4609-b3a4 -___"
      },
      "редактор": {
        "bucket_connection_id": "070e9be2-40a8-4e0e-a468 -___"
      }
    }
  },
  "url": "https: // s3.us-south.objectstorage.softlayer.net/catalogforgettingsta-datacatalog-r1s___/data_profile_971e9c66-be4c-44b4-91f3-___?response-content-disposition=attachment%3B%20filename%3D%22-97-91cdata_prof_profile 22 & X-Amz-Algorithm = AWS4-HMAC-SHA256 & X-Amz-Date = 201T162446Z & X-Amz-SignedHeaders = host & X-Amz-Expires = 86400 & X-Amz-Credential = d2d518b66ac-% Signal% ___% 2F2019-___ Amz_quest 2F2019 ___ ce7322d72c511a6df38635df4e85b7c78c173___ ",
  "transfer_complete": правда,
  «размер»: 9238,
  "данные пользователя": {},
  "creator_id": "iam-ServiceId-12345 ___",
  "использование": {
    "access_count": 1,
    "last_accessor_id": "IBMid -___",
    "last_access_time": 1556036686480
  }
}
  

Важно понимать, что GET Attachment API только возвращает документ метаданных, который описывает, где , или , как , прикрепленный ресурс актива или документ расширенных метаданных можно получить или получить.

Наиболее важным полем в приведенном выше ответе является «url» , которое содержит подписанный URL-адрес, который можно использовать для получения фактического документа расширенных метаданных. Обратите внимание, что «url» указывает на совершенно другой сервер, нежели сервер, который отвечает на вызовы Assets API! Документы с расширенными метаданными не хранятся в каталоге.

Шаг 4 : Используйте «url» в ответе от Шага 3, чтобы вызвать соответствующий сервер для получения документа с расширенными метаданными.

Самый простой способ использовать это значение «url» - вставить его в адресную строку браузера и позволить браузеру получить документ с расширенными метаданными. Вот часть содержимого большого документа с расширенными метаданными, которое можно получить, используя значение «url» . Этот большой документ с расширенными метаданными был создан с помощью Profile API и содержит большое количество расширенных метаданных о нашем небольшом файле Sample.csv:

  {
    "резюме": {
        "версия": "1.9,3 ",
        "row_count": 2,
        «оценка»: 1,
        "score_stats": {
            «n»: 2,
            "среднее": 1.0,
            «дисперсия»: 0,0,
            «stddev»: 0,0,
            «мин»: 1.0,
            «макс»: 1.0,
            «сумма»: 2,0
        },
...
    },
    "columns": [{
            "name": "Имя",
            "value_analysis": {
                "отличное_число": 2,
                "null_count": 0,
                "empty_count": 0,
                "unique_count": 2,
                "max_value_frequency": 1,
                "min_string": "abc",
                "max_string": "def",
                "inferred_type": {
                    "тип": {
                        «длина»: 3,
                        "точность": 0,
                        «масштаб»: 0,
                        "тип": "СТРОКА"
                    }
                },
...
        }, {
            "name": "Число",
            "value_analysis": {
                "отличное_число": 2,
                "null_count": 0,
                "empty_count": 0,
                "unique_count": 2,
                "max_value_frequency": 1,
                «min_string»: «123»,
                «max_string»: «456»,
                «min_number»: 123.0,
                «max_number»: 456,0,
                "inferred_type": {
                    "тип": {
                        «длина»: 3,
                        «точность»: 3,
                        «масштаб»: 0,
                        "тип": "INT16"
                    }
                },
...
    ]
}
  

Получить вложение - Ресурс актива:

Четыре шага, описанные выше для получения документа с расширенными метаданными, также можно использовать для получения ресурса ресурса, как в примере файла Sample.csv.

Основное отличие состоит в том, что на шаге 1 вы должны выбрать asset_type «data_asset», потому что это основной тип актива для первичного документа метаданных, т. Е. asset_type, который идентифицирует как первичный атрибут, так и первичное вложение, т. е. ресурс актива.

мощность% 20 ​​диод% 20818 техническое описание и примечания по применению

SDC3D11

Аннотация: smd led smd диод j транзистор SMD 41068 smd
Текст: Нет текста в файле


Оригинал
PDF SDC3D11 smd led smd диод j транзистор SMD 41 068 smd
к439

Аннотация: B34 SMD SMD a34 SDS301
Текст: Нет текста в файле


Оригинал
PDF SDS3015ELD 3015ELD k439 B34 SMD SMD a34 SDS301
блок питания

Реферат: Импульсный источник питания POWER
Текст: Нет текста в файле


Оригинал
PDF
SDS2D10-4R7N-LF

Аннотация: SDS2D10 smd led smd 83 smd транзистор 560 4263B индуктивности 221 a32 smd
Текст: Нет текста в файле


Оригинал
PDF SDS2D10 SDS2D10-4R7N-LF smd led smd 83 smd транзистор 560 4263B индукторы 221 a32 smd
сигарета

Аннотация: дорожное зарядное устройство
Текст: Нет текста в файле


Оригинал
PDF 7823u 7823u сигарета дорожное зарядное устройство
дорожное зарядное устройство

Аннотация: абстрактный текст недоступен
Текст: Нет текста в файле


Оригинал
PDF
A44 SMD

Абстракция: smd 5630 5630 smd coilmaster smd B44 SDS4212E-100M-LF
Текст: Нет текста в файле


Оригинал
PDF SDS4212E 4212E A44 SMD smd 5630 5630 smd катушка smd B44 SDS4212E-100M-LF
Нет в наличии

Аннотация: абстрактный текст недоступен
Текст: Нет текста в файле


OCR сканирование
PDF
2D18

Аннотация: дроссели 221 lf 1250 smd diode j SDS2D18
Текст: Нет текста в файле


Оригинал
PDF SDS2D18 2D18 индукторы 221 lf 1250 smd диод j
7-сегментный куб

Реферат: 45911-0001 Сигнальная цепь весов
Текст: Нет текста в файле


OCR сканирование
PDF UL94V-0, ПС-45719-001.ПК-45714-001. ОЛЕРАН28 2005/04 / U МАРГУЛ15 SD-45911-001 7-сегментный куб. 45911-0001 Сигнал цепи весов
трансформатор переменного тока 220 постоянного тока 12

Аннотация: Трансформатор класса 130 (B) с центральным ответвлением Трансформатор с центральным ответвлением Трансформатор с центральным ответвлением 4812b 220110 трансформатор с центральным ответвлением Stancor p-6378 силовой трансформатор Stancor выходной трансформатор
Текст: Нет текста в файле


Оригинал
PDF Д-350 П-8634 GSD-500 ГИС-500 ГИСД-500 ГСД-750 ГИС-1000 GSD-1000 ГИСД-1000 ГСД-1500 трансформатор AC 220 dc 12 Трансформатор класса 130 (B) трансформатор с центральным ответвлением трансформатор с центральным ответвлением 4812b 220 110 трансформатор центральный ответвитель трансформатора Stancor p-6378 силовой трансформатор Выходной трансформатор Stancor
2003 - выключатель MOSFET тормозов BLDC Motor

Аннотация: 3-фазный драйвер двигателя bldc mosfet 12v DC SERVO MOTOR CONTROL схема DC SERVO MOTOR CONTROL схема тормоза mosfet холла переключатель BLDC эффект холла для bldc ВЫСОКАЯ СТАБИЛЬНОСТЬ УПРАВЛЕНИЕ ДВИГАТЕЛЕМ ЦИФРОВОЙ ТАХОМЕТР BLDC управление дельта-звездой BLDC микроконтроллер холла двигатель softstart
Текст: Нет текста в файле


Оригинал
PDF
2002 - ИНДУКЦИОННЫЙ НАГРЕВ

Аннотация: микросхема индукционного нагрева высокой мощности Индукционный нагрев HGT1N30N60A4D SGh20N120RUF SGS13N60UFD FGK60N6S2D SGS5N150UF HGT1S12N60C3S HGT1S5N120BNDS
Текст: Нет текста в файле


Оригинал
PDF HGT1N30N60A4D HGT1N40N60A4D HGTP3N60C3 HGTP3N60C3D SGP6N60UF SGP6N60UFD HGTP3N60B3 SGF23N60UFD SGF15N60RUFD SGF40N60UF ИНДУКЦИОННЫЙ НАГРЕВ индукционный нагрев ic индукционный нагрев высокой мощности HGT1N30N60A4D СГх20Н120РУФ SGS13N60UFD ФГК60Н6С2Д SGS5N150UF HGT1S12N60C3S HGT1S5N120BNDS
2007 - Схема контактов Intel Pentium 4 Socket 775

Аннотация: BX80571E5300 Pentium E2140 Pentium Dual Core Pentium 06f2 Рекомендации по проектированию разъема LGA775 Регулятор напряжения ITT E2140 Системная плата Intel для настольных ПК ИНСТРУКЦИЯ ПО ОБСЛУЖИВАНИЮ Распиновка E2180 LGA775
Текст: Нет текста в файле


Оригинал
PDF E2000 HH80557PG0251M HH80557PG0331M HH80557PG0411M HH80557PG0491M HH80557PG0561M EU80571PG0602M AT80571PG0642M BX80571E5400 AT80571PG0682M Схема контактов Intel Pentium 4 Socket 775 BX80571E5300 Pentium E2140 двухъядерный процессор Pentium Pentium 06f2 Рекомендации по проектированию сокета LGA775 Регулятор напряжения ITT E2140 системная плата Intel для настольных ПК РУКОВОДСТВО ПО ОБСЛУЖИВАНИЮ E2180 распиновка LGA775
2008 - E1200

Аннотация: 60Ghz peci ICC CK505 LGA775 E1000 CK505 CK410 socket am3 распиновка, схема распиновки для lga775
Текст: Нет текста в файле


Оригинал
PDF E1000 E1200 60 ГГц печенья ICC CK505 LGA775 CK505 CK410 разъем am3 распиновка распиновка и схема для lga775
2006-775 СХЕМА МАТЕРИНСКОЙ ПЛАТЫ

Аннотация: ЦЕПЬ МАТЕРИНСКОЙ ПЛАТЫ транзистора 945P 945G 302356 Распиновка разъема 775 bsel Socket 775 Распиновка VID Распиновка LGA775 socket am3 945p Intel Pentium 4 Socket 775 Схема контактов
Текст: Нет текста в файле


Оригинал
PDF 775-земля ЦЕПЬ МАТЕРИНСКОЙ ПЛАТЫ 775 транзистор 945п ЦЕПЬ МАТЕРИНСКОЙ ПЛАТЫ 945G 302356 разъем 775 распиновка bsel Распиновка разъема 775 VID LGA775 разъем am3 распиновка 945p Схема контактов Intel Pentium 4 Socket 775
2008 - Схема материнской платы E5400

Аннотация: Intel Pentium E5200
Текст: Нет текста в файле


Оригинал
PDF E5000 Схема материнской платы E5400 Intel Pentium E5200
2004 - 775Vr

Аннотация: lga775land socket 775 pinout socket 775 pinout bsel Socket 478 VID pinout pentium4 478 LGA775 socket am3 pinout Pentium4 60Ghz
Текст: Нет текста в файле


Оригинал
PDF 775-земля 775Vr lga775land разъем 775 распиновка разъем 775 распиновка bsel Распиновка разъема 478 VID Pentium4 478 LGA775 разъем am3 распиновка Pentium4 60 ГГц
2004 - Intel lga775

Аннотация: СХЕМА ПЛАТЫ 945G PPGA478 946gz ich8r Распиновка для процессора LGA775 core bx80547pg3400 865g Материнская плата 775 PC MOTHERBOARD SERVICE MANUAL lga775 915p
Текст: Нет текста в файле


Оригинал
PDF 775-земля i7-2630QM / i7-2635QM, i7-2670QM / i7-2675QM, i5-2430M / i5-2435M, i5-2410M / i5-2415M.12-сен-2011 intel lga775 ЦЕПЬ МАТЕРИНСКОЙ ПЛАТЫ 945G PPGA478 946гц ich8r Схема распиновки ядра сокета процессора LGA775 bx80547pg3400 Материнская плата 865 г РУКОВОДСТВО ПО ОБСЛУЖИВАНИЮ МАТЕРИНСКОЙ ПЛАТЫ 775 ПК lga775 915p
2006 г .-- Intel E5300

Аннотация: Схема контактов Intel LGA 1150 xeon Схема контактов микропроцессора Intel socket 771 Intel E5300 Руководство по интерфейсу управления средой платформы Спецификация бесштырьковый процессор p4
Текст: Нет текста в файле


Оригинал
PDF
1998 - кабель для ноутбука compaq жк 14.1

Аннотация: инвертор ATA33 S400 S800 LCD для ноутбука compaq FUJITSU COMPUTER
Текст: Нет текста в файле


Оригинал
PDF
2006 - вентиляторы ВТ

Аннотация: схема контактов Intel LGA 1150
Текст: Нет текста в файле


Оригинал
PDF
2007 - Pentium E5400

Аннотация: Схема материнской платы E5400, принципиальная схема материнская плата ms 6323 6321ESB X5492 Intel Pentium E5400 E5400 Intel LGA 1150 Схема контактов peci спецификация LGA 1155 Набор микросхем 216
Текст: Нет текста в файле


Оригинал
PDF
транзистор

Реферат: силовой транзистор npn к-220 транзистор PNP PNP МОЩНЫЙ транзистор TO220 демпферный диод транзистор Дарлингтона силовой транзистор 2SD2206A npn транзистор Дарлингтона TO220
Текст: Нет текста в файле


Оригинал
PDF 2SD1160 2SD1140 2SD1224 2SD1508 2SD1631 2SD1784 2SD2481 2SB907 2SD1222 2SD1412A транзистор силовой транзистор нпн к-220 транзистор PNP ПНП СИЛОВОЙ ТРАНЗИСТОР ТО220 демпферный диод Транзистор дарлингтона силовой транзистор 2SD2206A npn darlington транзистор ТО220
2006 - «XOR Gate»

Аннотация: абстрактный текст недоступен
Текст: Нет текста в файле


Оригинал
PDF 90-нм "Ворота XOR"

пон.0072497 1..8

% PDF-1.4 % 1 0 объект > эндобдж 6 0 obj /Заголовок /Тема / Автор /Режиссер / Ключевые слова / CreationDate (D: 20210830141230-00'00 ') / ModDate (D: 20130812110702 + 08'00 ') >> эндобдж 2 0 obj > эндобдж 3 0 obj > эндобдж 4 0 obj > эндобдж 5 0 obj > транслировать

  • pone.0072497 1..8
  • конечный поток эндобдж 7 0 объект > эндобдж 8 0 объект > эндобдж 9 0 объект > эндобдж 10 0 obj > эндобдж 11 0 объект > эндобдж 12 0 объект > эндобдж 13 0 объект > эндобдж 14 0 объект > эндобдж 15 0 объект > / ProcSet [/ PDF / Text / ImageC / ImageB / ImageI] >> эндобдж 16 0 объект > транслировать х ڭ XɎ6 + ֐ UCm9v.b9BIspd8R + s 8 / H? ~~ | zǒuN.4Kp / 2gHUE "lѡG't (̠E) E] TBQ> ݼ s3 ~ N'7GHtV

    Прогнозирование ассоциаций микроРНК с заболеванием на основе матричной факторизации с ограничениями по сходству

    Abstract

    miRNA относятся к небольшим некодирующим РНК, которые связаны с рядом сложных биологических процессов. Значительные исследования показали, что miRNA тесно связаны со многими заболеваниями человека. В этом исследовании мы предложили вычислительную модель, основанную на матричной факторизации с ограничениями сходства для прогнозирования ассоциации miRNA-Disease (SCMFMDA).Для того, чтобы эффективно объединить данные о различных заболеваниях и сходстве miRNA, мы применили алгоритм слияния сетей сходства для получения интегрированного сходства болезней (состоящего из функционального сходства болезни, семантического сходства болезни и сходства ядра гауссовского профиля взаимодействия) и интегрированного сходства miRNA (состоящего из функционального сходства miRNA). сходство, сходство последовательностей miRNA и сходство ядра гауссовского профиля взаимодействия miRNA). Кроме того, условия регуляризации L 2 и условия ограничения сходства были добавлены к традиционному алгоритму неотрицательной матричной факторизации для прогнозирования связанных с заболеванием miRNAs.SCMFMDA достиг значений AUC 0,9675 и 0,9447 на основе глобальной перекрестной проверки с исключением по одному и пятикратной перекрестной проверки, соответственно. Кроме того, были также реализованы тематические исследования двух распространенных заболеваний человека, чтобы продемонстрировать точность прогнозов SCMFMDA. Из 50 предсказанных miRNAs, подтвержденных экспериментальными отчетами, которые показали, что SCMFMDA эффективен для предсказания взаимосвязи между miRNA и заболеваниями.

    Информация об авторе

    Значительные исследования показали, что miRNAs тесно связаны со многими заболеваниями человека, поэтому прогнозирование потенциальных ассоциаций между miRNAs и заболеваниями может способствовать диагностике и лечению заболеваний.Несколько моделей обнаружения неизвестных ассоциаций miRNA-болезни делают прогноз более продуктивным и эффективным. Мы предложили SCMFMDA для получения более точного результата прогнозирования путем применения слияния сетей сходства для объединения информации о заболеваниях из нескольких источников и miRNA и использования матричной факторизации с ограничением сходства для прогнозирования на основе биологической информации. Для оценки нашей модели были применены глобальная перекрестная проверка без исключения и пятикратная перекрестная проверка. Следовательно, SCMFMDA может достичь AUC, равного 0.9675 и 0,9447, что явно выше, чем у предыдущих вычислительных моделей. Кроме того, мы провели тематические исследования серьезных заболеваний человека, включая новообразования толстой кишки и новообразования легких, 47 и 46 из 50 лучших были подтверждены экспериментальными отчетами. Все результаты доказали, что SCMFMDA можно рассматривать как эффективный способ обнаружения непроверенных связей miRNA-болезни.

    Образец цитирования: Li L, Gao Z, Wang Y-T, Zhang M-W, Ni J-C, Zheng C-H и др. (2021) SCMFMDA: Прогнозирование ассоциаций микроРНК с заболеванием на основе матричной факторизации с ограничением сходства.PLoS Comput Biol 17 (7): e1009165. https://doi.org/10.1371/journal.pcbi.1009165

    Редактор: Quan Zou, University of Electronic Science and Technology, CHINA

    Поступила: 5 апреля 2021 г .; Одобрена: 8 июня 2021 г .; Опубликовано: 12 июля 2021 г.

    Авторские права: © 2021 Li et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

    Доступность данных: Все соответствующие данные находятся в рукописи и ее файлах с вспомогательной информацией.

    Финансирование: Эта работа была поддержана Национальным фондом естественных наук Китая через гранты 61873001 (CZ, YW), U19A2064 (CZ), 61872220 (CZ) и 11701318 (YW), грант Фонда естественных наук провинции Шаньдун. ZR2020KC022 (JN, YW, ZG, LL) и Открытый проект Ключевой лаборатории мультимодальных когнитивных вычислений провинции Аньхой, Университет Аньхой, No.MMC202006 (Ю.В., Л.Л.). Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

    Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

    Введение

    МикроРНК (miRNAs) представляют собой ряд 17-24nt некодирующих РНК, которые играют ключевую роль в контроле экспрессии гена посредством расщепления РНК или репрессии трансляции [1-3]. Lin-4 была первой miRNA, исследованной в эксперименте Lee et al.[4] в 1993 г. С тех пор большое количество miRNA было обнаружено исследователями в экспериментах [4,5]. Исследователи искали щедрые miRNA у различных видов, включая вирусы, животных и растения [6]. Поскольку miRNA регулируют экспрессию большого количества генов-мишеней, общий путь miRNA играет ключевую роль в контроле экспрессии генов [7–9]. miRNAs связаны с несколькими важными биологическими процессами, такими как развитие клеток, дифференцировка клеток, пролиферация клеток и так далее [10].Дефекты развития могут быть результатом нарушения регуляции miRNAs, что также связано с прогрессированием заболеваний [11]. Между тем, значительные исследования показали, что miRNAs связаны с серьезными новообразованиями человека, которые включают новообразования легких [12], новообразования простаты [13] и так далее. Следовательно, различение miRNA, ассоциированных с заболеваниями, может углубить понимание генетических причин сложных заболеваний. Массивные связи между miRNA и заболеваниями были обнаружены с помощью множества традиционных экспериментов за последние несколько лет [14,15].Традиционные ручные модели могут вывести связь между miRNA и заболеванием, но они требуют много времени, трудоемки и имеют высокий процент отказов. Следовательно, показывая потенциальную взаимосвязь между miRNA и болезнями, требующими вычислительных методов, с эффективностью и стабильностью, поскольку они могут получить увеличивающиеся надежные связи miRNA-болезнь [16].

    В прошлый период времени было применено множество алгоритмов и методов, основанных на вычислениях, для предсказания потенциальной взаимосвязи miRNA-болезни [17,18].Например, Jiang et al. [19] предложили модель, которая применяет человеческую сеть феномен-микроРНКом для прогнозирования потенциальных взаимодействий между miRNAs со сходной функцией и заболеваниями со сходным фенотипом. Однако прогностическая эффективность модели была не такой хорошей, как ожидалось, из-за высокого уровня ложноположительных и ложноотрицательных результатов, существующих в ассоциациях между miRNA и мишенями. Позже модель WBSMDA [20] ввела сходство профиля гауссова взаимодействия, чтобы обогатить информацию о сходстве miRNA и болезни.WBSMDA может также предсказать потенциальную связь между новыми miRNA и новыми заболеваниями без какой-либо проверенной корреляционной информации. Метод совместной матричной факторизации был применен для прогнозирования взаимосвязи miRNA-заболеваний в CMFMDA [21], который также может использовать обширную биологическую информацию для наблюдения неизвестных взаимодействий. Модель EGBMMDA [22] начала использовать преимущества обучения дерева решений для обнаружения нового взаимодействия miRNA-болезнь путем интеграции проверенных связей miRNA-болезнь, функционального сходства miRNA и семантического сходства болезни.Информативный вектор признаков был построен с помощью нескольких мер для обучения дерева регрессии в рамках структуры повышения градиента. Zhao et al. [23] применили адаптивную стимуляцию для наблюдения непроверенной ассоциации miRNA-болезнь в модели ABMDA. И они использовали кластеризацию k-средних на отрицательных образцах для выполнения случайной выборки, которая могла бы контролировать баланс между положительными и отрицательными образцами. Модель BHCMDA [24] использует алгоритм смещенной теплопроводности (BHC) для предсказания неизвестных связей между miRNAs и заболеваниями, комбинируя матрицу сходства miRNA, матрицу сходства болезни и матрицу ассоциации miRNA-болезнь.Алгоритм вероятностной матричной факторизации (PMF) был использован в модели IMIPMF [25] для вывода потенциальных взаимодействий miRNA-болезнь. PMF широко использовался в рекомендательных системах, поэтому он мог эффективно использовать всю информацию, чтобы рекомендовать miRNA, которые сильно связаны с заболеванием.

    В последнее время постепенно предлагались методы, основанные на случайном блуждании, и были получены результаты более точного прогнозирования. Chen et al. [26] использовали алгоритм случайного блуждания с перезапуском для построения модели RWRMDA.Поскольку эффективность предсказания, рассчитанная на основе подобия глобальной сети, была лучше, чем у локальной сети [27,28], RWRMDA использовала подобие глобальной сети, чтобы получить возможные взаимодействия между miRNA и заболеваниями. К сожалению, RWRMDA не подходит для болезней без известных ассоциированных miRNA. Ши и др. [29] использовали функциональные связи между генами болезней человека и мишенями miRNA, чтобы разработать новую модель. Алгоритм случайного блуждания и измерение расстояний в глобальной сети были применены для поиска возможной связи между miRNA и заболеваниями.Лю и др. [30] также реализовали в модели случайное блуждание с алгоритмом перезапуска, чтобы добиться более точных результатов прогнозирования. Они использовали случайное блуждание с алгоритмом перезапуска на гетерогенном графе, созданном с использованием сходства заболеваний и сходства miRNA. Луо и др. [31] использовали метод несбалансированного би-случайного блуждания в гетерогенной сети с информацией о miRNAs и заболеваниях, чтобы определить возможные взаимодействия miRNA-болезни. Niu et al. [32] применили случайное блуждание с алгоритмом перезапуска для извлечения признаков miRNA из интегрированной сети сходства miRNA в модели RWBRMDA.Затем эти особенности miRNA были использованы алгоритмом бинарной логистической регрессии для прогнозирования потенциальных ассоциаций miRNA с заболеванием.

    Для получения надежных и точных результатов прогнозирования, методы, основанные на машинном обучении, постепенно стали использоваться для прогнозирования неизвестных ассоциаций miRNA с заболеванием. Напр., Модель RBMMMDA [33] использует ограниченную машину Больцмана для предсказания мультитипных ассоциаций miRNA-болезнь. RBMMMDA может получить не только новые ассоциации между miRNA и заболеваниями, но также и соответствующие типы ассоциаций.Модель PBMDA [34] построила гетерогенный граф, включающий различные взаимосвязанные подграфы, и дополнительно адаптировал алгоритм поиска в глубину для поиска потенциальных ассоциаций miRNA с заболеванием. PBMDA может функционировать как полезный инструмент расчета для ускорения предсказания взаимодействий miRNA с заболеванием. Модель DNRLMF-MDA [35] интегрировала регуляризованное динамическое соседство и логистическую матричную факторизацию для прогнозирования потенциального отношения miRNA-болезнь. DNRLMF-MDA применил алгоритм факторизации логистической матрицы для определения вероятности ассоциации между miRNA и заболеваниями.Затем реализация регуляризованного алгоритма динамического соседства для улучшения прогнозной производительности. Peng et al. [36] предложили модель MDA-CNN для идентификации связи миРНК с заболеванием. Особенности взаимодействия микроРНК с заболеванием были впервые получены с помощью трехуровневой сети. Затем использовали автокодировщик для идентификации очевидных комбинаций признаков микроРНК и заболевания. После того, как эти представления функций были сокращены, сверточная нейронная сеть использовала их для предсказания окончательных результатов. Существенная основанная на машинном обучении модель MLMDA [37] была предложена Zheng et al.для прогнозирования неизвестного родства miRNA-болезни. К-мерную разреженную матрицу использовали для извлечения информации о последовательности miRNA. Затем интегрируют информацию о последовательности miRNA, информацию о сходстве miRNA и болезни для создания векторов признаков. Нейронная сеть (AE) с глубоким автокодированием и классификатор случайных лесов полностью использовали векторы признаков для вычисления вероятности предсказания. Модель NCMCMDA [38] объединила ограничение соседства с алгоритмом завершения матрицы, чтобы преобразовать задачу восстановления в задачу оптимизации.Эта модель применяет быстрый итеративный алгоритм усадки-порога для восстановления недостающих взаимодействий между miRNAs и заболеваниями. Zhang et al. [39] предложили вычислительную модель MSFSP для достижения большей точности прогнозирования взаимодействий miRNA-болезнь. MSFSP сначала интегрировал различную информацию о сходстве miRNA и болезни, чтобы конструировать сходство miRNA и болезни. Затем использовали матрицы сходства миРНК и заболевания и верифицированную матрицу ассоциации миРНК с заболеванием, чтобы составить взвешенную сеть связей миРНК с заболеванием.Окончательные метки прогнозов были рассчитаны путем взвешивания баллов miRNA и пространственных проекций болезни. Ji et al. [40] предложили модель SVAEMDA для вывода большего количества связанных с заболеванием miRNA, которая использовала сходство miRNA и сходство болезни, чтобы получить представление о miRNA и заболевании. Кроме того, предиктор на основе вариационного автоэнкодера был обучен предсказывать неизвестные взаимодействия miRNA-болезнь, которые объединяли проверенные взаимодействия miRNA-болезнь с репрезентациями miRNA и болезни для создания векторов признаков miRNA и болезни.

    Поскольку в предыдущих моделях было несколько ограничений, мы представили новую модель, основанную на матричной факторизации с ограничениями сходства для прогнозирования ассоциации miRNA-Disease (SCMFMDA). Чтобы получить множество данных о сходстве болезней, мы применили алгоритм слияния сетей сходства для интеграции различных сходств болезней, которые включали функциональное сходство болезни, семантическое сходство болезни и сходство ядра гауссовского профиля взаимодействия болезни. Аналогичным образом, данные о сходстве miRNA были получены путем применения слияния сети сходства для интеграции функционального сходства miRNA, сходства последовательностей miRNA и сходства ядра гауссовского профиля взаимодействия miRNA.Кроме того, мы добавили L 2 условия регуляризации и условия ограничения сходства к стандартному методу неотрицательной матричной факторизации (NMF) для прогнозирования более неизвестных ассоциаций miRNA-болезнь. Для оценки эффективности SCMFMDA была проведена глобальная перекрестная проверка с исключениями по одному и пятикратная перекрестная проверка на подтвержденных данных ассоциации miRNA-болезнь, загруженных из HMDD v2.0 [41]. В результате SCMFMDA достиг значений AUC 0,9675 и 0,9447 соответственно. Кроме того, мы провели тематические исследования новообразований толстой кишки и легких.Следовательно, базы данных miR2Disease [42] и dbDEMC v2.0 [43] были использованы для проверки результатов тематических исследований, которые достигли высоких коэффициентов подтверждения. Экспериментальные результаты показали, что SCMFMDA эффективен для установления возможной связи между miRNA и заболеваниями.

    Материалы

    Ассоциации микроРНК человека с заболеванием

    В этом исследовании мы загрузили подтвержденную информацию об ассоциации микроРНК человека с заболеванием из базы данных HMDD v2.0, которая включает 5430 известных ассоциаций между 383 заболеваниями и 495 миРНК.Для удобства расчета мы составили матрицу смежности A R nd × нм , чтобы указать подтвержденные ассоциации miRNA-болезнь. и нм означают количество заболеваний и миРНК, соответственно. Мы использовали a ij для представления ( i , j ) -го элемента матрицы A . В частности, элемент a ij устанавливается в 1, если болезнь d i связана с miRNA m j ; в противном случае - 0.

    Заболевание, функциональное сходство

    Фенотипически сходные заболевания имеют тенденцию ассоциироваться со сходными генами. Таким образом, мы могли рассчитать функциональное сходство болезни на основе функциональной информации гена. Оценка логарифма правдоподобия (LLS) представляет собой вероятность функциональной связи между различными генами, которую можно загрузить из базы данных HumanNet [44] и нормализовать следующим образом: (1) где LLS ( g a , g b ) обозначает LLS между геном g a и геном g 90 LLS 0 b max и LLS min - максимальное значение LLS и минимальное значение LLS в базе данных HumanNet; LLS n ( g a , g b ) представляет собой нормализованный LLS.

    Затем показатель функционального сходства генов может быть рассчитан по следующей формуле: (2) где S HumanNet представляет собой набор ссылок, который содержит полные связи между генами в базе данных HumanNet; e ( a , b ) указывает на связь между геном g a и геном g b .

    Кроме того, оценка функционального сходства между геном g и набором генов G определяется следующим образом: (3)

    SIDD [45] может использоваться для получения данных ассоциации заболевания-гена, которые используются при вычислении функционального сходства заболевания SD 1 по следующему уравнению: (4)

    Болезнь семантическое сходство

    На основе предыдущего исследования [46] дескрипторы медицинских предметных заголовков (Mesh) могут быть реализованы для вычисления семантического сходства болезни.Здесь можно использовать направленный ациклический график (DAG), чтобы указать конкретную взаимосвязь различных заболеваний. Конкретно, DAG ( D ) = ( D , T ( D ), E ( D )) представляет собой DAG болезни D , в которой T ( D ) обозначает набор узлов, содержащий сам D и его узлы-предки, E ( D ) обозначает соответствующий набор ребер, включая ребра от родительских узлов к их дочерним узлам напрямую.Тогда семантическое значение болезни D можно рассчитать следующим образом: (5) где семантический вклад болезни d в D можно рассчитать следующим образом: (6) здесь Δ - семантический фактор вклада, который установлен на 0,5 на основе предыдущей литературы [47].

    На основе предположения о том, что различные заболевания, как правило, рассматриваются как похожие болезни, если значительная часть их DAG совпадает. Таким образом, семантическое сходство DS 1 ( d i , d j ) между заболеванием d i и заболеванием 90 d 0 можно определить следующим образом: (7)

    На основании предыдущего исследования [48], заболевания, появляющиеся в меньшем количестве DAG, могут быть более специфичными, эти болезни должны иметь более высокий семантический вклад в DAG.Следовательно, разные заболевания, расположенные в одном слое одного DAG, могут иметь разное значение вклада. В частности, семантический вклад болезни d в D можно рассчитать другим способом, как показано ниже: (8)

    Соответственно, семантическая оценка заболевания D и семантическое сходство DS 2 ( d i , d j ) между заболеванием d0 i 90 болезнь d j можно рассчитать следующим образом: (9) (10)

    Наконец, мы интегрировали DS 1 и DS 2 , чтобы вычислить окончательное семантическое сходство болезни SD 2 ( d i , d j ) между болезнь d i и болезнь d j в следующем уравнении: (11)

    функциональное сходство миРНК

    Основываясь на методе расчета функционального сходства miRNA [49,50], предполагается, что функционально сходные miRNAs имеют тенденцию быть связаны с фенотипически сходными заболеваниями и наоборот.Мы загрузили данные о функциональном сходстве miRNA с http://www.cuilab.cn/files/images/cuilab/misim.zip. Здесь мы построили матрицу SM 1 с нм строками и нм столбцами для хранения соответствующей информации. Элемент SM 1 ( m i , m j ) представляет соответствующую оценку функционального сходства между miRNA m i и miRNA к .

    Сходство последовательностей миРНК

    Мы использовали алгоритм Needleman-Wunsch для вычисления сходства последовательностей miRNA, и соответствующая информация о последовательностях miRNA может быть получена из базы данных miRBase [51]. Чтобы быть похожим на функциональное сходство miRNA, мы также построили матрицу SM 2 R нм × нм для хранения информации о сходстве последовательностей, где SM 2 ( m i , m j ) был релевантной оценкой сходства последовательностей между miRNA m i и miRNA m j .

    Сходство ядра профиля гауссова взаимодействия для болезней и miRNA

    На основании предыдущего исследования [49,50], поскольку miRNA со сходной функцией, вероятно, связаны с заболеваниями со схожими фенотипами, можно рассчитать сходство ядра профиля гауссова взаимодействия (GIP) и применить его для обозначения сходства miRNA и сходство болезней. Конкретно, бинарный вектор K ( d i ) конструируется, чтобы указать профиль взаимодействия болезни d i в соответствии с тем, обладает ли d i известной ассоциацией с каждой miRNA или нет.Здесь сходство ядра GIP SD 3 ( d i , d j ) между заболеванием d i и заболеванием89 j d можно рассчитать следующим образом: (12) (13)

    В том же свете сходство ядра GIP SM 3 ( m i , m j ) между miRNA m i и miRNA j можно рассчитать по следующим формулам: (14) (15) где двоичный вектор K ( m i ) указывает профиль взаимодействия miRNA m i в соответствии с тем, имеет ли m i известную связь с каждым заболеванием или нет, параметр ρ m используется для управления пропускной способностью ядра.

    Методы

    Обзор

    SCMFMDA включает две основные части: слияние сети сходства применяется для получения интегрированного сходства болезни и интегрированного сходства miRNA; известные ассоциации miRNA-болезни и интегрированные сходства принимаются в матричной факторизации с ограничением сходства, чтобы сделать вывод о неизвестных ассоциациях miRNA-болезнь. Конкретная блок-схема SCMFMDA показана на рис. 1.

    Интегрирование сходства для болезней и miRNA

    Сходство между двумя заболеваниями может быть представлено с использованием функционального сходства заболевания, семантического сходства заболевания и сходства ядра GIP заболевания.Сходным образом функциональное сходство miRNA, сходство последовательностей miRNA и сходство ядра miRNA GIP можно использовать для указания сходства между различными miRNA. Здесь метод слияния сетей сходства (SNF) [52] применяется для интеграции различных сходств для болезни и miRNA. Согласно предыдущему исследованию, процесс SNF можно выразить как итеративное обновление матриц подобия. Основные этапы использования SNF для интеграции различных сходств болезней SD n , n = 1,2,3 представлены следующим образом.

    На первом этапе мы вычислили нормированную матрицу весов P n каждой сети подобия следующим образом: (16)

    На втором этапе мы использовали алгоритм k ближайшего соседа (KNN) для измерения локального отношения каждой сети подобия. Конкретный процесс получения соответствующей матрицы K n отображается следующим образом: (17) где N i указывает количество соседей по болезни.

    На третьем этапе мы применили SNF для интегрирования нормализованной матрицы весов P n и матрицы локальных отношений K n следующим образом: (18)

    Поскольку у нас было три разные сети сходства болезней (функциональное сходство болезней, семантическое сходство болезней и сходство ядра GIP болезни), m было равно 3. После итеративного обновления окончательная матрица сходства болезней S d могла быть получается следующим образом: (19)

    Точно так же мы могли бы применить алгоритм SNF для получения окончательной матрицы сходства miRNA S m .

    Факторизация матрицы с ограничением сходства

    После получения обработанного сходства болезни и сходства miRNA, метод матричной факторизации с ограничением сходства применяется для наблюдения более неизвестных взаимодействий miRNA-болезни, и на рис. 2 показаны его конкретные детали. SCMFMDA факторизовал матрицу A R nd × нм в U R nd × γ и V нм × γ , где γ обозначает размер признака заболевания и признак миРНК в пространствах низкого ранга.Чтобы быть конкретным, ассоциация miRNA-болезнь примерно равна внутреннему продукту между вектором признаков болезни и вектором признаков miRNA:, где u i и v j представляют i -й ряд U и j -й ряд V соответственно. Соответствующая целевая функция показана следующим образом: (20)

    Затем к уравнению (20) добавляются члены регуляризации L 2 u i и v j для решения проблемы переобучения.

    (21) где σ - параметр регуляризации для u i и v j .

    На основе предыдущего исследования [53,54] геометрические свойства точек данных могут быть сохранены, когда они отображаются из пространства высокого ранга в пространство низкого ранга. Сходство болезни S d и сходство miRNA S m может указывать на геометрическую структуру точек данных, поэтому мы представляем условия ограничения сходства S U и S V и S 92 следующим образом: (22) (23) где представляет собой сходство между болезнью d i и болезнью d j , обозначает сходство между miRNA m i и miRNA m 9 соответственно. .Учитывая, что степень сходства между двумя точками данных зависит от их расстояния, S U понесет большой штраф, если расстояние d i и d j близки по пространству признаков болезни. Следовательно, мы могли сохранить геометрическую структуру точек данных о болезнях, минимизировав S U , что могло бы вызвать это заболевание. низкоразмерное пространство.Для миРНК такая же ситуация. Следовательно, целевая функция SCMFMDA предлагается путем добавления S U и S V к уравнению (21) следующим образом: (24) где ε рассматривается как гиперпараметр, который может эффективно управлять гладкостью согласованности подобия.

    Результаты

    Оптимизация параметров

    В этом разделе параметры γ , σ и ε количественно анализируются для исследования их влияния на эффективность прогнозирования. γ представляет размер болезней и miRNA в пространствах низкого ранга, а γ nd , нм ), что можно рассматривать как процент от min ( nd , нм ). Параметры σ и ε обозначают параметры регуляризации. Значение AUC 5-CV применяется для оценки влияния выбора параметров на производительность модели. И после того, как были проведены щедрые тестовые эксперименты, мы смогли прийти к выводу, что значение γ повлияет на эксперимент индивидуально.По этой причине мы зафиксировали σ и ε в подходящей комбинации для проверки наиболее подходящего значения γ ∈ {0,10%,…, 1} в SCMFMDA. Для обеспечения корректности теста σ и ε фиксируются в разных комбинациях. Из рис. 3A мы могли видеть, что SCMFMDA получил наилучшую производительность, когда γ = 50%. Кроме того, фиксировано γ = 50%, чтобы можно было четко оценить влияние параметров регуляризации σ и ε .Мы использовали все комбинации σ ∈ {2 −3 , 2 −2 ,…, 2 3 } и ε ∈ {2 −3 , 2 −2 ,…, 2 3 } для построения SCMFMDA. Из рис. 3В мы можем обнаружить, что SCMFMDA получил наилучшее значение AUC, равное 0,9447, когда σ = 2 2 и ε = 2 0 . Таким образом, γ , σ и ε установлены на 50%, 2 2 и 2 0 в нашей модели соответственно.

    Сравнение моделей

    Чтобы оценить предсказательную способность SCMFMDA, мы сравнили несколько предыдущих вычислительных методов, которые были предложены для предсказания неизвестных ассоциаций miRNA-болезнь. Мы применили тот же набор данных (база данных HMDD v2.0) для обучения этим методам, чтобы результаты сравнения можно было считать справедливыми. Конкретная информация об этих методах представлена ​​ниже.

    • MSCHLMDA [55] - это модель обучения на основе комбинационного гиперграфа, основанная на множественном сходстве (опубликована в 2020 г.).
    • ICFMDA [56] - это улучшенная вычислительная модель на основе совместной фильтрации (опубликована в 2018 г.).
    • SACMDA [57] - это короткая вычислительная модель на основе ациклических соединений (опубликована в 2018 г.).
    • GRNMF [58] - это модель, основанная на регуляризованной неотрицательной матричной факторизации (опубликована в 2018 г.).
    • GRL 2,1 - NMF [59] - это график, регуляризованный по лапласиану L 2,1 -отрицательная матричная модель вычисления на основе факторизации (опубликована в 2020 году).
    • NPCMF [60] - ближайшая модель совместной матричной факторизации на основе профилей (опубликована в 2019 г.).
    • KBMFMDA [61] - это ядерная вычислительная модель, основанная на факторизации байесовской матрицы (опубликована в 2020 г.).

    На основе базы данных HMDD v2.0, которая включала 5430 подтвержденных ассоциаций и 184155 непроверенных ассоциаций между 383 заболеваниями и 495 миРНК, была проведена глобальная перекрестная проверка с исключениями по одному (глобальный LOOCV) и пятикратная перекрестная проверка (5-CV). реализован для оценки эффективности прогнозирования этих методов.В рамках глобального LOOCV набор тестов содержался по очереди каждой проверенной ассоциацией miRNA-болезнь, обучающий набор состоял из других проверенных ассоциаций. Все неизвестные ассоциации miRNA-болезнь рассматривались как образцы-кандидаты. Точно так же в рамках 5-CV все подтвержденные ассоциации miRNA-болезнь были случайным образом разделены на пять частей, где тестовая выборка удерживалась одной частью по очереди, а обучающая выборка состояла из других четырех частей по очереди. Все неизвестные ассоциации miRNA-болезнь рассматривались как образцы-кандидаты.Кроме того, с помощью глобального LOOCV или 5-CV мы применили SCMFMDA для получения всех прогнозируемых оценок ассоциаций, чтобы можно было вычислить ранжирование набора тестов по отношению к выборкам-кандидатам. Когда рейтинг всей тестовой выборки был выше определенного порога, SCMFMDA рассматривался как действительная модель. Затем мы могли бы использовать кривую рабочих характеристик приемника (ROC), которая была получена путем построения графика отношения истинных положительных результатов (TPR) к частоте ложных положительных результатов (FPR), чтобы эффективно оценить производительность SCMFMDA.Мы могли вычислить площадь под кривой ROC (AUC) SCMFMDA, значение которой было между 0 и 1. Точно так же мы могли получить AUC других вычислительных методов, используя информацию из базы данных HMDD v2.0.

    В этой работе, когда был проведен глобальный метод LOOCV, SCMFMDA, MSCHLMDA, ICFMDA и SACMDA получили средние значения AUC 0,9675, 0,9287, 0,9072 и 0,8777, соответственно (рис. 4). С целью уменьшения возможных отклонений, приведших к случайным сегментам выборки, мы применили 100-кратное повторение сегментации для проверенных ассоциаций miRNA-болезнь в методе 5-CV, и средние значения AUC SCMFMDA, MSCHLMDA, ICFMDA и SACMDA достигли 0.9447, 0,9263, 0,9046 и 0,8773 соответственно (рис. 5). Очевидно, что эффективность прогнозирования SCMFMDA была лучше, чем у других методов.

    Чтобы еще больше отразить производительность SCMFMDA, он также сравнивается с другими современными методами на основе матричной факторизации, которые включают GRNMF, GRL 2,1 - NMF , NPCMF, KBMFMDA . Результаты 5-CV для всех моделей показаны в таблице 1, очевидно, что SCMFMDA обладает наилучшей AUC. Преимущества SCMFMDA по сравнению с другими моделями, основанными на матричной факторизации, заключаются в следующем: во-первых, данные о биологическом сходстве, которые используются в SCMFMDA, очевидно, больше, чем в других моделях; во-вторых, SCMFMDA использует SNF вместо традиционного метода линейной комбинации для интеграции различных данных о сходстве, что в значительной степени гарантирует полноту и эффективность экспериментальных данных; в-третьих, условия регуляризации и ограничения сходства L 2 добавляются к целевой функции NMF, что помогает правильно обнаруживать больше неизвестных связей miRNA-болезнь.

    Примеры из практики

    Для демонстрации эффективности и точности SCMFMDA мы применили оценочный эксперимент в этом разделе. Мы внедрили два типа заболеваний человека, то есть новообразования толстой кишки и новообразования легких, чтобы подтвердить эффективность нашего метода. Несомненно, что эти заболевания наносят большой вред здоровью человека. Новообразования толстой кишки относятся к злокачественным новообразованиям в области медицины, которые, как было подтверждено, связаны с несколькими миРНК [62,63]. Новообразования легких - одно из самых опасных злокачественных новообразований с самым быстрым ростом заболеваемости и смертности [12].Растущее число доказательств указывает на то, что новообразования легких и некоторые miRNAs имеют тесную взаимосвязь. Для конкретного заболевания проверенные ассоциации целых болезней в базе данных HMDD v2.0 рассматриваются как обучающие выборки, непроверенные ассоциации с конкретным заболеванием в базе данных HMDD v2.0 рассматриваются как образцы-кандидаты. Обучая эту модель, мы могли ранжировать прогнозируемую оценку ассоциации выборок кандидатов, а затем выбирать 50 лучших ассоциаций кандидатов с конкретным заболеванием.Кроме того, мы использовали два типа баз данных: miR2disease и dbDEMC v2.0, чтобы проверить ранжированные miRNA. Более того, в таблицах 2 и 3 указаны результаты прогнозов, полученные с помощью SCMFMDA, соответственно. 94% и 92% из 50 лучших miRNA, выведенных с помощью нашей модели, которые были индивидуально подтверждены как ассоциированные с новообразованиями толстой кишки и легкими, согласно базам данных miR2Disease и dbDEMC v2.0. Только 3 и 4 из 50 предсказанных miRNA, связанных с новообразованиями толстой кишки и легкими, не смогли найти ключей к разгадке в базах данных.

    Обсуждение и заключение

    В этой статье мы представили новую модель, названную SCMFMDA, которая использует алгоритм матричной факторизации с ограничением сходства для прогнозирования возможных ассоциаций miRNA-болезни. Чтобы получить множество данных о сходстве заболеваний и данных о сходстве miRNA, используется алгоритм слияния сети сходства для интеграции различных заболеваний и биологической информации miRNA, соответственно. Кроме того, L 2 терминов регуляризации и условий ограничения сходства добавляются к стандартному NMF для прогнозирования большего количества ненаблюдаемых ассоциаций miRNA-болезнь.В рамках глобальных LOOCV и 5-CV, AUC SCMFMDA по отдельности достигли 0,9675 и 0,9447, что указывает на то, что производительность нашей модели значительно улучшилась по сравнению с предыдущими моделями. Кроме того, предсказанные miRNA, которые связаны с новообразованиями толстой кишки и новообразованиями легких, были подтверждены экспериментальной литературой, поэтому результаты предсказания нашей модели оказались надежными.

    Следует отметить, что следующие факторы могут способствовать надежной работе SCMFMDA.Во-первых, был применен алгоритм слияния сети сходства для интеграции различных заболеваний и сходства miRNA, что может обеспечить богатство биологических данных в эксперименте. Тогда функция условий регуляризации L 2 позволяет избежать проблемы переобучения. Более того, условия ограничения сходства состоят из сходства на основе признаков болезни и сходства на основе признаков miRNA, что может обеспечить устойчивость к богатству данных.

    Однако некоторые ограничения могут повлиять на производительность SCMFMDA.Во-первых, модель применима к заболеваниям, и miRNA должны присутствовать в выбранном наборе данных, но не могут делать прогнозы для других заболеваний и miRNA. Кроме того, для некоторых важных параметров в SCMFMDA у нас не было подходящего способа выбора наиболее подходящих параметров, кроме выполнения всех комбинаций. Следовательно, мы должны постоянно оптимизировать нашу модель, чтобы повысить ее производительность в будущем.

    Список литературы

    1. 1. Бартель Д.П. МикроРНК: геномика, биогенез, механизм и функция.Клетка. 2004. 116 (2): 281–297. pmid: 14744438
    2. 2. Чаттерджи С., Гроссханс Х. Активный оборот модулирует активность зрелой микроРНК у Caenorhabditis elegans. Природа. 2009. 461 (7263): 546–549. pmid: 19734881
    3. 3. He L, Hannon GJ. МикроРНК: небольшие РНК, играющие большую роль в регуляции генов. Nat Rev Genet. 2004. 5 (7): 522–531. pmid: 15211354
    4. 4. Lee RC, Feinbaum RL, Ambros V. Гетерохронный ген lin-4 C. elegans кодирует малые РНК с антисмысловой комплементарностью к lin-14.Клетка. 1993. 75 (5): 843–854. pmid: 8252621
    5. 5. Wightman B, Ha I, Ruvkun G. Посттранскрипционная регуляция гетерохронного гена lin-14 с помощью lin-4 опосредует формирование временного паттерна у C. elegans. Клетка. 1993. 75 (5): 855–862. pmid: 8252622
    6. 6. Джоплинг К.Л., Йи М., Ланкастер А.М., Лимон С.М., Сарнов П. Модуляция количества РНК вируса гепатита С с помощью специфичной для печени микроРНК. Наука. 2005. 309 (5740): 1577–1581. pmid: 16141076
    7. 7. Сюй П, Го М, Хэй Б.МикроРНК и регуляция гибели клеток. Тенденции Genet. 2004. 20 (12): 617–624. pmid: 15522457
    8. 8. Бартель Д.П. МикроРНК: распознавание мишеней и регулирующие функции. Клетка. 2009. 136 (2): 215–233. pmid: 126
    9. 9. Miska EA. Как микроРНК контролируют деление, дифференцировку и гибель клеток. Curr Opin Genet Dev. 2005. 15 (5): 563–568. pmid: 16099643
    10. 10. Harfe BD. МикроРНК в развитии позвоночных. Curr Opin Genet Dev. 2005. 15 (4): 410–415.pmid: 15979303
    11. 11. Меола Н., Дженнарино В., Банфи С. микроРНК и генетические заболевания. Патогенетика. 2009; 2 (1): 7. pmid: 19889204
    12. 12. Янаихара Н., Кэплен Н., Боуман Э., Сейке М., Кумамото К. Уникальные молекулярные профили микроРНК в диагностике и прогнозе рака легких. Раковая клетка. 2006. 9 (3): 189–198. pmid: 16530703
    13. 13. Сита-Ламсден А., Дарт Д.А., Ваксман Дж., Беван К.Л. Циркулирующие микроРНК как новые потенциальные биомаркеры рака простаты.Br J Рак. 2013; 108 (10): 1925–1930. pmid: 23632485
    14. 14. Мохаммади-Еганех С., Парьян М., Самии С.М., Сулеймани М., Арефиан Э., Азадманеш К. и др. Разработка надежной и недорогой методики количественной ПЦР в режиме реального времени «стержень-петля» для анализа экспрессии микроРНК. Mol Biol Rep., 2013; 40 (5): 3665–3674. pmid: 23307300
    15. 15. Томсон Дж. М., Паркер Дж. С., Хаммонд С. М.. Микроматричный анализ экспрессии гена miRNA. Методы Энзимол. 2007. 427: 107–122. pmid: 17720481
    16. 16.Хан К., Сюань П., Дин Дж., Чжао Ц.Дж., Хуэй Л., Чжун Ю.Л. Прогнозирование связанных с заболеванием микроРНК путем включения функционального сходства и общей информации об ассоциации. Genet Mol Res. 2014; 13 (1): 2009–2019. pmid: 24737426
    17. 17. Yu S, Liang C, Xiao Q, Li G, Ding P, Luo J. MCLPMDA: новый метод прогнозирования ассоциации miRNA-болезнь, основанный на завершении матрицы и распространении метки. J Cell Mol Med. 2019; 23 (2): 1427–1438. pmid: 30499204
    18. 18. Чен X, Гонг Y, Чжан Д, Ю З, Ли З.DRMDA: предсказание ассоциации миРНК с заболеванием на основе глубоких представлений. J Cell Mol Med. 2018; 22 (1): 472–485. pmid: 28857494
    19. 19. Цзян К., Хао Ю., Ван Г., Цзюань Л., Ван Ю. Приоритезация микроРНК болезней через сеть человеческого феномена-микроРНКома. BMC Syst Biol. 2010; 4 (ПРИЛОЖЕНИЕ 1): S2. pmid: 20522252
    20. 20. Чен Х, Ян Ц., Чжан Х, Ю З, Дэн Л., Лю И и др. WBSMDA: внутри и между баллами для прогноза MiRNA-Disease Association. Научный доклад 2016; 6: 21106.pmid: 26880032
    21. 21. Шен З, Чжан Й., Хан К., Нанди А. К., Хониг Б., Хуанг Д. С.. Прогнозирование ассоциации miRNA-болезни с совместной матричной факторизацией. Сложность. 2017; 2017: 1–9.
    22. 22. Чен X, Хуанг Л., Се Д., Чжао К. EGBMMDA: Машина для повышения экстремального градиента для прогнозирования MiRNA-Disease Association. Cell Death Dis. 2018; 9 (1): 3. pmid: 294
    23. 23. Zhao Y, Chen X, Yin J. Вычислительная модель на основе адаптивного бустинга для прогнозирования потенциальных ассоциаций miRNA-болезнь.Биоинформатика. 2019; 35 (22): 4730–4738. pmid: 31038664
    24. 24. Чжу XY, Ван XZ, Чжао Х.С., Пей Т.Р., Куанг Л.Н., Ван Л. BHCMDA: новый метод предвзятой проводимости для прогнозирования потенциальной ассоциации MiRNA-заболевания. Фронт Жене. 2020; 11 (1): 384. pmid: 32425979
    25. 25. Ha J, Park C, Park C, Park S. IMIPMF: определение взаимодействий miRNA-болезнь с использованием вероятностной матричной факторизации. Дж Биомед Информ. 2020; 102: 103358. pmid: 31857202
    26. 26. Чен X, Лю М., Ян Г.RWRMDA: прогнозирование новых ассоциаций микроРНК человека с заболеванием. Мол Биосист. 2012. 8 (10): 2792–2798. pmid: 22875290
    27. 27. Кёлер С, Бауэр С, Хорн Д., Робинсон П.Н. Прогулка по интерактому для определения приоритетов генов-кандидатов на заболевания. Am J Hum Genet. 2008. 82 (4): 949–958. pmid: 18371930
    28. 28. Чжан Х., Цао Л., Гао С. Машина опорных векторов, сохраняющая корреляцию местности. Распознавание образов. 2014. 47 (9): 3168–3178.
    29. 29. Ши Х, Сюй Дж., Чжан Г, Сюй Л., Ся Л.Прогулка по интерактому для выявления ассоциаций миРНК человека с заболеванием через функциональную связь между мишенями миРНК и генами болезни. BMC Syst Biol. 2013; 7: 101. pmid: 24103777
    30. 30. Лю И, Цзэн Х, Хе З, Цзоу. Выявление ассоциаций микроРНК с заболеванием путем случайного блуждания по гетерогенной сети с несколькими источниками данных. IEEE / ACM Trans Comput Biol Bioinform. 2017; 14 (4): 905–915. pmid: 27076459
    31. 31. Ло Дж., Сяо К. Новый подход к прогнозированию ассоциаций микроРНК с заболеванием путем несбалансированного би-случайного блуждания по гетерогенной сети.Дж Биомед Информ. 2017; 66: 194–203. pmid: 28104458
    32. 32. Niu Y, Wang G, Yan G, Chen X. Интеграция случайного блуждания и бинарной регрессии для выявления новой ассоциации miRNA-болезнь. BMC Bioinformatics. 2019; 20:59. pmid: 306
    33. 33. Чен X, Ян СС, Чжан Х, Ли З, Дэн Л., Чжан И и др. RBMMMDA: прогнозирование нескольких типов ассоциаций микроРНК и болезни. Научный доклад 2015; 5 (1): 13877. pmid: 26347258
    34. 34. Ю З, Хуан З, Чжу З, Ян Г, Чен Х.PBMDA: новая и эффективная вычислительная модель на основе путей для прогнозирования ассоциации miRNA-болезнь. PLoS Comput Biol. 2017; 13 (1): e1005455. pmid: 28339468
    35. 35. Ян Ц., Ван Дж. Х, Ни П, Лан В., Ву Ф., Пэн И. DNRLMF-MDA: прогнозирование ассоциаций микроРНК с заболеванием на основе сходства микроРНК и заболеваний. IEEE / ACM Trans Comput Biol Bioinform. 2019; 16 (1): 233–243. pmid: 299
    36. 36. Пэн Дж., Хуэй В., Ли Кью, Чен Б., Хао Дж., Цзян Кью и др. Основанная на обучении структура для идентификации ассоциации miRNA-болезнь с использованием нейронных сетей.Биоинформатика. 2019; 35 (21): 4364–4371. pmid: 30977780
    37. 37. Zheng K, You ZH, Wang L, Zhou Y, Li LP, Li ZW. MLMDA: подход машинного обучения для прогнозирования и проверки ассоциаций MicroRNA-болезнь путем интеграции разнородных источников информации. J Transl Med. 2019; 17 (1): 260. pmid: 31395072
    38. 38. Chen X, Sun LG, Zhao Y. NCMCMDA: прогнозирование ассоциации miRNA-болезнь через завершение матрицы ограничений соседства. Краткий биоинформ. 2021. 22 (1): 485–496.pmid: 312
    39. 39. Чжан И, Чен М., Ченг Х, Вей Х. MSFSP: новая модель прогнозирования ассоциации miRNA-заболевания путем объединения слияния множественных сходств и космической проекции. Фронт Жене. 2020; 11: 389. pmid: 32425980
    40. 40. Джи К., Ван И, Гао З, Ли Л., Чжэн С. Метод полууправляемого обучения для прогнозирования ассоциации MiRNA-заболевания на основе вариационного автоэнкодера. IEEE / ACM Trans Comput Biol Bioinform. 2021; 1 (1): 99. pmid: 33735084
    41. 41.Ли И, Цю Ч, Ту Дж, Гэн Б, Ян Дж, Цзян Т. и др. HMDD v2.0: база данных экспериментально подтвержденных ассоциаций микроРНК человека и болезней. Nucleic Acids Res. 2013; 42 (выпуск базы данных): D1070 – D1074. pmid: 24194601
    42. 42. Цзян Кью, Ван И, Хао И, Лиран Дж, Тэн М., Чжан Х и др. miR2Disease: вручную созданная база данных по нарушению регуляции микроРНК при заболеваниях человека. Nucleic Acids Res. 2009; 37 (выпуск базы данных): D98 – D104. pmid: 187
    43. 43. Ян З., Ву Л., Ван А., Тан В., Чжао Ю., Чжао Х. и др.dbDEMC 2.0: Обновленная база данных дифференциально экспрессируемых miRNAs при раке человека. Nucleic Acids Res. 2016; 45 (D1): D812 – D818. pmid: 27899556
    44. 44. Ли И., Блом У. М., Ван Пи, Шим Дж. Э., Маркотт Э. М.. Приоритезация генов-кандидатов болезней путем сетевого усиления данных ассоциации по всему геному. Genome Res. 2011. 21 (7): 1109–1121. pmid: 21536720
    45. 45. Cheng L, Wang G, Li J, Zhang T, Xu P, Wang Y и др. SIDD: Семантически интегрированная база данных к глобальному взгляду на болезни человека.PLoS One. 2013; 8 (10): e75504. pmid: 24146757
    46. 46. Липскомб CE. Медицинские предметные рубрики (MeSH). Bull Med Libr Assoc. 2000. 88 (3): 265–266. pmid: 104
    47. 47. Wang D, Wang JY, Lu M, Song F, Cui Q. Выявление функционального сходства и функциональной сети микроРНК человека на основе заболеваний, связанных с микроРНК. Биоинформатика. 2010. 26 (13): 1644–1650. pmid: 20439255
    48. 48. Xuan P, Han K, Guo MZ, Guo YH, Li JB. Динг Дж. И др. Коррекция: прогнозирование микроРНК, ассоциированных с заболеваниями человека, на основе взвешенных k наиболее похожих соседей.PLoS One. 2013; 8 (9): e70204. pmid: 24116246
    49. 49. Goh KI, Cusick ME, Valle D, Childs B, Barabási AL. Сеть болезней человека. Proc Natl Acad Sci U S. A. 2007; 104 (27): 8685–8690. pmid: 17502601
    50. 50. Лу М, Чжан Ц., Мин Д., Цзин М., Го И, Го В. и др. Анализ ассоциаций микроРНК человека и болезней. PLoS One. 2008; 3 (10): e3420. pmid: 184
    51. 51. Козомара А., Гриффитс-Джонс С. miRBase: аннотирование микроРНК с высоким уровнем достоверности с использованием данных глубокого секвенирования.Nucleic Acids Res. 2013; 42 (D1): D68 – D73. pmid: 24275495
    52. 52. Ван Б., Мезлини А.М., Демир Ф., Фиуме М., Ту З.В., Брудно М. и др. Слияние сетей подобия для агрегирования типов данных в геномном масштабе. Нат методы. 2014. 11 (3): 333–337. pmid: 24464287
    53. 53. Чжан В., Лю XR, Чен Ю.Л., Ву В.Дж., Ван В., Ли XH. График, основанный на признаках, регуляризованная матричная факторизация для прогнозирования побочных эффектов лекарств - Science Direct. Нейрокомпьютеры. 2018; 287: 154–162.
    54. 54.Рана Б., Джунджа А., Саксена М., Гудвани С., Кумаран С.С., Бехари М. и др. Выбор спектральных характеристик на основе теории графов для компьютерной диагностики болезни Паркинсона с использованием T1-взвешенной МРТ. Международный журнал систем и технологий обработки изображений. 2015; 25 (3): 245–255.
    55. 55. Wu Q, Wang Y, Gao Z, Ni J, Zheng C. MSCHLMDA: Комбинативное гиперграфическое обучение на основе множественного сходства для прогнозирования ассоциации MiRNA-болезнь. Фронт Жене. 2020; 11: 354. pmid: 32351545
    56. 56.Jiang Y, Liu B, Yu L, Yan C, Bian H. Предсказание ассоциации болезни MiRNA с совместной фильтрацией. Нейроинформатика. 2018; 16: 363–372. pmid: 29948843
    57. 57. Шао Б., Лю Б., Ян С. SACMDA: Прогнозирование ассоциации MiRNA-болезни с короткими ациклическими связями в гетерогенном графе. Нейроинформатика. 2018; 16: 373–382. pmid: 29644547
    58. 58. Xiao Q, Luo J, Liang C, Cai J, Ding P. График регуляризованного метода факторизации неотрицательной матрицы для выявления ассоциаций микроРНК и болезни.Биоинформатика. 2018; 34 (2): 239–248. pmid: 28968779
    59. 59. Gao Z, Wang Y, Wu Q, Ni J, Zheng C. График регуляризованный L 2,1 -отрицательная матричная факторизация для прогнозирования ассоциации miRNA-болезнь. BMC Bioinformatics. 2020; 21: 61. pmid: 32070280
    60. 60. Gao Y, Cui Z, Liu J, Wang J, Zheng C. NPCMF: Метод факторизации на основе ближайшего профиля совместной матрицы для прогнозирования ассоциаций miRNA-болезнь. BMC Bioinformatics. 2019; 20 (1): 353.pmid: 31234797
    61. 61. Chen X, Li S, Yin J, Wang C. Прогнозирование потенциальной ассоциации miRNA с заболеванием на основе ядерной байесовской матричной факторизации.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *