Пмм это: ПММ — это… Что такое ПММ?

ПММ — это… Что такое ПММ?

ПММ-2М — …   Википедия

ПММ-2 — паромно мостовая машина. Паромно мостовая машина ПММ 2 предназначена для переправы через водные преграды танков, самоходных артиллерийских установок и другой техники, выполненной на базе танка. Модификацией ПММ 2 является ПММ 2М. Содержание 1… …   Википедия

ПММ 12 — Тип: 9 мм пистолет Макарова модернизированный ПММ 12 9 мм пистолет Макарова модернизированный ПММ 8 Индекс ГРАУ  56 А 125М В начале 90 х годов качества ПМ попытались повысить  прежде всего за счет введения нового, усиленного… …   Википедия

ПММ — Пистолет Макарова Пистолет Макарова Тип: Пистолет Страна:  СССР …   Википедия

ПММ — пневмомеханическая машина подвижная механическая мастерская поливомоечная машина Прикладная математика и механика (журнал) …   Словарь сокращений русского языка

ПММ «Волна»

— Паромно мостовая машина ПММ Производитель …   Википедия

Макаров ПМ (ПММ) —         Пистолет Макарова ПМ / ПММ / ИЖ 71 (СССР/Россия) Стандартный пистолет ПМ Советского производства Пистолет Макарова Модифицированный (ПММ). рядом новый магазин на 12 патронов устройство ПМ в разрезе Калибр: 9×18мм; 9×18 ПММ Длина: 161 мм… …   Энциклопедия стрелкового оружия

9-мм пистолет ПММ — 1993 Пистолет Макарова модернизированный (ПММ) серийно выпускается Ижевским заводом с 1994 г. Для пистолета разработан 9 мм модернизированный высокоимпульсный патрон (57 Н 181СМ), который, не отличаясь по размерам от 9 мм патрона к пистолету… …   Военная энциклопедия

НИИ ПММ — НИИПММ НИИ ПиММ НИИ ПММ Научно исследовательский институт промышленной и морской медицины http://www.niipmm.ru/​ мед., морск., образование и наука, Санкт Петербург …   Словарь сокращений и аббревиатур

Румянцев, Валентин Витальевич — Эта статья или раздел нуждается в переработке. Пожалуйста, улучшите статью в соответствии с правилами написания статей. В Википедии ест …   Википедия

Статьи: Все про посудомоечные машины

Вымыть посуду так же аккуратно и бережно, как могут сделать только заботливые руки опытной домашней хозяйки? Запросто. Сберечь электроэнергию и воду? Проще простого. Современные посудомоечные машины или ПММ способны на многое в том, что касается очистки посуды. Если вы собираетесь купить одну из них, узнайте больше об этих помощницах в нашем материале.

Как работает посудомоечная машина?

Посудомоечная машина представляет собой большой бак, изолированный от протечек. К нему подведены два шланга: заливной и сливной. Первый подает воду внутрь машины, где она распределяется при помощи так называемых коромысел — вращающихся дождевых распрыскивателей. Второй шланг отводит грязную воду в канализацию. Нагревается вода при помощи тэна.

Внутреннее пространство машины разделено при помощи подвижных пластиковых корзин, в которые загружается посуда. В дверке ПММ расположены емкости с дозаторами для моющих средств, соли, которая смягчает воду, и ополаскивателя, который убирает известковый налет и придает посуде блеск. Посуда моется мыльным раствором, затем ополаскивается чистой водой и сушится.

Типы машин

Все посудомоечные машины можно разделить на три типа. Настольные малютки подойдут владельцам малогабаритных квартир, семьям из двух-трех человек. Эти машины устанавливаются прямо на столешницу или на пол и способны справиться с последствиями частной вечеринки.

Встраиваемые ПММ впишутся в любой дизайнерский интерьер, если они спрятаны за фасадом кухонного гарнитура полностью. А вот у частично встраиваемых машин только фрагмент дверцы закрывается декоративной доской. Ее панель управления с кнопками остается снаружи, так что ее материал и цвет лучше подобрать в соответствии с деталями интерьера.

Отдельностоящие ПММ и сами вполне могут стать стильным акцентом любой кухни, ведь цвет и дизайн дверцы можно подобрать в зависимости от своих предпочтений. Например, Hansa предлагает машины в белом, серебристом цвете или с поверхностями из нержавеющей стали. Кроме того, в случае необходимости некоторые из этих машин можно установить под общую кухонную столешницу.

Размеры

Существует два стандартных размера больших ПММ: шириной 45 и 60 см. Настольные машины сравнимы по габаритам с микроволновыми печами, их ширина, как правило, не превышает полуметра.

От габаритов посудомоечной машины зависит то, сколько комплектов посуды она может вымыть одновременно. В «сорокпятку» входит до 10 комплектов посуды, а в модели шириной 60 см. — до 14. Кроме того, полноразмерная ППМ позволяет разместить в нижней корзине даже противень. Настольная помощница с легкостью справится с 6 комплектами.

Как считаем комплекты посуды?

В стандартный комплект входят три тарелки разной глубины и назначения, стакан, чашка, блюдце, 3 ложки, нож и вилка. Кстати, совсем не обязательно загружать каждый раз полноразмерную машину полностью. Для этого во многих моделях предусмотрен режим половинной загрузки. А Hansa предлагает дополнительную функцию Zone-wash, благодаря которой можно использовать верхнюю и нижнюю корзины по отдельности или одновременно.

Размещение посуды

Как правило, посудомоечные машины оснащены двумя корзинами, которые выдвигаются наружу по специальным полозьям. Hansa предлагает систему трех корзин Maxi Space, которая увеличивает внутреннее пространство. Третья корзина предназначена для столовых приборов, за счет чего в основных корзинах освобождается место для дополнительных комплектов посуды.

Программы

Современные посудомоечные машины предлагают множество программ для мытья разных типов посуды. В моделях ППМ, которые выпускает Hansa, программ от 4 до 8. Из базовых это:

• Замачивание, предварительный режим для очень грязной посуды;
• Авто — автоматический выбор программы в зависимости от степени загрязнения посуды;
• Интенсивная мойка — для посуды, прошедшей тяжелые испытания;
• Без сушки — 1 или 2 программы для мытья стекла или посуды с легкими загрязнениями;
• Эко, щадящие режимы — для посуды с легкими загрязнениями.

За качество мытья посуды ПММ Hansa отвечает система 3-D мойки. Это три независимых уровня разбрызгивания воды, которые реализованы за счет двух коромысел, вращающихся в противоположных направлениях, и дополнительной форсунки.

Безопасность, комфорт, экономичность

Современные посудомоечные машины оснащены новейшими технологиями. Они позволяют снизить уровень шума в некоторых моделях Hansa до 45 Дб, уменьшить годовое потребление электроэнергии до 266 кВт/ч и вымыть 14 комплектов посуды всего в 27 литрах воды. А при мытье такого же количества посуды руками вам потребуется от 250 до 420 литров.

Защита от протечек, а значит, спокойствие даже при ночном мытье посуды обеспечивается специальным клапаном Aquastop, который установлен в заливном шланге и моментально перекрывает воду в случае опасности.

Установка и подключение посудомоечных машин

Если вы выбрали встраиваемую посудомоечную машину, помните, что при ее самостоятельной установке в мебельный короб нужно обязательно оставить воздушное вентиляционное пространство за задней стенкой. Установка отдельностоящих и настольных посудомоечных машин проще, так как не требует встраивания.

Алгоритм подключения примерно одинаков для всех типов посудомоечных машин. Главное — соблюдать технику безопасности и тщательно выполнять все требования инструкции. Самые важные из них:

• посудомоечные машины, произведенные для российского рынка, рассчитаны на переменное напряжение в сети 220-240 В. Если напряжение в сетевой розетке составляет 110 В, предварительно необходимо установить трансформатор;
• до подключения рекомендуется установить очистительный фильтр в месте ввода воды в квартиру;
• сливной шланг не делать более 3-х метров, иначе посуда может остаться грязной.

Подобрать оптимальную модель ПММ с шириной 45 или 60 см вы можете в каталоге Hansa на сайте компании. А в разделе «Где купить» есть адреса ближайших к вам магазинов в Москве и других городах России.

Отдельно стоящие посудомоечные машины: особенности выбора и установки

Содержание:

Мытье посуды – малопривлекательное занятие.

Ежедневная рутинная обязанность отнимает много времени и сил, особенно в большой семье. Поэтому неудивительно, что популярность посудомоечных машин растет с каждым днем. Ее покупка не только сэкономит ваше время и силы, но и уменьшит расход воды, проведет дезинфекцию посуды очень горячей водой и вымоет ее качественнее, чем это делается при ручной мойке. На современном рынке кухонной техники представлено большое разнообразие посудомоечных машин. Предлагаем подробней узнать об особенностях выбора и монтажа отдельно стоящих моделей.

Классификация посудомоечных машин

Чтобы выбрать оптимальную посудомойку для конкретной семьи, необходимо разобраться в существующих типах. Производители предлагают огромный ассортимент моделей, отличающихся по разным критериям – от размеров до дизайна. Выделяют два основных параметра классификации – по габаритам и способу установки.

По габаритам

Выпускаются три типоразмера:

• Полноразмерные. Стандарты в сантиметрах: ширина – 60, глубина – 60, высота – 85. Вместимость – 12–16 комплектов. Это вариант для большой семьи.
• Компактные. Стандарты в сантиметрах: ширина – 55, глубина – 50, высота – 44–45. Вместимость – 5–6 комплектов. Подходит для одиночек или пары.
• Узкие. Стандарты в сантиметрах: ширина – 45, глубина – 60, высота – 85. Вместимость – 10 комплектов. Оптимальный выбор небольшой семьи в квартире с маленькой кухней.

По способу монтажа

По этому критерию выделяют три типа:

• Встраиваемые. Полностью встраиваются в кухонный гарнитур, закрываясь фасадной дверцей. Кнопки управления находятся на торцевой панели.
• Частично встраиваемые. Выпускаются без верхней крышки. Управление расположено на передней панели.
• Отдельно стоящие. Не зависят от расположения кухонного гарнитура.

Особенности отдельно стоящих посудомоечных машин

Они устанавливаются независимо от кухонной мебели, не требуют какого-либо сложного монтажа и могут быть в любой момент переставлены в другое место с доступом к коммуникациям и даже вывезены на дачу. Они лидеры по компактности, поэтому подходят для маленьких помещений, выпускаются даже настольные посудомойки. Это прекрасный вариант для ситуации, когда посудомоечная машина приобретается в полностью обставленную кухню, где нет возможности переделывать гарнитур. В функционал входят основные программы мойки, система защиты от протечек. Возможны и другие полезные опции, например, отложенный старт и половинная загрузка. Отдельно стоящие модели выпускаются в самых разных вариантах дизайна, можно выбрать модель для кухни в любом стиле. Еще одно преимущество перед встраиваемыми разновидностями – более доступные цены. К минусам специалисты относят отсутствие полной защиты от протечек.

Правила выбора отдельно стоящей посудомоечной машины

Это достаточно затратная покупка, поэтому к ее выбору стоит отнестись внимательно. Техника должна обладать всеми необходимыми функциями, но при этом не стоит переплачивать за ненужные опции. Если, исходя из размеров и оборудования кухни или других обстоятельств, был сделан выбор в пользу отдельно стоящей модели, то необходимо определить другие параметры:

• Габариты. Для маленькой обеденной зоны, которой пользуется 1–2 человека, можно приобрести настольную модель. Просторная кухня позволяет установить полноразмерную машину, которая сможет обслуживать большую семью. Для маленькой кухни, которой пользуется семья из нескольких человек, лучше выбрать компактную узкую посудомойку.
• Вместимость. Это количество комплектов посуды, которое машина может вымыть за один раз. В него входят: глубокая, мелкая и десертная тарелки, стакан, чашка, блюдце, набор столовых приборов. Чтобы ориентировочно определить количество комплектов посуды, число жильцов умножают на три. Выбор слишком мощной модели приведет к перерасходу электричества, моющих средств и воды.
• Количество программ. Для ежедневного использования достаточно 3–4 основных режимов. Желательно наличие быстрой и экономной мойки. Каждый дополнительный режим увеличивает стоимость посудомойки.
• Уровень шума. Отдельно стоящие посудомоечные машины шумят громче, чем их встроенные аналоги, которые приглушаются окружающей мебелью. Большинство людей может спокойно спать при шуме в 43–45 дБ. Максимальное допустимое значение – 53 дБ, но оно уже может быть дискомфортным.
• Необходимые дополнительные опции. Если в доме есть маленькие дети, обязательна опция «Защита от детей», блокирующая панель управления. Для кого-то может быть важен таймер отложенного старта.
• Защита от протечек. Это обязательная опция, которой по умолчанию оборудуются все современные модели. Различия могут быть в уровне защиты.
• Энергопотребление. Важный показатель, от которого зависят расходы на электроэнергию. Минимальное энергопотребление у моделей класса А+++.
• Потребление воды. Минимальный расход у техники класса А – до 15 л за цикл.
• Тип сушки:
  • Конденсационная. Вымытая посуда обдается кипятком, который быстро испаряется. Плюсы – такие модели дешевле стоят, сушка не требует дополнительной электроэнергии, процесс бесшумный. Минусы – занимает много времени, могут остаться разводы, требуется обязательное проветривание.
  • Активная. Встроенный теплообменник обеспечивает конвекционное движение воздуха. Плюс – быстрая сушка. Минус – возрастает потребление электроэнергии (незначительно), стоимость моделей выше.
  • Турбо. В посудомойку встраивается ТЭН и вентилятор, обеспечивающий циркуляцию воздуха. Плюс – быстрая высококачественная сушка. Минусы – высокая цена, сильный шум, не подходит для ночной работы.

Техника Körting

В ассортименте известной компании представлены модели отдельно стоящих посудомоечных машин разных параметров. Здесь можно выбрать полноразмерную модель для просторной кухни большой семьи или компактную настольную посудомойку. Компания также предлагает таблетки для посудомоечных машин и средства для ухода за ними собственного производства. Как и вся техника Körting, посудомоечные машины этой марки отличаются сочетанием высокой надежности и стильного дизайна.

НИИ ПММ ТГУ — История НИИ ПММ ТГУ

Научно – исследовательский институт прикладной математики и механики Томского государственного университета (НИИ ПММ ТГУ) открыт в 1968 году с целью проведения фундаментальных, поисковых и прикладных исследований, подготовки кадров высшей квалификации и как научная база для обучения студентов физико-технического, механико-математического, а в последние годы и физического факультетов ТГУ.

НИИ ПММ ТГУ был создан на базе научных школ, далеко известных за пределами Томска. Прежде всего, это научные школы по баллистике (М.С. Горохов), теории горения (В.Н. Вилюнов), теории упругости (П.С. Соломин), прикладной аэромеханике (В.А. Шваб), теории функций (П.П. Куфарев), астрономии и астрометрии (Н.Н. Горячев) и др.

На протяжении долгих лет институт возглавляли А.Д. Колмаков (1968 – 1988 гг.), И.Б. Богоряд (1988 – 2006 гг.), Е.А. Козлов (2006 – 2007 гг.), А.А. Глазунов (с 2007 г.). 

Всю историю института можно условно разделить на ряд периодов. До 1991 года это были периоды становления и полноценной интенсивной деятельности.

Первоначальные задачи удалось решить достаточно быстро: была сформирована тематика научных исследований, установлены связи с ведущими научными организациями страны, коллектив ежегодно пополнялся, в основном, выпускниками физико-технического и механико-математического факультетов университета, с трудностями, но шло интенсивное строительство и создание материально – технической базы. С началом 90-х годов начался период борьбы за выживание и сохранение института. И только с 2006 года начинается этап восстановления утраченных ранее позиций: постепенно расширяется круг задач, решаемых в интересах народного хозяйства и повышения обороноспособности страны, обновляется материально — техническая база, растут объемы внебюджетного финансирования, появляется возможность использования университетского суперкомпьютера, одного из самых высокопроизводительных в стране. В этом же году происходит реорганизация института путем присоединения его к Томскому госуниверситету в виде обособленного структурного подразделения. 

---

В НИИ ПММ ТГУ совместно с базовыми факультетами университета проводятся исследования по следующим научным направлениям:

• теория горения и химическая газодинамика;
• газодинамика высокоэнтальпийных потоков, в том числе двухфазных и электропроводных;
• аэромеханика двухфазных потоков в задачах исследования и проектирования аппаратов порошковой технологии;
• механика и физика быстропротекающих процессов;
• теория упругости, прочности и разрушения;
• динамика летательных аппаратов;
• небесная механика и астрометрия.

Работы сотрудников получили высокое официальное признание: двое из них стали лауреатами премии Совета Министров СССР, трое – лауреатами премии им. Ленинского комсомола, ряд ученых награждены орденами и медалями СССР за конкретные научные разработки, наградами Федерации космонавтики СССР (ФК России) отмечено 78 сотрудников.

За время существования института ученые защитили 56 докторских и 290 кандидатских диссертаций, опубликовали 69 монографий, издали 156 сборников статей. Институтом проведено свыше 50 конференций, симпозиумов и школ-семинаров всероссийского и международного значений. Ежегодно в институте разными формами научно-исследовательской работы заняты свыше 130 студентов и аспирантов Томского университета.

К достижениям коллектива последних лет, которые создают институту имя и авторитет в стране и за рубежом следует отнести:

• Комплекс экспериментально-теоретических исследований в области создания энергетических установок различного назначения;
• Исследования процессов высокоскоростного разрушения материалов и конструкций;
• Исследования по аэромеханике запыленных потоков и создание на их основе целого ряда пневматических аппаратов для переработки и анализа порошковых материалов субмикронного диапазона;
• Разработка научных основ и методологии проектирования и создания крупногабаритных трансформируемых рефлекторов с отражающей поверхностью из металлического сетеполотна;
• Создание интегрированной системы проектирования элементов конструкций космических аппаратов.

 

Как правильно выбрать посудомоечную машину для дома?

Популярность посудомоечных машин растет с каждым годом. Чтобы техника приносила максимум пользы – нужно найти модель, подходящую вам по всем параметрам. Эта статья поможет разобраться, как правильно выбрать посудомоечную машину для дома, которая станет вашим надежным помощником.

Принцип работы

Несмотря на многообразие типов посудомоечных машин, в основе их работы лежит один и тот же базовый принцип. Алгоритм состоит из следующих шагов.

1. После запуска открывается клапан, и прибор набирает нужный объем холодной воды из водопровода, к которому подключен посредством шланга.
2. Нагревательный элемент поднимает температуру воды до необходимой в зависимости от выбранного режима. В это же время в камеру из специального отсека попадает моющее средство. Чаще всего их выпускают в виде таблеток, которые постепенно растворяются с образованием обильной пены.
3. Пенная жидкость тонкими струями под давлением подается помпой сверху и снизу. Разбрызгивание осуществляют коромысла – насадки с длинными лопастями. При работе они вращаются, и сквозь отверстия в лопастях потоки воды распределяются по разным направлениям.
4. Отработанная вода проходит через фильтры, очищается и снова разбрызгивается. Цикл повторяется несколько раз.
5. Дренажный насос откачивает грязную воду в канализацию.
6. Машина набирает воду еще раз и без моющего средства ополаскивает посуду.
7. На заключительном этапе производится сушка.
8. Посудомоечные машины самостоятельно смягчают воду с помощью ионообменника – специального резервуара со смолой в нижней части корпуса. Для его функционирования необходимо периодически засыпать соль для посудомоечных машин в определенный резервуар. Это нужно для удаления минералов и солей, способных повредить технику и улучшить качество мойки посуды.

Какие бывают посудомойки?

Чтобы ответить на этот вопрос, сначала следует выделить два больших класса: отдельностоящие и встраиваемые.

1. Отдельностоящая имеет предопределенный дизайн и цвет. При установке достаточно выполнить подключение к стояку холодной воды, канализационному сливу и электросети. Если же вы хотите установить такой прибор под столешницу – необходимо снять верхнюю крышку.

   Отдельностоящая посудомоечная машина Midea

2. Встраиваемую машину покупают, когда хотят выдержать весь интерьер кухни в едином стиле. Посудомоечная машина устанавливается под столешницу и крепится к кухонному каркасу. На дверцу также крепится фасадная часть, она изначально заказывается у производителя кухонь. Если посудомойку не закрепить фасадом – то она будет выглядеть инородной на кухне, а ее дверцу будет тяжело открыть, так как уровень натяжения петель рассчитан на установленный фасад. Фасад может быть закреплен как стационарно, так и с помощью слайдера. Последний – используется при маленькой высоте цоколя, например 8 см. Слайдерное крепление позволяет «скользить» фасаду по дверце посудомоечной машины при ее открывании и закрывании. В итоге посудомойка выглядит точь-в-точь, как соседние шкафчики. Даже панель управления часто вынесена на верхнюю кромку дверцы, чтобы сделать ее почти незаметной.

   Встраиваемая посудомоечная машина Midea

По функционалу и качеству работы эти виды посудомоечных машин не отличаются: вопрос исключительно в дизайне. Перед тем, как выбрать встраиваемую посудомоечную машину, необходимо определиться с концепцией кухни и произвести все замеры для будущего гарнитура.

Размеры и вместимость загрузки

Основные типоразмеры посудомоечных машин сведены в таблицу.

Основным критерием при покупке должна стать вместимость.

Основные режимы посудомоечных машин

Большинство современных посудомоек имеют типовой набор программ, которые могут отличаться названием, алгоритмом, температурным режимом, временем работы, но они идентичны по сути.

• 90 минут. Ускоренный режим, который справится даже с сильнейшими загрязнениями на посуде. Длится 1,5 часа при повышенной температуре в 65°С.
• Быстрая. Самая короткая программа для посуды с минимальными загрязнениями, всего 30 минут. Температура мойки – 45°С. Стекло. Деликатная мойка при 40°С в течение 2 часов.
• Автоматическая. Машина сама оценивает загрузку и степень загрязнения посуды, выбирая в зависимости от этого продолжительность работы и температуру в диапазоне 45-55°С. По факту – ни одна из автоматических программ не является полностью автоматической. Это скорее «усредненный» повседневный режим: средняя температура и средняя продолжительность. Иначе, если бы программа AUTO действительно была бы «автоматической» и высокоинтеллектуальной, то с одной чистой тарелкой на автоматическом режиме посудомойка справлялась бы минут за 8-10. Но по факту при такой загрузке – программа AUTO работает около 2-х часов. Поэтому это скорее «повседневная», нежели интеллектуальная программа.
• Интенсивная. Предназначена для сильно загрязненной посуды, поэтому температура увеличивается до 60°С. Время работы сопоставимо с обычной мойкой, но возрастает расход воды и электроэнергии.
• Обычная. Базовый режим для посуды средней загрязненности. Длится около 3 часов при температуре 55°С.
• ECO. Машина способна удалять средние загрязнения при температуре 45°С. Расход воды и электроэнергии в 1,5 раза ниже в сравнении с обычной мойкой, однако время этой программы самое продолжительное. Кроме всего прочего, именно эта программа используется производителями для измерения класса мойки, потребления воды и электричества. Именно эти параметры затем обозначаются в каталогах и ценниках в магазинах.
• Ополаскивание 15 минут. Режим для мойки чистой водой без добавления химии.

Дополнительные опции, подключаемые к основной программе

Для повышения конкурентоспособности производители посудомоек внедряют дополнительные опции, часть из которых оказывается весьма полезными.

• Отсрочка старта (на 3/6/9 часов или от 1 до 24 часов) особенно актуальна, если у вас дифференцированные трехзонные тарифы на электроэнергию. Устанавливайте таймер на время, когда цена киловатта минимальна, и получайте дополнительную экономию. При активации «отсрочки старта» все звуковые сигналы на устройстве отключаются.
• Усиленная мойка Power Wash увеличит напор воды и время работы на основном цикле мойки.
• Ускоренная мойка Express Wash уменьшает длительность программы до 25%.
• Дополнительная сушка Extra Dry увеличивает продолжительность данной операции, а также температуру последнего этапа ополаскивания, чтобы посуда стала идеально сухой. Полезная опция, особенно, если в посудомоечной машине не предусмотрен процесс принудительной активной турбо-сушки.

  Встраиваемая посудомоечная машина MID45S700

• Zone Wash – опция зональной мойки при неполной загрузке. Если посудой заполнена одна из корзин, вы можете включить только верхнее или нижнее коромысло. Тем самым снизится потребление воды и электричества.

  Посудомоечная машинка с функцией Zone Wash

Согласно советам экспертов по выбору посудомоечной машины, имеет смысл немного доплатить и приобрести модель с максимальным количеством дополнительных опций. В процессе эксплуатации это принесет выгоду, которая компенсирует дополнительные расходы.

Посудомоечная машина InnoWash MFD 60S900 X

Расход воды и энергопотребление

Распространено заблуждение, согласно которому посудомоечная машина расходует больше воды, чем при мытье вручную. На самом же деле ситуация диаметрально противоположная. За счет того, что в рамках одного цикла вода циркулирует в системе продолжительное время, а не льется струей из смесителя в канализацию, ее расход значительно снижается. Так, среднестатистическая машина тратит на выполнение программы 9-18 л. воды в зависимости от габаритов и выбранного режима. При мытье такого же количества посуды руками потребуется 70-100 л. Никогда не судите о потреблении по ценнику в магазине, так как там всегда указано потребление на программе ECO. Наиболее популярные в использовании программы обладают куда большим потреблением – 11-18 л.

Что касается потребления электричества, то у посудомоечных машин оно примерно такое же, как у стиральных. Если вы выберете полноразмерную модель класса энергоэффективности А+++ и будете пользоваться в основном экономичным режимом, расход составит вполне приемлемые 0,8-0,9 кВт/ч.

Тип сушки посуды

Получили распространение два механизма сушки.

1. Конденсационная. Влага оседает на поверхностях и постепенно стекает в фильтр. Принцип простой, но процесс занимает довольно много времени.

   Посудомоечная машина с конденсационной сушкой MFD 45S110 W

2. Активная Турбо-сушка. Один вентилятор нагнетает в камеру теплый сухой воздух, а второй вытягивает влажный. Возникает непрерывный поток, который быстро и качественно высушивает посуду. Вариант особенно хорош для стекла, на котором не остается пятен от капель.

   Посудомоечная машина с турбосушкой MID60S300

Каждая из технологий имеет свои достоинства. Если минимальная экономия электроэнергии для вас важнее, чем более сухая посуда – присмотритесь к моделям с конденсационной сушкой. В противном случае купите посудомоечную машину с турбосушкой.

Управление

Здесь также возможны два варианта.

1. Управление механическим поворотным выключателем устарело и сегодня встречается только у самых простых моделей с открытой панелью управления.
2. Электронное управление (кнопочное или сенсорное) удобно и интуитивно понятно. Как правило, дополняется дисплеем для еще большей наглядности.

Еще несколько нюансов, над которыми стоит поразмыслить перед тем, как выбрать посудомойку.

• Если у вас квартира-студия, ищите модели с низким уровнем шума – до 45 дБ.
• Существует две основных компоновки посудомоек:
  1) классическая: две корзины и лоток для столовых приборов;
  2) современная: две корзины для посуды и третья корзина для столовых приборов.

В пользу классической говорит возможность разместить посуду больших габаритов, ведь третий ярус пусть незначительно, но уменьшает высоту двух других. Зато современная компоновка в 3 корзины позволяет отмыть больше малогабаритной посуды за раз.

Подойдите к выбору ответственно, продумайте все аспекты – и наградой станет надежная посудомоечная машина, характеристики которой будут полностью соответствовать вашим потребностям. Ждем вас в наших магазинах!

На посудомоечной машине мигает индикатор кран, щетка, снежинка

Горит или мигает

Первое и главное правило: если что-то в индикации панели посудомоечной машины вас насторожило — загляните в инструкцию: вполне возможно, что это означает один из штатных режимов работы машины.

Если какой-то индикатор горит постоянного на панели — это, скорее всего, нормально и означает индикацию текущего состояния: например, значок щетки загорается при запуске мойки, и гаснет после её окончания. Другое дело, когда что-то начинает мигать и нарушается режим мойки: это может означать поломку какого-то узла ПММ. Но в любом случае это лишь общие соображения — за точным описанием поведения индикаторов вам надо заглянуть в инструкцию.

Для начала проверьте, не включен ли режим защиты от детей, который блокирует все кнопки, кроме выключения машины. К миганию кнопки может привести и сбой модуля управления: попробуйте сбросить программу стирки, отключив машину от сети на 5-10 минут.

Если это не помогло, значит, что-то в СМПММА сломалось: скорее всего, плата управления, но к подобному эффекту могут привести и проблемы с дверцей, нагревателем, двигателем, программатором, датчиками. Точно определить причину может только опытный мастер с необходимым диагностическим оборудованием.

Горит индикатор «кран»

Симптомы: на электронном табло горит или мигает индикатор в виде крана

Практически у всем производителей горящий или мигающий значок крана означает какую-то проблему с подачей воды — смотрите нашу статью «Посудомойка не набирает воду».

Горит индикатор соли

Симптомы: на электронном табло горит индикатор в виде стрелок

Заканчивается соль: вам надо просто её досыпать, и значок погаснет.

Горит индикатор «снежинка»

Симптомы: на электронном табло посудомоечной машины горит индикатор в виде снежинки

Заканчивается ополаскиватель: вам надо просто его долить, и лампочка погаснет.

Мигает индикатор «щетка»

Симптомы: на электронном табло горит или мигает индикатор в виде щетки

Если индикатор щетки загорелся после начала мойки и постоянного горит на панели — это нормально и означает процесс мойки посуды. Другое дело, когда он начинает мигать — это явный признак каких-то нарушений в программе мойки. При этом на панели могут появиться другие сигналы, в том числе код ошибки: почитайте о них в инструкции.

Мигают все индикаторы

Симптомы: индикаторы хаотично мигают, кнопки управления не откликаются

Наиболее очевидная причина — выход из строя «мозгов» ПММ — платы управления. Причина обычно в попадании влаги на контакты, что приводит к замыканиям и выходу из строя элементов платы.

Точно определить, что виноват неисправный блок управления, может, конечно, лишь квалифицированный специалист. И точно не стоит в него лезть неподготовленному человеку: последствия будут фатальными, включая возможные поломки других дорогих компонент посудомоечной машины. Обычно модуль управления меняют или перепрошивают.

К миганию индикаторов может привести и сброс программы мойки из-за поломки какого-нибудь другого узла машины: к наиболее уязвимым в этом отношении относятся ТЭН, электродвигатель, помпа, программатор. Как и в случае с модулем управления, главная трудность заключается в определении точной причины проблемы, да и ремонт или замена неисправного элемента машины лучше всего поручить профессионалу.

Не реагируют кнопки

Симптомы: ни одна из кнопок управления не реагирует на нажатие

Если при этом на электронном табло ПММ ничего не горит, значит проблема, скорее всего, в электропроводке: возможных причин множество, включая выход из строя всё той же платы управления — почитайте нашу статью Посудомоечная машина не включается.

Если же при этом мигают все индикаторы, значит с большой долей вероятности проблемы в модуле управления.

Если же не реагирует какая-то одна конкретная кнопка, то причина может быть как механическая (западание, залипание), электрическая (что-то не так с контактами кнопки) или кнопка просто заблокирована в соответствии с текущим режимом мойки — читайте инструкцию.

Сама включается

Некоторые владельцы жалуются на самопроизвольное включение мойки: в данном случае также надо проверить плату управления, но часто причина в залипании кнопки включения или перехода ПММ в демо-режим: в последнем случае надо просто сбросить настройки машины.

Если не помогло, причина может быть в нарушенной проводке или поломке модуля управления. Вряд ли вам самим удастся определить точную причину — лучше позвонить в сервис.

Особенности посудомоечных машин Graude

«Будь женщиной, а не посудомойкой!» — слоган из известной рекламы, стал крылатой фразой для миллиона женщин. Редкая семья сейчас обходится без посудомоечной машины (ПММ). Очевидные плюсы от приобретения данной техники следующие: экономия времени и ресурсов.

Загрузив посудомойку после ужина, мы можем спокойно заниматься своими делами. Или, задав отложенный старт, включить программу в тарифное время.

Многие считают, что ПММ (посудомоечная машина) расходует много воды и электроэнергии, но это совсем не так. Был проведён эксперимент, при котором взяли 34 единицы посуды, включающие в себя тарелки, столовые приборы, чашки, кастрюли и салатницы. Это половинная загрузка для посудомойки. При следующих условиях, получились такие результаты:

ПММ. Программа на 29 минут. Температура воды 45⁰. По показанию счётчика воды, было потрачено 14 литров.

Ручная мойка. Длительность 21 минута. Вода комфортной степени, примерно 35⁰. По итогам, расход составил 43 литра.

Разница ощутима, а при пересчёте на 360 дней эта цифра ещё внушительней.

Graude имеет в своей линейке несколько устройств подобного типа. Их различают на узкие (44-45 см) и полноразмерные (55-60 см), встраиваемые и отдельностоящие. Размеры очень важны при встраивании в кухонный гарнитур, кроме того идёт различие в загрузке. К примеру, в VG 45.1 имеющей компактные габариты, помещается 10 комплектов посуды. В её более широкой модели VG 60.1 за цикл уместится 14.

Напоминаем, что 1 комплект включает в себя суповую тарелку, плоскую под второе блюдо, емкость для салата, блюдце, кофейную или чайную чашку, ложку и вилку. Предметы, необходимые для полноценного обеда одному человеку.

В ПММ Грауде есть все необходимые режимы для повседневной и тщательной мойки. Экономные режимы удлиняют программу, но сокращают расход электричества и воды, она идеально подойдет для ночного времени.

Бережный цикл для стекла, убережёт бокалы для вина и фужеры для шампанского, не оставляя разводов, если будет применятся ополаскиватель.

Для эффективной мойки посуды, нужно использовать специальные моющие средства. Но, если применяются таблетки, нужно при покупке посудомоечной машины уточнить, есть ли функция «3-в-1» либо «все-в-1», при которой каждый компонент добавляется в определенное время для достижения превосходного результата.

Ополаскиватель предотвращает появление подтёков и пятен от воды. Соль смягчает воду, продлевая срок службы устройства и защищая её детали.

Защита от протечек и перелива, заблокирует посудомоечную машину не допуская выпуска влаги наружу.

Грауде позаботился о высокой энергоэффективности, все его модели имеют высший класс энергопотребления А++.

Кроме этого, модели выводят отличные показатели в классе сушки и мойки.

Посудомоечные машины Graude, отвечают всем требованиям международных стандартов. Критерии компании — это качество и доступность. Современное производство и передовые технологии внедряются повсеместно, что доказывают компания не стоит на месте и готова к новым свершениям.

Скрытая марковская модель — обзор

3.2.2 Скрытые марковские модели

ГММ — популярный метод анализа траекторий сигнала и времени, полученных в результате биофизических экспериментов (Andrec, Levy, & Talaga, 2003; Bronson et al., 2009; Chung , Moore, Xia, Premkumar, & Gage, 1990; McKinney, Joo, & Ha, 2006; Qin, Auerbach, & Sachs, 2000; van de Meent et al., 2014) — подробные описания можно найти в другом месте (Bishop, 2006). ; Colquhoun & Hawkes, 1995). Вкратце, в HMM предполагается, что усредненный по времени сигнал, записанный в течение каждого периода измерения, τ , на траектории сигнала, является представителем некоторого «скрытого» состояния (т.е.е., траектория состояния). Затем предполагается, что лежащая в основе траектория скрытого состояния, которая непосредственно не наблюдается, ведет себя как марковский процесс, управляемый в соответствии с вероятностями перехода. Как обсуждалось ранее, вероятности перехода одиночной молекулы в марковской системе связаны со стохастическими константами скорости, управляющими биомолекулярной системой. С помощью HMM вероятность того, что сигнал исходит из определенного скрытого состояния, вычисляется с учетом скрытого состояния предыдущего периода времени, чтобы явно учесть вероятность перехода.Примечательно, что в HMM значения сигнала, которые наблюдаются, когда отдельная молекула находится в определенном скрытом состоянии, обычно предполагается распределенными в соответствии с нормальным распределением PDF (то есть наблюдаемые сигналы будут моделью гауссовой смеси). Используя этот подход, можно «оценить» HMM, который описывает сигнал с точки зрения дискретного числа состояний и который предоставляет в качестве параметров вероятности излучения сигнала для каждого состояния, а также вероятности переходов в виде матрицы вероятностей перехода, P , из каждого штата.

При оптимальной оценке HMM, описывающей траекторию сигнала, можно использовать два разных метода для вычисления стохастических констант скорости. В первом методе идеализированная траектория состояния может быть получена из HMM и затем определена количественно, как описано для использования с подходами распределения времени задержки или анализа расширения вероятности перехода. Эта идеализированная траектория состояния получается путем применения алгоритма Витерби к HMM для создания пути Витерби (Viterbi, 1967).Путь Витерби, который напрямую дает идеализированную траекторию состояния, представляет собой наиболее вероятную последовательность скрытых состояний, которые не только дадут наблюдаемые значения сигнала при оптимальных вероятностях излучения сигнала, но и, скорее всего, возникнут из оптимальных вероятностей перехода. Таким образом, важно отметить, что, используя HMM для идеализации траектории сигнала, результирующая идеализированная траектория состояния и вероятности излучения и перехода были вынуждены быть как можно более марковскими.Следовательно, если в исследуемой биомолекулярной системе присутствует какое-либо немарковское поведение, оно будет замаскировано и будет выглядеть марковским. Чтобы избежать этого недостатка HMM, идеализированная траектория состояния может быть сгенерирована с использованием другого подхода, такого как пороговая обработка.

Второй метод вычисления стохастических констант скорости из оптимальной оценки HMM включает прямое использование вероятностей перехода, полученных из HMM. Хотя на первый взгляд этот метод, кажется, обходит использование идеализированных траекторий состояний, процесс оценки оптимального HMM, который описывает данные, по своей сути включает оценку скрытых состояний, которые генерировали траекторию сигнала, и, следовательно, включает использование идеализированных состояний. траектории.Из HMM отдельные стохастические константы скорости могут быть рассчитаны по формуле. (8) и матрица вероятностей перехода, аналогичная той, которая рассчитывается на основе идеализированной траектории состояния. Этот подход эквивалентен анализу расширения вероятности перехода. Как и при вычислении стохастических констант скорости из пути Витерби, следует отметить, что этот второй метод HMM также обеспечивает марковское поведение.

Наконец, отметим, что только в литературе по smFRET имеется несколько пакетов программного обеспечения для анализа траекторий E _FRET на основе HMM.Среди этих пакетов есть два типа подходов к оценке оптимального HMM, описывающего данные: подходы максимального правдоподобия (например, QuB (Qin, Auerbach, & Sachs, 1997), HaMMy (McKinney et al., 2006) и SMART (Greenfeld, Pavlichin, Mabuchi, & Herschlag, 2012)) и байесовские подходы (например, vbFRET (Bronson et al., 2009; Bronson et al., 2010) и ebFRET (van de Meent et al., 2014, 2013) ). Есть много преимуществ в использовании байесовских HMM по сравнению с HMM максимального правдоподобия. Во-первых, в отличие от байесовских HMM, HMM с максимальным правдоподобием представляют собой фундаментально некорректные математические проблемы — по сути, отдельные состояния могут «схлопнуться» на отдельные точки данных, что приводит к сингулярности с бесконечной вероятностью, которая не соответствует разумной оценке HMM.Во-вторых, как мы обсудим в следующем разделе, байесовские подходы, естественно, включают точность, с которой определенный объем данных может определять параметры HMM, изучая распределение вероятностей переходных вероятностей вместо нахождения одного набора переходных вероятностей. Помимо обеспечения точности, это позволяет комбинировать результаты для нескольких отдельных молекул и одновременно изучать согласованные стохастические константы скорости для ансамбля отдельных молекул.В-третьих, в то время как подходы максимального правдоподобия могут привести к HMM, которые значительно переобучены и, следовательно, переоценивают количество скрытых состояний, присутствующих на траектории сигнала, байесовские подходы по своей сути способны выбрать правильное количество скрытых состояний, присутствующих в траектории сигнала. Например, с HMM максимального правдоподобия лучшая оценка HMM траектории сигнала достигается простым добавлением дополнительных скрытых состояний; в крайнем случае для каждой точки данных будет одно скрытое состояние.Хотя HMM в этом крайнем случае будет идеально соответствовать данным, она не будет иметь большого смысла и не будет полезной моделью для прогнозирования будущего поведения системы. Хотя использование эвристических подходов, таких как информационные критерии Байеса и Акаике (BIC и AIC, соответственно), было предложено для помощи в выборе правильного числа состояний в HMM максимального правдоподобия, это приближения к истинным байесовским подходам, которые действительны только при определенные условия, которые, как мы находим, на практике не подходят для анализа данных smFRET на основе HMM.Вдобавок было показано, что байесовские HMM более точны, чем HMM максимального правдоподобия для анализа траекторий сигналов, где время пребывания, t с, в скрытых состояниях является переходным относительно периода измерения, τ (Бронсон и др., 2009). Наконец, между подходом максимального правдоподобия и байесовским подходом к HMM фактически отсутствуют дополнительные вычислительные затраты, поскольку оба реализуют одни и те же алгоритмы для вычисления вероятностей, связанных с HMM (например,g., алгоритм вперед-назад), поэтому скорость не имеет значения. Учитывая преимущества байесовского подхода по сравнению с подходом максимального правдоподобия для HMM, мы рекомендуем использовать байесовские HMM при анализе траекторий сигналов из биофизических экспериментов с одиночными молекулами.

Улучшена производительность профиля HMM за счет оценки критических алгоритмических функций в SAM и HMMER

BMC Bioinformatics. 2005; 6: 99.

¹ и ¹

Маркус Вистранд

¹ Центр геномики и биоинформатики, Каролинский институт, S-17177 Стокгольм, Швеция

Эрик Л.Л. Соннхаммер

¹ Центр геномики и биоинформатика, Каролинский институт, S-17177 Стокгольм, Швеция

¹ Центр геномики и биоинформатики, Каролинский институт, S-17177 Стокгольм, Швеция

Соответствующий автор.

Поступило 1 февраля 2005 г .; Принято 15 апреля 2005 г..

Авторские права © 2005 Wistrand and Sonnhammer; лицензиат BioMed Central Ltd.

Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License (http://creativecommons.org/licenses/by/2.0), которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе. при условии правильного цитирования оригинала.

Эта статья цитируется в других статьях в PMC.

Abstract

Предпосылки

Методы модели Маркова со скрытым профилем (HMM) являются одними из самых эффективных методов определения гомологии белков.Тем не менее, критические особенности успешного моделирования полностью не известны. В настоящей работе мы подошли к этому с помощью двух самых популярных пакетов HMM: SAM и HMMER. Возможности программ по построению моделей и последовательности оценок сравнивались с помощью набора тестов на основе SCOP / Pfam. Сравнение проводилось отдельно для локальной и глобальной оценки HMM.

Результаты

При использовании настроек по умолчанию SAM был в целом более чувствительным. Оценка модели SAM была лучше, в то время как оценка модели HMMER была более точной.Критические особенности для построения модели были затем проанализированы путем сравнения алгоритмического выбора и параметров двух пакетов. Взвешивание между априорными вероятностями и множественными счетчиками согласований было основным объяснением того, почему построение модели SAM было лучше. Наш анализ показывает, что HMMER придает слишком большое значение количеству последовательностей. Априорные вероятности выбросов SAM также оказались более чувствительными. Схемы взвешивания относительной последовательности различны в двух пакетах, но выполняются одинаково.

Заключение

Оценка модели SAM была более чувствительной, в то время как оценка модели HMMER была более точной. Благодаря объединению лучших алгоритмических функций обоих пакетов точность была значительно улучшена по сравнению с их производительностью по умолчанию.

Предпосылки

Вычислительное определение гомологии белковой последовательности стало центральным компонентом анализа генома. Сегодня последовательности с неизвестной функцией обычно ищут в базах данных известных белков, и это стало важным помощником для аннотации последовательностей и проведения лабораторных экспериментов.Без разработки программных средств для определения гомологии белков по аминокислотной последовательности это было бы невозможно. Такие инструменты определения гомологии нацелены на обнаружение сходства между родственными белками и оценку их выше уровня шума. Различные методы имеют разную степень успеха, и было показано, что профильные методы, которые рассматривают информацию из ряда последовательностей, работают лучше, чем парные методы [1]. В частности, профильные скрытые марковские модели (профильные HMM) [2, 3] дали хорошие результаты и сегодня используются в нескольких базах данных.Например, Pfam [4] и Superfamily [5] представляют собой большие коллекции семейств белков, где каждое семейство представлено профилем HMM. Профиль HMM представляет собой вероятностную модель множественного выравнивания последовательностей семейства и используется для представления семейства при поиске в базе данных.

Некоторые аспекты технологии HMM для профилей получили дальнейшее развитие с момента ее создания. Были предложены различные схемы взвешивания последовательностей [6,7] и изучены различные нулевые модели [8].Введение смесей Дирихле для моделирования априорных распределений [9,10] стало большим шагом вперед. Однако метод максимального правдоподобия, используемый для оценки таких априорных распределений, оказался проблематичным для априорных переходов [11]. Дискриминационное обучение было включено в построение моделей и, как было показано, дает улучшенные характеристики [12,13]. Методы, которые включают филогенетическую информацию непосредственно в профиль HMM и обходят необходимость во взвешивании произвольных последовательностей, были разработаны и оказались многообещающими для определения гомологии [14,15].Прогнозирование вторичной структуры было объединено с профильными HMM в вероятностную структуру для более точного распознавания складок [16,17]. Наконец, явное включение знаний о таксономическом распределении белковых доменов, как оказалось, улучшает открытие белковых доменов [18], как и включение знаний о вероятности определенных комбинаций доменов [19]. Эти примеры улучшений HMM — это всего лишь несколько и далеко не полный список.

Два широко используемых профиля HMM — это SAM [2] и HMMER [3].Пользователям интересно знать относительную производительность программ, а разработчикам профилей HMM знать ключевые факторы хорошей производительности. Мадера и Гоф представили самое последнее и до сих пор самое тщательное сравнение двух программ [20]. Авторы разделили свой анализ на два основных этапа определения гомологии HMM профиля: построение модели и поиск в базе данных. Построение модели включает преобразование множественного выравнивания семейства в вероятностную модель, в то время как поиск в базе данных включает оценку последовательности по профилю HMM.Эти два шага независимы, и, используя программу для преобразования моделей HMMER в формат SAM и наоборот, Мадера и Гоф смогли по отдельности оценить построение и оценку производительности двух программ. Было обнаружено, что построение модели SAM явно превосходит построение модели HMMER, при этом нельзя сделать никаких выводов относительно алгоритмов оценки. Также были исследованы расчет E-value, маскирование с низкой сложностью и затраты времени, но ни один из пакетов не выделялся явно лучше, чем другой.

Profile HMMs часто моделируют полные белковые домены, в то время как реальные белки могут содержать несколько доменов. Следовательно, имеет смысл искать локальное соответствие белка HMM. «Глобальное / локальное сопоставление» заставляет весь HMM соответствовать части последовательности. Это часто является желательным режимом, если HMM построена из одного домена, и весь домен можно ожидать также в других белках, возможно, в комбинации с другими доменами. Напротив, «локальное / локальное сопоставление» означает, что часть HMM локально сопоставляется с последовательностью.Выбор между двумя режимами зависит от приложения. Локальный / локальный поиск может найти фрагментарные последовательности белков, которые получили бы плохие оценки, если бы их заставили соответствовать всей модели. Однако, если последовательности запросов содержат полные домены, чувствительность глобального / локального режима должна быть лучше.

Мадера и Гоф сравнивали пакеты только для локального / локального режима. Первая из двух целей этой статьи — расширить их анализ на глобальный / локальный поиск. Вторая цель — найти ключевые особенности производительности HMM профиля с особым упором на построение модели.Оценка профиля HMM включает в себя выбор, касающийся, например, взвешивания последовательности, априорных вероятностей и архитектуры модели, и две программы подходят к этим вопросам по-разному. Сравнивая запуск SAM и HMMER с настройками, отличными от настроек по умолчанию, и с параметрами, заимствованными друг у друга, мы показываем, какие параметры модели имеют решающее значение для производительности профиля HMM.

Статья имеет следующую структуру. Сначала мы представляем пакеты SAM и HMMER и объясняем роль компонентов построения модели, которые мы будем исследовать.Во-вторых, мы проходим процедуру тестирования, наборы данных и меры производительности, которые мы используем. В разделе результатов мы сравниваем пакеты и анализируем влияние алгоритмических компонентов и параметров на производительность HMM с точки зрения чувствительности и специфичности.

Профиль HMM — HMMER, SAM и соответствующие параметры

Пакет SAM поставляется Калифорнийским университетом в Санта-Круз. Пакет включает итерационную процедуру SAM-T2K для генерации нескольких выравниваний и HMM, начиная с одной последовательности [21].Еще одна особенность — «многодорожечные HMM», позволяющие обрабатывать не только данные первичной последовательности. Информация о вторичной структуре может, например, быть включена вероятностным образом для лучшего моделирования [17,22]. В этой статье не будут оцениваться эти две дополнительные функции (обе отсутствуют в HMMER), но рассматриваются традиционные профильные HMM, построенные из нескольких выравниваний. Пакет SAM используется базой данных SUPERFAMILY [5]. HMMER разработан Шоном Эдди и имеет открытый исходный код, хорошо документирован и прост в использовании.HMMER и база данных семейства белков Pfam развивались совместно, но сегодня HMMER является движком и в других базах данных, включая TIGRFAM [23] и SMART [24].

В этом исследовании мы использовали SAM версии 3.4 и HMMER версии 2.3.2.

Архитектура и конструкция HMM

Профиль HMM — это вероятностная модель множественного выравнивания родственных белков. Выравнивание моделируется с помощью серии узлов (примерно по одному на столбец выравнивания), каждый из которых состоит из трех состояний: совпадение, вставка и удаление.Состояния сопоставления и вставки генерируют аминокислоты с вероятностями, полученными во время оценки модели, в то время как состояния удаления неактивны. Вставки и удаления по отношению к HMM моделируются состояниями вставки и удаления и вероятностями перехода к ним. Первоначальная архитектура профиля HMM позволяла переходы между всеми состояниями, что дает 3 × 3 = 9 возможных переходов для каждого узла. SAM сохранил эту архитектуру, в то время как HMMER, начиная с версии 2.0, допускает только семь переходов. В архитектуре HMMER переходы из состояния вставки в состояние удаления и наоборот запрещены.

И HMMER, и SAM позволяют пользователю «маркировать» столбцы в множественном выравнивании, чтобы сообщить программе, какие столбцы следует рассматривать как состояния совпадения / удаления, а какие — как состояния вставки. Если такая информация отсутствует, SAM присвоит каждому столбцу состояние соответствия и создаст HMM с одним узлом на столбец. В HMMER алгоритм будет назначать столбцы для сопоставления или вставки состояний, чтобы максимизировать апостериорную вероятность выровненных последовательностей с учетом модели. По сравнению с SAM это обычно приводит к более коротким моделям, поскольку некоторые столбцы назначаются для вставки состояний.

Альтернативы априорной вероятности

Параметры профиля HMM оцениваются путем объединения наблюдаемых данных (множественное выравнивание) и априорного распределения вероятностей. Если бы множественное выравнивание было хорошим представлением лежащего в основе семейства белков, было бы меньше необходимости в использовании предварительного. Однако часто это не так, в первую очередь потому, что выравнивание включает слишком мало последовательностей. Сила априорных значений заключается в компенсации небольшого размера выборки и распределении вероятности также на невидимые события.

SAM и HMMER используют смеси Дирихле для моделирования априорных вероятностей выбросов [9,10]. Смесь Дирихле состоит из ряда компонентов Дирихле, которые представляют собой распределения по параметрам вероятности. Каждый компонент обычно отражает конкретную характеристику колонок, наблюдаемую при множественном выравнивании последовательностей, то есть гидрофобность или полярность, а также степень консервативности для определенных аминокислот. Во время построения модели компоненты Дирихле взвешиваются вероятностно для каждого столбца при множественном выравнивании (оптимально с учетом частот аминокислот в столбце) и объединяются с наблюдаемыми частотами аминокислот для получения апостериорных вероятностей излучения.Выбросы по умолчанию в SAM в настоящее время представляют собой смесь из 20 компонентов, в то время как по умолчанию HMMER представляет собой смесь из девяти компонентов. Априорные вероятности перехода моделируются единым распределением как в SAM, так и в HMMER, но различаются двумя способами. Во-первых, потому что SAM использует девять параметров, а HMMER только семь, то есть по одному на переход. Во-вторых, потому что SAM присваивает более высокую априорную вероятность удалениям и вставкам, чем HMMER.

Взвешивание последовательности: относительный и общий вес

Вес, присвоенный последовательности, определяет ее влияние на окончательную HMM.Без взвешивания последовательностей высокая избыточность среди последовательностей приведет к перекосу модели и не распознает недопредставленные последовательности. Веса последовательности вычисляются в двухэтапном процессе: сначала определяются относительные веса, а затем масштабируются для суммирования с общим весом («эффективный порядковый номер» в терминологии HMMER), который рассчитывается отдельно.

Относительные веса определяют влияние одной последовательности на другие. Существует несколько алгоритмов для относительного взвешивания последовательностей, и общим для всех них является присвоение меньшего веса аналогичным последовательностям и большего — расходящимся, но все же надежным членам семьи.Алгоритм по умолчанию HMMER получает веса из дерева последовательностей, связывающих последовательности [25], в то время как SAM использует неопубликованный алгоритм, основанный на относительной энтропии (документация SAM). Относительные веса не суммируются с каким-либо конкретным значением, но масштабируются для суммирования общего веса. Таким образом, общий вес определяет вес множественного выравнивания последовательностей относительно априорных вероятностей. HMMER и SAM рассчитывают общий вес двумя разными способами. HMMER применяет алгоритм, который группирует последовательности посредством кластеризации с одной связью и подсчитывает количество кластеров выше указанного уровня идентичности.SAM масштабирует веса в соответствии с целевым значением энтропии, которое определяет количество битов в столбце, которое нужно сохранить во время построения модели, то есть информационное содержание окончательной модели по сравнению с фоновой моделью.

Глобальная или локальная оценка

Последовательность может быть оценена локально для всего профиля HMM (глобальный / локальный) или для его части (локальный / локальный). В HMMER режим поиска указывается в HMM во время построения модели. Таким образом, две HMM могут быть построены из одного и того же выравнивания, одна глобальная / локальная и одна локальная / локальная, и обе оцениваются с использованием одного и того же алгоритма.SAM оценивает только один HMM для каждого множественного выравнивания, а режим поиска вместо этого указывается во время оценки модели.

Тест на основе SCOP / Pfam

Наборы данных

В большом количестве исследований использовалась структурная классификация SCOP [26] для оценки эффективности методов определения гомологии последовательностей [13,18,20,27,28]. SCOP — это база данных, в которой все белковые домены известной структуры классифицируются в иерархическом порядке из четырех уровней: класс, складка, суперсемейство и семейство.Два домена принадлежат к одному семейству, если они имеют четкое общее эволюционное происхождение, выявленное либо по минимум 30% идентичности последовательностей, либо по очень сходной структуре и функции. Два домена принадлежат к одному и тому же суперсемейству, но к разным семействам, если общее эволюционное происхождение не очевидно из идентичности последовательностей, но вероятно из анализа структуры и функциональных особенностей. Уровень складки группирует все суперсемейства и семейства, которые имеют общий образец вторичных структурных элементов.Наконец, уровень класса делит домены на большие классы на основе компонентов вторичной структуры.

В этой работе мы оценили эффективность профильных HMM для обнаружения гомологии на уровне суперсемейства. Мы хотели избежать обусловливания результатов использованием конкретной программы для генерации множественного выравнивания. Следуя Coin et al [18], мы разработали набор тестов, который сочетает в себе высококачественные сопоставления Pfam и классификацию SCOP. Pfam — это база данных семейств белков, основанная на сходстве последовательностей, а не на структурном сходстве.Для каждого семейства предоставляется вручную подобранное выравнивание последовательностей, а также профиль HMM для поиска гомологов. Мы использовали набор данных ASTRAL, отфильтрованный до максимальной идентичности последовательностей 40% для классификации последовательностей SCOP [29]. ASTRAL — это база данных, созданная на основе SCOP, которая предоставляет файлы последовательностей, отфильтрованные до различных уровней.

Для создания тестового набора данных семейства Pfam были связаны с уровнем суперсемейства в классификации SCOP. Мы сохранили все семейства Pfam, содержащие последовательности, принадлежащие одному и только одному суперсемейству SCOP.Мы также потребовали, чтобы определение домена SCOP по крайней мере для одной из последовательностей охватывало весь домен Pfam. Используя Pfam 15.0 и набор данных ASTRAL, мы получили тестовый набор из 1400 семейств. Мы наложили два дополнительных условия: чтобы выравнивание семян Pfam имело не менее 10 последовательностей и чтобы средняя длина последовательности была выше 30 аминокислот. Это дало 1009 семейств, из которых мы извлекли каждую вторую семью в алфавитном порядке, чтобы получить достаточно большой, но все же вычислительно выполнимый набор из 505 семейств.Всего набор данных содержит 9 411 положительных и 2 842 994 отрицательных тестовых последовательностей.

Процедура испытания

Процедура испытания была следующей. Мы построили профильные HMM из рядов семян 505 семейств Pfam. Мы оценили весь набор данных ASTRAL в HMM и классифицировали совпадения по их классификации SCOP. Совпадения с суперсемейством SCOP, сопоставленным с семейством запросов Pfam, были классифицированы как истинные совпадения. Совпадения с другой сверткой SCOP классифицировались как ложные совпадения, а совпадения с той же сверткой SCOP, что и запрос, но с другим суперсемейством, игнорировались.Для каждого HMM поиск генерировал список совпадений, которые мы отсортировали по E-значениям. Мы просмотрели этот список сверху вниз и для каждого уровня ложных срабатываний записали количество истинных срабатываний. Это дало график зависимости истинных положительных результатов от ложноположительных, что является стандартным способом отображения результатов этого типа тестов.

Результаты и обсуждение

Настройки по умолчанию

SAM и HMMER сравнивались как для локального / локального, так и для глобального / локального режима. Сначала мы запускали пакеты в локальном / локальном режиме, используя все настройки по умолчанию, за исключением того, что оценка SAM выполнялась с помощью алгоритма Витерби.На рисунке показано, что SAM работает значительно лучше, чем HMMER; построение и оценка с использованием SAM выявили больше истинных положительных результатов, чем построение и оценка с использованием HMMER, и это верно для всех уровней ошибок. Однако наилучшие результаты были получены, когда модели SAM были преобразованы в модели HMMER и оценены HMMER. Напротив, модели HMMER, преобразованные в модели SAM с последующей оценкой SAM, дали худшие результаты. Таким образом, будет справедливо сказать, что оценка модели значительно лучше выполняется SAM, в то время как оценка лучше выполняется HMMER.

Построение модели и поиск в базе данных SAM и HMMER . (A) Местный / местный режим. (B) Глобальный / локальный режим. Для всех поисков использовался алгоритм Витерби. В противном случае использовались настройки по умолчанию. Программа построения модели упоминается первой в легенде, а программа скоринга — второй. «SAM-SAM» означает «Создание HMM с использованием SAM; Поиск с использованием SAM »,« HMMER-SAM »означает« Создание HMM с использованием HMMER; Поиск с использованием SAM ‘и т. Д.

На рисунке показаны соответствующие результаты для глобального / локального режима.Здесь SAM и HMMER дали почти идентичные результаты, и нельзя было сделать вывод о том, какой пакет лучше. Разделив производительность на создание и оценку, стало очевидно, что оценка HMMER была лучшим выбором как для моделей HMMER, так и для SAM. Следовательно, модель SAM была более точной, чем модель HMMER. В соответствии с локальным / локальным режимом оценка модели SAM была лучше, но для глобального / локального режима это преимущество было полностью компенсировано более точной программой оценки HMMER.

Поразительно, насколько хуже HMMER работает в локальном / локальном режиме по сравнению с глобальным / локальным. Напротив, результаты SAM для локального / локального режима были очень близки к результатам для глобального / локального режима. Помните, что эти два пакета решают проблему глобальной или локальной оценки по-разному: в то время как HMMER имеет две отдельные модели и один способ оценки, SAM имеет одну модель и два способа оценки. Может ли быть, что архитектура локальной / локальной модели HMMER, а не фактическая оценка параметров, является причиной плохой локальной / локальной производительности? В этом случае модели SAM, преобразованные в формат HMMER и настроенные для локальной / локальной оценки, должны быть менее точными, чем модели SAM, преобразованные в формат HMMER и настроенные для глобальной / локальной оценки.В нашем тесте этого не было (сравните кривые SAM-HMMER на рисунках и). Вместо этого причина должна заключаться в более слабом построении модели в HMMER, чем в SAM, влияющем на локальные / локальные модели больше, чем на глобальные / локальные модели.

В заключение этого раздела отметим, что, хотя HMMER оказался сопоставимым с SAM для глобальной / локальной оценки, SAM является предпочтительным пакетом, поскольку он работает намного лучше в локальном / локальном режиме. SAM произвела лучшие модели, но потеряла часть преимущества из-за худшей программы подсчета очков.В то время как построение моделей HMMER в целом было неэффективным, местные / местные модели оказались особенно плохими. Далее мы будем искать объяснения этих различий, анализируя влияние соответствующих параметров оценки модели и алгоритмического выбора.

Варианты априорной вероятности

Предварительная эмиссия аминокислот SAM по умолчанию (recode3.20comp) имеет более чем в два раза больше свободных параметров по сравнению с предыдущей эмиссией HMMER по умолчанию (смеси из 20 и 9 компонентов, соответственно).В нашем тесте мы запускали HMMER, используя recode3.20comp. Это дало повышение производительности как для глобальных / локальных, так и для локальных / локальных моделей, показывая, что предварительная оценка выбросов важна для объяснения того, почему построение модели SAM более чувствительно (рисунок).

Анализ априорных вероятностей выбросов . Модели HMMER были оценены с использованием выбросов SAM до recode3.20.comp. И локальные / локальные, и глобальные / локальные модели были улучшены по сравнению с использованием ранее использовавшихся по умолчанию выбросов HMMER. Таким образом, часть разницы в характеристиках SAM — HMMER может быть отнесена к предыдущей эмиссии.

Мы также исследовали роль предшествующей передачи. Это не так просто, поскольку предшествующий переход HMMER имеет только семь параметров, а предшествующий SAM — девять; переходы удалить-вставить и вставить-удалить не существуют в архитектуре HMMER. Тем не менее, мы запустили HMMER с переходом SAM перед игнорированием двух лишних параметров вставки-удаления и SAM с предшествующим переходом HMMER плюс параметры вставки-удаления из предыдущего SAM. В локальном / локальном режиме мы почти не видели эффекта от использования внешнего перехода (рисунок), но в глобальном / локальном режиме производительность значительно ухудшилась (рисунок).

Анализ априорных вероятностей перехода . (A) Местный / местный режим. (B) Глобальный / локальный режим. Модели SAM и HMMER были созданы с использованием их собственного перехода по умолчанию до и с переходом по умолчанию до перехода из другой программы. Априоры перехода кажутся специфичными для их программ, поскольку они ухудшают производительность другой программы.

Таким образом, проверка априорных вероятностей показала, что априорное значение выбросов SAM является важным фактором для объяснения превосходства SAM при построении модели, в то время как априорные значения перехода по умолчанию были специфичными для программы для глобального / локального режима.Во всех последующих экспериментах HMMER мы использовали предварительную эмиссию SAM, чтобы уменьшить разницу в настройках параметров.

Взвешивание последовательности

Взвешивание последовательности включает (а) относительный вес, присвоенный каждой последовательности, и (б) общий вес, присвоенный всем последовательностям как группе. В то время как относительные веса определяют влияние одной последовательности относительно других, общий вес дает влияние последовательностей по сравнению с априорными вероятностями. Кроме того, построение модели SAM включает фильтр, который уменьшает количество обучающих последовательностей, так что никакие две последовательности не имеют идентичности последовательностей более 80%.Исключение фильтра не оказало существенного влияния на результаты SAM (данные не показаны), поэтому в последующих запусках фильтр был удален.

Мы проанализировали, могут ли различия во взвешивании последовательностей быть источником результатов для конкретных пакетов. Сначала мы отключили как схему относительного взвешивания, так и расчет общего веса в обоих пакетах. Эффект этих изменений заключается в том, что каждая последовательность получает вес 1,0, так что все последовательности будут одинаково важны, а общий вес будет равен количеству обучающих последовательностей.Эти изменения отрицательно повлияли на оба пакета, но для SAM эффект был намного хуже (данные не показаны). Можно сделать два вывода: 1) взвешивание последовательности действительно играет важную роль для производительности, и 2) процедура взвешивания SAM более важна для производительности, чем взвешивание HMMER.

Будет ли взвешивание SAM лучше работать для HMMER? Чтобы ответить на этот вопрос, код HMMER был изменен для чтения весов последовательностей из файла с возможностью изменения масштаба этих весов в соответствии с расчетом общего веса HMMER.Мы позволили SAM генерировать веса и использовали их при построении модели HMMER. Для локальных / локальных моделей это имело очень большой эффект, и чувствительность значительно улучшилась при использовании весов SAM вместо весов HMMER (рисунок).

Анализ методов расчета веса относительной и полной последовательности . (A) Местный / местный режим. (B) Глобальный / локальный режим. HMMER запускали с относительными и общими весами последовательностей, полученными HMMER или SAM в различных комбинациях. В локальном / локальном режиме преимущество от общего веса SAM очень велико.В глобальном / локальном режиме преимущество менее выражено и зависит от использования предыдущего перехода SAM. С нашей реализацией метода SAM «сохраненные биты» для расчета общего веса, HMMER показал примерно такие же результаты, как и при использовании весов, оцененных SAM. При построении всех моделей использовался предыдущий выпуск SAM recode3.20.comp.

Затем мы проанализировали, что делает веса SAM лучше: алгоритм относительного взвешивания или расчет общего веса. Чтобы ответить на этот вопрос, нам нужно было изолировать влияние двух компонентов взвешивания.Мы позволяем HMMER считывать веса SAM из файла, но масштабируем их на общий вес HMMER; таким образом, HMMER был запущен с использованием алгоритма относительного взвешивания SAM, но с расчетом общего веса HMMER. Производительность упала до уровня, сопоставимого со взвешиванием всех HMMER (рисунок), что указывает на то, что расчет общего веса SAM является решающим фактором. Чтобы убедиться в этом, мы реализовали нашу собственную версию метода SAM с сохранением битов для расчета общего веса в коде HMMER (см. Методы). Мы использовали целевое значение SAM по умолчанию, равное 0.Сохранено 5 бит относительно фонового распределения. Использование относительного взвешивания HMMER и метода «сохраненных битов» дало такие же хорошие результаты, как и использование весов SAM. Вывод состоит в том, что метод SAM «с сохранением битов» для расчета общего веса намного лучше, чем метод HMMER, и является основным источником разницы в производительности, в то время как схемы расчета относительного веса по существу эквивалентны.

Все предыдущие тесты проводились для локальной / местной оценки. Для глобального / локального подсчета очков картина была менее ясной.Запуск HMMER с весами SAM в глобальном / локальном режиме снизил производительность (рисунок) по сравнению с использованием весов HMMER, то есть результат противоположен тому, что мы видели для локального / локального режима. Однако, когда мы также добавили предварительный переход SAM в дополнение к предыдущему излучению SAM, используемому для всех прогонов, результаты были улучшены (рисунок). Помните, что предыдущий переход на SAM оказался далеко не оптимальным для глобального / локального использования HMMER (рисунок). Очевидно, предварительный переход и общий вес не могут быть указаны независимо для получения чувствительных глобальных / локальных HMM.

Таким образом, в глобальном / локальном режиме веса последовательности SAM давали более точные модели HMMER при условии, что они были объединены с предыдущим переходом SAM. Мы снова разделили этот эффект на относительное взвешивание и расчет общего веса, а что касается локальной / локальной оценки, улучшение было полностью связано с методом SAM для расчета общего веса (рисунок).

Расчет общего веса явился очень важным компонентом при построении профиля HMM в результате этого исследования. Чем выше общий вес, тем сильнее будет влияние множественного выравнивания на HMM за счет априорных вероятностей.Является ли SAM лучше, потому что он придает больший или меньший вес множественному выравниванию по сравнению с HMMER? Чтобы ответить на этот вопрос, мы исследовали результаты методов SAM и HMMER для расчета общего веса на нашем тестовом наборе из 505 семейств Pfam. SAM имел средний общий вес 11,8, а HMMER — 39,8. Таким образом, профили HMM от HMMER относительно более детерминированы множественным выравниванием, в то время как SAM дает более сильное влияние на априорные вероятности.Слабая производительность HMMER в нашем тесте вместе с этими числами предполагает, что HMMER может переобучить свои модели для обучающих данных.

В заключение, взвешивание последовательности SAM оказалось более точным, чем взвешивание HMMER. Разница была полностью связана с методом SAM для расчета общего веса, в то время как методы относительного взвешивания казались эквивалентными по качеству. Выбор предшествующего перехода не повлиял на локальный / локальный поиск. Однако для глобальных / локальных моделей использованный ранее переход и метод расчета общих весов не могут быть выбраны независимо.Наилучшие характеристики были получены при использовании общей массы SAM и предшествующей версии SAM. Однако, если использовался предварительный переход HMMER, расчет общего веса HMMER был более подходящим.

Выбор узлов сопоставления

HMMER помечает столбцы в множественном выравнивании как узлы «сопоставления» или «вставки» на основе автоматической процедуры, в которой общая вероятность последовательностей максимальна. SAM не имеет такого алгоритма и обрабатывает каждый столбец как столбец соответствия, если в выравнивании ничего не указано.Мы отключили автоматический алгоритм HMMER и заставили его назначать каждому столбцу соответствие / удаление состояний, как это установлено SAM по умолчанию. Это немного отрицательно сказалось на производительности, предполагая, что автоматический алгоритм HMMER разумен и дает некоторые улучшения (данные не показаны).

Оценка модели

Как видно на рисунке, оценка модели HMMER более точна, чем оценка SAM. Мы полагаем, что основная причина различия кроется в используемой нулевой модели. Оба пакета вычисляют оценки логарифмических шансов, которые показывают, насколько лучше последовательность соответствует модели, обученной семьей, чем нулевой модели.Простейшая нулевая модель основана на средних частотах аминокислот в последовательностях, кодирующих белок. По умолчанию HMMER и SAM используют более продвинутые альтернативы, предназначенные для компенсации эффекта смещенной композиции последовательностей. Это происходит, когда последовательность получает относительно высокий балл только потому, что ее общий аминокислотный состав близок к смоделированному домену. HMMER компенсирует смещенный состав, корректируя оценку, используя вторую нулевую модель, которая рассчитывается как среднее значение по всем вероятностям выбросов состояний на пути целевой последовательности через модель.SAM, с другой стороны, использует оценку обратной последовательности как нулевую оценку модели. К сожалению, нулевая модель с обратной последовательностью является обязательной для расчета E-значения SAM, поэтому мы не смогли исследовать влияние нулевой модели. В любом случае мы можем только улучшить бесплатный код HMMER, который, кажется, уже имеет лучший метод.

Сравнение с более ранней работой

Мадера и Гоф провели аналогичный тест HMMER и SAM [20]. Авторы проанализировали только локальный / локальный режим и пришли к выводу, что SAM лучше при построении моделей, в то время как результаты оценки модели не были ясными, поскольку разные тесты давали разные результаты.Наше исследование согласуется с их результатами по построению моделей, но не по оценке моделей, где наши результаты показывают, что HMMER более точен. Откуда взялось это несоответствие? Мадера и Гоф провели тест так же, как обычный пользователь, то есть со всеми настройками по умолчанию. Это означает прямую оценку (сумма всех путей) для SAM и оценка Витерби (единственный лучший путь) для HMMER (личное сообщение, Мартин Мадера). В нашем тестовом наборе и для обоих пакетов предварительная оценка была более точной, чем оценка Витерби, но это более медленный алгоритм.Если бы авторы сравнили похожие алгоритмы оценки, они, скорее всего, пришли бы к выводу, что оценка HMMER работает лучше.

Заключение

Мы представили сравнение пакетов SAM и HMMER. SAM выделяется как лучший пакет для создания HMM; особенно это касается локального / местного поиска. SAM теряет часть этого преимущества из-за несколько худшего алгоритма поиска, а для глобального / локального режима пакет HMMER фактически был на одном уровне с SAM. Однако, если применяются настройки по умолчанию, предпочтительным пакетом должен быть SAM.

Кроме того, мы искали ключевые факторы при оценке профиля HMM, анализируя, что заставляет SAM создавать более чувствительные HMM. Предварительная эмиссия SAM оказалась явно выше, чем у HMMER. Схемы взвешивания относительной последовательности двух пакетов, хотя и различаются, по сути, работают одинаково. Однако основной эффект был связан с тем, как комбинируются априорные вероятности и множественные подсчеты выравнивания. Общий вес последовательности, который определяет степень достоверности наблюдаемых данных относительно априорных вероятностей, кажется, намного лучше обрабатывается пакетом SAM.В целом правильно сказать, что, по сравнению с HMMER, SAM больше верит в предшествующее и меньше — в наблюдаемое выравнивание. Наши результаты предполагают, что HMMER переоснащает модели наблюдаемым данным, в то время как SAM лучше использует способность смеси Дирихле экстраполировать наблюдаемые аминокислоты на лежащее в основе распределение.

Анализируя важность различных компонентов в построении и оценке HMM, мы смогли объединить лучшие функции HMMER и SAM в модифицированную программу HMMER, которая превосходит обе программы.Код для этого и тест, использованный в исследовании, можно бесплатно получить у авторов по ftp ftp://ftp.cgb.ki.se/pub/prog/SAM_HMMER/. Профильные HMM используются во многих базах данных, которые имеют большое влияние на аннотацию генома. Поэтому усовершенствования технологии HMM профиля будут иметь потенциально большое значение, что должно сделать представленные здесь результаты ценными для многих проектов генома.

Забегая вперед, недавняя разработка — профильная HMM — оценка профиля HMM [30], которая показала значительно более высокую чувствительность, чем обычная профильная HMM, к поискам последовательностей, а также поискам по профилю [31,32].Profile HMM — поиск профиля HMM может обнаруживать отдаленную гомологию между двумя семействами белков. В качестве альтернативы, множественное выравнивание может быть построено автоматически вокруг одной последовательности запроса; из этого профиля HMM может быть построен и использован для поиска, например, по базе данных Pfam. Включение гомологов в поиск повышает чувствительность, и можно предположить, что поиск по профилю HMM — поиск по профилю HMM постепенно будет вытеснять поиск по профилю HMM в поисках последовательностей. Однако оценка профиля HMM также является фундаментальной проблемой для этой новой технологии, и мы ожидаем, что есть возможности для улучшений.

Методы

Расчет общего веса

Чтобы оценить важность различных методов для расчета общего веса, мы реализовали версию метода SAM «сохраненные биты» в коде HMMER.

Этот метод не был опубликован первоначальными изобретателями, но объяснен в статье Эдгара и Сьеландера [33]. Число сохраненных битов представляет собой относительную энтропию между окончательной HMM и HMM, определенной только на основе смеси Дирихле (фоновая модель), и записывается как:

P _D (a) — фоновая вероятность испускания аминокислоты a , P _j (a) — вектор вероятности эмиссии состояния совпадения j в HMM и M — количество совпадающих состояний в HMM.Суммирование ведется по всем состояниям совпадения j и всем аминокислотам a . Вектор вероятности фона P _D (a) определяется путем применения смеси Дирихле к вектору нулевого счета. Во время оценки профиля HMM общий вес итеративно корректируется до тех пор, пока количество сохраненных битов не будет соответствовать целевой энтропии, указанной пользователем.

Программы и настройки

Для сравнений в этой статье мы использовали программы HMMER hmmbuild для построения моделей и hmmsearch для оценки последовательностей.Для построения моделей SAM мы использовали скрипт w0.5, который рекомендуется для построения моделей обнаружения гомологии на уровне суперсемейства. Программа SAM hmmscore использовалась для оценки последовательностей в моделях SAM. Для достижения правильных значений E все модели были откалиброваны с помощью программы HMMER hmmcalibrate и программы SAM hmmscore. Для подсчета очков мы использовали алгоритм Витерби. Алгоритм «вперед», который используется SAM по умолчанию, обычно дает лучшие результаты, но он намного медленнее и вряд ли подходит для крупномасштабного поиска в базе данных.

Преобразование между форматами моделей

Чтобы изолировать производительность компонентов сборки и поиска SAM и HMMER, мы преобразовали модели HMM между двумя форматами моделей. Таким образом, модели, построенные одной программой, могут использоваться для независимого поиска программами оценки обоих пакетов. Кроме того, модели из обоих пакетов могут быть преобразованы в один и тот же формат моделей и оценены с использованием одной и той же программы оценки. Для преобразования мы использовали программу, разработанную Мадера и Гоф, с нашими небольшими изменениями.Поскольку исходный код преобразуется только между моделями SAM и локальными / локальными моделями HMMER, мы расширили его, чтобы также разрешить преобразование в глобальные / локальные модели HMMER.

Количество разрешенных переходов для двух форматов модели различается, что делает невозможным полное сопоставление между ними. Программа преобразования обрабатывает это следующим образом. При преобразовании SAM в HMMER два дополнительных параметра перехода SAM для удаления-вставки просто опускаются, что приводит к небольшой потере информации. При преобразовании HMMER в SAM информация не теряется, а преобразование модели из формата HMMER в SAM и снова обратно в формат HMMER воссоздает исходную модель при условии, что она настроена для того же режима оценки.Согласно Мадере и Гофу, тестирование показало, что два дополнительных перехода SAM избыточны, а потеря информации при преобразовании SAM в HMMER не имеет значения [34].

Вклад авторов

MW написал код для анализа, разработал набор тестов и выполнил все эксперименты. ES участвовал в разработке исследования. Оба автора совместно работали над окончательной версией.

Благодарности

Работа поддержана грантами Pfizer Inc.и Шведский фонд знаний. Мы благодарим Карстена Дауба и Лукаса Келля за ценные комментарии к рукописи.

Ссылки

• Park J, Karplus K, Barrett C, Hughey R, Haussler D, Hubbard T, Chothia C. Сравнение последовательностей с использованием множественных последовательностей обнаруживает в три раза больше удаленных гомологов, чем парные методы. J Mol Biol. 1998. 284: 1201–1210. DOI: 10.1006 / jmbi.1998.2221. [PubMed] [CrossRef] [Google Scholar]
• Хью Р, Крог А. Скрытые модели Маркова для анализа последовательностей: расширение и анализ основного метода.Comput Appl Biosci. 1996; 12: 95–107. [PubMed] [Google Scholar]
• Eddy SR. Профиль скрытых марковских моделей. Биоинформатика. 1998. 14: 755–763. DOI: 10.1093 / биоинформатика / 14.9.755. [PubMed] [CrossRef] [Google Scholar]
• Bateman A, Coin L, Durbin R, Finn RD, Hollich V, Griffiths-Jones S, Khanna A, Marshall M, Moxon S, Sonnhammer EL, Studholme DJ, Yeats C, Эдди СР. База данных семейств белков Pfam. Nucleic Acids Res. 2004; 32 (выпуск базы данных): D138–41. DOI: 10.1093 / nar / gkh221. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Gough J, Karplus K, Hughey R, Chothia C.Присвоение гомологии последовательностям генома с использованием библиотеки скрытых марковских моделей, которые представляют все белки известной структуры. J Mol Biol. 2001; 313: 903–919. DOI: 10.1006 / jmbi.2001.5080. [PubMed] [CrossRef] [Google Scholar]
• Krogh A, Mitchison G. Максимальное энтропийное взвешивание выровненных последовательностей белков или ДНК. Proc Int Conf Intell Syst Mol Biol. 1995; 3: 215–221. [PubMed] [Google Scholar]
• Карчин Р., Хью Р. Взвешивание скрытых марковских моделей для максимальной дискриминации. Биоинформатика.1998. 14: 772–782. DOI: 10.1093 / биоинформатика / 14.9.772. [PubMed] [CrossRef] [Google Scholar]
• Barrett C, Hughey R, Karplus K. Оценка скрытых марковских моделей. Comput Appl Biosci. 1997; 13: 191–199. [PubMed] [Google Scholar]
• Brown M, Hughey R, Krogh A, Mian IS, Sjolander K, Haussler D. Использование априорных значений смеси Дирихле для получения скрытых марковских моделей для семейств белков. Proc Int Conf Intell Syst Mol Biol. 1993; 1: 47–55. [PubMed] [Google Scholar]
• Sjolander K, Karplus K, Brown M, Hughey R, Krogh A, Mian IS, Haussler D.Смеси Дирихле: метод улучшенного обнаружения слабой, но значительной гомологии белковых последовательностей. Comput Appl Biosci. 1996; 12: 327–345. [PubMed] [Google Scholar]
• Wistrand M, Sonnhammer EL. Приоры перехода для белков, скрытых марковскими моделями: эмпирическое исследование в направлении максимальной дискриминации. J Comput Biol. 2004; 11: 181–193. DOI: 10,1089 / 106652704773416957. [PubMed] [CrossRef] [Google Scholar]
• Эдди С.Р., Митчисон Дж., Дурбин Р. Максимальная дискриминация, скрытая марковскими моделями консенсуса последовательностей.J Comput Biol. 1995; 2: 9–23. [PubMed] [Google Scholar]
• Wistrand M, Sonnhammer EL. Улучшение распознавания профилей HMM за счет адаптации вероятностей перехода. J Mol Biol. 2004. 338: 847–854. DOI: 10.1016 / j.jmb.2004.03.023. [PubMed] [CrossRef] [Google Scholar]
• Mitchison GJ, Durbin R. Древовидные матрицы замещения максимального правдоподобия и скрытые марковские модели. Журнал молекулярной эволюции. 1995; 41: 1139–1151. DOI: 10.1007 / BF00173195. [CrossRef] [Google Scholar]
• Цянь Б., Гольдштейн Р.А.Обнаружение отдаленных гомологов с использованием HMM на основе филогенетического дерева. Белки. 2003. 52: 446–453. DOI: 10.1002 / prot.10373. [PubMed] [CrossRef] [Google Scholar]
• Харгбо Дж., Элофссон А. Скрытые модели Маркова, которые используют предсказанные вторичные структуры для распознавания складок. Белки. 1999; 36: 68–76. DOI: 10.1002 / (SICI) 1097-0134 (199
  ) 36: 1 <68 :: AID-PROT6> 3.0.CO; 2-1. [PubMed] [CrossRef] [Google Scholar]
• Karchin R, Cline M, Mandel-Gutfreund Y, Karplus K. Скрытые модели Маркова, которые используют предсказанную локальную структуру для распознавания складок: алфавиты геометрии позвоночника.Белки. 2003. 51: 504–514. DOI: 10.1002 / prot.10369. [PubMed] [CrossRef] [Google Scholar]
• Coin L, Bateman A, Durbin R. Расширенное открытие белковых доменов с использованием таксономии. BMC Bioinformatics. 2004; 5: 56. DOI: 10.1186 / 1471-2105-5-56. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Coin L, Bateman A, Durbin R. Расширенное открытие белкового домена с использованием методов языкового моделирования на основе распознавания речи. Proc Natl Acad Sci U S. A. 2003; 100: 4516–4520. DOI: 10.1073 / pnas.0737502100. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Мадера М., Гоф Дж. Сравнение профилей скрытых процедур марковской модели для удаленного обнаружения гомологии. Nucleic Acids Res. 2002; 30: 4321–4328. DOI: 10.1093 / нар / gkf544. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Karplus K, Barrett C, Hughey R. Скрытые модели Маркова для обнаружения удаленных гомологий белков. Биоинформатика. 1998. 14: 846–856. DOI: 10.1093 / биоинформатика / 14.10.846. [PubMed] [CrossRef] [Google Scholar]
• Karplus K, Karchin R, Barrett C, Tu S, Cline M, Diekhans M, Grate L, Casper J, Hughey R.Какая польза от вмешательства человека в прогнозирование структуры белка? Белки. 2001; Дополнение 5: 86–91. DOI: 10.1002 / prot.10021. [PubMed] [CrossRef] [Google Scholar]
• Хафт Д.Х., Селенгут Д.Д., Уайт О. База данных семейств белков TIGRFAM. Nucleic Acids Res. 2003. 31: 371–373. DOI: 10,1093 / нар / гкг128. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Letunic I, Copley RR, Schmidt S, Ciccarelli FD, Doerks T, Schultz J, Ponting CP, Bork P. SMART 4.0: к интеграции геномных данных.Nucleic Acids Res. 2004; 32: D142–4. DOI: 10.1093 / нар / gkh088. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Gerstein M, Sonnhammer EL, Chothia C. Объемные изменения в эволюции белка. J Mol Biol. 1994; 236: 1067–1078. DOI: 10.1016 / 0022-2836 (94)

  -4. [PubMed] [CrossRef] [Google Scholar]

• Мурзин А.Г., Бреннер С.Е., Хаббард Т., Чотиа С. SCOP: структурная классификация базы данных белков для исследования последовательностей и структур. J Mol Biol. 1995; 247: 536–540.DOI: 10.1006 / jmbi.1995.0159. [PubMed] [CrossRef] [Google Scholar]
• Линдаль Э., Элофссон А. Идентификация родственных белков на уровне семейства, суперсемейства и складки. J Mol Biol. 2000. 295: 613–625. DOI: 10.1006 / jmbi.1999.3377. [PubMed] [CrossRef] [Google Scholar]
• Бреннер С.Е., Чотия С., Хаббард Т.Дж. Оценка методов сравнения последовательностей с надежными структурно идентифицированными отдаленными эволюционными связями. Proc Natl Acad Sci U S. A. 1998; 95: 6073–6078. DOI: 10.1073 / pnas.95.11.6073. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Chandonia JM, Hon G, Walker NS, Lo Conte L, Koehl P, Levitt M, Brenner SE. Сборник ASTRAL 2004 г. Nucleic Acids Res. 2004; 32: D189–92. DOI: 10.1093 / nar / gkh034. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Soding J. Определение гомологии белков путем сравнения HMM-HMM. Биоинформатика. 2005; 21: 951–960. DOI: 10.1093 / биоинформатика / bti125. [PubMed] [CrossRef] [Google Scholar]
• Садреев Р., Гришин Н.КОМПАС: инструмент для сравнения множественных выравниваний белков с оценкой статистической значимости. J Mol Biol. 2003. 326: 317–336. DOI: 10.1016 / S0022-2836 (02) 01371-2. [PubMed] [CrossRef] [Google Scholar]
• Йона Дж., Левитт М. В сумеречной зоне: чувствительный инструмент сравнения профиля и профиля, основанный на теории информации. J Mol Biol. 2002; 315: 1257–1275. DOI: 10.1006 / jmbi.2001.5293. [PubMed] [CrossRef] [Google Scholar]
• Эдгар Р.К., Шоландер К. SATCHMO: выравнивание последовательностей и построение дерева с использованием скрытых марковских моделей.Биоинформатика. 2003. 19: 1404–1411. DOI: 10.1093 / биоинформатика / btg158. [PubMed] [CrossRef] [Google Scholar]
• Мадера MGJ. Программа преобразования между SAM и HMMER http://www.mrc-lmb.cam.ac.uk/genomes/julian/convert/descr.html

HMM

Chemocare.com
Уход во время химиотерапии и после нее

---

Общее название : Альтретамин
Торговое название : Hexalen®
Другие названия : Гексаметилмеламин

Тип лекарства: HMM является противораковым («противоопухолевым» или «цитотоксическим»). химиотерапевтический препарат.HMM классифицируется как «алкилирующий агент». (Подробнее см. см. раздел «Как действует этот препарат» ниже).

Для чего используется HMM:

Примечание: Если препарат был одобрен для одноразового применения, врачи могут выбрать использовать этот же препарат для решения других проблем, если они считают, что это может быть полезно.

Как дано HMM:

• HMM принимают внутрь в форме капсул.
• HMM следует принимать после еды.
• Количество HMM, которое вы получите, зависит от многих факторов, в том числе от вашего рост и вес, ваше общее состояние здоровья или другие проблемы со здоровьем, а также тип рак или состояние, которое лечат. Ваш врач определит вашу дозу и расписание.

Побочные эффекты:

Важно помнить о побочных эффектах HMM:

• Большинство людей не испытывают всех перечисленных побочных эффектов.
• Побочные эффекты часто предсказуемы с точки зрения их начала и продолжительности.
• Побочные эффекты почти всегда обратимы и проходят после завершения лечения.
• Существует множество способов минимизировать или предотвратить побочные эффекты.
• Нет никакой связи между наличием или серьезностью побочных эффектов и эффективность лекарства.
  

Следующие побочные эффекты являются общими (встречаются более чем в 30% случаев) для пациенты, принимающие HMM:

• Тошнота и рвота
• Потеря аппетита
• Диарея
• Низкие показатели крови.Ваши белые и красные кровяные тельца и тромбоциты могут временно уменьшаются, подвергая вас повышенному риску заражения, анемии или кровотечения.

Эти побочные эффекты являются менее распространенными побочными эффектами (встречаются примерно в 10-29% случаев) пациентов, получающих HMM:

• Периферическая невропатия: (онемение и / или покалывание пальцев рук и ног).
• Спазмы желудка (см. Боль в животе).
• Головокружение, сонливость или слабость (см. Центральная нейротоксичность).
• Депрессия, возбуждение, перепады настроения.

Выше перечислены не все побочные эффекты. Некоторые из них встречаются редко (встречаются менее чем в 10% пациентов) здесь не указаны. Однако вы всегда должны сообщать своему поставщик медицинских услуг, если вы испытываете какие-либо необычные симптомы.

Когда обращаться к врачу или поставщику медицинских услуг:

Немедленно обратитесь к своему врачу , днем ​​или ночью, если вы должен появиться любой из следующих симптомов:

• Лихорадка 100.4 ° F (38 ° C) или выше, озноб (возможные признаки инфекции).

Следующие симптомы требуют медицинской помощи, но не являются неотложной. Свяжитесь со своим врачом в течение 24 часов после того, как заметите любое из следующие:

• Тошнота (мешает есть и не проходит при приеме назначенных лекарств)
• Рвота (более 4-5 раз в сутки)
• Необычное кровотечение или синяк
• Черный или дегтеобразный стул или кровь в стуле или моче
• Диарея (4-6 эпизодов за 24 часа)
• Крайняя утомляемость (неспособность заниматься самообслуживанием)
• Чрезмерная сонливость или спутанность сознания

Всегда сообщайте своему врачу, если вы испытываете какие-либо необычные симптомы.

Меры предосторожности:

• Перед началом лечения HMM обязательно сообщите своему врачу о любых других лекарствах. вы принимаете (включая рецептурные, безрецептурные, витамины, лечебные травы, так далее.). Не принимайте аспирин, продукты, содержащие аспирин, если только ваш врач специально не позволяет это.
• Не делайте иммунизацию или вакцинацию без разрешения врача. при приеме альтретамина.
• Сообщите своему лечащему врачу, если вы беременны или можете забеременеть заранее. чтобы начать это лечение. Категория беременности D (альтретамин может быть опасным). к плоду. Беременные или забеременевшие женщины должны быть предупреждены о потенциальная опасность для плода.)
• Для мужчин и женщин: не зачать ребенка (забеременеть), принимая альтретамин. Рекомендуются барьерные методы контрацепции, такие как презервативы.Обсудить с Ваш врач, когда вы можете безопасно забеременеть или зачать ребенка после терапии.
• Не кормите грудью, пока принимаете это лекарство

Советы по уходу за собой:

• Принимайте лекарства после еды — это уменьшит расстройство желудка.
• Вы ​​можете подвергнуться риску заражения, поэтому старайтесь избегать скопления людей или людей, болеющих простудой, и Немедленно сообщите своему врачу о повышенной температуре или любых других признаках инфекции.
• Часто мойте руки.
• Для лечения / профилактики язв во рту используйте мягкую зубную щетку и трижды промойте день с 1/2 до 1 чайной ложки пищевой соды и / или соли, смешанной с 8 унциями воды.
• Используйте электрическую бритву и мягкую зубную щетку, чтобы минимизировать кровотечение.
• Избегайте контактных видов спорта или занятий, которые могут привести к травмам.
• Чтобы уменьшить тошноту, принимайте лекарства от тошноты в соответствии с предписаниями врача и ешьте небольшими порциями и часто.
• Избегайте пребывания на солнце. Используйте солнцезащитный крем SPF 15 (или выше) и защитную одежду.
• Избегайте вождения и задач, требующих бдительности, до тех пор, пока вы не ответите на этот препарат. хорошо понимается.
• В целом, употребление алкогольных напитков следует свести к минимуму или избегать полностью. Вам следует обсудить это со своим врачом.
• Больше отдыхайте.
• Поддерживайте хорошее питание.
• Если вы испытываете симптомы или побочные эффекты, обязательно обсудите их со своим здоровьем. команда по уходу. Они могут прописать несколько лекарств, которые помогут вам перенести эти побочные эффекты значительно уменьшают их влияние и заставляют вас чувствовать себя лучше.

Мониторинг и тестирование:

Пока вы принимаете альтретамин, вы будете регулярно проверяться врачом, чтобы следить за побочными эффектами и проверять свой ответ на терапию.Периодический анализ крови для контроля вашего общего анализа крови (CBC), а также функции других органов (например, ваши почки и печень) также будут назначены вашим врачом.

Как работает HMM:

Химиотерапия (противоопухолевые препараты)
,00 Раковые опухоли характеризуются делением клеток, которое больше не контролируется. как в нормальной ткани. «Нормальные» клетки перестают делиться, когда приходят при контакте с подобными клетками — механизм, известный как контактное торможение.Раковые клетки теряют эту способность. Раковые клетки больше не имеют нормальных проверок и Балансы на месте, которые контролируют и ограничивают клеточное деление. Процесс клетки деление нормальных или раковых клеток происходит через клеточный цикл. В клеточный цикл переходит от фазы покоя к фазам активного роста, а затем митозу (делению).

Способность химиотерапии убивать раковые клетки зависит от ее способности останавливать деление клеток.Обычно лекарства действуют, повреждая РНК или ДНК, которые говорят ячейка, как скопировать себя в деление. Если клетки не могут делиться, они умирают. Чем быстрее клетки делятся, тем больше вероятность того, что химиотерапия убивает клетки, вызывая сокращение опухоли. Они также вызывают самоубийство клеток (самосмерть или апоптоз).

Химиотерапевтические препараты, влияющие на клетки только тогда, когда они делятся, называются клеточным циклом. специфический.Химиотерапевтические препараты, воздействующие на клетки в состоянии покоя, называются неспецифический клеточный цикл. Расписание химиотерапии устанавливается на основании тип клеток, скорость, с которой они делятся, и время, в которое данное лекарство вероятно, будет эффективным. Вот почему химиотерапия обычно проводится циклами.

Химиотерапия наиболее эффективна при уничтожении быстро делящихся клеток. К сожалению, химиотерапия не знает разницы между раковыми клетками. и нормальные клетки.«Нормальные» клетки вырастут и станут здоровыми, но в Между тем возникают побочные эффекты. «Нормальные» клетки чаще всего поражаются химиотерапия — это клетки крови, клетки во рту, желудке и кишечнике, а также волосяные фолликулы; в результате низкие показатели крови, язвы во рту, тошнота, диарея, и / или выпадение волос. Различные препараты могут воздействовать на разные части тела.

Альтретамин классифицируется как алкилирующий агент.Алкилирующие агенты наиболее активен в фазе покоя клетки. Эти препараты неспецифичны для клеточного цикла. Есть несколько типов алкилирующих агентов.

• Производные иприта: Мехлорэтамин, Циклофосфамид, Хлорамбуцил, Мелфалан и ифосфамид.
• Этиленимины: Тиотепа и гексаметилмеламин.
• Алкилсульфонаты: Бусульфан.
• Гидразины и триазины: Альтретамин, Прокарбазин, Дакарбазин и Темозоломид.
• Нитрозомочевины: кармустин, ломустин и стрептозоцин. Нитрозомочевины уникальны, потому что, в отличие от большинства химиотерапевтических препаратов, они могут проникать через кровь-мозг. барьер. Они могут быть полезны при лечении опухолей головного мозга.
• Соли металлов: карбоплатин, цисплатин и оксалиплатин.

Примечание: Мы настоятельно рекомендуем вам поговорить со своим лечащим врачом. о вашем конкретном заболевании и лечении. Информация, содержащаяся на этом веб-сайте призван быть полезным и образовательным, но не заменяет для консультации с врачом.

Chemocare.com предназначен для предоставления самой последней информации о химиотерапии пациентам и их семьям, лицам, осуществляющим уход, и друзьям.Для получения информации о программе наставничества «Четвертый ангел» посетите сайт www.4thangel.org

.

Скрытая марковская модель (HMM) — простое объяснение на высоком уровне | Дариус Сабаляускас

HMM отвечает на следующие вопросы:

Оценка — насколько велика вероятность того, что произойдет что-то наблюдаемое? Другими словами, какова вероятность последовательности наблюдений?

• Прямой алгоритм
• Обратный алгоритм
• …

Декодирование — какова причина произошедшего наблюдения? Другими словами, какова наиболее вероятная последовательность скрытых состояний при наличии последовательности наблюдений?

Обучение — что я могу узнать из имеющихся у меня данных наблюдений? Другими словами, как создать модель или модели HMM из наблюдаемых данных?

Ответ на эти вопросы будет в следующих постах.А пока я подробно объясню модель HMM. Модель

HMM состоит из следующих основных частей:

• скрытых состояний
• символов наблюдения (или состояний)
• переход от начального состояния к начальному распределению вероятности скрытого состояния
• переход к конечному состоянию вероятность распределение (в большинстве случаев исключено из модели, потому что в общем случае все вероятности равны 1)
• переход состояний распределение вероятностей
• излучение состояний распределение вероятностей

В следующем разделе я подробно объясню эти части HMM.

HMM состоит из двух частей: скрытой и наблюдаемой. Скрытая часть состоит из скрытых состояний, которые не наблюдаются напрямую, их присутствие определяется символами наблюдения, которые испускаются скрытыми состояниями.

Пример 1 . Вы не знаете, в каком настроении находится ваша девушка или парень (настроение — это скрытые состояния), но вы наблюдаете за их действиями (наблюдаемые символы), и по этим действиям вы делаете предположение о скрытом состоянии, в котором она или он.

Пример 2 .Вы хотите знать, чем занимаются ваши друзья, но можете только наблюдать за погодой на улице. Действия вашего друга, которые являются скрытыми состояниями, «излучают» наблюдаемые символы, которые являются погодными условиями. Вы можете подумать, что это должно быть по-другому, что погодные условия — это скрытые состояния, а действия ваших друзей — это наблюдаемые символы, но ключ в том, что погоду вы можете наблюдать, а действия ваших друзей — нет, что делает состояния такими, какие они есть.

Вы можете видеть, что в примере настроения наблюдаемые символы на самом деле испускаются из скрытых состояний, тогда как в примере активности друзей наблюдаемые символы служат причиной для действий ваших друзей.Таким образом, символы наблюдения могут быть прямой причиной скрытых состояний, символы наблюдения могут быть следствием скрытых состояний. Это может быть обе стороны, в этом вся прелесть HMM.

Как правило, вы выбираете скрытые состояния, за которыми не можете наблюдать напрямую (настроение, действия друзей и т. Д.), И выбираете символы наблюдения, за которыми всегда можете наблюдать (действия, погодные условия и т. Д.).

Визуализация скрытых состояний и состояний наблюдения для Примера 2.

Действия ваших друзей:

• Баскетбол (B)
• Футбол (F)
• Видеоигры (G)

Наблюдаемые символы:

• Sunny (S)
• Облачно (C)
• Дождь (R)

Диаграмма 1.Скрытые состояния и наблюдаемые символы | Изображение автора

Когда вы определились со скрытыми состояниями для вашей проблемы, вам понадобится распределение вероятностей перехода состояний, которое объясняет переходы между скрытыми состояниями. В общем, вы можете перейти из любого состояния в любое другое или перейти в то же состояние. Так, например, если у вас 9 состояний, вам понадобится матрица 9×9, что означает, что вам нужна матрица NxN для N состояний.

Кроме того, если вы просуммируете каждую вероятность перехода из текущего состояния, вы получите 1.

Таблица 1. Таблица распределения вероятностей перехода между состояниями | Изображение автораДиаграмма 2. Диаграмма распределения вероятностей перехода состояний | Изображение автора

Распределение вероятностей выбросов в штатах

У вас есть скрытые состояния, и у вас есть символы наблюдения, и эти скрытые и наблюдаемые части связаны распределением вероятностей выбросов состояний. Вот как: каждый переход в скрытое состояние испускает символ наблюдения . Более того, каждое скрытое состояние может испускать все символы наблюдения, отличается только вероятность испускания того или иного символа.Обратите внимание, что все вероятности выбросов для каждого скрытого состояния в сумме составляют 1.

Таблица 2. Таблица распределения вероятностей выбросов по штатам | Изображение автора Диаграмма 3. Диаграмма распределения вероятностей государственных выбросов | Изображение автора

На диаграмме 3 вы можете увидеть, как визуально выглядит распределение вероятностей выбросов состояний. Это прямое представление таблицы 2.

Если у вас есть скрытые состояния, есть еще два состояния, которые не связаны напрямую с моделью, но используются для расчетов. Это:

• начальное состояние
• конечное состояние

Как упоминалось ранее, эти состояния используются для вычислений.Когда у вас есть последовательность символов наблюдения, которая относится к скрытым состояниям таким образом, что переход в скрытое состояние излучает символ наблюдения, у вас есть два угловых случая: когда последовательность наблюдений начинается и заканчивается.

Когда начинается последовательность наблюдений, вы испускаете символ, например S, но испускание происходит только тогда, когда происходит переход в скрытое состояние, здесь вступает в действие начальное состояние. Как упоминалось, например, вы испустили символ S, но этот символ может быть испущен при переходе во все скрытые состояния с разной вероятностью, поэтому какой переход в скрытое состояние наиболее вероятно излучает символ? На диаграмме 3 вы можете увидеть вероятность перехода в определенное скрытое состояние, при котором будет выдано состояние S, но из того, из какого состояния произошел этот переход, ответ будет исходным.Это означает, что, когда последовательность наблюдения начинает начальное скрытое состояние, излучающее символ, определяется исходя из вероятности перехода начального состояния. Как это выглядит, когда у вас есть последовательность наблюдений только из одного символа, вы можете увидеть на Диаграмме 5.

Теперь вы знаете, что когда у вас есть начало последовательности наблюдений, вам нужно выбрать начальное скрытое состояние, в котором помогает распределение вероятностей начального состояния. Когда вы достигаете конца последовательности наблюдений, вы в основном переходите в конечное состояние, потому что каждая последовательность наблюдений обрабатывается как отдельные единицы.Этот переход обычно подразумевается и явно не упоминается. Кроме того, в целом вероятность перехода из каждого скрытого состояния в конечное состояние равна 1.

Диаграмма 4. Диаграмма распределения вероятностей начального / конечного состояний | Изображение автора

На диаграмме 4 вы можете видеть, что, когда последовательность наблюдений начинается, наиболее вероятным скрытым состоянием, которое испускает первый символ последовательности наблюдений, является скрытое состояние F.

Последовательность наблюдения — это последовательность символов наблюдения от 1 символа до N символов.Каждая последовательность наблюдений рассматривается как отдельная единица без каких-либо знаний о прошлом или будущем. Из-за этого для скрытых состояний необходимы начальное и конечное состояния.

Важное примечание: та же самая последовательность наблюдений может быть получена из последовательности скрытых различий (Диаграмма 6 и Диаграмма 7). Кроме того, последовательность наблюдений должна состоять хотя бы из одного символа (диаграмма 5) и может быть любой длины, только при условии, что последовательность наблюдений должна быть непрерывной. Непрерывная последовательность наблюдений означает, что в последовательности наблюдений не может быть пробелов.

Диаграмма 5. Последовательность наблюдений S | Изображение автора Диаграмма 6. Последовательность наблюдений SSCRCSC | Изображение автора Диаграмма 7. Последовательность наблюдений SSCRCSC | Изображение автора Схема 8. Последовательность наблюдений RCS | Изображение автора

Теперь вы знаете основные компоненты HMM и основы того, как работает модель HMM и как она представлена. Более того, вы знаете, как генерируется последовательность наблюдений из скрытых состояний. Я надеюсь, что теперь вы получили представление о HMM на высоком уровне.

Хм, этот митинг против вакцинации на фоне крупной вспышки кори — это тоже не для слуха

Активисты, выступающие против вакцинации, на митинге в Олимпии, штат Вашингтон, 2 февраля.8, 2019 г. Фото: Тед С. Уоррен (AP)

На фоне вспышки кори в штате Вашингтон, которая, как подтвердили официальные лица, распространилась по крайней мере на 51 человек и предположительно распространилась на более десятка других, сотни людей пришли митинг в пятницу, требующий права продолжать подвергать своих детей возможности заражения легко предотвращаемыми, потенциально смертельными заболеваниями, сообщили несколько СМИ.

По данным Washington Post, около 700 человек собрались на митинг у Капитолия штата, «большинство из них выступили против» предложенного законопроекта, который устранит личные или философские исключения из требований, чтобы семьи вакцинировали своих детей от кори, эпидемического паротита и т. Д. и краснуха (MMR).К ним присоединился Роберт Ф. Кеннеди-младший — давний сторонник опровергнутой теории заговора, связывающей аутизм с консервантом на основе ртути, тимеросалом, который использовался в большинстве вакцин, начиная с 1999 г. их дети пострадали от прививок или заболели, и в одном случае «ложно сказано, что большинство людей, у которых диагностирована корь, были вакцинированы», — пишет The Post.

Роберт Ф. Кеннеди-младший выступает на митинге против вакцинации в Олимпии, Вашингтон, 2 февраля.8 февраля 2019 г. Фото: Тед С. Уоррен (AP)

Активисты против вакцинации на митинге в Олимпии, штат Вашингтон, 8 февраля 2019 г. Фото: Тед С. Уоррен (AP)

По данным Post, законопроект сохранит существующие религиозные и медицинские исключения из требований вакцинации. Центры по контролю за заболеваниями (в значительной степени поддерживаемые научным сообществом) оценивают две дозы вакцины MMR как полностью безопасные и эффективные на 97 процентов.

G / O Media может получить комиссию

Министр здравоохранения штата Вашингтон Джон Висман сказал собравшимся: «Я хочу напомнить вам, что вакцина MMR чрезвычайно безопасна и очень эффективна», — пишет The Post.Он добавил: «Все авторитетные научные исследования не обнаружили никакой связи между корью и аутизмом».

Антиваксы совершенно ясно дали понять, что откажутся идти на уступки реальности.

Присутствовала профессор юридического факультета Нью-Йоркского университета Мэри Холланд, соавтор книги под названием «Эпидемия вакцины : как корпоративная жадность, предвзятая наука и принудительное правительство угрожают нашим правам человека, нашему здоровью и нашим детям », а также как исследование вакцины против аутизма, которое онколог-хирург и главный редактор журнала «Научная медицина» Дэвид Горски охарактеризовал как «плохую науку, плохой закон» и «массовый этический провал».Холланд заявила собравшимся, что ее сын получил травму, связанную с вакцинацией, согласно Post, и заявила, что, если закон будет принят, антиваксы «уедут из штата или уйдут в подполье, но они не подчинятся».

32-летняя Николь Уилсон рассказала газете, что она и ее парень «уже думали» о переезде из Вашингтона, чтобы избежать вакцинации своего будущего ребенка, сказав о чиновниках здравоохранения: «Я вам кое-что скажу. Они не изменят нашего мнения ».

«Я не чувствую, что подвергаю риску своего ребенка», — сказала CBS News мать Моник Мюррей.«Нет ничего, что могло бы изменить мое мнение об этой конкретной вакцинации».

«Хотим ли мы быть страной, которая заставляет детей или родителей прибегать к рискованным медицинским вмешательствам без осознанного согласия?» — спросил Кеннеди, согласно Общественному вещанию Орегона.

Как отмечает The Post, Тихоокеанский Северо-Запад является домом для некоторых из «самых громких и организованных активистов страны, выступающих против вакцинации», что привело к увеличению количества непривитых детей в Вашингтоне, Орегоне и Айдахо (до 10.5 процентов в штате Айдахо). Представители органов здравоохранения заявили, что вспышка, которая сосредоточена вокруг округа Кларк, в первую очередь распространяется среди детей в возрасте до 10 лет. палец в кого-нибудь », корь очень заразна и потенциально смертельна, и один из детей уже попал в больницу. Он добавил, что в школах графств уже сообщается лишь о 78% иммунизации, а в некоторых даже ниже:

До того, как в США в начале 1960-х годов была проведена плановая вакцинация, ежегодно от кори умирало от 400 до 500 человек.Ежегодно было около 50 000 госпитализаций по поводу кори, и у нас было около 4 000 человек с коричным энцефалитом, который представляет собой опухоль головного мозга, которая может привести к необратимым повреждениям, включая глухоту. Это невероятно серьезное заболевание, которое может иметь множество осложнений, и у нас уже был госпитализирован один ребенок, из числа больных здесь.

Он также очень заразен. Если вы восприимчивы и не прошли вакцинацию, вы можете находиться в комнате через два часа после того, как заболел корью, и все равно заразиться ею.Если кто-то болеет корью среди непривитых людей, 90 процентов из них заболеют.

Как сообщает Daily Beast на этой неделе, корь также может вызывать подострый склерозирующий панэнцефалит (SSPE), форму хронического воспаления головного мозга, которая почти всегда приводит к летальному исходу.

Антивирусные агенты могут быть готовы принять все эти риски, но большая часть широкой общественности, похоже, встревожена распространяющейся вспышкой. Число людей, получающих вакцину MMR, увеличилось на 500 процентов, при этом за последние две недели января число людей превысило 1000, сообщил Висман The Post.В 2015 году и Калифорния, и Вермонт приняли законы, отменяющие исключения по личным убеждениям на фоне вспышки кори в Диснейленде.

[Washington Post / NPR]

Лаборатория вычислительного восприятия: HMM с сегментарным усилением

Лаборатория вычислительного восприятия: HMM с сегментным усилением

Люди

Цель

Последовательный выбор дискриминационных признаков для скрытых марковских моделей классификация.

Введение

Выступление распознавание, распознавание жестов, анализ ДНК и многие другие закономерности задачи распознавания для данных временных рядов — это задачи классификации последовательностей, которые предсказывают одну метку для всей последовательности.Самый успешный Методика классификации последовательностей — это скрытая марковская модель (HMM). В точность распознавания и эффективность HMM могут быть улучшены с помощью Особенности. Традиционные методы выбора признаков требуют, чтобы данные были независимо и одинаково распределены (i.i.d.), но временные последовательности обычно содержат сильную временную корреляцию между соседними кадрами наблюдения. Кроме того, элементы во временных последовательностях могут быть «иногда информативными», то есть различительна только на некоторых участках последовательности.В этом исследовании мы предлагаем Сегментно-усиленные HMM (SBHMM), которые могут решить проблемы обоих временная корреляция и сегментно-информативные особенности, предполагая «кусочно i.i.d. «Эксперименты показывают, что SBHMM последовательно улучшают традиционные HMM. распознавание в американском языке жестов, распознавание походки человека, чтение по губам и распознавание речи. Снижение погрешности составляет от 17% до 70%.

Условные случайные поля [Lafferty, et.al., 2001] или Тандемные модели [Hermansky, et.al., 2000] требуют маркировки на уровне государства со стороны человека. или принудительное выравнивание. На практике такая маркировка может оказаться невозможной. Например, узнать знак брата, как может ли этикетировщик точно контролировать обучение для первого состояние, когда он даже не знает значения состояний или сколько государства составляют знак? Без такой маркировки выбор отличительного признака будет ограничен уровнем целых знаков или фонемы.Напротив, SBHMM действительно предназначены для классификация последовательностей, в которой компоненты подпоследовательности неизвестно, и наши эксперименты показывают, что выбор функции на уровне подпоследовательности (состояния) обеспечивает более высокую производительность, чем на уровне последовательности.

Подход

1. Обучить HMM для входных последовательностей (пример ниже — это знак «сестра» на ASL).

2. Автоматически маркировать каждый кадр его наиболее вероятным состоянием вычислено из декодирования Витерби.
   

   состояние 1	состояние 1	состояние 1	состояние 2	состояние 2	состояние 3

3. Поезд AdaBoost для этой маркировки.
   

   весовых коэффициентов для состояния 1	весов характеристик для состояния 2	весовых коэффициентов для состояния 3
   AdaBoost создает ансамбли классификации для каждое состояние каждого HMM. Ансамбли линейно сочетают решение сбивает с толку более 17 входных функций (показания акселерометра).Вес для комбинации, которые говорят о важности функций, жадно выбран для достижения высокой точности отделения одного состояния от всех другие государства (в той же HMM и в разных HMM). Этот рисунок показывает, что наша методика выбора функций придает больший вес акселерометру числа 15-17, высота плеча, в состоянии 1. Это согласуется с лингвистика ASL.

4. Новый пространство функций V — это пространство вывода ансамблей AdaBoost.(Синий) (x)). В идеальной (разделимой) ситуации образцы с одинаковым метка состояния будет в том же углу в V, как показано на рисунке. В шумном (неразлучном) ситуации, свойство агрегации полей, которое описано в [Yin, et.al., 2008], по-прежнему движет сэмплы в «идеальном» направлении.
   Новое пространство функций более разборчиво из-за процедуры выбора функций, и оно подходит гауссовская модель наблюдения лучше в наших экспериментах.Подробнее см. [Yin, et.al., 2008].
   В случаях, когда состояний слишком много, Могут применяться неконтролируемые методы уменьшения размеров, такие как PCA. Мы не использовали такой метод при вычислении V для оценки, представленной в [Yin, et.al., 2008].

5. Поезд новые HMM в V. Эти HMM имеют более высокую точность из-за отличительной Особенности.

Данные

• Данные чтения речи Технологического института Джорджии

Описание: Распознавание непрерывной аудиовизуальной речи. данные, звук, захваченный одним микрофоном на частоте 16 кГц, и визуальные маркеры, захваченные Устройства захвата движения с частотой 120 Гц.

Общая длина	30 мин. 45 сек.	Ставка MoCap	120 Гц
Учебные данные	24m42s	Данные испытаний	06м03с
Всего предложений	275	Всего телефонов	8468
Всего фонем	39	Всего образцов	и GT 200 000

Скачать: Сжатый файл (84 МБ): gtsr.рар

• Данные по распознаванию походки Технологического института Джорджии

Описание: Идентификационные данные походки, захваченные движением. Захват (MoCap) устройств с частотой 120 Гц.

Содержит 22 показания трекера по 15 предметам. Мы использовали три чтения первых пяти предметов, связанных с ногами, в соответствии с соглашением в [Ким и Павлович, 2006]

Загрузить: ссылка (через FTP)

• Данные о распознавании американского жестового языка MIT

Описание: Непрерывные данные ASL, захваченные видео. камеры установлены на шляпе.

Содержит 500 пятизначных предложений, составленных 40 разных знаков по одному предмету.

Загрузить: starner97.zip из Группа контекстных вычислений (CCG) в Технологическом институте Джорджии

• Данные по распознаванию американского жестового языка Технологического института Джорджии

Описание: Непрерывные данные ASL, захваченные акселерометры на перчатках

Он содержит 665 четырехзнаковых предложений, состоящих из 141 различных знаков, написанных одним субъектом.

Загрузить: Acceleglove.zip из Контекстные вычисления Group (CCG) в Технологическом институте Джорджии.

Результаты экспериментов

• Американский язык жестов Признание по данным Массачусетского технологического института и Технологического института Джорджии

В: данные MIT на основе зрения, A: данные Технологического института Джорджии на основе акселерометра и G: использование грамматика для постобработки.

• Данные по распознаванию походки Технологического института Джорджии

Производительность для DTW, HMM, BML, MixedCML, BoostedML взяты непосредственно из [Kim and Pavlovic, 2006].BHMM усиливается HMM в [Yin, et.al., 2004]. Пожалуйста, обратитесь к этим двум документам для получения подробной информации о данных и проведены эксперименты.

• Аудиовизуальные данные распознавания речи Технологического института Джорджии

В этом На диаграмме мы сообщаем об ошибке тестирования на распознавание фонем. Мы используем только аудио информация при распознавании речи и визуальная информация при чтении по губам. Примечание что аудиовизуальное слияние может еще больше уменьшить ошибку распознавания, как в [Инь, et.др., 2003]. Для получения подробной информации о данных и проведенных экспериментах, пожалуйста, см. [Yin, et.al., 2004] и [Yin, et.al., 2008].

Публикации

Пей Инь, Ирфан Эсса, Тад Старнер, Джеймс М. Рег, «Выбор дискриминационных признаков для Скрытые марковские модели с использованием сегментарного усиления », в Proc. Of IEEE International Конференция по акустике, речи и обработке сигналов (ICASSP 2008), март 2008 г. (pdf) (bibtex).

Пей Инь, Ирфан Эсса, Джеймс М.Рег, «Алгоритм сегментарного повышения для временных рядов Анализ »в Snowbird Machine Learning Workshop, март 2007 г.

Пей Инь, Ирфан Эсса, Джеймс М. Рег, «Асимметрично усиленный HMM для чтения речи», в Proc. из IEEE Конференция по компьютерному зрению и распознаванию образов (CVPR 2004) , стр. II755-761, июнь 2004 г. (pdf) (bibtex)

Пей Инь, Ирфан Эсса, Джеймс М. Рег, «Усиленный аудиовизуальный HMM для чтения речи», в Proc.из IEEE Международный семинар по анализу и моделированию лиц и жестов (AMFG) , стр. 68-73, октябрь 2003 г. / проводилась совместно с ICCV-2003 . Версия этого документа также появляется в Proc. конференции Asilomar по Сигналы, системы и компьютеры , стр. 2013-2018, ноябрь 2003 г. в качестве приглашенной статьи. (pdf) (бибтекс)

Благодарности

Мы хотели бы поблагодарить профессора Бинг-Хванга (Фреда) Хуанга за его руководство с некоторыми частями акустической обработки. этого исследования, профессор Аарон Бобик, Цзяньсинь Ву, Цян Фу, Мэтью Маллин, Чжэньхао Чжоу, Ифань Ши, Цзе Сун и Фабьен Роберт за обсуждения, а также нашим испытуемым за то, что они потратили свое время.Этот проект частично финансируется Грант ITR Национального научного фонда № IIS-0205507 и IIS № 0511900.

Код Скачать

Интегрирован с HTK

(скоро)

Авторские права © 1997-2008

Последнее обновление: 7 апреля 2008 г.

HMM и SHI объединились в технологии умных кораблей

Южнокорейская судоходная компания HMM подписала меморандум о взаимопонимании (МоВ) с судостроительной компанией-соотечественником Samsung Heavy Industries (SHI) по технологии умных кораблей.

HMM Algeciras. Изображение предоставлено HMM

В соответствии с Меморандумом о взаимопонимании HMM и SHI планируют сотрудничать в области исследований, разработок и инноваций в области решений для умных судов.

Как сообщается, Меморандум о взаимопонимании в основном касается разработки экологически чистых технологий, применимых для умных судов, и повышения технологической компетенции, связанной с цифровизацией судов.

В рамках этого партнерства HMM приняла на вооружение «SVESSEL» — передовое решение для умных кораблей, разработанное SHI.Облачный SVESSEL был применен на пяти из двенадцати мегаконтейнеровозов емкостью 24 000 TEU, поставленных HMM в этом году. HMM проверит эксплуатационные данные на собственных контейнеровозах.

В частности, SVESSEL стремится ускорить переход от аналоговых обычных судов к интеллектуальным судам с управляемым жизненным циклом за счет конвергенции ИКТ и технологий эксплуатации судов. Это решение обеспечивает множество функций, таких как отслеживание судов и флота, анализ бортовых данных, совместное обслуживание, мониторинг характеристик силовой установки и т. Д.

«Цифровизация и декарбонизация стали неотъемлемыми факторами на пути к устойчивому росту. HMM сосредоточилась на исследовании новых технологий будущего и активно участвовала в различных обсуждениях с заинтересованными сторонами », — сказал представитель HMM.

«Мы надеемся вывести это партнерство на новый уровень благодаря синергии».

Кроме того, HMM готовится к запуску интеллектуального центра управления судами, который позволяет отслеживать безопасность и эффективность судов в режиме реального времени на основе широкого диапазона данных, включая информацию о грузах, маршрутах обслуживания, местонахождении, погоде в океане и состоянии судов.

Планируется, что центр будет запущен в полную силу с середины сентября этого года.

Год назад HMM также объединила усилия с Daewoo Shipbuilding & Marine Engineering (DSME) в области интеллектуальных судовых технологий. В рамках меморандума о взаимопонимании дуэт заявил, что проведет исследование системы обслуживания в реальном времени на основе IoT, спроектирует береговые платформы для оптимизации работы флота, а также разработает автоматизированные системы складирования для судовых материалов и разработает решения для экономической навигации.

.