HPVTyper: Μία Εφαρμογή Λογισμικού για την Αυτοματοποίηση της Τυποποίησης του HPV μέσω της PCR-RFLP Gel Electrophoresis

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "HPVTyper: Μία Εφαρμογή Λογισμικού για την Αυτοματοποίηση της Τυποποίησης του HPV μέσω της PCR-RFLP Gel Electrophoresis"

Transcript

1 Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Διπλωματική Εργασία HPVTyper: Μία Εφαρμογή Λογισμικού για την Αυτοματοποίηση της Τυποποίησης του HPV μέσω της PCR-RFLP Gel Electrophoresis Συγγραφέας: Καραγιάννης Δημήτριος Διδάσκων: Ντελόπουλος Αναστάσιος Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών 23 Νοεμβρίου 2012

2 Abstract HPVTyper: A Software Application for Automatic HPV Typing via PCR-RFLP Gel Electrophoresis Karagiannis Dimitrios The process of determining which types of the human papillomavirus (HPV) have infected a patient (HPV typing) is a very important task worldwide, as the virus has been proven responsible for the development of several types of cancer and especially cervical cancer. HPVTyper is an open source software application based on a powerful and flexible novel methodology for automatic HPV typing via PCR-RFLP gel electrophoresis. It is designed to automatically perform the analysis of an image resulting from the aforementioned examination while allowing the user to take a more active role, adjusting all the parameters that influence the typing decision if so they wish through a user-friendly interface. Its software architecture (client-server) is such that allows any computer regardless of processing power to perform an examination, since the computationally expensive processes are performed on a central server, the Engine, setup on a powerful computer while the lightweight client runs on any operating system.

3 Περίληψη HPVTyper: Μία Εφαρμογή Λογισμικού για την Αυτοματοποίηση της Τυποποίησης του HPV μέσω της PCR-RFLP Gel Electrophoresis Καραγιάννης Δημήτριος Η διαδικασία της αναγνώρισης των ειδών του human papillomavirus (HPV) από τους οποίους έχει μολυνθεί ένας ασθενής (τυποποίηση του HPV) είναι μία πολύ σημαντική διεργασία παγκοσμίως, καθώς ο ιός έχει αποδειχθεί ότι είναι υπεύθυνος για την ανάπτυξη διαφόρων τύπων καρκίνου και ιδιαίτερα του καρκίνου του τραχήλου της μήτρας. Ο HPVTyper είναι μια εφαρμογή λογισμικού ανοικτού κώδικα που βασίζεται σε μία καινοτόμα, ισχυρή και ευέλικτη μεθοδολογία αυτόματης τυποποίησης μέσω της PCR-RFLP gel ηλεκτροφόρησης. Είναι σχεδιασμένο ώστε να εκτελεί την ανάλυση μίας εικόνας που προκύπτει από την προαναφερθείσα εξέταση αυτόματα, ενώ επιτρέπει στο χρήστη να αναλάβει έναν πιο ενεργό ρόλο ρυθμίζοντας όλες τις παραμέτρους που επηρεάζουν τα αποτελέσματα της τυποποίησης αν το επιθυμεί μέσω ενός φιλικού προς το χρήστη περιβάλλοντος. Η αρχιτεκτονική του λογισμικού (client-server) έχει σχεδιαστεί ώστε να μπορεί κάθε υπολογιστής ανεξαρτήτως της υπολογιστικής του ισχύος να εκτελέσει τη διαδικασία τυποποίησης καθώς οι υπολογιστικά απαιτητικές διεργασίες εκτελούνται σε ένα διακομιστή, το Engine, που εκτελείται σε κάποιον ισχυρό υπολογιστή, ενώ ο ελαφρύς client μπορεί να εκτελεσθεί σε οποιοδήποτε λειτουργικό σύστημα.

4 Ευχαριστήρια Ευχαριστώ πολύ τον Αναπληρωτή Καθηγητή του τμήματος Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης κ. Αναστάσιο Ντελόπουλο για την βοήθεια, τις συμβουλές και την υπομονή κατά την εκπόνηση της διπλωματικής μου εργασίας. Ιδιαίτερες ευχαριστίες θα ήθελα επίσης να δώσω στον Διδάκτορα του τμήματος Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης κ. Χρήστο Μαραμή για την αμέριστη βοήθεια και υποστήριξη που μου παρείχε σε κάθε βήμα, για διάφορα θέματα αναφορικά με την διπλωματική εργασία. iii

5 Περιεχόμενα Abstract i Περίληψη ii Ευχαριστήρια iii Κατάλογος Σχημάτων Συντομογραφίες vi vii 1 Εισαγωγικά Περιγραφή του προβλήματος Μέθοδοι Τυποποίησης Κατηγορίες Μεθόδων PCR-RFLP gel electrophoresis Μεθοδολογία Μοντέλο Παρατήρησης Προεπεξεργασία Εικόνας Εξαγωγή πληροφορίας των Θραυσμάτων Ανίχνευση κορυφών Αρχικό Intensity Profile Fitting Υπολογισμός της Fragment Mobility Function Εκτίμηση Ιδιοτήτων των Θραυσμάτων Αλγόριθμος HPV Τυποποίησης Έλεγχος Συμβατότητας Γονότυπων Έλεγχος Συνδυασμών Γονότυπων Κατάταξη Συνδυασμών Γονότυπων Engine Δομή του Server Worker Μήνυμα Adaptors Modules iv

6 Περιεχόμενα v Frameworks Image Processing Profile Processing Profile Fitting Mobility Calibration Compatibility Check Combination Testing HPVTyper GUI Γενικά περί GUI Apache Pivot JZMQ Δομή του κώδικα Adaptors GUI Configuration Editors Αξιολόγηση Ακρίβεια Χρόνος Εκτέλεσης Συμπεράσματα 48 A JSON Data 50 A.1 Δεδομένα του RFLP Configuration A.2 Αποτελέσματα των διεργασιών Compatibility Check και Combination Testing. 52 B HPVTyper Manual 55 B.1 Main Window B.2 Lane Processing Tab B.2.1 Profile Fitting B.2.2 Ladder Calibration B.2.3 Compatibility Check B.2.4 Combination Testing B.3 Configuration Editors Βιβλιογραφία 60

7 Κατάλογος σχημάτων 1.1 Βήματα για τυποποίηση του HPV μέσω PCR-RFLP electrophoresis Αποτελέσματα μιας PCR-RFLP electrophoresis εξέτασης Σχεδιάγραμμα της μεθοδολογίας Απεικόνιση του μοντέλου παρατήρησης Δομή του HPVTyper Engine Δομή ενός μηνύματος που περιέχει πίνακα αριθμών Διάγραμμα ροής ενός Request Δομή του HPVTyper GUI Χρόνοι εκτέλεσης βημάτων του αλγορίθμου Χρόνος εκτέλεσης του Profile Fitting Ιστόγραμμα χρόνου εκτέλεσης του Combination Testing B.1 HPVTyper Main Window B.2 HPVTyper Lane Processing Tab B.3 HPVTyper Genotype Configuration Editor vi

8 Συντομογραφίες bp BXML DNA FLP GPU GSL GUI HPV JAR JNI JSON mflp PCR pdflp RFLP ØMQ.dll.so Base Pairs Bean XML Deoxyribonucleic Acid Fragment Length Pattern Graphics Processing Unit GNU Scientific Library Graphical User Interface Human Papillomavirus Java Archive Java Native Interface JavaScript Object Notation Main FLP Polymerase Chain Reaction Partial Digestion FLP Restriction Fragment Length Polymorphism zeromq Dynamic-Link Library Shared Object vii

9 στην αδελφή μου, Ζωή viii

10 Κεφάλαιο 1 Εισαγωγικά Η εφαρμογή HPVTyper που αναπτύχθηκε στα πλαίσια αυτής της διπλωματικής εργασίας αυτοματοποιεί την διαδικασία τυποποίησης του HPV (Παράγραφος 1.1). Είναι σχεδιασμένη με βάση την αρχιτεκτονική client - server και συνεπώς αποτελείται από δύο οντότητες: το GUI (γραφικό περιβάλλον) και το Engine αντίστοιχα. Στο κεφάλαιο αυτό εξετάζεται το πρόβλημα και οι υπάρχουσες μέθοδοι τυποποίησης. Στο επόμενο κεφάλαιο περιγράφεται η μεθοδολογία που χρησιμοποιήθηκε. Έπειτα εξετάζεται η δομή και ο τρόπος λειτουργίας των δύο προγραμμάτων (client και server) που αποτελούν τον HPVTyper. 1.1 Περιγραφή του προβλήματος Ο human papillomavirus (HPV) είναι ένας πολύπλευρος ιός. Μέχρι σήμερα, πάνω απο 200 τύποι του έχουν αναφερθεί, ενώ συνεχώς ανακαλύπτονται νέοι τύποι του ιού από διάφορες έρευνες. Πρόσφατα, συγκεκριμένοι τύποι του HPV συσχετίστηκαν με την ανάπτυξη διαφόρων τύπων καρκίνου [Parkin, 2006], όπως ο πρωκτικός, κολπικός, φαλλικός, στοματικός και φαρυγγικός καρκίνος. Ο καρκίνος του τραχήλου της μήτρας είναι η πιο εμφανής περίπτωση συσχετισμού μεταξύ του HPV και του καρκίνου. Έχει αποδειχθεί ότι η εμμένουσα μόλυνση της πρωκτογεννητικής περιοχής από μία ομάδα τύπων HPV, είναι ο κύριος παράγοντας που προκαλεί καρκίνο του τραχήλου της μήτρας [Walboomers et al., 1999; Bosch et al., 2002]. Η ομάδα αυτή των τύπων του HPV που σχετίζονται με την ανάπτυξη του συγκεκριμένου είδους καρκίνου περιλαμβάνει 30 με 40 διαφορετικούς τύπους. Παρόλα αυτά, δεν παρουσιάζουν όλοι αυτοί οι τύποι τον ίδιο βαθμό επικινδυνότητας. Γι αυτό το λόγο οι τύποι αυτοί έχουν κατηγοριοποιηθεί, όσον αφορά στο βαθμό επικινδυνότητάς τους, σε χαμηλού, υψηλού και πιθανόν υψηλού κινδύνου [Muñoz et al., 2003], ενώ κάποιοι είναι απροσδιόριστοι. 1

11 Κεφάλαιο 1. Εισαγωγικά 2 Συγκεκριμένα για τον καρκίνο του τραχήλου της μήτρας, τα στατιστικά είναι συντριπτικά: με πάνω από περιπτώσεις κάθε έτος [Greenblatt, 2005], είναι η δεύτερη επικρατέστερη αιτία θανάτου από καρκίνο μετά τον καρκίνο του μαστού, για γυναίκες μεταξύ των 20 και 39 ετών [Landis et al., 1999] και ένας από τους επικρατέστερους τύπους καρκίνου που εμφανίζονται στις γυναίκες παγκοσμίως [Moore, 2006]. Συνδυάζοντας τα παραπάνω γεγονότα με την μεταβλητότητα της ογκογενικής δραστηριότητας των τύπων του HPV, φαίνεται πόσο σημαντική είναι η ανάγκη όχι μόνο να διαγνωστεί η ύπαρξη της μόλυνσης, αλλά και τα είδη των ιών που την προκαλούν. Η διαδικασία αναγνώρισης των τύπων του HPV από τους οποίους έχει μολυνθεί η ασθενής, βασιζόμενη στα γονοτυπικά χαρακτηριστικά τους, ονομάζεται HPV genotyping ή απλούστερα HPV typing (τυποποίηση του HPV). Στον τομέα του καρκίνου του τραχήλου της μήτρας, η τυποποίηση του HPV παρέχει πολύ σημαντικές πληροφορίες στον θεράποντα ιατρό μίας ασθενούς ως προς την πιθανότητα ανάπτυξης καρκίνου. Πρέπει να σημειωθεί επίσης, ότι μόλις η συσχέτιση του HPV με άλλα είδη καρκίνου γίνει κατανοητή, είναι πολύ πιθανό πως η τυποποίηση του HPV θα αποκτήσει μεγάλη αξία και στους τομείς αυτών των ειδών καρκίνου. Επιπλέον, η τυποποίηση του HPV χρησιμοποιείται για επιδημιολογικούς σκοπούς, όπως για παράδειγμα για να προσδιοριστεί η συχνότητα και η κατανομή των διαφόρων τύπων του ιού σε διάφορους πληθυσμούς. Λόγω της ανάγκης για τυποποίηση του HPV, έχει αναπτυχθεί μια πληθώρα μεθόδων μοριακής βιολογίας και αντίστοιχων εργαλείων για την διεκπεραίωση της διαδικασίας. Συγκρίνοντας αυτά τα διαγνωστικά εργαλεία, τα κριτήρια που μας ενδιαφέρουν είναι η ακρίβεια της διάγνωσης, το κόστος και ο βαθμός αυτοματοποίησης της διαδικασίας της διάγνωσης. Ενώ υπάρχουν πολλές λύσεις στο πρόβλημα αυτό της διάγνωσης (Παράγραφος 1.2.1), δεν μπορούμε να ξεχωρίσουμε κάποια από τις μεθόδους ως καλύτερη των άλλων. Στο επόμενο κεφάλαιο παρουσιάζεται ένα νέο διαγνωστικό εργαλείο για την εκτέλεση της τυποποίησης του HPV, το οποίο προκύπτει από μια προσπάθεια βελτιστοποίησης των προαναφερθέντων κριτηρίων. Το εργαλείο αυτό που ονομάζουμε HPVTyper είναι μία εφαρμογή που επεξεργάζεται εικόνες οι οποίες προκύπτουν από την PCR-RFLP (Παράγραφος 1.2.2) εξέταση δειγμάτων ιστού, και αυτόματα εξάγει συμπεράσματα ως προς τους τύπους HPV που προκαλούν τη μόλυνση. 1.2 Μέθοδοι Τυποποίησης Λόγω της σημαντικότητας του προβλήματος, τις τελευταίες δεκαετίες έχουν εμφανιστεί πολλές διαγνωστικές μέθοδοι για τον HPV. Η πλειονότητα αυτών βασίζεται στην ανίχνευση συγκεκριμένο DNA σε ένα δείγμα ιστού (DNA testing methods). Οι επικρατέστερες παρουσιάζονται στην Παρ Η μέθοδος που χρησιμοποιείται από τον HPVTyper περιγράφεται ξεχωριστά στην Παρ

12 Κεφάλαιο 1. Εισαγωγικά Κατηγορίες Μεθόδων Στην παράγραφο αυτή παρουσιάζονται τέσσερις κατηγορίες μεθόδων τυποποίησης για τον HPV, με μία σύντομη περιγραφή και σύγκριση των πλεονεκτημάτων - μειονεκτημάτων τους σχετικά με τις υπόλοιπες. PCR-based assays. Οι μέθοδοι αυτής της κατηγορίας χρησιμοποιούν αλυσιδωτή αντίδραση πολυμεράσης (PCR) για να ενισχύσουν ένα συγκεκριμένο κομμάτι ιικού DNA. Η τυποποίηση επιτυγχάνεται με τη χρήση ζευγαριών από primers (συγκεκριμένα για κάθε τύπο), τα οποία περιορίζουν την περιοχή του DNA που θα ενισχυθεί. H ηλεκτροφόρηση της γέλης των προϊόντων της PCR χρησιμοποιείται για να οπτικοποιήσει τα αποτελέσματα της τυποποίησης. Οι μέθοδοι που βασίζονται στην PCR είναι γενικά ανάμεσα στις πρώτες που χρησιμοποιήθηκαν για την τυποποίηση του HPV και συνεπώς υπάρχουν πολλές εφαρμογές τους [Walboomers et al., 1999; Karlsen et al., 1996; Husnjak et al., 2000; Fontaine et al., 2007]. Το κύριο μειονέκτημα αυτών των μεθόδων είναι ότι χρειαζόμαστε διαφορετικά ζεύγη primers για κάθε τύπο που λαμβάνουμε υπ όψιν μας στην διαδικασία τυποποίησης, το οποίο προφανώς αυξάνει το κόστος της διάγνωσης. Επιπλέον, στην περίπτωση τύπων που έχουν πρόσφατα ανακαλυφθεί, τα ζεύγη primers που απαιτούνται, πρέπει να σχεδιαστούν de novo. Hybridization assays. Αυτές οι μέθοδοι βασίζονται στην υβριδοποίηση των ανιχνευτών ολιγονουκλεοτιδίων, όπου κάθε ανιχνευτής συσχετίζεται με κάποιο συγκεκριμένο τύπο του ιού. Υπάρχουν πολλές παραλλαγές της μεθόδου και συγκεκριμένα dot blot [Greer Jr et al., 1990], reverse line blot [Kleter et al., 1999; van den Brule et al., 2002], enzyme immunoassay [Jacobs et al., 1997], κ.ά. Χρησιμοποιείται η PCR με γενικούς primer στα πρώτα στάδια της μεθόδου και τα αποτελέσματά τους μπορούν να διαβαστούν απευθείας. Οι μέθοδοι υβριδοποίησης είναι λιγότερο επίπονες από αυτές που βασίζονται στην PCR, αφού δεν απαιτούν την εφαρμογή πολλών PCR. Το μειονέκτημα των PCR μεθόδων όμως, εμφανίζεται και εδω: για κάθε τύπο HPV που χρειάζεται να ταυτοποιηθεί πρέπει να παράγουμε και πιθανώς να σχεδιάσουμε ένα διαφορετικό ολιγονουκλεοτίδιο. DNA microarrays. Αυτή η κατηγορία μεθόδων βασίζεται στις μεθόδους υβριδοποίησης (η τυποποίηση γίνεται με ανιχνευτές ολιγονουκλεοτιδίων συγκεκριμένους για κάθε τύπο του ιού) αλλά επιπλέον χρησιμοποιεί την τεχνολογία των microarrays. Συγκεκριμένα, οι ανιχνευτές ολιγονουκλεοτιδίων εκτυπώνονται πάνω σε μία δισδιάστατη δομή πίνακα και το αποτέλεσμα συνήθως ψηφιοποιείται με τη βοήθεια ενός microarray scanner. Τα DNA microarray assays έχουν γίνει πολύ δημοφιλή την τελευταία δεκαετία [Kim et al., 2003; Hwang et al., 2003; Klaassen et al., 2004; Gheit et al., 2006] λόγω της ακρίβειάς

13 Κεφάλαιο 1. Εισαγωγικά 4 τους και της ευκολίας στη χρήση τους. Καθώς όμως είναι κυρίως βιομηχανικά προϊόντα, η ομάδα των HPV τύπων που μπορεί να τυποποιηθεί από ένα συγκεκριμένο microarray είναι συγκεκριμένη και η προσθήκη νέων τύπων απαιτεί την επανασχεδίαση του assay. Επιπλέον, το κόστος της διάγνωσης επιβαρύνεται από το γεγονός ότι είναι αναλώσιμα προϊόντα. DNA sequencing. Η μέθοδος αυτή ξεχωρίζει τους διάφορους τύπους HPV ανακαλύπτοντας την ακριβή αλληλουχία νουκλεοτιδίων μίας μικρής περιοχής του ιικού DNA. Είναι η επιτομή της τυποποίησης ιών από πλευράς ακρίβειας καθώς μπορεί να εμφανίσει τις πληροφορίες για το ιικό DNA στον ύψιστο βαθμό. Από την καθιέρωση αυτής της μεθόδου, διάφορες τεχνικές DNA sequencing έχουν εφαρμοστεί για την τυποποίηση του HPV [Vernon et al., 2000; Gharizadeh et al., 2001, 2005; Barzon et al., 2011]. Οι πρώιμες τεχνικές DNA sequencing χαρακτηρίζονταν από χαμηλή απόδοση κάτι που οδηγούσε σε ακριβές εξετάσεις τυποποίησης και μπορούσαν εύκολα να προκαλέσουν σύγχυση στην περίπτωση πολλαπλών μολύνσεων. Προσφάτως, η χρήση της νέας γενιάς μαζικά παράλληλων sequencing assays δείχνει ικανή να ελαχιστοποιήσει το κόστος της εξέτασης, γεγονός που θα μπορούσε να αλλάξει το έδαφος στην τυποποίηση του HPV, χρησιμοποιώντας DNA sequencing τεχνικές [Liu, 2008; Jordan, 2010] PCR-RFLP gel electrophoresis Η μέθοδος που εξετάζεται στην παράγραφο αυτή και χρησιμοποιείται από τον HPVTyper ονομάζεται PCR-RFLP gel electrophoresis. Το πρωτόκολλο για την τυποποίηση του HPV με την προαναφερθείσα μέθοδο περιγράφεται λεπτομερώς παρακάτω. Εμπεριέχει μία σειρά από ενέργειες που επεξεργάζονται το προς εξέταση δείγμα χρησιμοποιώντας διάφορες καθιερωμένες τεχνικές μοριακής βιολογίας και ένα τελικό βήμα που απαιτεί την εμπειρία ενός μοριακού βιολόγου. Τα βήματα αυτά φαίνονται στο Σχ Αρχικά συλλέγεται ένα οργανικό δείγμα από τον ιστό που μας ενδιαφέρει και απομονώνεται το DNA που εμπεριέχεται στο δείγμα αυτό. Έπειτα η PCR [Tagu and Moussard, 2006, Ch. 24] ενισχύει ένα τμήμα του υποτιθέμενου ιικού DNA με τη βοήθεια ενός γενικού σετ από primers. Τέλος, ένα περιοριστικό ένζυμο κόβει το ενισχυμένο HPV DNA σε σημεία που χαρακτηρίζονται από τη συγκεκριμένη αλληλουχία νουκλεοτιδίων (restriction sites). Η διαδικασία αυτή, που ονομάζεται RFLP (restriction fragment length polymorphism) ανάλυση [Tagu and Moussard, 2006, Ch. 50], παράγει για κάθε γονότυπο του HPV μία ομάδα από θραύσματα DNA, τα οποία γνωρίζουμε a priori. Η RFLP ανάλυση είναι ο ακρογωνιαίος λίθος της μεθόδου αυτής. Αν υποθέσουμε ότι η ενισχυμένη αλληλουχία DNA ενός HPV γονότυπου που μας ενδιαφέρει είναι γνωστή, τότε μπορούμε να προβλέψουμε τα σημεία στα οποίο θα κοπεί από ένα συγκεκριμένα περιοριστικό ένζυμο και συνεπώς μπορούμε να συμπεράνουμε το σετ των θραυσμάτων

14 Κεφάλαιο 1. Εισαγωγικά 5 tissue sample PCR-RFLP image Polymerase Chain Reaction Image Acquisition Restriction Fragment Length Polymorphism Gel Electrophoresis Σχήμα 1.1: Βήματα για τυποποίηση του HPV μέσω PCR-RFLP electrophoresis. DNA που θα προκύψουν μετά την πέψη του από το ένζυμο αυτό. Αυτό το σετ των θραυσμάτων DNA fragment length pattern (FLP) χρησιμεύει ως δακτυλικό αποτύπωμα για το συγκεκριμένο γονότυπο του HPV και είναι το μέσο με το οποίο επιτυγχάνεται η διαδικασία της ταυτοποίησης του HPV. Έπειτα από την RFLP ανάλυση, ένα διάλυμα του προϊόντος της PCR εγχέεται μέσα σε ένα μεμονωμένο πηγάδι στο μπροστινό άκρο ενός gel matrix. Στη συνέχεια, υπό την παρουσία ηλεκτρικού πεδίου, τα αρνητικά φορτισμένα θραύσματα DNA αναγκάζονται να μετακινηθούν με διαφορετικές ταχύτητες προς την άνοδο, στην κατεύθυνση αντίθετα προς την κατεύθυνση του ηλεκτρικού πεδίου. Κατά τη διάρκεια της gel ηλεκτροφόρησης [Tagu and Moussard, 2006, Ch. 5], τα μεγάλα μόρια παραμένουν κοντά στο πηγάδι, ενώ τα μικρά και πιο ευκίνητα μόρια καλύπτουν μεγαλύτερες αποστάσεις. Έτσι δημιουργούνται οι λωρίδες (lanes), μία για κάθε πηγάδι. Σε κάθε λωρίδα σχηματίζονται (κάθετα στη διεύθυνση της ηλεκτροφόρησης) οι ζώνες (bands): συγκεντρώσεις θραυσμάτων DNA του ίδιου μήκους. Ένα ή περισσότερα από τα πηγάδια του gel matrix χρησιμοποιούνται για το σχηματισμό των σκαλών (ladders), όπου εγχέονται μόρια γνωστών μηκών. Αυτές οι σκάλες αναφοράς βοηθούν τον εξεταστή να υπολογίσει τα άγνωστα μήκη των θραυσμάτων DNA που σχηματίζουν τις ζώνες στις διάφορες λωρίδες. Μετά την ολοκλήρωση της ηλεκτροφόρησης, τα μόρια του ιικού DNA χρωματίζονται εισάγοντας το gel σε ένα διάλυμα που περιέχει φωσφορίζουσα βαφή. Για το σκοπό αυτό μπορεί να χρησιμοποιηθεί το υψηλά μεταλαξιογόνο αλλά κοινό ethidium bromide ή, κατά προτίμηση, κάποια λιγότερο επικίνδυνη βαφή (SYBR Safe, DAPI, κλπ.). Έπειτα χρησιμοποιείται στιγμιαία

15 Κεφάλαιο 1. Εισαγωγικά 6 lane ladder lane band ladder band Σχήμα 1.2: Το αποτέλεσμα μιας τυπικής PCR-RFLP electrophoresis εξέτασης. Οι λωρίδες, οι ζώνες και η σκάλα αναφοράς επισημαίνονται στην εικόνα. μία πηγή φωτός (συνήθως υπεριώδες ή μπλε φως) για να διεγείρει τη βαφή, η οποία φωσφορίζει και καθιστά το ιικό DNA ορατό. Εκείνη τη στιγμή φωτογραφίζεται το gel matrix και παράγεται μία εικόνα όπως αυτή στο Σχ Στο τελευταίο βήμα η εικόνα εξετάζεται από ένα μοριακό βιολόγο, ώστε να ολοκληρωθεί η τυποποίηση. Η ανάλυση αυτή έχει δύο στάδια: αρχικά ο εξεταστής εκτιμά τα μήκη των θραυσμάτων DNA που εμφανίζονται στη λωρίδα που μας ενδιαφέρει. Αυτό επιτυγχάνεται παρεμβάλλοντας τις ζώνες της λωρίδας στις ζώνες της σκάλας. Έπειτα ο εξεταστής συγκρίνει χειροκίνητα το σετ των εκτιμώμενων μηκών της λωρίδας με τα FLP όλων των HPV γονότυπων που εξετάζονται, ώστε να αποφασίσει ποιος γονότυπος ή συνδυασμός γονοτύπων έχει παράξει τις παρατηρούμενες ζώνες. Φαίνεται λοιπόν ότι η τυποποίηση του HPV με χρήση της PCR-RFLP gel electrophoresis έχει διάφορα μειονεκτήματα. Πρώτον, καθώς δεν χρησιμοποιεί διαφορετικούς ανιχνευτές ή primers για κάθε τύπο HPV, η ακρίβεια της μεθόδου είναι σε μειονεκτική θέση συγκριτικά με τις υπόλοιπες μεθόδους. Επιπλέον, απαιτεί σημαντική προσπάθεια από τον εξεταστή ώστε να εξαχθεί μία απόφαση για την τυποποίηση, σε αντίθεση με τις υπόλοιπες μεθόδους. Τέλος, η διαδικασία τυποποίησης γίνεται σημαντικά πιο περίπλοκη και επιρρεπής σε λάθη σε περιπτώσεις πολλαπλών μολύνσεων. Παρά τα προαναφερθέντα μειονεκτήματα, η PCR-RFLP gel electrophoresis χρησιμοποιήθηκε εκτενώς τις τελευταίες δύο δεκαετίες ως μέθοδος τυποποίησης του HPV [Lungu et al., 1992; Santiago et al., 2006; Nobre et al., 2008] και παραμένει ακόμα και σήμερα η προτιμώμενη μέθοδος για ένα σημαντικό ποσοστό εργαστηρίων μοριακής βιολογίας παγκοσμίως. Αυτό συμβαίνει γιατί η μέθοδος αυτή παρουσιάζει μερικά σημαντικά πλεονεκτήματα έναντι των υπολοίπων. Δεν χρησιμοποιεί εξειδικευμένες συσκευές, ακριβά αναλώσιμα και διαφορετικούς πράκτορες (primers κλπ.) για κάθε τύπο. Έτσι είναι σχετικά φθηνή μέθοδος και μπορεί να διεξαχθεί σε κάθε μετρίως εξοπλισμένο εργαστήριο. Επιπλέον, το γεγονός ότι δεν χρησιμοποιεί διαφορετικούς

16 Κεφάλαιο 1. Εισαγωγικά 7 πράκτορες για κάθε τύπο την καθιστά ικανή να επεκτείνεται εύκολα με την ανακάλυψη νέων τύπων HPV, πιθανώς χωρίς καν να χρειάζεται να επαναληφθεί η in vitro εξέταση του δείγματος.

17 Κεφάλαιο 2 Μεθοδολογία Ο HPVTyper χρησιμοποιεί μία νέα μεθοδολογία τυποποίησης του HPV [Maramis et al., 2010, 2011], η οποία αντιμετωπίζει τα κύρια μειονεκτήματα της PCR-RFLP μεθόδου. Η μεθοδολογία αυτή είναι ικανή να παράγει πολύ ακριβή αποτελέσματα ακόμα και στις περίπλοκες περιπτώσεις πολλαπλών μολύνσεων με έναν εντελώς αυτόματο τρόπο. Οι επιδόσεις της έχουν εξεταστεί από μία σειρά πειραμάτων [Maramis et al., 2011] πάνω σε ένα επαρκές σετ δεδομένων από πραγματικές εξετάσεις ταυτοποίησης του HPV (βλ. Κεφάλαιο 5). Η μεθοδολογία που εξετάζεται βασίζεται σε ένα καινοτόμο μοντέλο παρατήρησης που περιγράφει το μηχανισμό με τον οποίο ένα σετ από παραμέτρους μοριακής βιολογίας (πχ. οι συγκεντρώσεις διαφόρων γονότυπων HPV) παράγει το παρατηρούμενο αποτέλεσμα μιας PCR-RFLP gel electrophoresis εξέτασης (βλ. Σχήμα 1.2). Το μοντέλο αυτό παρουσιάζεται στην Παρ Μετά την παρουσίαση του μοντέλου παρατήρησης που προαναφέρθηκε, εξετάζεται η μεθοδολογία που χρησιμοποιείται. Περιλαμβάνει τρεις διαφορετικές φάσεις, οι οποίες φαίνονται στο Σχ Στην πρώτη φάση η εικόνα περνά κάποια στάδια προ-επεξεργασίας (Παράγραφος 2.2). Αυτό είναι απαραίτητη προϋπόθεση για να εκμεταλλευτεί κανείς επιτυχώς το μοντέλο παρατήρησης. Έπειτα, με βάση το μοντέλο, εξάγονται ακριβείς πληροφορίες για τα θραύσματα DNA που προέκυψαν από την RFLP ανάλυση (Παράγραφος 2.3). Οι εξαγόμενες πληροφορίες οδηγούνται σε ένα νέο αλγόριθμο τυποποίησης του HPV (Παράγραφος 2.4) που ταυτοποιεί εντελώς αυτόματα τους HPV γονότυπους που είναι πιο πιθανό να έχουν προκαλέσει τη μόλυνση στο εξεταζόμενο δείγμα. 2.1 Μοντέλο Παρατήρησης Το μοντέλο παρατήρησης που παρουσιάζεται αποτελείται από ένα σετ εξισώσεων που συσχετίζουν το οπτικό αποτέλεσμα μιας PCR-RFLP gel electrophoresis εξέτασης με τις παραμέτρους 8

18 Κεφάλαιο 2. Μεθοδολογία 9 PCR-RFLP image Lane Detection Background Subtraction Intensity Profile (IP) Extraction IPs IMAGE PREPROCESSING Fitting Points Selection Initial IP Fitting Ladder IP Models HPV-Lane IP Models Fragment Mobility Calibration Mobility Functions Fragment Properties Estimation FRAGMENT INFORMATION EXTRACTION Type Config. PCR-RFLP Config. Genotype Compatibility Check Fragment Properties Genotype Combination Testing Qualitative Band Justification IP Fitting Genotype Combination Ranking HPV TYPING ALGORITHM HPV Typing Decision Solution HPV16 HPV18 HPV16 & Score Σχήμα 2.1: Σχεδιάγραμμα της μεθολογίας που χρησιμοποιείται. Οι κυρίως διεργασίες παρουσιάζονται ως μπλοκ και η αλληλουχία τους φαίνεται από τα βέλη. που διέπουν τους HPV γονότυπους που έχουν μολύνει το εξεταζόμενο δείγμα. Περιγράφει, δηλαδή, με ποσοτικούς όρους το μηχανισμό με τον οποίο οι γονότυποι που προκαλούν τη μόλυνση οδηγούν στην παραγωγή της εικόνας της εξέτασης. Έστω η εξής περίπτωση: το δείγμα που εξετάζουμε έχει μολυνθεί από τον τύπο T του HPV. Μετά την εφαρμογή της PCR, η συγκέντρωση του T στο προϊόν της PCR είναι c T. Η πέψη της ενισχυμένης αλληλουχίας DNA του T από το περιοριστικό ένζυμο παράγει K θραύσματα DNA, των οποίων τα μήκη σε ζεύγη βάσεων (bp) περιέχονται στο FLP l = [l 1, l 2,..., l K ]. Στο τέλος της ηλεκτροφόρησης, τα θραύσματα του DNA που προκύπτουν από την πέψη σχηματίζουν K ζώνες στη λωρίδα του δείγματος (βλ. Σχήμα 2.2(a) για K = 4). Σχήμα 2.2: Απεικόνιση του μοντέλου παρατήρησης με δύο παραδείγματα. (a) Λωρίδα με 4 ζώνες. Δείγμα μολυσμένο από HPV 53 (GenBank ID X7448), ενίσχυση με MY09/11 (primers), πέψη με HpyCH4V (περιοριστικό ένζυμο). (b) Το προφίλ φωτεινότητας που εξάγεται από τη λωρίδα. Οι κορυφές που εμφανίζονται αντιστοιχούν σε μήκη θραυσμάτων 171, 151, 83 και 44bp (από αριστερά προς τα δεξιά). (c) Ένας 20-bp χάρακας που απεικονίζει τη σχέση θέσης - μήκους για τη λωρίδα. (d) Λωρίδα με τριπλή μόλυνση από HPV 30, 62, 72 (GenBank IDs X74474, AY395706, και X94164 αντίστοιχα), ενίσχυση με MY09/11, πέψη με HpyCH4V. (e) Το προφίλ φωτεινότητας που εξάγεται (μπλε διακεκομμένη γραμμή). Η συνεισφορά του κάθε τύπου φαίνεται με διαφορετικό χρώμα. (f) Ένας 20-bp χάρακας, όπως και προηγουμένως.

19 Κεφάλαιο 2. Μεθοδολογία 10 Λόγω της μονοδιάστατης φύσης της διαδικασίας ηλεκτροφόρησης, η πληροφορία που περιέχεται σε μία λωρίδα, βρίσκεται αποκλειστικά πάνω στη διεύθυνση της ηλεκτροφόρησης (ο X άξονας στο Σχ. 2.2(b)). Αυτό σημαίνει ότι δύο τυχαίες οριζόντιες τομές της εικόνας είναι πρακτικά πανομοιότυπες. Έτσι, αντί να χρησιμοποιήσουμε ολόκληρη την εικόνα της λωρίδας, μπορούμε να πάρουμε απλώς μια οριζόντια τομή της. Η προκύπτουσα μονοδιάστατη καμπύλη της έντασης (φωτεινότητας) ονομάζεται προφίλ φωτεινότητας (intensity profile) και απεικονίζεται στο Σχ. 2.2(b). Το προφίλ φωτεινότητας αποτελείται από K κορυφές, των οποίων τα κέντρα στον άξονα X είναι στοιχισμένα με τις θέσεις των κέντρων των ζωνών πάνω στην εικόνα της λωρίδας. Θεωρώντας γνωστές και σταθερές τις παραμέτρους της διαδικασίας (δηλαδή σταθερό ιξώδες του gel, τάση της ηλεκτροφόρησης κλπ.) η απόσταση που το κάθε θραύσμα DNA έχει διανύσει στο τέλος του πειράματος, και συνεπώς η θέση του, x, στον άξονα X εξαρτάται μόνο από το μήκος, l, του θραύσματος. Στο μοντέλο παρατήρησης που περιγράφεται, αυτή η σχέση μεταξύ θέσης και μήκους δίνεται από την παρακάτω συνάρτηση, που ονομάζουμε fragment mobility function: x = d(l; π) = π 1 + π 2 log(π 3 + π 4 l + l 2 ), (2.1) όπου το π = [π 1, π 2, π 3, π 4 ] συνιστά το διάνυσμα παραμέτρων της fragment mobility function. Αν υποθέσουμε ότι το διάνυσμα π είναι γνωστό και ότι η i οστή κορυφή στο προφίλ φωτεινότητας του Σχ. 2.2(b) παράγεται από τα θραύσματα DNA μήκους l i, συμπεραίνουμε ότι τα παρατηρούμενα κέντρα των κορυφών, x 1, x 2,..., x K, δίνονται από τη σχέση x i = d(l i ; π) i = 1, 2,..., K. (2.2) Επιπλέον, παρατηρείται ότι, κατά τη διάρκεια της ηλεκτροφόρησης του gel, ένας κινούμενος πληθυσμός αποτελούμενος από θραύσματα DNA του ίδιου μήκους, τείνει να χάνει συνεχώς κάποια από τα μέλη του, δηλαδή η συγκέντρωσή του εξασθενεί συνεχώς, καθώς ο πληθυσμός κινείται. Το φαινόμενο αυτό λαμβάνεται υπ όψιν από το μοντέλο παρατήρησης μέσω της residual function r(x) = φx + 1 x [0, E]. (2.3) Η συνάρτηση αυτή εκφράζει το ποσοστό των θραυσμάτων DNA που δεν έχουν εγκαταλείψει τον κινούμενο πληθυσμό όταν η μέση θέση του είναι x. Στο παράδειγμα υποθέτουμε ότι η συγκέντρωση του προϊόντος του PCR του τύπου T είναι c T. Το προϊόν αυτό παράγει μετά την πέψη του K πληθυσμούς από θραύσματα DNA, τα οποία

20 Κεφάλαιο 2. Μεθοδολογία 11 αντιστοιχούν στα μήκη l 1, l 2,..., l K και συγκεντρώνονται στο πηγάδι της λωρίδας πριν την έναρξη της ηλεκτροφόρησης. Έτσι, οι συγκεντρώσεις των πληθυσμών αυτών στο πηγάδι θα είναι: c T, c T,..., c } {{ T. } K Όμως, λόγω της προαναφερθείσας εξασθένησης της συγκέντρωσης, στο τέλος της ηλεκτροφόρησης, οι πληθυσμοί που σχηματίζουν τις κορυφές του προφίλ φωτεινότητας στο Σχ. 2.2(b) θα έχουν τις εξής μειωμένες συγκεντρώσεις: r(x 1 )c T, r(x 2 )c T,..., r(x K )c } {{ T. } K Η ένταση της εικόνας που παράγεται από ένα θραύσμα DNA καθορίζεται από τον αριθμό των φωσφοριζόντων μορίων που συνδέονται μ αυτό. Καθώς ο αριθμός αυτός είναι ανάλογος προς το μήκος του θραύσματος, το μοντέλο παρατήρησης υπολογίζει τη συνεισφορά καθενός εκ των K πληθυσμών θραυσμάτων που αναφέρθηκαν στο προφίλ φωτεινότητας, ως εξής: f l 1 r(x 1 )c T, f l 2 r(x 2 )c T,..., f l K r(x K )c } {{ T, } K όπου f η συνεισφορά ενός θραύσματος DNA μήκους 1bp στο προφίλ φωτεινότητας. Όσον αφορά στο σχήμα των κορυφών, έχει αποδειχθεί [Maramis and Delopoulos, 2010a] ότι κάθε κορυφή του προφίλ φωτεινότητας που αντιστοιχεί σε θραύσματα μήκους l 0 μπορεί να μοντελοποιηθεί με ακρίβεια από την integrated Weibull function, w(x; β, γ, x 0 ) = γ ( 2γ 1/γ βγ(1/γ) exp 1 γ x x 0 γ ), (2.4) β όπου (i) Γ( ) είναι η συνάρτηση γάμμα, (ii) οι παράμετροι β και γ καθορίζουν το σχήμα της κορυφής, και (iii) x 0 είναι η μέση απόσταση που έχουν διανύσει τα θραύσματα μήκους l 0, δηλαδή, x 0 = d(l 0 ; π). Τέλος, το μοντέλο παρατήρησης που περιγράφεται υπερθέτει K integrated Weibull functions για να μοντελοποιήσει ολόκληρο το προφίλ φωτεινότητας της εξεταζόμενης λωρίδας ως εξής: i(x) = f c T K i=1 l i r(x i ) w ( x; β i, γ i, x i ), (2.5)

21 Κεφάλαιο 2. Μεθοδολογία 12 όπου i( ) είναι το μοντέλο του προφίλ φωτεινότητας. Προκειμένου να καταλήξουμε στην (2.5) λαμβάνουμε υπ όψιν μας τις συνεισφορές των πληθυσμών από DNA θραύσματα στο προφίλ φωτεινότητας, οι οποίες υπολογίστηκαν προηγουμένως. 2.2 Προεπεξεργασία Εικόνας Η πρώτη φάση της μεθοδολογίας που χρησιμοποιείται για την τυποποίηση του HPV ασχολείται με την προεπεξεργασία της εικόνας που αποκτήθηκε από την PCR-RFLP, προκειμένου να εξαχθούν τα προφίλ φωτεινότητας των λωρίδων. Θεωρούμε πως η εικόνα πληροί κάποια κριτήρια προκειμένου να εκτελεστούν σωστά οι ενέργειες αυτού του βήματος (βλ. Σχήμα 1.2 για παράδειγμα): 1. Στην εικόνα απεικονίζονται αποκλειστικά οι λωρίδες. 2. Οι ζώνες εμφανίζονται φωτεινές σε σκούρο φόντο. 3. Ο κάθετος άξονας της εικόνας συμπίπτει με τον άξονα της ηλεκτροφόρησης. Εφόσον τα κριτήρια αυτά εκπληρώνονται, μπορούν να προσδιοριστούν τα όρια των λωρίδων που εμφανίζονται. Χρησιμοποιώντας τις περιοχές ανάμεσα στις λωρίδες, μοντελοποιείται η φωτεινότητα του φόντου ως ένα πολυώνυμο των συντεταγμένων της εικόνας. Έπειτα, αφαιρείται η φωτεινότητα του φόντου από την εικόνα, ώστε οι περιοχές που απεικονίζουν οι λωρίδες να περιέχουν μόνο τη συνιστώσα της φωτεινότητας που προκαλείται από το ιικό υλικό. Όλες αυτές οι ενέργειες εκτελούνται αυτόματα και είναι τεκμηριωμένες [Maramis and Delopoulos, 2010b]. Παράγεται λοιπόν μία ομάδα από διορθωμένες εικόνες λωρίδων (εικόνες από τις οποίες έχει αφαιρεθεί το φόντο) όπως αυτή που φαίνεται στο Σχ. 2.2(a). Η εξαγωγή του προφίλ φωτεινότητας, p( ), της κάθε λωρίδας είναι το τελικό βήμα αυτής της φάσης. Εξαιτίας της παρουσίας θορύβου στην εικόνα όμως, αντί να χρησιμοποιήσουμε μία τομή της λωρίδας όπως προαναφέρθηκε λαμβάνουμε υπ όψιν μας όλη την πληροφορία που βρίσκεται πάνω στον κάθετο ως προς την ηλεκτροφόρηση άξονα (έστω ο άξονας Y ). Έτσι, αν I( ) είναι η διορθωμένη εικόνα της λωρίδας και D το μέγεθός της κατά μήκος του άξονα X, το προφίλ φωτεινότητας της λωρίδας δίνεται από τη σχέση: p(x) = median y {I(x, y)} x = 1, 2,..., D. (2.6)

22 Κεφάλαιο 2. Μεθοδολογία Εξαγωγή πληροφορίας των Θραυσμάτων Ο στόχος αυτής της φάσης είναι να εκτιμήσει συγκεκριμένες ιδιότητες των θραυσμάτων DNA που εμπεριέχονται σε μία λωρίδα του δείγματος. Συγκεκριμένα, αναφερόμαστε σε μία αρχική εκτίμηση των μηκών και των συγκεντρώσεων που σχετίζονται με τους πληθυσμούς μορίων στη λωρίδα. Για το σκοπό αυτό, χρησιμοποιούνται τα προφίλ φωτεινότητας από την προηγούμενη φάση και το μοντέλο παρατήρησης της Παραγράφου 2.1. Τα βήματα αυτής της φάσης περιγράφονται στη συνέχεια Ανίχνευση κορυφών Το βήμα αυτό εκτελείται για κάθε προφίλ φωτεινότητας που εξάγεται (Παράγραφος 2.2) και σκοπός του είναι να προσδιορίσει (i) τον αριθμό και τις κατά προσέγγιση θέσεις των κορυφών του προφίλ, και (ii) το σετ των σημείων που αποτελούν την κάθε κορυφή. Το τελευταίο χρησιμοποιείται από όλα τα επόμενα βήματα της μεθοδολογίας που επιτελούν βελτιστοποίηση καμπυλών (Παράγραφοι και 2.4.2). Αρχικά εφαρμόζεται η τεχνική rolling disk [Mikhailyuk and Razzhivin, 2003] για να εξαλείψει από το προφίλ οποιαδήποτε υπολείμματα του φόντου. Η ακτίνα του δίσκου (παράμετρος θ 1 ) καθορίζει την ευαισθησία της τεχνικής αυτής σε διακυμάνσεις της έντασης του προφίλ. Μετά από το στάδιο αυτό, το προφίλ εξομαλύνεται (θ 2 καθορίζει την τάξη του smoothing filter που χρησιμοποιείται) και ο αλγόριθμος watershed [Vincent and Soille, 1991] ανιχνεύει τα τοπικά μέγιστα (τις κορυφές) του προφίλ φωτεινότητας. Προκειμένου να εξαλείψουμε πιθανώς λανθασμένες κορυφές (δηλαδή κορυφές που δεν αντιστοιχούν σε HPV ζώνες), χρησιμοποιούμε ένα κατώφλι για να απορρίψουμε κορυφές μικρότερες από ένα ποσοστό (παράμετροι θ 3 1) της μέσης τιμής του προφίλ φωτεινότητας. Κάθε ζεύγος τοπικών ελαχίστων ορίζει μια αλληλουχία από σημεία του προφίλ, στα οποία εμπεριέχεται και η κορυφή. Θεωρούμε ότι το κεντρικό κομμάτι της αλληλουχίας αυτής αναπαριστά επαρκώς την κορυφή και είναι αυτό που θα χρησιμοποιηθεί στη συνέχεια στα διάφορα βήματα που περιλαμβάνουν διαδικασίες βελτιστοποίησης. Η παράμετρος θ 4 καθορίζει το ποσοστό των σημείων του προφίλ που θα επιλεχθούν. Τα επιλεγμένα σημεία από όλες τις κορυφές αποτελούν ένα σετ, X F, τα fitting points Αρχικό Intensity Profile Fitting Στο βήμα αυτό παράγεται ένα απλουστευμένο μοντέλο με βάση το μοντέλο παρατήρησης για κάθε προφίλ φωτεινότητας που έχουμε εξάγει (είτε για τις λωρίδες που περιέχουν HPV δείγματα, είτε για τις σκάλες). Το μοντέλο αυτό αγνοεί εσκεμμένα την άγνωστη προς στιγμήν συσχέτιση των κορυφών του προφίλ φωτεινότητας με τα FLP των τύπων του HPV που

23 Κεφάλαιο 2. Μεθοδολογία 14 έχουν μολύνει το δείγμα. Για μία λωρίδα με K κορυφές, το απλουστευμένο μοντέλο του προφίλ φωτεινότητας, p m ( ), δίνεται από τη σχέση p m (x; ρ) = K i=1 ( A i exp 1 x x ) i γi x = 1, 2,..., D, (2.7) γ i β i όπου ρ = [A 1, β 1, γ 1, x 1,..., A K, β K, γ K, x K ]. Το παραπάνω μοντέλο βελτιστοποιείται με βάση το προφίλ φωτεινότητας χρησιμοποιώντας το κριτήριο των ελαχίστων τετραγώνων. Συνεπώς, πρέπει να προσδιοριστεί το διάνυσμα παραμέτρων ρ opt που ικανοποιεί την παρακάτω εξίσωση: ρ opt = arg min ρ x X F ( p(x) pm (x; ρ) ) 2. (2.8) Η διαδικασία της βελτιστοποίησης ονομάζεται αρχικό ή initial intensity profile fitting και εκτελείται για κάθε λωρίδα ξεχωριστά χρησιμοποιώντας κάποιον καθιερωμένο αλγόριθμο βελτιστοποίησης Υπολογισμός της Fragment Mobility Function Το βήμα αυτό εκτελείται μόνο για τις σκάλες της εικόνας και στοχεύει στον υπολογισμό της mobility function των θραυσμάτων, d( ), του μοντέλου παρατήρησης. Δηλαδή, υπολογίζεται το διάνυσμα παραμέτρων π (βλ. Παράγραφο 2.1) που περιγράφει με το βέλτιστο τρόπο τη σχέση θέσης - μήκους θραύσματος της εικόνας που εξετάζεται. Η σχέση αυτή στην ιδανική περίπτωση είναι ένα σταθερό χαρακτηριστικό της εικόνας, αλλά η παρουσία θορύβου και η προσεγγιστική φύση της mobility function απαιτούν τη χρήση όλων των διαθέσιμων σκαλών, ώστε η εκτίμηση να είναι όσο το δυνατόν πιο ακριβής για τις διάφορες περιοχές της εικόνας. Έστω μία σκάλα με K κορυφές. Οι θέσεις των κέντρων των κορυφών στο προφίλ φωτεινότητας έχουν εκτιμηθεί στο προηγούμενο βήμα. Έστω x i για i = 1, 2,..., K οι θέσεις αυτές. Επιπλέον, τα μοριακά μήκη που περιέχονται στη σκάλα και αντιστοιχούν στις κορυφές είναι γνωστά, έστω li για i = 1, 2,..., K. Τότε, το βέλτιστο διάνυσμα παραμέτρων π opt δίνεται από τη σχέση π opt = arg min π K ( x i d(li ; π) ) 2. (2.9) i=1 Το fragment mobility calibration εκτελείται για κάθε σκάλα της εικόνας χρησιμοποιώντας κάποιο καθιερωμένο αλγόριθμο βελτιστοποίησης.

24 Κεφάλαιο 2. Μεθοδολογία Εκτίμηση Ιδιοτήτων των Θραυσμάτων Στο βήμα αυτό εκτιμώνται τα μήκη θραυσμάτων και οι συγκεντρώσεις των παρατηρούμενων πληθυσμών από HPV DNA μόρια (δηλαδή οι κορυφές του προφίλ φωτεινότητας) καθεμιάς λωρίδας (εκτός των σκαλών). Για το σκοπό αυτό κάθε HPV λωρίδα σχετίζεται με μία σκάλα (συνήθως αυτή που βρίσκεται εγγύτερά του πάνω στο gel matrix), από την οποία παίρνει τη fragment mobility function (Παράγραφος 2.3.3). Καθώς οι θέσεις των κορυφών, x i, ενός προφίλ έχουν εκτιμηθεί σε προηγούμενο βήμα, τα μήκη των θραυσμάτων, l i, που αντιστοιχούν στις κορυφές μπορούν να υπολογιστούν από την αντίστροφη της fragment mobility function ως εξής: l i = d ( 1) (x i ; π opt ) i = 1, 2,..., K, (2.10) όπου υποθέτουμε ότι το προφίλ φωτεινότητας έχει K κορυφές και οτι το διάνυσμα παραμέτρων π opt είναι το αποτέλεσμα της διαδικασίας βελτιστοποίησης. Συνδυάζοντας τις σχέσεις (2.5) και (2.7) καταλήγουμε στην παρακάτω σχέση που εκτιμά τις συγκεντρώσεις των πληθυσμών θραυσμάτων: c i = 2γ1/γ i i β i Γ(1/γ i ) l i γ i A i i = 1, 2,..., K. (2.11) Αξίζει να σημειωθεί ότι με c i συμβολίζεται η φαινόμενη συγκέντρωση του i οστού πληθυσμού θραυσμάτων, δηλαδή η συγκέντρωση που υπολογίζεται αν υποθέσουμε ότι η παράμετρος f στην (2.5) ισούται με 1. Η υπόθεση αυτή δεν επηρεάζει αρνητικά τα αποτελέσματα, καθώς μας ενδιαφέρει μόνο η σχετική συγκέντρωση των παρατηρούμενων πληθυσμών (όπως θα φανεί στην Παρ. 2.4). Για τον υπολογισμό των διαφόρων c i χρησιμοποιούνται οι τιμές β i και γ i που έχουν βελτιστοποιηθεί από την (2.8), καθώς και οι τιμές l i που εκτιμήθηκαν από την (2.10). 2.4 Αλγόριθμος HPV Τυποποίησης Οι αποφάσεις της τυποποίησης λαμβάνονται σ αυτή τη φάση της μεθοδολογίας. Ο HPV typing algorithm αποφασίζει ποιοι τύποι HPV ή συνδυασμοί αυτών μπορούν να εξηγήσουν τις παρατηρούμενες κορυφές στο προφίλ φωτεινότητας της λωρίδας, τόσο ποιοτικά όσο και ποσοτικά, χρησιμοποιώντας το μοντέλο παρατήρησης. Πρώτα, ελέγχονται όλοι οι γονότυποι όσον αφορά στην συμβατότητά τους με τις παρατηρούμενες κορυφές (Παράγραφος 2.4.1) και απορρίπτονται όσοι δεν είναι συμβατοί. Έπειτα κάθε δυνατός συνδυασμός από συμβατούς γονότυπους αποτελεί μία υπόθεση, η οποία και ελέγχεται ως προς την ικανότητά της να παράγει το παρατηρούμενο προφίλ φωτεινότητας (Παράγραφος 2.4.2). Τέλος, σε κάθε συνδυασμό συμβατών γονότυπων

25 Κεφάλαιο 2. Μεθοδολογία 16 ανατίθεται ένα score (Παράγραφος 2.4.3) που συνδυάζει τα αποτελέσματα του προηγούμενου ελέγχου με τις εκ των προτέρων πιθανότητες των εμπλεκόμενων γονότυπων Έλεγχος Συμβατότητας Γονότυπων Θέλουμε να ελέγξουμε τη συμβατότητα του γονότυπου T ως προς το προφίλ φωτεινότητας μίας λωρίδας. Ας υποθέσουμε ότι το προφίλ έχει K κορυφές στις θέσεις x = [x 1, x 2,..., x K ]. Αν l = [l 1, l 2,..., l N ] είναι το FLP του T, τότε ορίζουμε τη συνάρτηση a( ) : [1,..., N] [1,..., K] που αναθέτει τα στοιχεία του FLP στις κορυφές του προφίλ ώστε a(i) = j να δηλώνει ότι το i οστό στοιχείο του l κείτεται στην j οστή κορυφή. Από όλες τις διαφορετικές αναθέσεις επιλέγουμε την a ( ) που ελαχιστοποιεί: C T,a( ) = 1 N N ( ) 2 d(li ; π opt ) x a(i). (2.12) i=1 Αναλόγως των παραμέτρων της gel electrophoresis και της εικόνας, τα θραύσματα DNA με μήκη l i1 και l i2 (l i1 l i2 ) που αντιστοιχούν στα στοιχεία του FLP με δείκτες i 1 i 2 μπορεί να θεωρηθεί πως συμβάλουν στην ίδια κορυφή. Όμως στην επιλογή της ανάθεσης a ( ) επιτρέπεται να συμπίπτουν τα στοιχεία i 1 και i 2 (δηλαδή, a(i 1 ) = a(i 2 )) μόνο αν οι αναμενόμενες θέσεις των θραυσμάτων i 1 και i 2 βρίσκονται αρκετά κοντά, δηλαδή: d(l i1 ; π opt ) d(l i2 ; π opt ) θ 5. (2.13) Η παράμετρος θ 5 ονομάζεται coincidence threshold και για δοσμένο διάνυσμα παραμέτρων π opt, καθορίζει αν δύο διαφορετικά μήκη θραυσμάτων μπορούν να ανατεθούν στην ίδια κορυφή. Ο βαθμός συμβατότητας του γονότυπου T ορίζεται ως C T = C T,a ( ) και δεν πρέπει να υπερβαίνει το compatibility threshold θ 6, προκειμένου ο γονότυπος να θεωρηθεί συμβατός με το προφίλ φωτεινότητας (δηλαδή, C T θ 6 ) Έλεγχος Συνδυασμών Γονότυπων Στη διαδικασία ελέγχου των συνδυασμών λαμβάνεται υπ όψιν το φαινόμενο του partial digestion (μερική πέψη). Ως αυτό το σημείο ο όρος FLP χρησιμοποιήθηκε για να υποδηλώσει το σύνολο των θραυσμάτων DNA που προκύπτουν από την πέψη όλων των restriction sites στο ενισχυμένο μόριο DNA (full digestion). Έτσι, αν το ενισχυμένο μόριο του HPV γονότυπου T περιέχει N 1 restriction sites, τότε το FLP του θα είναι l = [l 1, l 2,..., l N ]. Μερικές φορές όμως

26 Κεφάλαιο 2. Μεθοδολογία 17 τα περιοριστικά ένζυμα αποτυγχάνουν να κόψουν το ενισχυμένο DNA σε ένα η περισσότερα σημεία. Στις περιπτώσεις αυτές υπάρχουν FLP που αντιστοιχούν σε μερική πέψη και συνυπάρχουν με τα FLP που παράγονται από την πλήρη πέψη. Για παράδειγμα, l = [l 1 + l 2, l 3..., l N ] είναι το αποτέλεσμα που προκύπτει αν το ένζυμο αποτύχει να κόψει το μόριο στο πρώτο σημείο. Για να αποφύγουμε τη σύγχυση, στο εξής θα αναφερόμαστε σε main FLP (mflp) και partial digestion FLP (pdflp) για να υποδηλώσουμε FLP που προέκυψαν από πλήρη και μερική πέψη αντίστοιχα. Για ένα συνδυασμό συμβατών γονότυπων t = {T 1,..., T M }, το l k = [l1 k,..., lk N k ] χρησιμοποιείται για να υποδηλώσει το mflp του T k, όπου N k είναι ο αριθμός των θραυσμάτων στο l k. Όσον αφορά στην ανάθεση a k ( ) του T k υιοθετούμε την βέλτιστη ανάθεση που επιλέχθηκε για τον γονότυπο αυτό στο προηγούμενο βήμα. Έπειτα οι ενέργειες που περιγράφονται παρακάτω εφαρμόζονται στο συνδυασμό t. Ποιοτική εξήγηση κορυφών: Αρχικά ο συνδυασμός γονότυπων εξετάζεται ως προς την ικανότητά του να εξηγήσει ποιοτικά όλες τις παρατηρούμενες κορυφές του προφίλ, με ή χωρίς τη χρήση ενός αριθμού pdflp, τα οποία προκύπτουν από τους συμμετέχοντες γονότυπους. Μόνο τα pdflp που προκύπτουν από ένα συγκεκριμένο αριθμό αποτυχιών κοπής (παράμετρος θ 7 ) λαμβάνονται υπ όψιν. Αυτά τα pdflp συνδυάζονται για να δημιουργήσουν ένα σετ απο υπο-υποθέσεις έτσι ώστε κάθε υπο-υπόθεση να περιλαμβάνει όλα τα mflp του t και ένα συγκεκριμένο υποσύνολο των πιθανών pdflp. Μία υπο-υπόθεση γίνεται δεκτή στο βήμα αυτό αν ικανοποιεί το παρακάτω κριτήριο ποιοτικής αιτιολόγησης κορυφών: j = 1,..., K k, i a k (i) = j, (2.14) όπου συνυπολογίζονται οι αναθέσεις των συμμετεχόντων pdflp (δηλαδή a k ( ) για k > M). Αυτές επιλέγονται με τον ίδιο τρόπο που επιλέγεται η ανάθεση για ένα mflp (βλ. Παράγραφο 2.4.1). Από τις υπο-υποθέσεις που πληρούν το παραπάνω κριτήριο, επιλέγεται τελικά αυτή που περιλαμβάνει το μικρότερο αριθμό pdflp και σ αυτή εφαρμόζεται το επόμενο βήμα. Αν δεν υπάρχουν υπο-υποθέσεις που να πληρούν το κριτήριο, ο συνδυασμός t απορρίπτεται. Intensity Profile Fitting: Στο βήμα αυτό, το πιο σημαντικό του αλγορίθμου τυποποίησης, γίνεται προσπάθεια να εξηγηθεί το προφίλ φωτεινότητας ως μία υπέρθεση της συμβολής όλων των FLP του εξεταζόμενου συνδυασμού της υπόθεσης. Ο συνδυασμός εκπροσωπείται από την βέλτιστη υπο-υπόθεση που επιλέχθηκε στο προηγούμενο βήμα. Ας υποθέσουμε ότι η επιλεγμένη υπο-υπόθεση του συνδυασμού t αποτελείται από Q FLP (M mflp και Q M pdflp). Βασιζόμενοι στην (2.5) του μοντέλου παρατήρησης, η επιμέρους

27 Κεφάλαιο 2. Μεθοδολογία 18 συμβολή του q οστού FLP, l q = [l q 1,..., lq N q ], στο παρατηρούμενο προφίλ φωτεινότητας δίνεται από την εξίσωση: i q (x; c q, θ q, φ) = c q N q i=1 l q i r(xq i ) w(x; βq i, γq i, xq i ) x = 1, 2,..., D, (2.15) όπου φ είναι ο συντελεστής εξασθένησης της (2.3), c q είναι η φαινόμενη συγκέντρωση του FLP και θ q = [β q 1, γq 1, xq 1,..., βq N q, γ q N q, x q N q ]. Το μοντέλο του προφίλ φωτεινότητας του εξεταζόμενου συνδυασμού γονότυπων t προκύπτει από τις επιμέρους συμβολές των συμμετεχόντων FLP ως εξης: Q p m (x; ρ) = i q (x; c q, θ q, φ) x = 1, 2,..., D, (2.16) q=1 όπου ρ = [c 1, θ 1,..., c Q, θ Q, φ]. Το τελευταίο διάνυσμα έχει ρόλο αντίστοιχο με το διάνυσμα παραμέτρων ρ του απλουστευμένου μοντέλου του προφίλ φωτεινότητας (βλ. (2.7)). Το βέλτιστο μοντέλο του t προκύπτει από την παρακάτω σχέση: ρ opt = arg min ρ x X F ( p(x) pm (x; ρ) ) 2. (2.17) Κατά την ελαχιστοποίηση του (2.17) έχουμε τον εξής περιορισμό: η συγκέντρωση ενός pdflp δεν επιτρέπεται να ξεπερνά ένα ποσοστό (παράμετρος θ 8 < 1) της συγκέντρωσης του αντίστοιχου mflp. Ο υπολογισμός του ρ opt στην (2.17) με βάση τον περιορισμό που μόλις αναφέρθηκε γίνεται από κάποιο καθιερωμένο αλγόριθμο βελτιστοποίησης. Η αρχικοποίηση της διαδικασίας βελτιστοποίησης γίνεται με τη βοήθεια των τιμών που εκτιμήθηκαν στο βήμα του αρχικού intensity profile fitting (Παράγραφος 2.3.2) Κατάταξη Συνδυασμών Γονότυπων Το score που χρησιμοποιείται για να ταξινομήσει τους συνδυασμούς συμβατών γονότυπων που ελέγχθησαν παίρνει υπ όψιν του και τα αποτελέσματα του fitting από το προηγούμενο βήμα (Παράγραφος 2.4.2) αλλά και τις εκ των προτέρων πιθανότητες των γονότυπων του συνδυασμού. Για το συνδυασμό γονότυπων t, αν ρ t opt είναι το βελτιστοποιημένο διάνυσμα παραμέτρων του μοντέλου του προφίλ του συνδυασμού και X F είναι ο αριθμός των fitting points που χρησιμοποιήθηκαν, το μέσο τετραγωνικό σφάλμα του fitting για τον t ορίζεται από τη σχέση

28 Κεφάλαιο 2. Μεθοδολογία 19 J(t) = 1 X F x X F ( p(x) pm (x; ρ t opt) ) 2. (2.18) Επιπλέον, αν J 0 είναι το μέσο τετραγωνικό σφάλμα που παίρνουμε από το αρχικό fitting του εξεταζόμενου προφίλ (Παράγραφος 2.3.2), δηλαδή, J 0 = 1 X F x X F ( p(x) pm (x; ρ opt ) ) 2, (2.19) P 0 (t) είναι η συλλογική εκ των προτέρων πιθανότητα των HPV τύπων στους οποίους ανήκουν οι γονότυποι t, και K είναι ο αριθμός των κορυφών στο, τότε, το score του t δίνεται από τη σχέση R(t) = 2K J(t) J 0 + θ 9 ln ( P 0 (t) ). (2.20) Η παράμετρος θ 9, που ονομάζεται prior weight, χρησιμοποιείται για να προσαρμόσει το βαρύτητα των εκ των προτέρων πιθανοτήτων στη διαδικασία κατάταξης. Η τιμή της είναι θετική και αν δεν ορίζεται θεωρείται μονάδα. Όπως φαίνεται από την (2.20), το score παίρνει μόνο αρνητικές τιμές και ένας συνδυασμός γονότυπων του οποίου το score βρίσκεται κοντά στο 0 αποτελεί μια καλύτερη λύση στο πρόβλημα σχετικά με ένα συνδυασμό που έχει χαμηλότερο score. Το eligibility threshold θ 10 χρησιμοποιείται για να αποφασιστεί ποιοι συνδυασμοί γονότυπων που εξετάστηκαν αποτελούν λύσεις του προβλήματος (δηλαδή, R(t) θ 10 ) και ποιοι όχι.

29 Κεφάλαιο 3 Engine Engine ονομάζουμε το κομμάτι του λογισμικού που εκτελεί όλους τους υπολογισμούς στη διαδικασία της διάγνωσης, όπως περιγράφεται στα βήματα του Κεφ. 2. Είναι ουσιαστικά ένας server που λαμβάνει κλήσεις από τους clients (το γραφικό περιβάλλον, Κεφ. 4) για την επεξεργασία των δεδομένων. Το Engine έχει γραφεί σε γλώσσα C και συγκεκριμένα για το λειτουργικό σύστημα Linux, αν και η μεταφορά του σε διαφορετικά λειτουργικά συστήματα είναι απλά θέμα συμβατότητας των χρησιμοποιούμενων βιβλιοθηκών, οι οποίες είναι οι: ZeroMQ, GSL, NLOpt, OpenCV και Jansson 1. Χρησιμοποιούνται για την μεταφορά δεδομένων μέσω του δικτύου, τις μαθηματικές πράξεις, τις διαδικασίες βελτιστοποίησης, την ανάλυση της εικόνας και το χειρισμό των JSON κειμένων αντίστοιχα. Περισσότερες πληροφορίες δίνονται στη συνέχεια. 3.1 Δομή του Server Αρχικά, δημιουργούνται δύο ØMQ sockets 2. Ένα χρησιμοποιείται για να δέχεται τις κλήσεις προς το Engine από τους διάφορους clients και το άλλο χρησιμοποιείται για να διαμοιράζει τις κλήσεις αυτές στα επιμέρους workers (ένα worker είναι ουσιαστικά ένα νήμα thread), τα οποία εξετάζονται στη συνέχεια. Η διανομή των μηνυμάτων προς τα workers γίνεται με την τεχνική fair queuing [Nagle, 1987], ενώ η κεντρική διεργασία αναλαμβάνει να εξυπηρετήσει μόνο τα μηνύματα ping, ώστε αν όλα 1 Οι βιβλιοθήκες αυτές βρίσκονται στους παρακάτω δικτυακούς τόπους: ZeroMQ GSL NLOpt OpenCV Jansson 2 Τα συμβατικά sockets μεταφέρουν μία ροή από bytes ή διακριτά πακέτα δεδομένων. Ένα ØMQ socket μεταφέρει διακριτά μηνύματα. Ουσιαστικά είναι μια ασύγχρονη ουρά μηνυμάτων (message queue) [imatix Corporation]. 20

30 Κεφάλαιο 3. Engine 21 τα workers είναι απασχολημένα οι clients να γνωρίζουν ότι η υπηρεσία λειτουργεί και απλώς είναι απασχολημένη. Όταν μία κλήση ενός client φτάνει στη διεργασία αυτή, προωθείται το μήνυμα με τα δεδομένα της σε ένα worker. Αφού το worker τελειώσει την επεξεργασία αποστέλλει μία απάντηση στην κεντρική διεργασία η οποία προωθείται στον client που έκανε την αρχική κλήση. client ØMQ engine main thread ØMQ worker worker worker worker. adaptors modules Σχήμα 3.1: Παρουσιάζεται η δομή του HPVTyper από την πλευρά του Engine. Ο client ζητά την επεξεργασία των δεδομένων από το Engine, το οποίο αναθέτει τη διαδικασία σε ένα worker thread. Το τελευταίο χρησιμοποιεί έναν adaptor, ο οποίος εκμεταλλεύεται συναρτήσεις από τα modules για να εξάγει τα αποτελέσματα που θα σταλούν πίσω στον client Worker Κατά την εκκίνηση του Engine δημιουργείται ένας αριθμός από pthreads [Buttlar et al., 1996], τα οποία ονομάζουμε workers. Το κάθε worker είναι ανεξάρτητο και μπορεί να εξυπηρετήσει μία κλήση. Χρησιμοποιεί ένα ØMQ socket για να λαμβάνει μηνύματα από το κεντρικό process και για να αποστέλλει τα αποτελέσματα της επεξεργασίας πίσω σε αυτό. Στην ιδανική περίπτωση χρησιμοποιείται ένας αριθμός από workers ίσος με το διπλάσιο των διαθέσιμων πυρήνων του επεξεργαστή.

31 Κεφάλαιο 3. Engine Μήνυμα Το μήνυμα είναι ένα ØMQ message 3. Παρόλο που για τη ØMQ ένα μήνυμα δεν έχει συγκεκριμένη εσωτερική δομή, για το worker είναι σαφώς ορισμένο. Το μήνυμα αποτελείται από τουλάχιστον ένα μέρος, το οποίο έχει μέγεθος ακριβώς δύο byte. Τα δύο αυτά bytes κωδικοποιούν το είδος της κλήσης που ζητήθηκε από τον client. Τα υπόλοιπα μέρη του μηνύματος περιέχουν τα δεδομένα που απαιτούνται από την εκάστοτε κλήση και η δομή τους περιγράφεται στην Παρ Τα μέρη ενός μηνύματος πέραν του πρώτου έχουν επίσης συγκεκριμένη δομή. Εκφράζουν είτε ένα JSON (Παράρτημα A) αντικείμενο, είτε ένα δισδιάστατο πίνακα αριθμών κινητής υποδιαστολής 4. Η δομή ενός μηνύματος που περιέχει πίνακα αριθμών φαίνεται στο Σχ Τα πρώτα 4 bytes αποτελούν 2 ακέραιους (int) αριθμούς που καθορίζουν τις διαστάσεις του πίνακα. Τα υπόλοιπα bytes κωδικοποιούν τα στοιχεία του πίνακα ως αριθμούς κινητής υποδιαστολής διπλής ακρίβειας (double) [IEEE Std ], μεγέθους 8 bytes το καθένα. Για την αποστολή ενός πίνακα μεγέθους m n απαιτούνται συνολικά (m n + 1) 8 bytes. 4 bytes 8 bytes m. n. i 0,0. i 0, ints m n doubles Σχήμα 3.2: Δομή ενός μηνύματος που περιέχει πίνακα αριθμών Με αυτό τον τρόπο αποστέλλονται στο Engine μεταξύ άλλων οι εικόνες, τα διανύσματα παραμέτρων και τα προφίλ φωτεινότητας Adaptors Adaptors ονομάζονται οι συναρτήσεις που αναλαμβάνουν να αποκωδικοποιήσουν τα δεδομένα που αποστέλλονται στο Engine με μία κλήση, να επεξεργαστούν τα δεδομένα αυτά και να κωδικοποιήσουν τα αποτελέσματα της επεξεργασίας σε ένα ØMQ μήνυμα. Ως συναρτήσεις της C, έχουν τη γενική μορφη: 3 Ένα ØMQ μήνυμα είναι η μονάδα δεδομένων που αποστέλλεται μέσω ενός ØMQ socket. Τα μηνύματα αυτά δεν έχουν εσωτερική δομή και για τη ØMQ θεωρούνται δυαδικά δεδομένα [imatix Corporation]. 4 Για τη μεταφορά διανυσμάτων χρησιμοποιείται δισδιάστατος πίνακας με την πρώτη διάσταση να είναι μονάδα. Οι ακέραιοι αριθμοί μεταφέρονται ως αριθμοί κινητής υποδιαστολής και μετατρέπονται από double σε int.

32 Κεφάλαιο 3. Engine 23 void adaptor_ template ( request_msg * in, request_msg * out ) {}; typedef s t r u c t { char ** msg_part ; // message p a r t data i n t * msg_size ; // message p a r t s i z e s i n t n ; // number of message p a r t s } request_msg ; Κώδικας 3.1: Μορφή μίας adaptor συνάρτησης Ο client χρησιμοποιεί κυρίως τους εξής έξι adaptors, των οποίων η λειτουργία θα αναλυθεί παρακάτω, στην Παρ. 3.2: Ping Adaptor: Υλοποιεί τη διαδικασία του ping από τον client προς το Engine στο επίπεδο της ØMQ. Profile Extraction Adaptor: Αφαιρεί το φόντο της εικόνας, εξάγει τα προφίλ φωτεινότητας από τις λωρίδες που μας ενδιαφέρουν και επιστρέφει τα δεδομένα της επεξεργασίας. Profile Fitting Adaptor: Βελτιστοποιεί τη συνάρτηση περιγραφής της λωρίδας με βάση τα δεδομένα του προφίλ. Mobility Calibration Adaptor: Υπολογίζει τις παραμέτρους της mobility function. Compatibility Check Adaptor: Υπολογίζει το βαθμό συμβατότητας του κάθε διαθέσιμου γονότυπου ως προς το διαθέσιμο δείγμα. Combination Testing Adaptor: Εξετάζει κάθε πιθανό συνδυασμό συμβατών γονότυπων και εξάγει συμπεράσματα ως προς την ικανότητά τους να εξηγήσουν τις παρατηρούμενες ζώνες. Στον Πίνακα 3.1 φαίνεται η είσοδος και η έξοδος των διαφόρων adaptors. Αποτελεί πάντα ένα ØMQ message, αλλά με μεταβλητό αριθμό τμημάτων, αναλόγως των αναγκών της κλήσης.

33 Κεφάλαιο 3. Engine 24 Adaptor Μήνυμα Εισόδου Μήνυμα Εξόδου Ping - - * Profile Extraction μήνυμα με 2 μέρη μήνυμα με τουλάχιστον 3 μέρη Profile Fitting Mobility Calibration Compatibility Check Combination Testing η εικόνα οι θέσεις των λωρίδων μήνυμα με 2 μέρη προφίλ φωτεινότητας και κορεσμού, band duality flags οι θέσεις των ζωνών μήνυμα με πολλαπλά μέρη διάνυσμα παραμέτρων για κάθε λωρίδα: band duality flags και n εναλλακτικά μοντέλα μήνυμα με 3 μέρη διάνυσμα παραμέτρων παρατηρούμενες θέσεις των ζωνών ένα JSON string με τα FLP μήνυμα με τουλάχιστον 7 μέρη διάνυσμα παραμέτρων ένα JSON string με τα FLP τα αποτελέσματα του Compatibility Check σε ένα JSON string band duality flag vector, fitting and saturation data όλα τα εναλλακτικά μοντέλα προφίλ φωτεινότητας και κορεσμού (για κάθε λωρίδα) η εικόνα που προκύπτει μετά την επεξεργασία μήνυμα με n + 2 μέρη fitting και saturation data n εναλλακτικά μοντέλα λωρίδων και τετραγωνικά σφάλματα μήνυμα με ένα μέρος το διάνυσμα των υπολογισμένων παραμέτρων μήνυμα με ένα μέρος ένα JSON string με τις υπολογισμένες αναθέσεις και τα score αυτών μήνυμα με πολλαπλά μέρη ένα JSON string με τα αποτελέσματα τα τελικά μοντέλα που υπολογίστηκαν * Στην πραγματικότητα το μήνυμα έχει ένα part, αυτό που κωδικοποιεί το είδος της κλήσης. Το part αυτό υπάρχει σε κάθε μήνυμα αλλά δεν συμπεριλαμβάνεται στον πίνακα. Παράρτημα A: JSON Data Πίνακας 3.1: Είσοδος - Έξοδος των Adaptors

34 Κεφάλαιο 3. Engine Modules Τα modules είναι τμήματα του κώδικα του Engine που αναπαριστούν ουσιαστικά λογικές οντότητες του κώδικα. Κάθε ένας adaptor αξιοποιεί συναρτήσεις από κάποιο module για να επεξεργαστεί τα δεδομένα του. Έτσι λοιπόν έχουμε τα εξής modules: Frameworks Image Processing Profile Processing Profile Fitting Mobility Calibration Compatibility Check Combination Testing Στη συνέχεια εξετάζονται λεπτομερώς τα επιμέρους modules Frameworks Καταχρηστικά ορίζουμε ως module το σύνολο διαφόρων βοηθητικών συναρτήσεων. Συγκεκριμένα, στο εν λόγω module συμπεριλαμβάνονται: ØMQ Interface, ένα σύνολο από συναρτήσεις που λειτουργούν ως συνδετικοί κρίκοι μεταξύ των ØMQ Message και των μηνυμάτων του Engine. Signal Framework, υλοποιούνται κάποια ψηφιακά φίλτρα επεξεργασίας του προφίλ φωτεινότητας Το κομμάτι που ονομάζεται Engine Math περιλαμβάνει σταθερές και μακροεντολές που χρησιμοποιούνται στα υπόλοιπα modules. Ως JSON Parser ορίζουμε το σύνολο των συναρτήσεων που αναλαμβάνουν την κωδικοποίηση και αποκωδικοποίηση των JSON δεδομένων που ανταλλάσσονται μεταξύ του Engine και των clients. Τέλος, Serializer είναι το σύνολο των συναρτήσεων που μετατρέπουν πίνακες float αριθμών σε binary δεδομένα, κατάλληλα για αποστολή ως ØMQ messages.

35 Κεφάλαιο 3. Engine Image Processing Στο module αυτό υλοποιείται η διαδικασία αφαίρεσης του φόντου από μία εικόνα, όπως περιγράφεται στο Maramis and Delopoulos [2010b]. Συγκεκριμένα, δοθείσης μιας εικόνας και των θέσεων των λωρίδων πάνω σε αυτή, η εικόνα αρχικά φιλτράρεται από ένα median φίλτρο. Έπειτα με βάση τις περιοχές της που δεν αποτελούν τμήματα λωρίδων εξάγονται τα δεδομένα του φόντου. Με βάση αυτά λύνεται 5 το γραμμικό σύστημα που μοντελοποιεί το φόντο με ένα πολυώνυμο 8 ου βαθμού: I back (x, y; θ) = θ 1 x 4 y 4 + θ 2 x 4 y 3 + θ 3 x 3 y θ 25 (3.1) Η τιμή που δίνει το πολυώνυμο αυτό αφαιρείται από κάθε pixel της εικόνας και καταλήγουμε σε μία εικόνα με αφαιρεμένο φόντο που είναι κατάλληλη για την εξαγωγή του προφίλ φωτεινότητας Profile Processing Η εξαγωγή του προφίλ φωτεινότητας γίνεται κατά μήκος της λωρίδας παίρνοντας για κάθε θέση του τη μέση αριθμητική τιμή απ όλες τις διαθέσιμες (Εξίσωση 2.6). Στο ίδιο module βρίσκεται μία υλοποίηση της ανίχνευσης των ζωνών μίας λωρίδας. i n t pp_band_detect ( double * int_prof, i n t i n t _ p r o f _ s i z e, i n t ** band_positions, i n t smoothing_len ) ; Κώδικας 3.2: Συνάρτηση ανίχνευσης ζωνών Δέχεται ως είσοδο το προφίλ φωτεινότητας και το μήκος του smoothing filter που θα εφαρμοστεί σε αυτό. Σαν έξοδο δίνει τον δισδιάστατο πίνακα με τις θέσεις των ζωνών που ανιχνεύτηκαν. Τέλος, μετά την εξαγωγή του προφίλ φωτεινότητας, εφαρμόζεται σε αυτό ένα φίλτρο με την τεχνική rolling disk [Mikhailyuk and Razzhivin, 2003], με σκοπό την αφαίρεση και των τελευταίων ιχνών φόντου που μπορεί να έχει αποτύχει να αφαιρέσει η προηγούμενη διαδικασία. 5 Με χρήση της βιβλιοθήκης GSL.

36 Κεφάλαιο 3. Engine Profile Fitting Το module αυτό εκτελεί δύο εργασίες. Πρώτα εξάγει τα fitting points από το προφίλ φωτεινότητας και την πληροφορία για την υπερέκθεση ή κορεσμό της εικόνας (saturation data). Έπειτα με βάση αυτά τα δεδομένα και ένα σετ παραμέτρων προχωρά στην βελτιστοποίηση 6 των παραμέτρων που μοντελοποιούν το προφίλ φωτεινότητας ως μία υπέρθεση integrated Weibull καμπυλών (βλ. Εξίσωση 2.4). Στην περίπτωση που υπάρχουν ζώνες στις λωρίδες οι οποίες μπορούν να θεωρηθούν διπλές (band duality) η διαδικασία βελτιστοποίησης εκτελείται για κάθε πιθανό συνδυασμό κορυφών που προκύπτουν με βάση τα band duality flags. Για παράδειγμα, ας θεωρήσουμε ότι η λωρίδα έχει K ζώνες και ότι η q οστή ζώνη έχει θετικό band duality flag. Τότε θα υπολογιστούν δύο εναλλακτικά μοντέλα για τη λωρίδα: ένα θεωρώντας ότι η q οστή κορυφή προέρχεται από τη συμβολή δύο διαφορετικών πληθυσμών από θραύσματα DNA και ένα θεωρώντας ότι η κορυφή αυτή προέρχεται από ένα πληθυσμό θραυσμάτων. Συνοπτικά έχουμε τα εξής στάδια fitting: Individual Gaussian: Κάθε κορυφή βελτιστοποιείται ως προς μία gaussian καμπύλη, ανεξάρτητα από τις υπόλοιπες. Για κάθε κορυφή υπολογίζεται το διάνυσμα παραμέτρων ρ 0 i = [A, x 0, s] για i = 1, 2,..., K, όπου K ο αριθμός των κορυφών. Superimposed Gaussian: Χρησιμοποιώντας τα αποτελέσματα του προηγούμενου σταδίου ως βάση για τον υπολογισμό των αρχικών παραμέτρων, εκτελείται τώρα η βελτιστοποίηση για ολόκληρη τη λωρίδα, ως υπέρθεση K διαφορετικών gaussian καμπυλών και υπολογίζεται ένα νέο διάνυσμα παραμέτρων ρ 1 = [A i, x 0,i, s i,..., A K, x 0,K, s K ] όπου K ο αριθμός των κορυφών. Superimposed Weibull: Με βάση το διάνυσμα παραμέτρων ρ 1 που υπολογίστηκε προηγουμένως γίνεται η τρίτη βελτιστοποίηση, αυτή τη φορά χρησιμοποιώντας υπέρθεση καμπυλών weibull για να περιγράψουμε το προφίλ φωτεινότητας. Οι παράμετροι που υπολογίζονται έχουν τη μορφή ρ 2 = [A i, x 0,i, β i, γ i,..., A K, x 0,K, β K, γ K ] όπου K ο αριθμός των κορυφών (βλ. Εξίσωση 2.7). Final Weibull: Το τελικό στάδιο υπολογίζει το βέλτιστο διάνυσμα παραμέτρων της μορφής ρ 3 = [cl i, x 0,i, γ i,..., cl K, x 0,K, γ K, θ 0, θ 1 ] όπου οι παράμετρου cl i υπολογίζονται με βάση την Εξ NLOpt. 6 Η βιβλιοθήκη που χρησιμοποιείται για την εκτέλεση των διαδικασιών βελτιστοποίησης στο Engine ονομάζεται

37 Κεφάλαιο 3. Engine 28 Ο λόγος που υπάρχουν τέσσερα διαφορετικά στάδια βελτιστοποίησης είναι ότι μ αυτόν τον τρόπο μπορούμε να πετύχουμε καλύτερη εκτίμηση των αρχικών παραμέτρων, το οποίο συνεπάγεται ότι αφενός έχουμε μικρότερους χρόνους στην εκτέλεση του αλγορίθμου και αφετέρου έχουμε καλύτερη ακρίβεια στο τελικό μοντέλο που υπολογίζουμε Mobility Calibration Σ αυτό το module υπολογίζονται οι βέλτιστες παράμετροι της fragment mobility function (Παράγραφος 2.3.3). Αρχικά παράγεται το σετ των fitting points. Θεωρούμε γνωστές δύο τιμές, οι οποίες δίνονται από το χρήστη και χαρακτηρίζουν τη σκάλα αναφοράς. Είναι το βήμα της σκάλας και το μήκος (σε bp) των θραυσμάτων του πληθυσμού που σχηματίζει κάποια από τις παρατηρούμενες ζώνες της σκάλας. Το μήκος των θραυσμάτων που σχηματίζουν κάθε ζώνη διαφέρει από το μήκος των θραυσμάτων της προηγούμενης ή επόμενης ζώνης κατά μία τιμή ίση με το βήμα. Συνεπώς, έχοντας ένα σημείο αναφοράς και το βήμα αυτό, μπορούμε να αντιστοιχίσουμε σε κάθε παρατηρούμενη κορυφή το αντίστοιχο μήκος θραυσμάτων. Για να πετύχουμε μεγαλύτερη ακρίβεια χρησιμοποιούμε και πληροφορία από όλες τις υπόλοιπες λωρίδες. Συγκεκριμένα, γνωρίζουμε ότι οι primers (μήκους 37bp) πιθανώς να σχηματίζουν μία κορυφή στο τέλος της κάθε λωρίδας. Συνεπώς εξετάζουμε τις τελευταίες κορυφές της κάθε λωρίδας προσπαθώντας να κάνουμε μία εκτίμηση της θέσης των primers πάνω στην εικόνα. Το σύνολο των σημείων που παράγεται τροφοδοτείται στη συνάρτηση βελτιστοποίησης των παραμέτρων της fragment mobility function, ώστε να υπολογιστεί το βέλτιστο διάνυσμα παραμέτρων της, π opt (Εξίσωση 2.9) Compatibility Check Περιέχει τις συναρτήσεις που απαιτούνται για την εκτέλεση του compatibility check όπως αυτό έχει περιγραφεί στην Παρ Οι παράμετροι που παρέχονται στο module είναι οι εξής: length parameters είναι το διάνυσμα παραμέτρων l = [l min, l max, l th ]. Αντιπροσωπεύουν αντίστοιχα το ελάχιστο και μέγιστο μήκος θραύσματος που μπορεί να παρατηρηθεί στην υπό εξέταση λωρίδα, καθώς και την αποδεκτή απόκλιση που μπορούμε να έχουμε από τα όρια αυτά, compatibility threshold και coincidence threshold (βλ. Εξίσωση 2.13),

38 Κεφάλαιο 3. Engine 29 mobility parameters που αποτελείται από το διάνυσμα π opt που αναφέρεται παραπάνω καθώς και το μέσο τετραγωνικό σφάλμα που προέκυψε από τη διαδικασία βελτιστοποίησης των παραπάνω παραμέτρων της fragment mobility function. Τα δεδομένα εισόδου του module είναι οι παρατηρούμενες θέσεις των κορυφών της λωρίδας και το genotype configuration 7. Για κάθε γονότυπο που περιγράφεται στο configuration, αρχικά εξάγουμε τα θραύσματα που είναι δυνητικά παρατηρήσιμα (δηλαδή με βάση τα δοθέντα length parameters, αυτά που θα σχημάτιζαν κάποια ζώνη πάνω στην εικόνα της λωρίδας, αν το δείγμα είχε μολυνθεί από το συγκεκριμένο γονότυπο). Για τα μήκη των θραυσμάτων αυτών εκτελείται η διαδικασία της ανάθεσης, δηλαδή αντιστοιχίζονται τα θραύσματα δεδομένου μήκους στις παρατηρούμενες κορυφές. Η συνάρτηση που εκτελεί τη διαδικασία αυτή είναι η παρακάτω (όπου res είναι το struct εξόδου): void cc_assignment_single ( double * mobility_parameters, double * coincidence_parameters, double * o b s e r v e d _ p o s i t i o n s, i n t nop, i n t * expected_lengths, i n t nel, double c o m p a t i b i l i t y _ t h r e s h o l d, c c _ r e s u l t * r e s ) ; typedef s t r u c t { i n t * assignment ; // assignment a r r a y i n t nal ; // number of a s s i g n e d l e n g t h s double s c o r e ; // assignment s c o r e i n t compatible ; // c o m p a t i b i l i t y f l a g } c c _ r e s u l t ; Κώδικας 3.3: Συνάρτηση ανάθεσης του FLP σε παρατηρούμενες κορυφές. Η έξοδος του module είναι ένας πίνακας από στοιχεία του τύπου cc_result Combination Testing Το πρώτο 8 μέρος του μηνύματος που αποστέλλεται στο Engine περιέχει μία σειρά παραμέτρων οι οποίες είναι η εξής: 7 Βλέπε Παράρτημα A 8 Για τα υπόλοιπα μέρη βλ. Πίνακα 3.1

39 Κεφάλαιο 3. Engine 30 int nopd_th ο μέγιστος αριθμός αποτυχιών κοπής του περιοριστικού ενζύμου, int noap ο αριθμός των εναλλακτικών μοντέλων που έχουν υπολογιστεί και αποστέλλονται, double coin_th το coincidence threshold και double comp_th το compatibility threshold του προηγούμενου βήματος, double* mob_par οι παράμετροι της fragment mobility function, double* l_th το διάνυσμα l της Παρ , double* th παράμετροι που καθορίζουν τα όρια μέσα στα οποία μπορούν να κυμανθούν οι νέες τιμές των παραμέτρων της fragment mobility function και των μοντέλων κατά την τελική βελτιστοποίηση και τέλος, double* p μία σειρά τιμών που προκύπτουν από την ανάλυση των προηγούμενων σταδίων, όπως για παράδειγμα το μέσο τετραγωνικό σφάλμα που προκύπτει από τη βελτιστοποίηση των fitting data στο αρχικό μοντέλο του προφίλ. Η μεθοδολογία που χρησιμοποιείται περιγράφεται στην Παρ Το πρώτο βήμα του adaptor είναι να καταστρώσει τη λίστα όλων των πιθανών συνδυασμών γονότυπων. Έπειτα καθένας από τους συνδυασμούς αυτούς ελέγχεται ως προς την ικανότητά του να εξηγήσει τις παρατηρούμενες ζώνες. Ο έλεγχος αυτός περιλαμβάνει τέσσερα στάδια: α. Ανάθεση των θραυσμάτων του συνδυασμού στις παρατηρούμενες ζώνες. β. Διόρθωση της fragment mobility function σύμφωνα με τα νέα δεδομένα. γ. Έλεγχος για την ύπαρξη pdflp. δ. Υπολογισμός του νέου βελτιστοποιημένου σετ παραμέτρων για το μοντέλο. Η ανάθεση των θραυσμάτων στις παρατηρούμενες κορυφές είναι μία επαναληπτική μέθοδος. Αρχικά χρησιμοποιούνται οι αναθέσεις που υπολογίστηκαν κατά τον έλεγχο συμβατότητας των γονότυπων. Έπειτα η ανάθεση που προκύπτει για τον συνδυασμό γονότυπων πλέον τροποποιείται ώστε να πληρούνται δύο κριτήρια. Τα κριτήρια αυτά είναι: η ανάθεση θραυσμάτων διαφορετικών μηκών στην ίδια παρατηρούμενη κορυφή πρέπει να επιτρέπεται από το coincidence threshold και τα θραύσματα θα πρέπει να έχουν ανατεθεί κατά φθίνουσα (ως προς τα μήκη τους) σειρά στις κορυφές. Το δεύτερο κριτήριο είναι απαραίτητο, καθώς ένα θραύσμα με μήκος l i θα βρίσκεται δεξιότερα πάνω στην εικόνα (θεωρώντας ότι το πηγάδι βρίσκεται στα αριστερά) από ένα θραύσμα με μήκος l j αν ισχύει ότι l i < l j (κατά την ηλεκτροφόρηση, όσο μικρότερο

40 Κεφάλαιο 3. Engine 31 είναι το μοριακό μήκος ενός θραύσματος, τόσο πιο γρήγορα κινείται αυτό και συνεπώς καλύπτει μεγαλύτερη απόσταση). Με βάση την ανάθεση που προκύπτει προχωρούμε στο δεύτερο στάδιο, την διόρθωση της mobility function. Αν η υπόθεση για το συγκεκριμένο συνδυασμό είναι σωστή, τότε μπορούμε να επιτύχουμε μεγαλύτερη ακρίβεια θεωρώντας γνωστά τα μήκη των παρατηρούμενων κορυφών της λωρίδας και εκτελώντας μία ακόμη βελτιστοποίηση στη fragment mobility function. Διαθέτουμε πλέον και τα fitting points της ίδιας της λωρίδας, εκτός από αυτά που προκύπτουν από τη σκάλα. double c t _ o p t i m i z e _ f i n a l _ w e i b u l l _ m o d e l ( // i n i t i a l model ( s t a r t i n g parameters ), number of observed bands double *model, i n t nob, // FLP assignment r e s u l t s ( i n c l u d i n g mflps and pdflps ) i n t * flpcard, i n t * f l p T y p i, i n t ** f l p A s s, i n t * flpassn, i n t * flppls, i n t flpplsn, i n t cmpd_size, i n t nflps, // e s t i m a t e d band c o n c e n t r a t i o n s double * band_concentrations, // s e v e r a l e x t r a parameters ( see adaptor f o r e x p l a n a t i o n ) double *dx, double * ths, double *e, double pmxebal, double mxmcp, // f i t t i n g and s a t u r a t i o n data double ** f i t D a t a, double ** satdata, i n t fitdatan, i n t satdatan, ) ; // output v e c t o r double ** model_out Κώδικας 3.4: Τελική Βελτιστοποίηση Τέλος γίνεται ο έλεγχος για μερική πέψη. Αρχικά υπολογίζονται όλα τα πιθανά pdflp που μπορούν να προκύψουν από το δεδομένο συνδυασμό γονότυπων. Απορρίπτονται όσα θεωρούνται πολύπλοκα σύμφωνα με την παράμετρο nop D_th και τα υπόλοιπα σχηματίζουν έναν αριθμό από υπο-υποθέσεις (Παράγραφος 2.4.2). Αν δεν υπάρχουν pdflp η ανάλυση τελειώνει, εφόσον πρώτα εκτελέσουμε μία τελευταία βελτιστοποίηση του μοντέλου σύμφωνα με τα νέα δεδομένα. Αρχικά γίνεται ο ποιοτικός έλεγχος για να διαπιστωθεί αν μία υπο-υπόθεση (συμπεριλαμβανομένων mflp και pdflp) μπορεί να εξηγήσει τις παρατηρούμενες κορυφές του προφίλ φωτεινότητας. Έπειτα εκτελείται και σε αυτή την περίπτωση μία τελευταία βελτιστοποίηση του μαθηματικού μοντέλου του προφίλ φωτεινότητας.

41 Κεφάλαιο 3. Engine 32 Στην τελευταία αυτή διαδικασία βελτιστοποίησης λαμβάνονται πλέον υπ όψιν και οι συγκεντρώσεις των παρατηρούμενων ζωνών (Παράγραφος 2.1). Η συνάρτηση που εκτελεί τη βελτιστοποίηση φαίνεται παραπάνω (Κώδικας 3.4). typedef s t r u c t { // the d i g e s t i o n p a t t e r n // 0 : d i g e s t i o n f a i l e d // 1 : d i g e s t i o n s u c c e s s f u l i n t * digpat ; i n t dp_n ; // the assignment of the fragments i n t * assignment ; i n t ass_n ; // the l e n g t h s of the fragments i n t *pb ; i n t pb_n ; i n t * typ_i ; i n t typ_i_n ; // i n d e x i n the cmv a r r a y i n t cmv_i ; // i n d e x of the FLP i n the c o n f i g u r a t i o n i n t FLP_i ; // type of o r i g i n // 1 : mflp // 2 : primer dimers // 3 : pdflp i n t s r c ; } ct_cmdata ; Κώδικας 3.5: Πληροφορία για ένα FLP. Επίσης παραπάνω (Κώδικας 3.5) παρουσιάζεται το struct στο οποίο αποθηκεύεται κατά την εκτέλεση του combination testing η πληροφορία σχετικά με ένα FLP (είτε mflp είτε pdflp). Για κάθε FLP εκτός των μηκών που χρησιμοποιήθηκαν και την ανάθεσή τους σε κορυφές, αποθηκεύεται επίσης η πληροφορία για την πέψη στα διάφορα σημεία κοπής του μορίου και ένας δείκτης στο βοηθητικό πίνακα ανάθεσης (cmv). Στον Κώδ. 3.6 φαίνεται το struct εξόδου του module για μία υπο-υπόθεση. Περιέχει το μοντέλο που υπολογίσθηκε, το τετραγωνικό σφάλμα που προέκυψε από τη διαδικασία βελτιστοποίησης και αναλυτικά την πληροφορία για την ανάθεση θραυσμάτων σε κορυφές από τα FLP που χρησιμοποιήθηκαν στη συγκεκριμένη υπο-υπόθεση.

42 Κεφάλαιο 3. Engine 33 Πριν αποσταλεί ένα μήνυμα με τα αποτελέσματα στον client, γίνεται ένας τελευταίος έλεγχος. Οι συνδυασμοί που επιλέχθηκαν προηγουμένως και για τους οποίους η διαδικασία ελέγχου ολοκληρώθηκε, ελέγχονται ως προς την ακρίβεια του μοντέλου που υπολογίστηκε. Μία παράμετρος που ονομάζουμε close-match threshold καθορίζει πόσο κοντά πρέπει να είναι τα fitting points στα δεδομένα που προκύπτουν από το μοντέλο ώστε να θεωρηθεί ακριβές. typedef s t r u c t { // f i n a l computed model double *model ; i n t modeln ; // the square e r r o r of the f i t t i n g p r o c e s s double se ; // the used FLPs ct_cmdata *cmpd; i n t cmpdn; // the assignment v e c t o r s i n t **cmv; i n t cmvn; // the l e n g t h s t h a t were a s s i g n e d i n t *PLs ; i n t PLsN ; // the o r i g i n of the l e n g t h s i n t * card ; i n t cardn ; } c t _ r e s u l t s ; Κώδικας 3.6: Έξοδος του Combination Testing Module. Τέλος, στην περίπτωση που υπάρχουν πολλαπλά εναλλακτικά αρχικά μοντέλα τα οποία έχουν προκύψει από υποθέσεις για διπλές κορυφές (Παράγραφος 3.2.4), είναι πιθανόν να υπολογιστούν διάφορα εναλλακτικά τελικά μοντέλα. Από τα μοντέλα αυτά επιλέγεται το βέλτιστο κατά Pareto [Osborne and Rubinstein, 1994] για να αποσταλεί στον client. Το JSON κομμάτι της απάντησης του adaptor περιγράφεται αναλυτικά στο Παράρτημα A.

43 Κεφάλαιο 4 HPVTyper GUI HPVTyper GUI είναι το κομμάτι του λογισμικού που βοηθά τον χρήστη να εκτελέσει όλα τα απαραίτητα βήματα του αλγορίθμου τυποποίησης. Αποτελεί τον client και όπως προαναφέρθηκε, δεν αναλαμβάνει την εκτέλεση υπολογιστικά απαιτητικών διεργασιών, αλλά παρέχει στο χρήστη ένα γραφικό περιβάλλον εργασίας (Graphical User Interface GUI) το οποίο αναθέτει την εκτέλεση των διαφόρων βημάτων του αλγορίθμου στο Engine (Κεφάλαιο 3). Στο παρόν κεφάλαιο εξετάζεται η δομή και ο τρόπος λειτουργίας του GUI. Οδηγίες για τη χρήση του HPVTyper που αναπτύχθηκε υπάρχουν στο Παράρτημα B. 4.1 Γενικά περί GUI Το GUI έχει γραφεί σε γλώσσα Java, προκειμένου να είναι εκτελέσιμο σε οποιοδήποτε λειτουργικό σύστημα, αντίθετα με το Engine. Πέραν των βασικών βιβλιοθηκών της Java, χρησιμοποιούνται οι εξής 1 : Apache Pivot είναι το framework που διαχειρίζεται το γραφικό περιβάλλον (π.χ. διαφόρων ειδών παράθυρα, μενού, λίστες κ.ά.), Google Gson είναι μία υλοποίηση για τη διαχείριση JSON κειμένων σε Java, JFree Charts είναι το σύστημα διαχείρισης των γραφημάτων που προβάλλονται στο GUI, Apache Commons IO το οποίο χρησιμοποιείται για την διαχείριση αρχείων (όπως τα configuration files) και 1 Οι βιβλιοθήκες αυτές βρίσκονται στους παρακάτω δικτυακούς τόπους: Apache Pivot org/, Google Gson JFree Charts jfreechart/, Apache Commons IO jzmq jzmq. 34

44 Κεφάλαιο 4. HPVTyper GUI 35 jzmq που παρέχει στη Java πρόσβαση στη βιβλιοθήκη zeromq του συστήματος ώστε να επιτευχθεί η επικοινωνία με το Engine. Κατά την εκκίνηση του client δηλαδή του GUI αρχικά ανιχνεύονται δύο χαρακτηριστικά του υπολογιστή: το είδος του λειτουργικού συστήματος (Linux, Windows κλπ.) και η αρχιτεκτονική του (x86, x86-64) 2. Έπειτα, ο client φορτώνει στη μνήμη τις αντίστοιχες βιβλιοθήκες συστήματος για την zeromq. Το jzmq που αναφέρθηκε προηγουμένως αποτελεί μόνο ένα συνδετικό κρίκο μεταξύ της Java και της native zeromq βιβλιοθήκης. Συνεπώς, ο client πρέπει να επιλέξει την κατάλληλη από αυτές (.dll για τα Windows,.so για Linux κ.ό.κ.) ώστε να μπορεί να συνδεθεί με το Engine (βλ. Παράγραφο 4.1.2) Apache Pivot Το Apache Pivot είναι μία πλατφόρμα ανοικτού κώδικα για τη δημιουργία εγκαταστάσιμων διαδικτυακών εφαρμογών (Installable Internet Applications IIAs). Είναι η πιο σύγχρονη λύση για τη δημιουργία ενός γραφικού περιβάλλοντος σε Java. Όπως όλες οι σύγχρονες πλατφόρμες δημιουργίας γραφικού περιβάλλοντος χρησιμοποιεί δύο ειδών αρχεία 3. Το ένα αποτελείται από κώδικα σε γλώσσα Java, ενώ το άλλο περιγράφει σε γλώσσα XML τη μορφή του GUI. Έτσι, για κάθε παράθυρο υπάρχει ένα BXML 4 αρχείο που περιγράφει το σκελετό του GUI, ενώ στο αντίστοιχο Java αρχείο υπάρχει ο κώδικας που χειρίζεται τα διάφορα events, γεμίζει με δεδομένα τα components του παραθύρου 5 και αναλαμβάνει μεταξύ άλλων την επικοινωνία με το Engine JZMQ Όπως έχει περιγραφεί, η επικοινωνία του client με το Engine γίνεται μέσω της zeromq, μίας βιβλιοθήκης του συστήματος. Για να χρησιμοποιηθούν οι μέθοδοι της βιβλιοθήκης zeromq σε ένα πρόγραμμα, απαιτείται ένας συνδετικός κρίκος μεταξύ αυτής και της εκάστοτε γλώσσας προγραμματισμού, το οποίο ονομάζεται binding. Υπάρχουν bindings της zeromq (zmq) για διάφορες γλώσσες προγραμματισμού. Για τη γλώσσα C το binding αποτελείται από τα αντίστοιχα header files που επιτρέπουν στον linker να μεταγλωττίσει τον κώδικα σε εκτελέσιμο αρχείο. Για τη Java η διαδικασία είναι λίγο πιο περίπλοκη. 2 Οι πληροφορίες αντλήθηκαν από τη διεύθυνση 3 Apache Pivot: Platform Overview 4 Συγκεκριμένα για το Apache Pivot, η γλώσσα XML ονομάζεται BXML (http://pivot.apache.org/ tutorials/bxml-primer.html). 5 Component & Container

45 Κεφάλαιο 4. HPVTyper GUI 36 Προκειμένου να μπορέσει κανείς να έχει πρόσβαση σε μία βιβλιοθήκη του συστήματος μέσω της Java, χρησιμοποιείται η τεχνική JNI (Java Native Interface) [Oracle, 2011]. Στο επίπεδο της Java υπάρχει ένα JAR αρχείο (όπως για όλες τις Java βιβλιοθήκες) το οποίο περιέχει όλες τις κλάσεις που χρειάζονται ώστε το πρόγραμμα να μπορεί να στείλει και να λάβει δεδομένα μέσω της zeromq. Αυτή η JAR βιβλιοθήκη δεν μπορεί να χρησιμοποιήσει μεθόδους απευθείας από τη βιβλιοθήκη συστήματος zeromq. Συνεπώς χρησιμοποιεί μία δεύτερη βιβλιοθήκη συστήματος, την ονομαζόμενη jzmq, η οποία είναι σχεδιασμένη με συγκεκριμένο τρόπο ώστε να είναι προσπελάσιμη από τη JAVA. Η jzmq λειτουργεί ως ένα επίπεδο συμβατότητας μεταξύ της zeromq και της JAR βιβλιοθήκης, παρέχοντας ουσιαστικά τις μεθόδους της zeromq σε μορφή κατάλληλη για χρήση από αυτή. Η jzmq είναι μία JNI βιβλιοθήκη. Για να επιτευχθεί συμβατότητα με τα περισσότερα σύγχρονα λειτουργικά συστήματα, μαζί με τον client συμπεριλαμβάνονται οι κατάλληλες jzmq και zmq βιβλιοθήκες για Windows και Linux, για κάθε διαθέσιμη αρχιτεκτονική (x86 και x86-64). 4.2 Δομή του κώδικα Ο κώδικας του client οργανώνεται ως εξής σε Java packages 6 : gr.auth.ee.mug hpvt adaptor aux pivot Στο package gr.auth.ee.mug.hpvt περιέχονται όλες οι κλάσεις που συνιστούν το γραφικό περιβάλλον και θα αναλυθούν σε επόμενη παράγραφο, ενώ στο gr.auth.ee.mug.hpvt.pivot συμπεριλαμβάνονται διάφορα custom components 7 για το περιβάλλον του Apache Pivot. Στο package gr.auth.ee.mug.hpvt.adaptor είναι οι κλάσεις που αναλαμβάνουν την αποστολή και λήψη των δεδομένων μεταξύ του client και του Engine (αντίστοιχα με τα adaptors του Engine, Παρ ), ενώ στο gr.auth.ee.mug.hpvt.aux υπάρχουν διάφορες βοηθητικές κλάσεις. Πιο συγκεκριμένα οι βασικές βοηθητικές κλάσεις είναι οι εξής: Arch για την ανίχνευση του είδους του συστήματος (Παράγραφος 4.1), Gamma υλοποίηση της συνάρτησης Γάμμα, Paint 6 Το package είναι ο τρόπος οργάνωσης των κλάσεων στη Java ανάλογος με αυτόν των namespaces στη C++. 7 Components ονομάζονται τα δομικά στοιχεία ενός παραθύρου του Apache Pivot (π.χ. μενού, κουμπιά, εικόνες). Με τον όρο custom components αναφερόμαστε σε αυτά που δεν παρέχονται απευθείας από τις βιβλιοθήκες του Apache Pivot αλλά έχουν κατασκευαστεί είτε εκ του μηδενός, είτε κληρονομώντας κάποιο άλλο, ήδη υπάρχον, component.

46 Κεφάλαιο 4. HPVTyper GUI 37 μία συλλογή από στατικές μεθόδους που ζωγραφίζουν διάφορα στοιχεία πάνω σε ένα καμβά (για παράδειγμα, η απεικόνιση του assignment για ένα γονότυπο πάνω στην εικόνα της λωρίδας Κώδ. 4.1), Grayscale για τον χειρισμό των ασπρόμαυρων εικόνων και τέλος AsyncTask είναι η κλάση που αναλαμβάνει την εκτέλεση μίας διαδικασίας στο παρασκήνιο. p u b l i c s t a t i c Image paintassignment ( Image in, Sequence<I n t P a i r > band_positions, I n t e g e r [ ] RFLP, double s c a l e, Color fg, Color bg ) {... } Κώδικας 4.1: Συνάρτηση απεικόνισης του assignment Η τελευταία αυτή κλάση χρησιμοποιείται για την εκτέλεση των διαφόρων βημάτων του αλγορίθμου τυποποίησης. Είναι αναγκαία, καθώς για την εκτέλεσή τους απαιτείται η αποστολή δεδομένων στο Engine, η επεξεργασία τους από αυτό και η παραλαβή της απάντησης, κάτι το οποίο είναι χρονοβόρο. Αν η εκτέλεση γινόταν στο προσκήνιο (δηλαδή στο thread που ελέγχει το γραφικό περιβάλλον) το γραφικό περιβάλλον δεν θα μπορούσε να ανταποκριθεί σε ενέργειες του χρήστη ώσπου να ολοκληρωθεί αυτή. Γι αυτό το λόγο μεταφέρουμε την εκτέλεση στο παρασκήνιο (δηλαδή σε ένα δευτερεύον thread), ωσότου να ολοκληρωθεί και έπειτα συλλέγουμε τα αποτελέσματα για να ανανεώσουμε το γραφικό περιβάλλον. Με βάση την κλάση αυτή δημιουργούνται δύο άλλες, abstract κλάσεις. Παραπάνω στον Κώδ. 4.2 φαίνεται η μία από αυτές. Κληρονομεί την κλάση Action που σημαίνει πως μπορεί να χρησιμοποιηθεί ως ενέργεια κάποιου διαδραστικού στοιχείου στο GUI. Για να χρησιμοποιηθεί, πρέπει να υλοποιηθούν οι τρεις abstract μέθοδοι της: ataskexecute, ataskcompleted και ataskfailed. Αυτές καθορίζουν ποια είναι η ενέργεια που πρέπει να εκτελεσθεί και τι θα ακολουθήσει αν αυτή ολοκληρωθεί επιτυχώς ή όχι αντίστοιχα. Αφού δημιουργηθεί το αντικείμενο που υλοποιεί την κλάση AsyncAction, καλώντας τη μέθοδο perform() εκκινούμε τη διαδικασία της ασύγχρονης εκτέλεσης.

47 Κεφάλαιο 4. HPVTyper GUI 38 p u b l i c a b s t r a c t c l a s s AsyncAction<T> extends Action { p r i v a t e Window w; p r o t e c t e d Component cmp = n u l l ; p r i v a t e AsyncTask<T> t a s k = n u l l ; p r o t e c t e d a b s t r a c t T ataskexecute ( Task<T> t a s k ) ; p r o t e c t e d a b s t r a c t void ataskcompleted ( Task<T> t a s k ) ; p r o t e c t e d a b s t r a c t void ataskfailed ( Task<T> t a s k ) ; p u b l i c AsyncAction (Window window ) {... } p r o t e c t e d void stoptask ( ) {... } p u b l i c void perform ( f i n a l Component s o u r c e ) {... } Κώδικας 4.2: Κλάση που υλοποιεί μία ασύγχρονη εκτέλεση Adaptors Κατ αντιστοιχία με το Engine, έχουμε και εδώ adaptors. Για την ακρίβεια, υπάρχει η κλάση Adaptor με στατικές μεθόδους που υλοποιεί τα adaptors από την πλευρά του client. Κάθε μέθοδος της κλάσης αυτής αναλαμβάνει να μετατρέψει τα δεδομένα εισόδου ενός adaptor του Engine (βλ. Πίνακα 3.1) στην κατάλληλη μορφή για αποστολή και να εκτελέσει την κλήση προς το Engine με τη χρήση της κλάσης Request. H κλάση Serialize αναλαμβάνει τη δημιουργία πινάκων αριθμών από δυαδικά δεδομένα και αντίστροφα, ώστε να μπορούν να αποσταλούν μέσω ενός ØMQ socket σε μορφή που αναγνωρίζει το Engine. Συγκεκριμένα, η δομή της κλάσης Request φαίνεται παρακάτω (Κώδικας 4.3). Η καρδιά της κλάσης είναι η public μέθοδος perform. Έχει δύο ορίσματα: τον τύπο της κλήσης και μία λίστα με τα διάφορα μέρη που πρέπει να περιέχει το ØMQ μήνυμα που θα αποσταλεί. Επιστρέφει μία λίστα με τα μέρη του ØMQ μηνύματος που λήφθηκε ως απάντηση στην κλήση. Στο Σχ. 4.1 φαίνεται το διάγραμμα ροής για τη μέθοδο perform. Εφόσον αποσταλούν επιτυχώς τα δεδομένα, η μέθοδος περιμένει την απάντηση από το Engine. Στην περίπτωση που το Engine δεν απαντήσει στο ping που κάνει ο client προς αυτό ανά τακτά χρονικά διαστήματα, διακόπτεται η αναμονή για λήψη μίας απάντησης και επιστρέφεται η τιμή null που σηματοδοτεί ότι προέκυψε κάποιο πρόβλημα.

48 Κεφάλαιο 4. HPVTyper GUI 39 false senddata() true dopoll() true return getdata() return null true false. doping() false Σχήμα 4.1: Το διάγραμμα ροής της μεθόδου perform της κλάσης Request. Τέλος, σε αυτό το package συμπεριλαμβάνονται κάποιες βοηθητικές κλάσεις για την χρήση διαφόρων πτυχών της ØMQ (ZContext, ZFrame, ZMsg). p u b l i c c l a s s Request { p r i v a t e f i n a l S t r i n g hostname = l o c a l h o s t ; p r i v a t e f i n a l S t r i n g p o r t = 3737 ; p r i v a t e ZContext ctx = n u l l ; p u b l i c Request ( ) {... } p r i v a t e Socket getsocket ( ) {... } p r i v a t e boolean senddata ( Socket socket, A r r a y L i s t <byte [] > msg) {... } p r i v a t e A r r a y L i s t <byte [] > getdata ( Socket s o c k e t ) {... } p r i v a t e boolean d o P o l l ( Socket socket, I n t e g e r timeout ) {... } p r i v a t e boolean doping ( ZContext ctx ) {... } } p u b l i c A r r a y L i s t <byte [] > perform ( byte [ ] type, A r r a y L i s t <byte [] > message ) {... } Κώδικας 4.3: Η κλάση Request.

49 Κεφάλαιο 4. HPVTyper GUI GUI Στην παράγραφο αυτή παρουσιάζονται οι κλάσεις των packages gr.auth.ee.mug.hpvt και gr.auth.ee.mug.hpvt.pivot. Συγκεκριμένα στο κυρίως hpvt package έχουμε τις παρακάτω κλάσεις αναφορικά: HPVTWindow είναι η κλάση-component του κυρίως παραθύρου της εφαρμογής και HPVTTab είναι η κλάση-component των καρτελών επεξεργασίας λωρίδας. HPVTEngine και HPVTTools είναι βοηθητικές κλάσεις που χρησιμοποιούνται από την κλάση HPVTWindow για την απεικόνιση και το χειρισμό διαφόρων δεδομένων. HPVTDataset είναι η κλάση που κρατά τα δεδομένα που προκύπτουν από την ανάλυση μίας εικόνας (όπως για παράδειγμα τις θέσεις των λωρίδων, τα προφίλ φωτεινότητας, τα μοντέλα που έχουν υπολογιστεί για τις λωρίδες κ.ά.). HPVTConfig ονομάζεται η κλάση που αναλαμβάνει το χειρισμό των configurations και παρέχει διάφορες βοηθητικές μεθόδους ως προς αυτά. CCResults είναι μία κλάση που χρησιμοποιείται για την αποθήκευση, ανάλυση και παρουσίαση των αποτελεσμάτων του compatibility check και η CTResults αντίστοιχα χρησιμοποιείται για την αποθήκευση, ανάλυση και παρουσίαση των αποτελεσμάτων του combination testing. Οι σημαντικότερες κλάσεις του pivot package είναι: GenericChartView και GenericChartViewSkin είναι το ζεύγος κλάσεων που υλοποιούν το component ενός διαγράμματος. Χρησιμοποιείται για την απεικόνιση του προφίλ φωτεινότητας και των μοντέλων που υπολογίζονται. GenericJFreeChartProvider, και GenericChartHelper είναι δύο κλάσεις που αναλαμβάνουν να δημιουργήσουν από τα δεδομένα που διαθέτουμε αντικείμενα κατάλληλα για απεικόνιση σε ένα GenericChart component. Ruler, RulerSkin και RulerListener είναι το σύνολο των κλάσεων που υλοποιούν ένα χάρακα, ο οποίος χρησιμοποιείται για την απεικόνιση της fragment mobility function. CTListRenderer υλοποιεί ένα στοιχείο της λίστας των αποτελεσμάτων του combination testing με βάση τα δεδομένα του JSON κειμένου που παίρνουμε ως απάντηση.

50 Κεφάλαιο 4. HPVTyper GUI 41 LaneListRenderer υλοποιεί ένα στοιχείο της λίστας των λωρίδων στο κεντρικό παράθυρο όπου εμφανίζονται πληροφορίες για την κατάσταση της καθεμιάς λωρίδας από αυτά που εξετάζονται. Εκτός από αυτές που αναφέρονται παραπάνω υπάρχουν και διάφορες άλλες κλάσεις που τροποποιούν τη μορφή διαφόρων components (τα λεγόμενα skins) όπως και μερικά απλά custom components. client HPVTWindow HPVTTools HPVTEngine HPVTDataset HPVTTab HPVTTab HPVTTab HPVTTab HPVTConfig AsyncAction Adaptor Request. ØMQ engine Σχήμα 4.2: Παρουσιάζεται η δομή του HPVTyper από την πλευρά του client. Ο client ζητά την επεξεργασία των δεδομένων από το Engine σε ένα background thread (γκρι χρώμα). Τα αντικείμενα σημειώνονται με το όνομα της κλάσης στην οποία ανήκουν. Στο Σχ. 4.2 παραπάνω φαίνεται η δομή του HPVTyper GUI. Το κεντρικό αντικείμενο (object) του προγράμματος είναι κλάσης HPVTWindow η οποία κληρονομεί την κλάση Window που παρέχεται από το Apache Pivot. Είναι ουσιαστικά ένα τροποποιημένο παραθυρο ώστε να εξυπηρετεί τις ανάγκες της εφαρμογής. Η κλάση αυτή περιέχει τα αντικείμενα που φαίνονται στο σχήμα, όπως για παράδειγμα έναν αριθμό από αντικείμενα κλάσης HPVTTab κληρονομούν την κλάση

51 Κεφάλαιο 4. HPVTyper GUI 42 TablePane του Apache Pivot ίσο με τον αριθμό των λωρίδων προς εξέταση. Το αντικείμενο HPVTDataset όπως αναφέρθηκε παραπάνω συγκεντρώνει τα δεδομένα της ανάλυσης της εικόνας και σ αυτό έχουν πρόσβαση όλα τα άλλα τμήματα της εφαρμογής. Η κλήση προς το Engine γίνεται μέσω ενός αντικειμένου κλάσης AsyncAction το οποίο αξιοποιεί τις συναρτήσεις της κλάσης Adaptor ώστε να εκτελέσει την κλήση σε ένα δευτερεύον background thread ενώ το πρωτεύον foreground thread παραμένει λειτουργικό (Κώδικας 4.2). 4.3 Configuration Editors Τέλος θα πρέπει να αναφερθούμε στους Configuration Editors. Ο HPVTyper προσφέρει τη δυνατότητα άμεσης επεξεργασίας των δεδομένων που χρησιμοποιούνται στη λήψη των αποφάσεων τυποποίησης (configurations) μέσω ενός απλού και διαισθητικού παραθύρου. Τα δεδομένα αυτά διαχωρίζονται σε δύο τμήματα: το ένα περιγράφει γενικά τους τύπους του HPV (βαθμός επικινδυνότητας και συχνότητα εμφάνισης 8 ) και το άλλο περιγράφει συγκεκριμένα τα χαρακτηριστικά των γονότυπων που λαμβάνουν μέρος στην διαδικασία της τυποποίησης. Το Engine δεν διαθέτει τα δεδομένα αυτά και τα λαμβάνει απευθείας από τον client προκειμένου να εκτελέσει μία διαδικασία τυποποίησης. Έτσι λοιπόν δίνεται η δυνατότητα σε κάθε χρήστη να διατηρεί μία ή περισσότερες λίστες από γονότυπους ενδιαφέροντος και να χρησιμοποιεί την κατάλληλη για κάθε διαδικασία ανάλυσης μίας εικόνας που προκύπτει από PCR-RFLP εξέταση. Τα δεδομένα αυτά αποθηκεύονται και αποστέλλονται σε μορφή JSON 9 η οποία εξετάζεται στο Παράρτημα A ενώ οδηγίες για τη χρήση των Configuration Editors παρουσιάζονται στο Παράρτημα B. 8 Η οποία εξάγεται από επιδημιολογικές έρευνες. 9 Χρησιμοποιείται η βιβλιοθήκη Google Gson για το χειρισμό του JSON κειμένου.

52 Κεφάλαιο 5 Αξιολόγηση Η αξιολόγηση της εφαρμογής έγινε ως προς δύο κριτήρια: την ακρίβεια των αποτελεσμάτων και την ταχύτητα εξαγωγής τους. Φυσικά η σημαντικότερη αξιολόγηση γίνεται από τους ίδιους τους χρήστες, συνεπώς ζητήθηκε η γνώμη από τους ειδήμονες του κλάδου. Ιδιαίτερα εποικοδομητικά ήταν τα σχόλια και οι προτάσεις που δεχτήκαμε κατά την επίσκεψη που πραγματοποιήθηκε στο εργαστήριο μοριακής βιολογίας του Γενικού Περιφερειακού Νοσοκομείου Παπαγεωργίου, γεγονός ενθαρρυντικό για την χρήση της συγκεκριμένης εφαρμογής από ένα αντίστοιχο εργαστήριο στην πράξη, εφόσον μάλιστα δεν συνεπάγεται επιπλέον δαπάνες για αυτό. 5.1 Ακρίβεια Η ακρίβεια του αλγορίθμου τυποποίησης έχει αποδειχθεί [Maramis et al., 2010, 2011; Maramis and Delopoulos, 2010a,b], παρόλα αυτά για να διαπιστωθεί η ακρίβεια της υλοποίησης της μεθόδου στον HPVTyper, χρησιμοποιήθηκε ένα σετ από εικόνες που έχουν προκύψει από την PCR-RFLP gel electrophoresis σε πραγματικά δείγματα ιστών 1. Οι εικόνες αυτές αναλύθηκαν από την εφαρμογή, τα αποτελέσματα συγκρίθηκαν με τη αρχική διάγνωση του εργαστηρίου και διαπιστώθηκε πως η διάγνωση αυτή βρισκόταν ανάμεσα σε αυτές που εμφάνιζαν τα καλύτερα score στα αποτελέσματα του combination testing για το σύνολο των προφίλ που αναλύθηκαν. 5.2 Χρόνος Εκτέλεσης Για να υπολογίσουμε το χρόνο εκτέλεσης μίας διαδικασίας τυποποίησης, χρησιμοποιήθηκαν τεχνητά δεδομένα. Συγκεκριμένα, δημιουργήθηκε μία σειρά από τυχαία προφίλ φωτεινότητας με 1 Τα δεδομένα βρίσκονται στη διεύθυνση 43

53 Κεφάλαιο 5. Αξιολόγηση 44 βάση ένα δεδομένο μοντέλο παρατήρησης και μεταβλητό τον αριθμό των κορυφών που εμφανίζονται σε αυτά (Πίνακας 5.1). Έπειτα, τα δεδομένα αυτά με τη βοήθεια ενός προγράμματος τροφοδοτήθηκαν με τη σειρά στο Engine και μετρήθηκε ο χρόνος εκτέλεσης τριών βημάτων: του profile fitting, του compatibility check και του combination testing. 8 7 number of bands Profile Fitting Combination Testing (low comp_th).. Combination Testing (medium comp_th) minutes Σχήμα 5.1: Απεικονίζεται ο μέσος χρόνος εκτέλεσης τριών διεργασιών. Οι χρόνοι υπολογίστηκαν με βάση 100 δείγματα για κάθε κατηγορία. Με χρώμα πράσινο φαίνεται ο χρόνος εκτέλεσης για το βήμα του Profile Fitting. Με μπλε και κόκκινο απεικονίζεται ο χρόνος εκτέλεσης του Combination Testing για χαμηλό και υψηλό compatibility threshold αντίστοιχα. Όπως αναμένεται, η πιο χρονοβόρα διαδικασία του αλγορίθμου είναι η τελική, το combination testing, καθώς περιλαμβάνει τον έλεγχο ενός πιθανώς μεγάλου αριθμού υποθέσεων και τη βελτιστοποίηση τουλάχιστον ενός μοντέλου για πολλές από αυτές. Έπειτα έρχεται το profile fitting και τελευταίο το compatibility check, με αμελητέους χρόνους συγκριτικά με τα υπόλοιπα στάδια 2. Ανάμεσα στα χρονοβόρα βήματα του αλγορίθμου κατατάσσεται και η ανάλυση της αρχικής εικόνας, με χρόνους λίγο μεγαλύτερους από αυτούς του profile fitting. Λόγω έλλειψης αρκετών δεδομένων και καθώς είναι δύσκολο να κατασκευαστούν τεχνητές εικόνες της επιθυμητής μορφής, δεν έγινε εκτεταμένος έλεγχος για τη μέτρηση του χρόνου εκτέλεσης του image 2 Ο μέσος χρόνος εκτέλεσης του compatibility check υπολογίζεται από όλα τα δείγματα που χρησιμοποιήθηκαν στα 16ms.

54 Κεφάλαιο 5. Αξιολόγηση 45 processing. Τέλος, η διαδικασία του mobility function calibration έχει χρόνους εκτέλεσης λίγο μικρότερους από αυτούς του initial profile fitting, καθώς δεν γίνονται πολλαπλές βελτιστοποιήσεις σε αντίθεση με το τελευταίο. Στο παραπάνω διάγραμμα (Σχήμα 5.1) φαίνεται η εξάρτηση του χρόνου εκτέλεσης από τον αριθμό των κορυφών του intensity profile καθώς και από το compatibility threshold, στην περίπτωση του combination testing. Φαίνεται καθαρά πως επηρεάζεται ο χρόνος εκτέλεσης του combination testing για διαφορετικές τιμές του compatibility threshold. Για μεγαλύτερες τιμές, προκύπτουν περισσότεροι συμβατοί γονότυποι, συνεπώς περισσότεροι συνδυασμοί γονότυπων και τελικά περισσότερες υπο-υποθέσεις για τις οποίες πρέπει να εκτελεστεί η διαδικασία βελτιστοποίησης του τελικού μοντέλου. Στο Σχ. 5.2 παρακάτω φαίνεται με μεγαλύτερη ευκρίνεια η εξάρτηση του χρόνου εκτέλεσης του initial profile fitting από τον αριθμό των κορυφών που εμφανίζονται στο intensity profile. 4,500 4,000 3,500 3,000 2,500 ms 2,000 1,500 1, number of bands Σχήμα 5.2: Απεικονίζεται ο μέσος χρόνος εκτέλεσης του Profile Fitting συναρτήσει του αριθμού των κορυφών. Τέλος παρατίθεται ένα ιστόγραμμα για τον χρόνο εκτέλεσης του combination testing. Χρησιμοποιήθηκαν δεδομένα και από τα δύο πειράματα (όσον αφορά στο compatibility threshold) και

55 Κεφάλαιο 5. Αξιολόγηση 46 για intensity profiles με αριθμό κορυφών 7 και 8. Απορρίφθηκαν οι χρόνοι κάτω των 5 δευτερολέπτων που ως επί το πλείστον αντιπροσωπεύουν διαδικασίες στις οποίες δεν έγινε καμία βελτιστοποίηση number of profiles minutes Σχήμα 5.3: Ιστόγραμμα χρόνου εκτέλεσης του Combination Testing. Η μέτρηση των χρόνων έγινε σε έναν υπολογιστή με τα παρακάτω χαρακτηριστικά: CPU : Intel Core 2 Duo 2.60GHz RAM : 4GB 667MHz OS : Ubuntu Συγκεκριμένα χρησιμοποιήθηκε για την εκτέλεση ο ένας εκ των δύο πυρήνων αποκλειστικά. Το Engine χρησιμοποιεί ελάχιστη από τη μνήμη RAM (λιγότερο από 10MB) ενώ το πρόγραμμα που τροφοδοτούσε τα δεδομένα στο Engine εκτελέσθηκε στον ίδιο υπολογιστή ώστε να μην συμπεριληφθούν οι χρόνοι αποστολής των δεδομένων μέσω του δικτύου. Συμπεριλαμβάνεται

56 Κεφάλαιο 5. Αξιολόγηση 47 δε η καθυστέρηση λόγω αντιγραφής των δεδομένων, η οποία όμως είναι αμελητέα για το μέγεθος των δεδομένων που αποστέλλονται 3. Στον πίνακα παρακάτω φαίνεται το είδος των κατασκευασμένων intensity profiles που χρησιμοποιήθηκαν για τη μέτρηση των χρόνων εκτέλεσης. Αριθμός κορυφών Πλήθος intensity profiles Μέσο πλήθος fitting points Πίνακας 5.1: Δεδομένα που χρησιμοποιήθηκαν για την μέτρηση του χρόνου εκτέλεσης. 3

57 Κεφάλαιο 6 Συμπεράσματα Σε αυτή τη διπλωματική εργασία αναπτύχθηκε ο HPVTyper, μια καινοτόμα εφαρμογή λογισμικού για αυτόματη και ακριβή τυποποίηση του HPV μέσω της PCR-RFLP gel electrophoresis, βασισμένη στη μεθοδολογία που αναπτύχθηκε στο Κεφ. 2. Το κύριο χαρακτηριστικό του HPVTyper είναι ότι επιτρέπει στο χρήστη να ολοκληρώσει τη διαδικασία της τυποποίησης είτε αυτόματα (χρησιμοποιώντας τις προκαθορισμένες τιμές για τις παραμέτρους), είτε να επέμβει αλλάζοντας τις τιμές αυτές. Η διαδικασία χωρίζεται σε διακριτά βήματα ώστε να μπορεί ο χρήστης να ελέγχει τα αποτελέσματα στα ενδιάμεσα στάδια και να τροποποιεί τυχόν παραμέτρους ώστε να πετύχει μεγαλύτερη ακρίβεια. Στην πράξη ο χρήστης της εφαρμογής, αν το επιθυμεί, έχει τον απόλυτο έλεγχο πάνω στη διαδικασία της τυποποίησης. Ένα δεύτερο και σημαντικό χαρακτηριστικό του HPVTyper είναι η αρχιτεκτονική του από πλευράς λογισμικού. Υπάρχει το Engine (server) που αναλαμβάνει να εκτελέσει όλες τις υπολογιστικά απαιτητικές διαδικασίες ενώ ο χρήστης χειρίζεται το ελαφρύ γραφικό περιβάλλον (client) σε οποιονδήποτε υπολογιστή, ανεξαρτήτως από την υπολογιστική ισχύ του και το λειτουργικό του σύστημα. Με τη βοήθεια των Configuration Editors, ο χρήστης μπορεί εύκολα να τροποποιήσει τα δεδομένα που απαιτούνται για την λήψη μίας απόφασης τυποποίησης, το οποίο συνεπάγεται ότι νέες ανακαλύψεις όσον αφορά στη σχέση του HPV με τον καρκίνο του τραχήλου της μήτρας μπορούν να ενσωματωθούν πολύ εύκολα. Πιο συγκεκριμένα ανακαλύψεις νέων γονότυπων, αλλαγές στα επιδημιολογικά στοιχεία που χαρακτηρίζουν τους τύπους (όπως η συχνότητα εμφάνισης) καθώς και η αναθεώρηση της επικινδυνότητας ενός τύπου του HPV ενσωματώνονται άμεσα και εύκολα στη διαδικασία τυποποίησης. Ακόμη, είναι δυνατόν να επεκταθεί η χρήση του για την τυποποίηση του HPV σε άλλα πεδία του καρκίνου που σχετίζονται με αυτόν. Τέλος, η εφαρμογή μπορεί να χρησιμοποιηθεί ακόμα και για την τυποποίηση διαφορετικών ειδών ιών μεταβάλλοντας τα δεδομένα των configurations. 48

58 Κεφάλαιο 6. Συμπεράσματα 49 Καθώς ο τρόπος λειτουργίας του Engine και συγκεκριμένα η μορφή των δεδομένων εισόδου και εξόδου των adaptors έχει τεκμηριωθεί (Κεφάλαιο 3) μπορεί κανείς εύκολα να αναπτύξει ένα διαφορετικό γραφικό περιβάλλον, το οποίο θα εκμεταλλεύεται τον αλγόριθμο τυποποίησης που υλοποιεί το Engine ενώ ταυτόχρονα θα πληροί τις οποιεσδήποτε ιδιαίτερες απαιτήσεις του εκάστοτε χρήστη. Μία σημαντική βελτίωση στο Engine όσον αφορά το χρόνο εκτέλεσης του combination testing θα ήταν η παραλληλοποίηση της εκτέλεσης του αφού κάθε υπόθεση που εξετάζεται είναι ανεξάρτητη από τις υπόλοιπες. Καθώς οι πυρήνες του επεξεργαστή αξιοποιούνται από τα worker threads ώστε να εξυπηρετούν πολλούς χρήστες ταυτόχρονα, η παραλληλοποίηση θα μπορούσε να γίνει στο επίπεδο της GPU (Graphics Processing Unit) με χρήση της τεχνολογίας CUDA 1 ή OpenCL 2. Τέλος, τα παραπάνω καθίστανται δυνατά καθώς η εφαρμογή είναι ανοικτού κώδικα 3, κάτι που σημαίνει πως μπορεί κανείς να κατεβάσει τον πηγαίο κώδικα και να κάνει οποιεσδήποτε τροποποιήσεις προκειμένου να εισάγει νέες δυνατότητες, να βελτιώσει τον τρόπο εκτέλεσης και να συνεισφέρει στην εφαρμογή αυτή. 1 CUDA, NVIDIA Corp. (https://developer.nvidia.com/what-cuda). 2 OpenCL, Khronos Group (http://www.khronos.org/opencl/). 3 Η άδεια λογισμικού που χρησιμοποιήθηκε είναι η GPL (http://www.gnu.org/licenses/gpl.html) και ο δικτυακός τόπος της εφαρμογής βρίσκεται στη διεύθυνση

59 Παράρτημα A JSON Data Το JSON (JavaScript Object Notation) είναι ένα ανοικτό πρότυπο σχεδιασμένο για την ανταλλαγή δεδομένων σε μία αναγνώσιμη από τον άνθρωπο μορφή. Προέρχεται από τη γλώσσα προγραμματισμού JavaScript [Crockford, 2006] και περιέχει απλές δομές δεδομένων, τα αντικείμενα. Η χρήση της όμως δεν περιορίζεται στη JavaScript καθώς υπάρχουν βιβλιοθήκες επεξεργασίας του JSON για διάφορες γλώσσες προγραμματισμού. Χρησιμοποιούμε το JSON format ως εναλλακτική λύση από το XML [Bray et al., 2008] για την αποστολή δομημένων δεδομένων μέσω μίας δικτυακής σύνδεσης όπως περιγράφεται στο Κεφ. 3, καθώς μας επιτρέπει να σειριοποιήσουμε τα δεδομένα σε μία συμβολοσειρά, κατάλληλη για την αποστολή μέσω ενός ØMQ socket. A.1 Δεδομένα του RFLP Configuration Τα configuration files του HPVTyper όσων αφορά στους γονότυπους είναι δύο: το Prior Configuration και το Genotype Configuration. Αποθηκεύονται και αποστέλλονται από τον client στο Engine σε JSON μορφή η οποία φαίνεται στα Παράδειγμα για το Genotype Configuration σε μορφή JSON και Παράδειγμα για το Prior Configuration σε μορφή JSON. Στο Genotype Configuration, οι οντότητες notes, name, enzyme και primers δεν χρησιμοποιούνται στον κώδικα αλλά χρησιμεύουν στον χρήστη για να ξεχωρίζει το είδος του configuration. Τα δεδομένα που χρησιμοποιούνται είναι οι τέσσερις JSON πίνακες: ids, fragments, types και types. Από τους JSON πίνακες χαρακτηρίζεται ένας γονότυπος χρησιμοποιώντας τα στοιχεία που βρίσκονται στις ίδιες θέσεις αυτών. Στο Παράδειγμα A.1 βλέπουμε ότι ο γονότυπος με ID 2 παράγει τα fragments [91, 224, 134] ενώ εχει μήκος 449bp και ανήκει στον τύπο με ID 6. 50

60 Παράρτημα A. JSON Data 51 Αντίστοιχα, ο κάθε τύπος HPV χαρακτηρίζεται από τα δεδομένα του Prior Configuration (Παράδειγμα A.2). Ο τύπος με ID 6 έχει εκ των προτέρων πιθανότητα εμφάνισης 13.22% (από στατιστικά δεδομένα) ενώ ο βαθμός επικινδυνότητας αυτού είναι 2. Παρακάτω φαίνεται ένα παράδειγμα της μορφής με την οποία αποθηκεύονται τo Genotype Configuration, { } notes :, name : O r i g i n a l, enzyme :, p r i m e r s :, i d s : [ 1, 2 ], fragments : [ [ 124, 12, 108, 220 ], [ 91, 224, 134 ] ], t y p e s : [ 5, 6 ], amplengths : [ 464, 449 ] Κώδικας A.1: Παράδειγμα για το Genotype Configuration σε μορφή JSON καθώς και το Prior Configuration,

61 Παράρτημα A. JSON Data 52 { } name : d e f a u l t, notes :, i d s : [ 5, 6 ], p r o b a b i l i t i e s : [ , ], r i s k s : [ 1, 2, ] Κώδικας A.2: Παράδειγμα για το Prior Configuration σε μορφή JSON A.2 Αποτελέσματα των διεργασιών Compatibility Check και Combination Testing Αντίστοιχα με τα configuration, το JSON χρησιμοποιείται για την αποστολή δεδομένων από το Engine προς τον client. Τα αποτελέσματα τόσο του Compatibility Check όσο και του Combination Testing κωδικοποιούνται σε μορφή JSON. Κάθε μήνυμα περιέχει αντικείμενα όπως φαίνεται στα Παραδείγματα A.3 και A.4 αντίστοιχα. { } i n d e x : 0, assignment : [ 5, 4, 3, 2 ], compatible : 0, s c o r e : Κώδικας A.3: Αποτελέσματα του Compatibility Check σε μορφή JSON

62 Παράρτημα A. JSON Data 53 Συγκεκριμένα, στο JSON κείμενο για τα αποτελέσματα του compatibility check κάθε στοιχείο χαρακτηρίζει ένα γονότυπο ως εξής: το index συνδέει το στοιχείο του πίνακα με τον αντίστοιχο γονότυπο στο genotype configuration ενώ assignment είναι η βέλτιστη ανάθεση των θραυσμάτων του σε κορυφές, για την οποία παίρνουμε το score που χαρακτηρίζει το γονότυπο ως compatible ή όχι. { } genotypes : [ 12, 34 ], se : , cmpd : [ { digpat : [ 1, 1, 1 ], assignment : [ 1, 5, 2, 2 ], pb : [ 151, 37, 127, 134 ], t y p i : [ 11 ], s r c : 1 }, { digpat : [ 1, 1 ], assignment : [ 4, 3 ], pb : [ 61, 73 ], t y p i : [ 34 ], s r c : 1 }, { digpat : n u l l, assignment : [ 5 ], pb : [ 37 ], t y p i : n u l l, s r c : 2 }, { digpat : [ 1, 1, 0 ], assignment : [ 1, 5 ], pb : [ 151, 37 ], t y p i : [ 11 ], s r c : 3 } ] Κώδικας A.4: Αποτελέσματα του Combination Testing σε μορφή JSON Στο JSON κείμενο των αποτελεσμάτων του combination testing, κάθε στοιχείο χαρακτηρίζει ένα συνδυασμό γονότυπων που βρέθηκε ικανός να εξηγήσει τις παρατηρούμενες κορυφές του

63 Παράρτημα A. JSON Data 54 προφίλ φωτεινότητας. Η δομή του αντικειμένου αυτού φαίνεται στο παρακάτω παράδειγμα: Το στοιχείο genotypes αποτελεί τη λίστα των γονότυπων που συνιστούν το συνδυασμό ενώ το se είναι το τετραγωνικό σφάλμα που προέκυψε από την βελτιστοποίηση του τελικού μοντέλου. Το στοιχείο cmpd περιέχει την πληροφορία για τα FLP. Πιο συγκεκριμένα digpat είναι το digestion pattern, δηλαδή μία τιμή για κάθε σημείο κοπής του περιοριστικού ενζύμου που καθορίζει αν το ένζυμο απέτυχε (0) ή πέτυχε (1) την κοπή του μορίου στο σημείο αυτό. Έπειτα pb είναι τα θραύσματα που λήφθηκαν υπόψιν και assignment η ανάθεση αυτών σε κορυφές. Τέλος typi είναι η προέλευση του FLP από κάποιο γονότυπο και src το είδος του FLP (Κώδικας 3.5).

64 Παράρτημα B HPVTyper Manual B.1 Main Window The main window of HPVTyper is the starting point for the processing of a PCR-RFLP image. It is tasked with loading the image into the application, setting the lane positions and loading the configurations. From the menu at the top of the window, one can load an image through the File option. Under the option Configurations reside the two editors: the Prior Configuration Editor and Genotype Configuration Editor which will be discussed in detail in Section B.3. Once an image has been loaded the next step is to define the lane boundaries which is performed through the right-click context menu. The process is outlined: Select Define New Lane. Left click on the leftmost boundary of a lane. Move the mouse cursor to the rightmost boundary of the lane and left click again. Register the lane by right clicking on the image and selecting Apply. As soon as the lanes and ladders have been defined, the application is ready to extract the intensity profiles (Section 2.2). This is done once again through the right click menu on the image, by selecting Extract Profiles. This might take some time for the Engine to compute, but as soon as it is complete, a number of tabs will appear on the leftmost edge of the window (Figure B.1 (1)). These are the Lane Processing Tabs. 55

65 Παράρτημα B. HPVTyper Manual Σχήμα B.1: The Main Window of HPVTyper: (1) lane tabs, (2) configuration editors, (3) rightclick menu, (4) a lane on the loaded image, (5) lane status B.2 Lane Processing Tab This is the workspace for processing a lane. All the steps in the process of reaching a conclusion regarding the HPV types responsible for the infection in the sample are described in the following subsections. B.2.1 Profile Fitting Once the profile has been extracted for a lane, it appears on the top of this window in blue color, along with the image of that lane below. The next step is to define the bands on the lane. This is performed in exactly the same way as defining a lane on the original image (Section B.1), using the right click menu on the profile 1. Once all of the bands have been marked, using the option Perform Fitting of the right click menu the Engine performs the initial intensity profile fitting (Section 2.3.2). When the lane model has been computed, it will appear in red color along with the intensity profile. 1 The bands are defined based on the intensity profile and not on the lane image

66 Παράρτημα B. HPVTyper Manual 57 B.2.2 Ladder Calibration The above process must first be completed for all the lane tabs. As soon as the fitting process is done for all the lanes, it is time to calibrate the ladder(s). In the tab that contains a ladder lane, one needs to select the option Calibrate Ladder to initiate the process. A pop-up window will ask for some additional details regarding the ladder. These are the ladder step and first band length, both measured in base-pairs. The first is the distance between two neighboring bands and the latter is the length of the DNA fragments that constitute the population residing in the first marked band. When the calibration is over, each lane tab will be completed by inserting a reference ruler and the ladder image Σχήμα B.2: HPVTyper Lane Processing Tab: (1) intensity profile and the computed model, (2) lane image, (3) reference marker, (4) ladder image, (5) combination testing controls, (6) compatibility testing controls and (7) assignment of the selected genotype 5 B.2.3 Compatibility Check The next step of the process is to perform the Compatibility Check on the lane. This requires that the Genotype and Prior Configurations have been loaded (Section B.3) and is performed from the rightmost section of the lane top (Figure B.2 (6)). There are three parameters to adjust in this step: Compatibility Threshold Determines how strict or relaxed is the criterion for an HPV type to be compatible.

67 Παράρτημα B. HPVTyper Manual 58 Coincidence Threshold Determines how possible it is for two fragments with different lengths to appear on the same band in the sample. Complexity Control Sets the percentage of compatible types that will take part in the Combination Testing process. Another option that begins to take effect in this step is the Profile ROI 2. From the right click menu on the profile, one can define the aforementioned ROI. The regions on the edges of the profile distinguished by the red hue are considered to have unreliable information and so any genotype fragments in those areas will be ignored when taking compatibility decisions. B.2.4 Combination Testing This is the final step to the process and may take a considerable amount of time for the Engine to finish processing. It is required that the Compatibility Check has been performed for a lane before this step is initiated. Again, there are three parameters to adjust: Partial Digestion Tolerance Determines the maximum number of digestion failures that can occur. Partial Digestion Volume Determines the maximum concentration of partial digestion fragments, as a percentage of the concentration of the main FLP fragments. Prior Weight Changes the impact that prior probabilities for different types have in the final score of each combination. B.3 Configuration Editors The configuration editors, allow the examiner to modify and expand the configurations used in reaching decisions regarding the HPV types that have infected the sample that produces a lane image. The Prior Configuration specifies the prior probability of infection for different HPV types. On the other hand, the Genotype Configuration includes the information regarding the FLPs of any HPV genotypes that need to be taken into account as well as the type from which each genotype stems. 2 Region of Interest

68 Παράρτημα B. HPVTyper Manual 59 The Configuration Editors in both cases are simple in their use, presenting some general information in the top half of the window, while allowing for insertion, deletion and modification of the data in the lower half of the window (Figure B.3) Σχήμα B.3: HPVTyper Configuration Editor: (1) configuration file selected, (2) general information and (3) genotype data editor.

Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis)

Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis) Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis) Η μέθοδος PCA (Ανάλυση Κύριων Συνιστωσών), αποτελεί μία γραμμική μέθοδο συμπίεσης Δεδομένων η οποία συνίσταται από τον επαναπροσδιορισμό των συντεταγμένων ενός

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση

Διαβάστε περισσότερα

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις,

Διαβάστε περισσότερα

Ο ρόλος και η σημασία των μοριακών τεχνικών στον έλεγχο των. μικροβιολογικών παραμέτρων σε περιβαλλοντικά δείγματα για την προστασία

Ο ρόλος και η σημασία των μοριακών τεχνικών στον έλεγχο των. μικροβιολογικών παραμέτρων σε περιβαλλοντικά δείγματα για την προστασία Ο ρόλος και η σημασία των μοριακών τεχνικών στον έλεγχο των μικροβιολογικών παραμέτρων σε περιβαλλοντικά δείγματα για την προστασία της Δημόσιας Υγείας Α. Βανταράκης Εργαστήριο Υγιεινής, Ιατρική Σχολή,

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων

HMY 795: Αναγνώριση Προτύπων HMY 795: Αναγνώριση Προτύπων Διάλεξη 3 Επιλογή μοντέλου Επιλογή μοντέλου Θεωρία αποφάσεων Επιλογή μοντέλου δεδομένα επικύρωσης Η επιλογή του είδους του μοντέλου που θα χρησιμοποιηθεί σε ένα πρόβλημα (π.χ.

Διαβάστε περισσότερα

Θεωρία - Εφαρμογές ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ ΦΥΤΩΝ - ΜΟΡΙΑΚΟΙ ΔΕΙΚΤΕΣ 1

Θεωρία - Εφαρμογές ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ ΦΥΤΩΝ - ΜΟΡΙΑΚΟΙ ΔΕΙΚΤΕΣ 1 ΜΟΡΙΑΚΟΙ ΔΕΙΚΤΕΣ Θεωρία - Εφαρμογές ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ ΦΥΤΩΝ - ΜΟΡΙΑΚΟΙ ΔΕΙΚΤΕΣ 1 ΕΙΣΑΓΩΓΗ ΣΤΟΥΣ ΜΟΡΙΑΚΟΥΣ Έπιλογή με βάση: ΔΕΙΚΤΕΣ Φαινοτυπικοί δείκτες Γενετικοί δείκτες Μοριακοί δείκτες (Πρωτεϊνικοί &

Διαβάστε περισσότερα

Κατανεμημένα Συστήματα

Κατανεμημένα Συστήματα Κατανεμημένα Συστήματα Android Grid Application Θωμάς Αντώνιος (3050073) Καραβέλλας Θεμιστοκλής (3050055) 1. Εισαγωγή Το Android αποτελεί ένα λειτουργικό σύστημα για κινητές συσκευές. Το λειτουργικό αυτό

Διαβάστε περισσότερα

Εργαλεία Μοριακής Γενετικής

Εργαλεία Μοριακής Γενετικής Εργαλεία Μοριακής Γενετικής Αρχές Μοριακής κλωνοποίησης Τα περιοριστικά ένζυμα: αναγνωρίζουν αλληλουχίες (θέσεις περιορισμού). 2 τύποι ενζύμων: -Τύπος I = Κόβουν κοντά στη θέση περιορισμού -σπάνια χρησιμοποιούνται.

Διαβάστε περισσότερα

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ. ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ. ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ ΤΕΙ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ ΓΙΑΝΝΗΣ ΦΑΝΟΥΡΓΙΑΚΗΣ ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΣΥΝΕΡΓΑΤΗΣ ΤΕΙ ΚΡΗΤΗΣ ΔΟΜΗ ΠΑΡΟΥΣΙΑΣΗΣ 1. Εισαγωγή

Διαβάστε περισσότερα

Σ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ

Σ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ Σ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΩΝ ΕΞΕΤΑΣΕΩΝ Μ ΑΪΟΥ 2002 2004 Δ ΕΥΤΕΡΟ ΜΕΡΟΣ Π ΕΡΙΛΗΨΗ: Η μελέτη αυτή έχει σκοπό να παρουσιάσει και να ερμηνεύσει τα ευρήματα που προέκυψαν από τη στατιστική

Διαβάστε περισσότερα

Περιεχόμενο του μαθήματος

Περιεχόμενο του μαθήματος ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Απαιτήσεις Λογισμικού Περιπτώσεις χρήσης Δρ Βαγγελιώ Καβακλή Τμήμα Πολιτισμικής Τεχνολογίας και Επικοινωνίας Πανεπιστήμιο Αιγαίου Εαρινό Εξάμηνο 2012-2013 1 Περιεχόμενο του μαθήματος

Διαβάστε περισσότερα

ΜΑΘΗΜΑ 3 MULTIPLE CHOICE

ΜΑΘΗΜΑ 3 MULTIPLE CHOICE ΜΑΘΗΜΑ 3 MULTIPLE CHOICE 1. Ποιa από τις πιο κάτω εργασίες είναι λειτουργία του Λειτουργικού Συστήματος; a) Προσθήκη δεδομένων σε ένα υπολογιστικό φύλλο b) Εκπόνηση έκθεσης βάσης δεδομένων c) Διαχείριση

Διαβάστε περισσότερα

J-GANNO. Σύντοµη αναφορά στους κύριους στόχους σχεδίασης και τα βασικά χαρακτηριστικά του πακέτου (προέκδοση 0.9Β, Φεβ.1998) Χάρης Γεωργίου

J-GANNO. Σύντοµη αναφορά στους κύριους στόχους σχεδίασης και τα βασικά χαρακτηριστικά του πακέτου (προέκδοση 0.9Β, Φεβ.1998) Χάρης Γεωργίου J-GANNO ΓΕΝΙΚΕΥΜΕΝΟ ΠΑΚΕΤΟ ΥΛΟΠΟΙΗΣΗΣ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΙΚΤΥΩΝ ΣΤΗ ΓΛΩΣΣΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ JAVA Σύντοµη αναφορά στους κύριους στόχους σχεδίασης και τα βασικά χαρακτηριστικά του πακέτου (προέκδοση 0.9Β,

Διαβάστε περισσότερα

ΑΙΜΟΠΑΘΟΛΟΓΟΑΝΑΤΟΜΙΑ

ΑΙΜΟΠΑΘΟΛΟΓΟΑΝΑΤΟΜΙΑ ΑΙΜΟΠΑΘΟΛΟΓΟΑΝΑΤΟΜΙΑ Η συµβολή της µοριακής ανάλυσης Eλισάβετ Οικονοµάκη Βιολόγος Αιµοπαθολογοανατοµικό Εργαστήριο ΠΓΝΑ > ΜΟΡΙΑΚΕΣ ΜΕΘΟ ΟΙ (Μη µορφολογικές) Αλυσιδωτή Αντίδραση Πολυµεράσης

Διαβάστε περισσότερα

Εργαστηριακή Διάγνωση της HIV λοίμωξης. Δρ. Μαρία Κοτσιανοπούλου Βιολόγος Υπεύθυνη Εργαστηριού Κέντρου Αναφοράς AIDS, ΕΣΔΥ

Εργαστηριακή Διάγνωση της HIV λοίμωξης. Δρ. Μαρία Κοτσιανοπούλου Βιολόγος Υπεύθυνη Εργαστηριού Κέντρου Αναφοράς AIDS, ΕΣΔΥ Εργαστηριακή Διάγνωση της HIV λοίμωξης Δρ. Μαρία Κοτσιανοπούλου Βιολόγος Υπεύθυνη Εργαστηριού Κέντρου Αναφοράς AIDS, ΕΣΔΥ Διάγνωση της HIV λοίμωξης Από το 1985 και μέχρι σήμερα η διαγνωστική διαδικασία

Διαβάστε περισσότερα

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος xi 1 Αντικείμενα των Πιθανοτήτων και της Στατιστικής 1 1.1 Πιθανοτικά Πρότυπα και Αντικείμενο των Πιθανοτήτων, 1 1.2 Αντικείμενο της Στατιστικής, 3 1.3 Ο Ρόλος των Πιθανοτήτων

Διαβάστε περισσότερα

Συχνότητα Human Papilloma Virus (HPV) στη Κύπρο

Συχνότητα Human Papilloma Virus (HPV) στη Κύπρο E M E D N L C SCIENCES BIOMEDICAL E N T E R Kέντρο Μέντελ για Βιοιατρικές Επιστήμες Συχνότητα Human Papilloma Virus (HPV) στη Κύπρο Βασίλειος Τάνος MD PhD www.mendelcenter.org Picture taken from leaflet

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 4. Τεχνική Ανίχνευσης του. Πτυχιακή Εργασία Σελίδα 95

ΚΕΦΑΛΑΙΟ 4. Τεχνική Ανίχνευσης του. Πτυχιακή Εργασία Σελίδα 95 ΚΕΦΑΛΑΙΟ 4 Τεχνική Ανίχνευσης του ICMP Echo Spoofing Πτυχιακή Εργασία Σελίδα 95 Περιεχόμενα ΕΙΣΑΓΩΓΗ 98 ΜΕΡΟΣ Α: Έλεγχος του Icmp Echo Reply Πακέτου 103 A.1. Ανίχνευση του spoofed Icmp Echo Request Πακέτου.

Διαβάστε περισσότερα

3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ

3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ 3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ Πρόβλημα: Ένας ραδιοφωνικός σταθμός ενδιαφέρεται να κάνει μια ανάλυση για τους πελάτες του που διαφημίζονται σ αυτόν για να εξετάσει την ποσοστιαία μεταβολή των πωλήσεων

Διαβάστε περισσότερα

Συσχέτιση μεταξύ δύο συνόλων δεδομένων

Συσχέτιση μεταξύ δύο συνόλων δεδομένων Διαγράμματα διασποράς (scattergrams) Συσχέτιση μεταξύ δύο συνόλων δεδομένων Η οπτική απεικόνιση δύο συνόλων δεδομένων μπορεί να αποκαλύψει με παραστατικό τρόπο πιθανές τάσεις και μεταξύ τους συσχετίσεις,

Διαβάστε περισσότερα

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της

Διαβάστε περισσότερα

Επισκεφτήκαμε το ινστιτούτο νευρολογίας και γενετικής όπου μας μίλησε ο κύριος Βάσος Νεοκλέους και η κ. Αλέξια Φαίδωνος για τη μηχανή Polymerase

Επισκεφτήκαμε το ινστιτούτο νευρολογίας και γενετικής όπου μας μίλησε ο κύριος Βάσος Νεοκλέους και η κ. Αλέξια Φαίδωνος για τη μηχανή Polymerase Επισκεφτήκαμε το ινστιτούτο νευρολογίας και γενετικής όπου μας μίλησε ο κύριος Βάσος Νεοκλέους και η κ. Αλέξια Φαίδωνος για τη μηχανή Polymerase Chain Reaction (pcr)- Αλυσιδωτή αντίδραση πολυμεράσης.η

Διαβάστε περισσότερα

2. ΑΝΑΛΥΣΗ ΣΦΑΛΜΑΤΩΝ

2. ΑΝΑΛΥΣΗ ΣΦΑΛΜΑΤΩΝ 1. ΑΝΑΛΥΣΗ ΣΦΑΛΜΑΤΩΝ 1. Σφάλματα Κάθε μέτρηση ενός φυσικού μεγέθους χαρακτηρίζεται από μία αβεβαιότητα που ονομάζουμε σφάλμα, το οποίο αναγράφεται με τη μορφή Τιμή ± αβεβαιότητα π.χ έστω ότι σε ένα πείραμα

Διαβάστε περισσότερα

Τεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας

Τεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας Τεχνικές Μείωσης Διαστάσεων Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας 1 Εισαγωγή Το μεγαλύτερο μέρος των δεδομένων που καλούμαστε να επεξεργαστούμε είναι πολυδιάστατα.

Διαβάστε περισσότερα

Σ Τ Α Τ Ι Σ Τ Ι Κ Η 2. 1. Β Α Σ Ι Κ Ε Σ Ε Ν Ν Ο Ι Ε Σ.

Σ Τ Α Τ Ι Σ Τ Ι Κ Η 2. 1. Β Α Σ Ι Κ Ε Σ Ε Ν Ν Ο Ι Ε Σ. Σ Τ Α Τ Ι Σ Τ Ι Κ Η Στατιστική έρευνα : Πρόκειται για ένα σύνολο αρχών και μεθοδολογιών με αντικείμενο : 1) το σχεδιασμό της διαδικασίας συλλογής δεδομένων. Κλάδος της στατιστικής που ασχολείται : Σχεδιασμός

Διαβάστε περισσότερα

ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ

ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ ΜΕΡΟΣ ΙΙ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ 36 ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ Πολλές από τις αποφάσεις

Διαβάστε περισσότερα

9. Συστολικές Συστοιχίες Επεξεργαστών

9. Συστολικές Συστοιχίες Επεξεργαστών Κεφάλαιο 9: Συστολικές συστοιχίες επεξεργαστών 208 9. Συστολικές Συστοιχίες Επεξεργαστών Οι συστολικές συστοιχίες επεξεργαστών είναι επεξεργαστές ειδικού σκοπού οι οποίοι είναι συνήθως προσκολλημένοι σε

Διαβάστε περισσότερα

Ανάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα

Ανάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα Ανάλυση Διασποράς Έστω ότι μας δίνονται δείγματα που προέρχονται από άγνωστους πληθυσμούς. Πόσο διαφέρουν οι μέσες τιμές τους; Με άλλα λόγια: πόσο πιθανό είναι να προέρχονται από πληθυσμούς με την ίδια

Διαβάστε περισσότερα

1 Αριθμητική κινητής υποδιαστολής και σφάλματα στρογγύλευσης

1 Αριθμητική κινητής υποδιαστολής και σφάλματα στρογγύλευσης 1 Αριθμητική κινητής υποδιαστολής και σφάλματα στρογγύλευσης Στη συγκεκριμένη ενότητα εξετάζουμε θέματα σχετικά με την αριθμητική πεπερασμένης ακρίβειας που χρησιμοποιούν οι σημερινοί υπολογιστές και τα

Διαβάστε περισσότερα

2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ (Backward Elimination Procedure) Στην στατιστική βιβλιογραφία υπάρχουν πολλές μέθοδοι για

2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ (Backward Elimination Procedure) Στην στατιστική βιβλιογραφία υπάρχουν πολλές μέθοδοι για 2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ (Backward Elimination Procedure) Στην στατιστική βιβλιογραφία υπάρχουν πολλές μέθοδοι για τον καθορισμό του καλύτερου υποσυνόλου από ένα σύνολο

Διαβάστε περισσότερα

Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση

Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση ΤΨΣ 50 Ψηφιακή Επεξεργασία Εικόνας Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση Τµήµα ιδακτικής της Τεχνολογίας και Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς Περιεχόµενα Βιβλιογραφία

Διαβάστε περισσότερα

Ενδεικτικές ασκήσεις ΔΙΠ 50

Ενδεικτικές ασκήσεις ΔΙΠ 50 Ενδεικτικές ασκήσεις ΔΙΠ 50 Άσκηση 1 (άσκηση 1 1 ης εργασίας 2009-10) Σε ένα ράφι μιας βιβλιοθήκης τοποθετούνται με τυχαία σειρά 11 διαφορετικά βιβλία τεσσάρων θεματικών ενοτήτων. Πιο συγκεκριμένα, υπάρχουν

Διαβάστε περισσότερα

Σκοπός του κεφαλαίου είναι η κατανόηση των βασικών στοιχείων μιας στατιστικής έρευνας.

Σκοπός του κεφαλαίου είναι η κατανόηση των βασικών στοιχείων μιας στατιστικής έρευνας. 7 ο ΜΑΘΗΜΑ ΚΕΦΑΛΑΙΟ 2 ΣΤΑΤΙΣΤΙΚΗ Σκοπός Σκοπός του κεφαλαίου είναι η κατανόηση των βασικών στοιχείων μιας στατιστικής έρευνας. Προσδοκώμενα αποτελέσματα Όταν θα έχετε ολοκληρώσει τη μελέτη αυτού του κεφαλαίου

Διαβάστε περισσότερα

Εγχειρίδιο Invest i. Εγχειρίδιο Invest

Εγχειρίδιο Invest i. Εγχειρίδιο Invest i Εγχειρίδιο Invest ii Copyright 2004, 2005 Raphael Slinckx Copyright 2007 Terrence Hall Δίνεται άδεια για αντιγραφή, διανομή και/ή τροποποίηση του εγγράφου υπό τους ""όρους της Ελεύθερης Άδειας Τεκμηρίωσης

Διαβάστε περισσότερα

ΟΚΙΜΑΣΙΕΣ χ 2 (CHI-SQUARE)

ΟΚΙΜΑΣΙΕΣ χ 2 (CHI-SQUARE) ΔΟΚΙΜΑΣΙΕΣ χ (CI-SQUARE) ΟΚΙΜΑΣΙΕΣ χ (CI-SQUARE). Εισαγωγή Οι στατιστικές δοκιμασίες που μελετήσαμε μέχρι τώρα ονομάζονται παραμετρικές (paramtrc) διότι χαρακτηρίζονται από υποθέσεις σχετικές είτε για

Διαβάστε περισσότερα

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή στο

Διαβάστε περισσότερα

Κεφάλαιο 5: Στρατηγική χωροταξικής διάταξης

Κεφάλαιο 5: Στρατηγική χωροταξικής διάταξης K.5.1 Γραμμή Παραγωγής Μια γραμμή παραγωγής θεωρείται μια διάταξη με επίκεντρο το προϊόν, όπου μια σειρά από σταθμούς εργασίας μπαίνουν σε σειρά με στόχο ο κάθε ένας από αυτούς να κάνει μια ή περισσότερες

Διαβάστε περισσότερα

Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ. (Power of a Test) ΚΕΦΑΛΑΙΟ 21

Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ. (Power of a Test) ΚΕΦΑΛΑΙΟ 21 ΚΕΦΑΛΑΙΟ 21 Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ (Power of a Test) Όπως είδαμε προηγουμένως, στον Στατιστικό Έλεγχο Υποθέσεων, ορίζουμε δύο είδη πιθανών λαθών (κινδύνων) που μπορεί να συμβούν όταν παίρνουμε αποφάσεις

Διαβάστε περισσότερα

ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Θεσσαλονίκης Τμήμα Πληροφορικής Εργαστήριο «Θεωρία Πιθανοτήτων και Στατιστική» ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Περιεχόμενα 1. Συσχέτιση μεταξύ δύο ποσοτικών

Διαβάστε περισσότερα

Κεφάλαιο 4: Λογισμικό Συστήματος

Κεφάλαιο 4: Λογισμικό Συστήματος Κεφάλαιο 4: Λογισμικό Συστήματος Ερωτήσεις 1. Να αναφέρετε συνοπτικά τις κατηγορίες στις οποίες διακρίνεται το λογισμικό συστήματος. Σε ποια ευρύτερη κατηγορία εντάσσεται αυτό; Το λογισμικό συστήματος

Διαβάστε περισσότερα

Μοντέλο φωτισμού Phong

Μοντέλο φωτισμού Phong ΚΕΦΑΛΑΙΟ 9. Στο προηγούμενο κεφάλαιο παρουσιάσθηκαν οι αλγόριθμοι απαλοιφής των πίσω επιφανειών και ακμών. Απαλοίφοντας λοιπόν τις πίσω επιφάνειες και ακμές ενός τρισδιάστατου αντικειμένου, μπορούμε να

Διαβάστε περισσότερα

Η ΑΝΑΓΚΗ ΓΙΑ ΠΟΣΟΤΙΚΟΠΟΙΗΣΗ ΣΤΗΝ ΕΝΟΡΓΑΝΗ ΑΝΑΛΥΣΗ

Η ΑΝΑΓΚΗ ΓΙΑ ΠΟΣΟΤΙΚΟΠΟΙΗΣΗ ΣΤΗΝ ΕΝΟΡΓΑΝΗ ΑΝΑΛΥΣΗ Η ΑΝΑΓΚΗ ΓΙΑ ΠΟΣΟΤΙΚΟΠΟΙΗΣΗ ΣΤΗΝ ΕΝΟΡΓΑΝΗ ΑΝΑΛΥΣΗ Οι Ενόργανες Μέθοδοι Ανάλυσης είναι σχετικές μέθοδοι και σχεδόν στο σύνολο τους παρέχουν την αριθμητική τιμή μιας φυσικής ή φυσικοχημικής ιδιότητας, η

Διαβάστε περισσότερα

I. ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ. math-gr

I. ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ. math-gr I ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ i e ΜΕΡΟΣ Ι ΟΡΙΣΜΟΣ - ΒΑΣΙΚΕΣ ΠΡΑΞΕΙΣ Α Ορισμός Ο ορισμός του συνόλου των Μιγαδικών αριθμών (C) βασίζεται στις εξής παραδοχές: Υπάρχει ένας αριθμός i για τον οποίο ισχύει i Το σύνολο

Διαβάστε περισσότερα

II. Συναρτήσεις. math-gr

II. Συναρτήσεις. math-gr II Συναρτήσεις Παντελής Μπουμπούλης, MSc, PhD σελ blogspotcom, bouboulismyschgr ΜΕΡΟΣ 1 ΣΥΝΑΡΤΗΣΕΙΣ Α Βασικές Έννοιες Ορισμός: Έστω Α ένα υποσύνολο του συνόλου των πραγματικών αριθμών R Ονομάζουμε πραγματική

Διαβάστε περισσότερα

ΠΑΡΑΔΕΙΓΜΑ ΣΤΟ BIZAGI ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ & ΑΥΤΟΔΙΟΙΚΗΣΗΣ

ΠΑΡΑΔΕΙΓΜΑ ΣΤΟ BIZAGI ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ & ΑΥΤΟΔΙΟΙΚΗΣΗΣ Ανάλυση - Προσομοίωση ΠΑΡΑΔΕΙΓΜΑ ΣΤΟ BIZAGI ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ & ΑΥΤΟΔΙΟΙΚΗΣΗΣ 1 Προσομοίωση Η προσομοίωση είναι μέθοδος μελέτης ενός συστήματος και εξοικείωσης με τα χαρακτηριστικά του με

Διαβάστε περισσότερα

Στατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες

Στατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες Ορισμός Στατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες αβεβαιότητας. Βασικές έννοιες Η μελέτη ενός πληθυσμού

Διαβάστε περισσότερα

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012 ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η (3 μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάση το συντελεστή συσχέτισης. (γράψτε ποιο

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ 3.1 Τυχαίοι αριθμοί Στην προσομοίωση διακριτών γεγονότων γίνεται χρήση ακολουθίας τυχαίων αριθμών στις περιπτώσεις που απαιτείται η δημιουργία στοχαστικών

Διαβάστε περισσότερα

Γραφικά Υπολογιστών: Μέθοδοι Ανίχνευσης Επιφανειών (Surface Detection Methods)

Γραφικά Υπολογιστών: Μέθοδοι Ανίχνευσης Επιφανειών (Surface Detection Methods) 1 ΤΕΙ Θεσσαλονίκης Τμήμα Πληροφορικής Γραφικά Υπολογιστών: Μέθοδοι Ανίχνευσης Επιφανειών (Surface Detection Methods) Πασχάλης Ράπτης http://aetos.it.teithe.gr/~praptis praptis@it.teithe.gr 2 Περιεχόμενα

Διαβάστε περισσότερα

Εισαγωγή στην Κανονική Κατανομή. Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη

Εισαγωγή στην Κανονική Κατανομή. Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη Εισαγωγή στην Κανονική Κατανομή Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη Ένα πρόβλημα Πρόβλημα: Ένας μαθητής είχε επίδοση στο τεστ Μαθηματικών 18 και στο τεστ

Διαβάστε περισσότερα

Αναδρομή. Τι γνωρίζετε για τη δυνατότητα «κλήσης» αλγορίθμων; Τι νόημα έχει;

Αναδρομή. Τι γνωρίζετε για τη δυνατότητα «κλήσης» αλγορίθμων; Τι νόημα έχει; ΜΑΘΗΜΑ 7 Κλήση αλγορίθμου από αλγόριθμο Αναδρομή Σ χ ο λ ι κ ο Β ι β λ ι ο ΥΠΟΚΕΦΑΛΑΙΟ 2.2.7: ΕΝΤΟΛΕΣ ΚΑΙ ΔΟΜΕΣ ΑΛΓΟΡΙΘΜΟΥ ΠΑΡΑΓΡΑΦΟI 2.2.7.5: Κλήση αλγορίθμου από αλγόριθμο 2.2.7.6: Αναδρομή εισαγωγη

Διαβάστε περισσότερα

Εισαγωγή στις Ηλεκτρικές Μετρήσεις

Εισαγωγή στις Ηλεκτρικές Μετρήσεις Εισαγωγή στις Ηλεκτρικές Μετρήσεις Σφάλματα Μετρήσεων Συμβατικά όργανα μετρήσεων Χαρακτηριστικά μεγέθη οργάνων Παλμογράφος Λέκτορας Σοφία Τσεκερίδου 1 Σφάλματα μετρήσεων Επιτυχημένη μέτρηση Σωστή εκλογή

Διαβάστε περισσότερα

Διάλεξη 1 Βασικές έννοιες

Διάλεξη 1 Βασικές έννοιες Εργαστήριο SPSS Ψ-4201 (ΕΡΓ) Λεωνίδας Α. Ζαμπετάκης Β.Sc., M.Env.Eng., M.Ind.Eng., D.Eng. Εmail: statisticsuoc@gmail.com Διαλέξεις αναρτημένες στο: Διαλέξεις: ftp://ftp.soc.uoc.gr/psycho/zampetakis/ Διάλεξη

Διαβάστε περισσότερα

8. Σύνθεση και ανάλυση δυνάμεων

8. Σύνθεση και ανάλυση δυνάμεων 8. Σύνθεση και ανάλυση δυνάμεων Βασική θεωρία Σύνθεση δυνάμεων Συνισταμένη Σύνθεση δυνάμεων είναι η διαδικασία με την οποία προσπαθούμε να προσδιορίσουμε τη δύναμη εκείνη που προκαλεί τα ίδια αποτελέσματα

Διαβάστε περισσότερα

ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΗΝ ΕΝΟΡΓΑΝΗ ΑΝΑΛΥΣΗ

ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΗΝ ΕΝΟΡΓΑΝΗ ΑΝΑΛΥΣΗ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΗΝ ΕΝΟΡΓΑΝΗ ΑΝΑΛΥΣΗ Αναλυτική Μέθοδος- Αναλυτικό Πρόβλημα. Ανάλυση, Προσδιορισμός και Μέτρηση. Πρωτόκολλο. Ευαισθησία Μεθόδου. Εκλεκτικότητα. Όριο ανίχνευσης (limit of detection, LOD).

Διαβάστε περισσότερα

Δύο κύριοι τρόποι παρουσίασης δεδομένων. Παράδειγμα

Δύο κύριοι τρόποι παρουσίασης δεδομένων. Παράδειγμα Δύο κύριοι τρόποι παρουσίασης δεδομένων Παράδειγμα Με πίνακες Με διαγράμματα Ονομαστικά δεδομένα Εδώ τα περιγραφικά μέτρα (μέσος, διάμεσος κλπ ) δεν έχουν νόημα Πήραμε ένα δείγμα από 25 άτομα και τα ρωτήσαμε

Διαβάστε περισσότερα

ΟΔΗΓΙΕΣ ΧΡΗΣΗΣ ΠΡΟΓΡΑΜΜΑΤΟΣ Dcad 1.0

ΟΔΗΓΙΕΣ ΧΡΗΣΗΣ ΠΡΟΓΡΑΜΜΑΤΟΣ Dcad 1.0 ΟΔΗΓΙΕΣ ΧΡΗΣΗΣ ΠΡΟΓΡΑΜΜΑΤΟΣ Dcad 1.0 20130510 ΠΕΡΙΕΧΟΜΕΝΑ 1. Εγκατάσταση προγράμματος DCAD 2 2. Ενεργοποίηση Registration 2 3. DCAD 3 3.1 Εισαγωγή σημείων 3 3.2 Εξαγωγή σημείων 5 3.3 Στοιχεία ιδιοκτησίας

Διαβάστε περισσότερα

ΟΔΗΓΟΣ ΧΡΗΣΗΣ ΜΟΝΟ ΚΛΙΝΙΚΗΣ ΧΗΜΕΙΑΣ ΚΑΙ ΠΗΞΗΣ

ΟΔΗΓΟΣ ΧΡΗΣΗΣ ΜΟΝΟ ΚΛΙΝΙΚΗΣ ΧΗΜΕΙΑΣ ΚΑΙ ΠΗΞΗΣ ΟΔΗΓΟΣ ΧΡΗΣΗΣ ΜΟΝΟ ΚΛΙΝΙΚΗΣ ΧΗΜΕΙΑΣ ΚΑΙ ΠΗΞΗΣ Σκοπός του οδηγού αυτού είναι να απεικονίσει τον τρόπο χρήσης του λογισμικού "MQS" on-line καθώς και των λειτουργιών που είναι διαθέσιμες στους χρήστες προκειμένου

Διαβάστε περισσότερα

ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α. α. Πριν εμφανιστεί η τεχνολογία ISDN οι υπηρεσίες φωνής, εικόνας και δεδομένων απαιτούσαν διαφορετικά δίκτυα.

ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α. α. Πριν εμφανιστεί η τεχνολογία ISDN οι υπηρεσίες φωνής, εικόνας και δεδομένων απαιτούσαν διαφορετικά δίκτυα. ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ Γ ΤΑΞΗ ΕΠΑΛ (ΟΜΑΔΑ Α ) & ΜΑΘΗΜΑΤΩΝ ΕΙΔΙΚΟΤΗΤΑΣ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΘΕΜΑ Α ΚΥΡΙΑΚΗ 04/05/2014- ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΔΙΚΤΥΑ ΥΠΟΛΟΓΙΣΤΩΝ ΙΙ ΣΥΝΟΛΟ ΣΕΛΙΔΩΝ: ΟΚΤΩ (8) ΕΚΦΩΝΗΣΕΙΣ Α1. Να χαρακτηρίσετε

Διαβάστε περισσότερα

Πρωτόκολλο TCP Διάλεξη ΙΙI

Πρωτόκολλο TCP Διάλεξη ΙΙI Πρωτόκολλο TCP Διάλεξη ΙΙI Χρόνος επαναμετάδοσης Στην προηγούμενη διάλεξη είδαμε ότι: Η πρόβλεψη του χρόνου επαναμετάδοσης ενός πακέτου βάσει του εκθετικού μέσου παρατηρημένου χρόνου παράδοσης παλιότερων

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΕΝΟΤΗΤΕΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ (One-Way Analyss of Varance) Η ανάλυση

Διαβάστε περισσότερα

Λειτουργικά Συστήματα Ι. Καθηγήτρια Παπαδάκη Αναστασία

Λειτουργικά Συστήματα Ι. Καθηγήτρια Παπαδάκη Αναστασία Λειτουργικά Συστήματα Ι Καθηγήτρια Παπαδάκη Αναστασία 2013 1 Ηλεκτρονικός Υπολογιστής αποτελείται: 1. Από Υλικό Hardware (CPUs, RAM, Δίσκοι), & 2. Λογισμικό - Software Και μπορεί να εκτελέσει διάφορες

Διαβάστε περισσότερα

ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ

ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΣΕΡΡΩΝ Τμήμα ΠΛΗΡΟΦΟΡΙΚΗΣ & ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ

Διαβάστε περισσότερα

H ΑΝΑΛΥΣΗ ΣΥΣΧΕΤΙΣΗΣ (PEARSON s r)

H ΑΝΑΛΥΣΗ ΣΥΣΧΕΤΙΣΗΣ (PEARSON s r) 5 H ΑΝΑΛΥΣΗ ΣΥΣΧΕΤΙΣΗΣ (PEARSON s r) Περίληψη Σκοπός του κεφαλαίου είναι η εφαρμογή της ανάλυσης συσχέτισης (Pearson r) μέσω του PASW. H ανάλυση συσχέτισης Pearson r χρησιμοποιείται για να εξεταστεί η

Διαβάστε περισσότερα

ΕΠΛ 003: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

ΕΠΛ 003: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΠΛ 003: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Δρ. Κόννης Γιώργος Πανεπιστήμιο Κύπρου - Τμήμα Πληροφορικής Προγραμματισμός Στόχοι 1 Να περιγράψουμε τις έννοιες του Υπολογιστικού Προβλήματος και του Προγράμματος/Αλγορίθμου

Διαβάστε περισσότερα

Prost S: Οδοποιΐα Σιδηροδρομική Υδραυλικά έργα

Prost S: Οδοποιΐα Σιδηροδρομική Υδραυλικά έργα Prost S: Οδοποιΐα Σιδηροδρομική Υδραυλικά έργα Χαρακτηριστικά Οριζοντιογραφία Στο γραφικό περιβάλλον της εφαρμογής είναι δυνατή η σχεδίαση οριζοντιογραφιών δρόμων, σιδηροδρομικών γραμμών, ανοικτών και

Διαβάστε περισσότερα

5 ΕΙΣΑΓΩΓΗ ΣΤΗ ΘΕΩΡΙΑ ΑΛΓΟΡΙΘΜΩΝ

5 ΕΙΣΑΓΩΓΗ ΣΤΗ ΘΕΩΡΙΑ ΑΛΓΟΡΙΘΜΩΝ 5 ΕΙΣΑΓΩΓΗ ΣΤΗ ΘΕΩΡΙΑ ΑΛΓΟΡΙΘΜΩΝ 5.1 Εισαγωγή στους αλγορίθμους 5.1.1 Εισαγωγή και ορισμοί Αλγόριθμος (algorithm) είναι ένα πεπερασμένο σύνολο εντολών οι οποίες εκτελούν κάποιο ιδιαίτερο έργο. Κάθε αλγόριθμος

Διαβάστε περισσότερα

1. ΑΡΧΕΣ ΛΕΙΤΟΥΡΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ

1. ΑΡΧΕΣ ΛΕΙΤΟΥΡΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 12 Σχεδιασμός Ανάπτυξη Λειτουργία Π.Σ. 1. ΑΡΧΕΣ ΛΕΙΤΟΥΡΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 1.1 Δυνατότητες Λειτουργικών Συστημάτων 1.1.1 Εισαγωγή Ο όρος Λειτουργικό Σύστημα (Operating System), εκφράζει το σύνολο των προγραμμάτων

Διαβάστε περισσότερα

Λήψη αποφάσεων κατά Bayes

Λήψη αποφάσεων κατά Bayes Λήψη αποφάσεων κατά Bayes Σημειώσεις μαθήματος Thomas Bayes (1701 1761) Στυλιανός Χατζηδάκης ECE 662 Άνοιξη 2014 1. Εισαγωγή Οι σημειώσεις αυτές βασίζονται στο μάθημα ECE662 του Πανεπιστημίου Purdue και

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ σ. 2 Α. ΕΡΕΥΝΑ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 2

ΕΙΣΑΓΩΓΗ σ. 2 Α. ΕΡΕΥΝΑ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 2 1 Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α ΕΙΣΑΓΩΓΗ σ. 2 Α. ΕΡΕΥΝΑ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 2 Β. ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΕΥΝΑ 1. Γενικά Έννοιες.. 2 2. Πρακτικός Οδηγός Ανάλυσης εδοµένων.. 4 α. Οδηγός Λύσεων στο πλαίσιο

Διαβάστε περισσότερα

Περιεχόμενα. Κεφάλαιο 1 ΣΥΣΤΗΜΑΤΑ ΣΥΝΤΕΤΑΓΜΕΝΩΝ ΣΕ ΜΙΑ ΕΥΘΕΙΑ... 13 1.1 Οι συντεταγμένες ενός σημείου...13 1.2 Απόλυτη τιμή...14

Περιεχόμενα. Κεφάλαιο 1 ΣΥΣΤΗΜΑΤΑ ΣΥΝΤΕΤΑΓΜΕΝΩΝ ΣΕ ΜΙΑ ΕΥΘΕΙΑ... 13 1.1 Οι συντεταγμένες ενός σημείου...13 1.2 Απόλυτη τιμή...14 Περιεχόμενα Κεφάλαιο 1 ΣΥΣΤΗΜΑΤΑ ΣΥΝΤΕΤΑΓΜΕΝΩΝ ΣΕ ΜΙΑ ΕΥΘΕΙΑ... 13 1.1 Οι συντεταγμένες ενός σημείου...13 1.2 Απόλυτη τιμή...14 Κεφάλαιο 2 ΣΥΣΤΗΜΑΤΑ ΣΥΝΤΕΤΑΓΜΕΝΩΝ ΣΕ ΕΝΑ ΕΠΙΠΕΔΟ 20 2.1 Οι συντεταγμένες

Διαβάστε περισσότερα

Οργανική Χημεία. Κεφάλαια 12 &13: Φασματοσκοπία μαζών και υπερύθρου

Οργανική Χημεία. Κεφάλαια 12 &13: Φασματοσκοπία μαζών και υπερύθρου Οργανική Χημεία Κεφάλαια 12 &13: Φασματοσκοπία μαζών και υπερύθρου 1. Γενικά Δυνατότητα προσδιορισμού δομών με σαφήνεια χρησιμοποιώντας τεχνικές φασματοσκοπίας Φασματοσκοπία μαζών Μέγεθος, μοριακός τύπος

Διαβάστε περισσότερα

Επεξεργασία Χαρτογραφικής Εικόνας

Επεξεργασία Χαρτογραφικής Εικόνας Επεξεργασία Χαρτογραφικής Εικόνας Διδάσκων: Αναγνωστόπουλος Χρήστος Κώδικες μετρήσεων αντικειμένων σε εικόνα Χρωματικά μοντέλα: Munsell, HSB/HSV, CIE-LAB Κώδικες μετρήσεων αντικειμένων σε εικόνες Η βασική

Διαβάστε περισσότερα

Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ. 3.1 Η έννοια της παραγώγου. y = f(x) f(x 0 ), = f(x 0 + x) f(x 0 )

Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ. 3.1 Η έννοια της παραγώγου. y = f(x) f(x 0 ), = f(x 0 + x) f(x 0 ) Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ 3.1 Η έννοια της παραγώγου Εστω y = f(x) µία συνάρτηση, που συνδέει τις µεταβλητές ποσότητες x και y. Ενα ερώτηµα που µπορεί να προκύψει καθώς µελετούµε τις δύο αυτές ποσοτήτες είναι

Διαβάστε περισσότερα

5. Συμμετρία, Πολικότητα και Οπτική Ενεργότητα των μορίων

5. Συμμετρία, Πολικότητα και Οπτική Ενεργότητα των μορίων 5. Συμμετρία, Πολικότητα και Οπτική Ενεργότητα των μορίων ιδακτικοί στόχοι Μετά την ολοκλήρωση της μελέτης του κεφαλαίου αυτού θα μπορείτε να... o προβλέπετε με βάση τη συμμετρία αν ένα μόριο έχει μόνιμη

Διαβάστε περισσότερα

Εισαγωγή στην επιστήμη και την επιστημονική μέθοδο

Εισαγωγή στην επιστήμη και την επιστημονική μέθοδο Εισαγωγή στην επιστήμη και την επιστημονική μέθοδο I. Τι είναι η επιστήμη; A. Ο στόχος της επιστήμης είναι να διερευνήσει και να κατανοήσει τον φυσικό κόσμο, για να εξηγήσει τα γεγονότα στο φυσικό κόσμο,

Διαβάστε περισσότερα

9. Ανάλυση κυρίων συνιστωσών *Principal Component Analysis)

9. Ανάλυση κυρίων συνιστωσών *Principal Component Analysis) 1 9. Ανάλυση κυρίων συνιστωσών *Principal Component Analysis) Προαπαιτούμενα: MULTISPEC και η πολυφασματική εικόνα του φακέλου \Multispec_tutorial_Files\Images and Files \ salamina_multispectral.tiff Σκοπός:

Διαβάστε περισσότερα

minimath.eu Φυσική A ΛΥΚΕΙΟΥ Περικλής Πέρρος 1/1/2014

minimath.eu Φυσική A ΛΥΚΕΙΟΥ Περικλής Πέρρος 1/1/2014 minimath.eu Φυσική A ΛΥΚΕΙΟΥ Περικλής Πέρρος 1/1/014 minimath.eu Περιεχόμενα Κινηση 3 Ευθύγραμμη ομαλή κίνηση 4 Ευθύγραμμη ομαλά μεταβαλλόμενη κίνηση 5 Δυναμικη 7 Οι νόμοι του Νεύτωνα 7 Τριβή 8 Ομαλη κυκλικη

Διαβάστε περισσότερα

Ορισμός Αναλυτικής Χημείας

Ορισμός Αναλυτικής Χημείας Ορισμός Αναλυτικής Χημείας Αναλυτική Χημεία ορίζεται ως ο επιστημονικός κλάδος, που αναπτύσσει και εφαρμόζει μεθόδους, όργανα και στρατηγικές, για να δώσει πληροφορίες σχετικά με τη σύσταση και φύση υλικών

Διαβάστε περισσότερα

Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών

Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών Οι παρούσες σημειώσεις αποτελούν βοήθημα στο μάθημα Αριθμητικές Μέθοδοι του 5 ου εξαμήνου του ΤΜΜ ημήτρης Βαλουγεώργης Καθηγητής Εργαστήριο Φυσικών

Διαβάστε περισσότερα

Η αβεβαιότητα στη μέτρηση.

Η αβεβαιότητα στη μέτρηση. Η αβεβαιότητα στη μέτρηση. 1. Εισαγωγή. Κάθε μέτρηση, όσο προσεκτικά και αν έχει γίνει, περικλείει κάποια αβεβαιότητα. Η ανάλυση των σφαλμάτων είναι η μελέτη και ο υπολογισμός αυτής της αβεβαιότητας στη

Διαβάστε περισσότερα

Λειτουργικά. Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Σιώζιος Κων/νος - Πληροφορική Ι

Λειτουργικά. Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Σιώζιος Κων/νος - Πληροφορική Ι Λειτουργικά Συστήματα 1 Λογισμικό του Υπολογιστή Για να λειτουργήσει ένας Η/Υ εκτός από το υλικό του, είναι απαραίτητο και το λογισμικό Το σύνολο των προγραμμάτων που συντονίζουν τις λειτουργίες του υλικού

Διαβάστε περισσότερα

ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΕΛΕΥΘΕΡΩΝ ΕΛΑΦΡΩΝ ΑΛΥΣΕΩΝ ΣΤΟΝ ΟΡΟ ΚΑΙ ΣΤΑ ΟΥΡΑ. Χρυσούλα Νικολάου

ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΕΛΕΥΘΕΡΩΝ ΕΛΑΦΡΩΝ ΑΛΥΣΕΩΝ ΣΤΟΝ ΟΡΟ ΚΑΙ ΣΤΑ ΟΥΡΑ. Χρυσούλα Νικολάου ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΕΛΕΥΘΕΡΩΝ ΕΛΑΦΡΩΝ ΑΛΥΣΕΩΝ ΣΤΟΝ ΟΡΟ ΚΑΙ ΣΤΑ ΟΥΡΑ Χρυσούλα Νικολάου Μονοκλωνικές ελεύθερες ελαφρές αλύσεις Οι μονοκλωνικές ελεύθερες ελαφρές αλύσεις οι οποίες είναι γνωστές ως πρωτεΐνη Bence

Διαβάστε περισσότερα

ΜΑΘΗΜΑ 3ο. Βασικές έννοιες

ΜΑΘΗΜΑ 3ο. Βασικές έννοιες ΜΑΘΗΜΑ 3ο Βασικές έννοιες Εισαγωγή Βασικές έννοιες Ένας από τους βασικότερους σκοπούς της ανάλυσης των χρονικών σειρών είναι η διενέργεια των προβλέψεων. Στα υποδείγματα αυτά η τρέχουσα τιμή μιας οικονομικής

Διαβάστε περισσότερα

Μάθηση και Γενίκευση. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Μάθηση και Γενίκευση. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Μάθηση και Γενίκευση Το Πολυεπίπεδο Perceptron (MultiLayer Perceptron (MLP)) Έστω σύνολο εκπαίδευσης D={(x n,t n )}, n=1,,n. x n =(x n1,, x nd ) T, t n =(t n1,, t np ) T Θα πρέπει το MLP να έχει d νευρώνες

Διαβάστε περισσότερα

1. Ποια μεγέθη ονομάζονται μονόμετρα και ποια διανυσματικά;

1. Ποια μεγέθη ονομάζονται μονόμετρα και ποια διανυσματικά; ΚΕΦΑΛΑΙΟ 2 ο ΚΙΝΗΣΗ 2.1 Περιγραφή της Κίνησης 1. Ποια μεγέθη ονομάζονται μονόμετρα και ποια διανυσματικά; Μονόμετρα ονομάζονται τα μεγέθη τα οποία, για να τα προσδιορίσουμε πλήρως, αρκεί να γνωρίζουμε

Διαβάστε περισσότερα

ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΟΛΟΓΙΑΣ ΟΠΤΙΚΩΝ ΟΡΓΑΝΩΝ

ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΟΛΟΓΙΑΣ ΟΠΤΙΚΩΝ ΟΡΓΑΝΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΟΛΟΓΙΑΣ ΟΠΤΙΚΩΝ ΟΡΓΑΝΩΝ Άσκηση 4. Διαφράγματα. Θεωρία Στο σχεδιασμό οπτικών οργάνων πρέπει να λάβει κανείς υπόψη και άλλες παραμέτρους πέρα από το πού και πώς σχηματίζεται το είδωλο ενός

Διαβάστε περισσότερα

HPV. Τι είναι τα κονδυλώματα?

HPV. Τι είναι τα κονδυλώματα? HPV O HPV (Human papilloma virus) ιός των ανθρώπινων θηλωμάτων είναι ιός που βασίζεται στο DNA και μολύνει το δέρμα και τις βλεννογόνες μεμβράνες ανθρώπων και ορισμένων ζώων. Μέχρι στιγμής έχουν αναγνωριστεί

Διαβάστε περισσότερα

Δίκτυα Υπολογιστών ΙΙ (Ασκήσεις Πράξης)

Δίκτυα Υπολογιστών ΙΙ (Ασκήσεις Πράξης) TEI Σερρών Τμήμα Πληροφορικής και Επικοινωνιών Δίκτυα Υπολογιστών ΙΙ (Ασκήσεις Πράξης) Ανάλυση Πρωτοκόλλων Τομέας Τηλεπικοινωνιών και Δικτύων Δρ. Αναστάσιος Πολίτης Καθηγητής Εφαρμογών anpol@teiser.gr

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ Θετικής & Τεχνολογικής Κατεύθυνσης Β ΜΕΡΟΣ (ΑΝΑΛΥΣΗ) ΚΕΦ 1 ο : Όριο Συνέχεια Συνάρτησης

ΜΑΘΗΜΑΤΙΚΑ Θετικής & Τεχνολογικής Κατεύθυνσης Β ΜΕΡΟΣ (ΑΝΑΛΥΣΗ) ΚΕΦ 1 ο : Όριο Συνέχεια Συνάρτησης ΜΑΘΗΜΑΤΙΚΑ Θετικής & Τεχνολογικής Κατεύθυνσης Β ΜΕΡΟΣ (ΑΝΑΛΥΣΗ) ΚΕΦ ο : Όριο Συνέχεια Συνάρτησης Φυλλάδιο Φυλλάδι555 4 ο ο.α) ΕΝΝΟΙΑ ΣΥΝΑΡΤΗΣΗΣ - ΓΡΑΦΙΚΗ ΠΑΡΑΣΤΑΣΗ.α) ΕΝΝΟΙΑ ΣΥΝΑΡΤΗΣΗΣ - ΓΡΑΦΙΚΗ ΠΑΡΑΣΤΑΣΗ

Διαβάστε περισσότερα

1. PHOTOMOD Montage Desktop (βασικό πρόγραμμα)

1. PHOTOMOD Montage Desktop (βασικό πρόγραμμα) PHOTOMOD 4.4 Lite Προσοχή: Πριν από την εκκίνηση του PHOTOMOD πρέπει να ενεργοποιηθεί η λειτουργία PHOTOMOD System Monitor (παρουσιάζεται με το εικονίδιο ) με την εντολή: START Programs PHOTOMOD Utility

Διαβάστε περισσότερα

Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος

Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος ΜΑΘΗΜΑ 10 ο Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος Η μέθοδος της συνολοκλήρωσης είναι ένας τρόπος με τον οποίο μπορούμε να εκτιμήσουμε τη μακροχρόνια σχέση ισορροπίας που υπάρχει μεταξύ δύο ή

Διαβάστε περισσότερα

Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων ΟΔΗΓΟΣ ΧΡΗΣΗΣ System Συμβουλευτική Α.Ε

Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων ΟΔΗΓΟΣ ΧΡΗΣΗΣ System Συμβουλευτική Α.Ε σχετικά με τον έλεγχο της καπνιστικής συνήθειας 1 22 Λογισμικές εφαρμογές καταγραφής και αξιοποίησης πληροφοριών σχετικά με τον έλεγχο της καπνιστικής συνήθειας Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων

Διαβάστε περισσότερα

ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ Γ ΗΜΕΡΗΣΙΩΝ

ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ Γ ΗΜΕΡΗΣΙΩΝ ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ Γ ΗΜΕΡΗΣΙΩΝ ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΔΕΥΤΕΡΑ 15 ΙΟΥΝΙΟΥ 015 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΦΥΣΙΚΗ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΣΥΝΟΛΟ ΣΕΛΙΔΩΝ:

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ. Πιθανότητες. Τυχαίες μεταβλητές - Κατανομές ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 ΚΕΦΑΛΑΙΟ 2

ΠΕΡΙΕΧΟΜΕΝΑ. Πιθανότητες. Τυχαίες μεταβλητές - Κατανομές ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 ΚΕΦΑΛΑΙΟ 2 ΠΕΡΙΕΧΟΜΕΝΑ ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 Πιθανότητες 1.1 Πιθανότητες και Στατιστική... 5 1.2 ειγματικός χώρος Ενδεχόμενα... 7 1.3 Ορισμοί και νόμοι των πιθανοτήτων... 10 1.4 εσμευμένη πιθανότητα Ολική

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ 1 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ 1 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 1 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ 1.1 Να δοθεί ο ορισμός του προβλήματος καθώς και τρία παραδείγματα

Διαβάστε περισσότερα

Αναγνώριση Προτύπων. Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ

Αναγνώριση Προτύπων. Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ Αναγνώριση Προτύπων Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ Χριστόδουλος Χαμζάς Τα περιεχόμενο της παρουσίασης βασίζεται στο βιβλίο: Introduction to Pattern Recognition A Matlab Approach, S. Theodoridis,

Διαβάστε περισσότερα

ΜΕΤΑ-ΑΝΑΛΥΣΗ (Meta-Analysis)

ΜΕΤΑ-ΑΝΑΛΥΣΗ (Meta-Analysis) ΚΕΦΑΛΑΙΟ 23 ΜΕΤΑ-ΑΝΑΛΥΣΗ (Meta-Analysis) ΕΙΣΑΓΩΓΗ Έχοντας παρουσιάσει τις βασικές έννοιες των ελέγχων υποθέσεων, θα ήταν, ίσως, χρήσιμο να αναφερθούμε σε μια άλλη περιοχή στατιστικής συμπερασματολογίας

Διαβάστε περισσότερα

Σενάριο 16: Ο κόσμος του Robby

Σενάριο 16: Ο κόσμος του Robby Σενάριο 16: Ο κόσμος του Robby Φύλλο Εργασίας Τίτλος: Ο κόσμος του Robby Γνωστικό Αντικείμενο: Εφαρμογές Πληροφορικής-Υπολογιστών Διδακτική Ενότητα: Διερευνώ - Δημιουργώ Ανακαλύπτω, Συνθετικές εργασίες.

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ

Διαβάστε περισσότερα