Адрес: 105678, г. Москва, Шоссе Энтузиастов, д. 55 (Карта проезда)
Время работы: ПН-ПТ: с 9.00 до 18.00, СБ: с 9.00 до 14.00

Пмм это: Официальный сайт факультета ПММ ВГУ

Содержание

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.

 

Производитель посудомоечных машин, выбрать ПММ Korting

Содержание

Современный человек может не тратить драгоценное время на мытье посуды. Наша компания предлагает огромный выбор моделей посудомоечных машин. С их помощью можно сэкономить не только свободное время, которое лучше посвятить более приятным делам, но и затраты на коммунальные платежи. Известно, что использование посудомойки помогает расходовать меньше воды. Производитель посудомоечных машин Körting предлагает продукцию различных ценовых сегментов. Внушительный набор функций или необходимый минимум – каждый может найти подходящий вариант на свой вкус и бюджет. Обзор посудомоечных машин бренда Körting и составленный рейтинг помогут вам выбрать и купить оптимальную модель бытовой техники. В этой статье мы также расскажем о правилах использования и о секретах выбора моющих средств.

Как правильно выбрать посудомоечную машину: критерии выбора

Тип установки

Вы можете выбрать технику двух видов: встраиваемую и отдельно стоящую. Первую можно незаметно встроить в гарнитур, закрыв фасадом. Отдельно стоящие можно поставить там, где это удобно.

Вместимость

Этот критерий определяет, сколько комплектов посуды может помыть посудомойка за один цикл. Перед покупкой обратите внимание на то, сколько посуды вам приходится мыть ежедневно. И не забудьте о том, что в посудомойку можно отправить и кастрюли, сковороды, некоторые детали комбайна, блендера. Поэтому на вместимости не стоит экономить. Полезно знать, что один комплект посуды включает суповую, мелкую и десертную тарелку, блюдце, чашку, столовые приборы (ложка, вилка). Современные модели Körting вмещают от 6 до 14 комплектов.

Количество программ

Модели, представленные в каталоге Körting, имеют от 5 до 8 программ мойки. Они позволяют выбрать оптимальный режим в зависимости от количества посуды, материалов, из которых она изготовлена, и степени загрязнения. К примеру, для хрупких изделий лучше выбрать программу «Стекло» с деликатной температурой, а для кастрюль и сковородок с остатками присохшей пищи — «Интенсивную» или использовать функцию «Baby Care» для мойки с дезинфекцией, которая особенно подходит для детской посуды.

Функционал

Наличие полок для чашек и бокалов, корзины для столовых приборов, системы регулировки корзин сделает использование бытовой техники еще более удобным. Вы без труда сможете разместить посуду разного размера, а после окончания цикла быстро разложите все предметы по местам.

Класс энергопотребления

Современная техника позволяет сократить расходы на электроэнергию. Классы обозначаются латинскими буквами. Посудомоечные машины, имеющие маркировку «А+», «А++», считаются наиболее экономичными.

Где производятся посудомоечные машины Körting

Начало производству бытовой техники Körting было положено в конце XIX века в немецком городе Лейпциге. Именно здесь была открыта компания Körting Mathiesen AG, специализировавшаяся на создании осветительных приборов и трансформаторов. За эти годы фирма выросла до одного из крупнейших производителей бытовой техники. Производство посудомоечных машин базируется на крупнейшем заводе Азии, имеющем современное оснащение и систему контроля качества, основанную на строгих стандартах.

Это позволяет найти идеальный баланс между привлекательным дизайном и отличным качеством. Вся продукция подвергается сертификации в Европейском союзе. Компания гордится своими ноу-хау, призванными сделать повседневные дела проще. Их цель – превратить кухню в единое удобное и уютное пространство.

Каталог посудомоечных машин Körting

Встраиваемые посудомоечные машины

Такие модели позволяют создать цельный интерьер кухни. Они полностью скрываются за фасадом. Кнопки для управления прибором находятся на верхнем торце двери. Встраиваемую технику лучше заказать на этапе планирования кухонного гарнитура.

KDI 60175
KDI 60130
Посудомоечная машина шириной 60 см вмещает 14 комплектов посуды. Отлично подойдет как молодой паре, так и большой семье. 8 программ мойки, в том числе Baby Care, которая предназначена для дополнительной дезинфекции детской посуды. Имеет низкий уровень шума и функцию «Луч на полу». Регулируемая верхняя корзина и складные держатели для тарелок позволяют удобно расположить посуду разной высоты. Полноразмерная посудомоечная машина (шириной 60 см) рассчитана на 14 комплектов посуды. Такая вместимость будет актуальной для тех, кто много готовит дома. Новая форма разбрызгивателей S-Form улучшает качество мойки. Имеет 6 программ, в том числе «Быструю» для слабозагрязненной посуды.
KDI 45130
KDI 6040
Посудомоечная машина шириной 60 см вмещает 14 комплектов посуды. Отлично подойдет как молодой паре, так и большой семье. 8 программ мойки, в том числе Baby Care, которая предназначена для дополнительной дезинфекции детской посуды. Имеет низкий уровень шума и функцию «Луч на полу». Регулируемая верхняя корзина и складные держатели для тарелок позволяют удобно расположить посуду разной высоты. Полноразмерная посудомоечная машина (шириной 60 см) рассчитана на 14 комплектов посуды. Такая вместимость будет актуальной для тех, кто много готовит дома. Новая форма разбрызгивателей S-Form улучшает качество мойки. Имеет 6 программ, в том числе «Быструю» для слабозагрязненной посуды.
Все модели

Отдельно стоящие посудомоечные машины

Если в ближайшее время вы не планируете менять кухонный гарнитур, но больше не хотите мыть посуду вручную, вам подойдут невстраиваемые модели. Их можно расположить в любой части помещения, где есть доступ к коммуникациям.

KDF 2050 W
KDF 2050 S
Компактные размеры посудомоечной машины позволяют поместить ее на столе. Модель вмещает 6 комплектов посуды, имеет функцию отложенного старта и защиту от протечек. В ней можно мыть 6 комплектов посуды. Посудомоечная машина, по характеристикам и дизайну идентичная KDF 2050 W, но имеет серебристый цвет. Настольная модель может быть использована в любой удобной части комнаты. Вмещает 6 комплектов, имеет 7 программ мойки. Оснащена защитой от протечек. Имеет конденсационный тип сушки.
KDF 60150
KDF 45150
Полноразмерная посудомоечная машина может вместить 12 комплектов посуды. Она подойдет для семьи из 4–5 человек, в которой часто готовят. Имеет 6 программ, функцию половинной загрузки и защиту от протечек. Отдельностоящая модель имеет компактные размеры, ее ширина составляет всего 45 см. По функционалу она не уступает встраиваемым аналогам: имеет 6 программ, функции отложенного старта, половинной загрузки.

Бытовая химия для посудомоечных машин

Средства для мытья посуды в посудомойке

В первую очередь на качество мойки влияет не только настройки посудомоечной машины, но и само моющее средство, используемое при мытье посуды. Очень популярны на рынке стали таблетированные моющие средства, содержащие в своем составе комплекс необходимых химических средств с добавками, необходимый для качественной мойки. Использовать только лишь моющее средство в посудомоечной машине недостаточно, ведь в каждом доме и в каждом регионе проживания разная жесткость воды. Поэтому рекомендуется использовать специальную соль для посудомоечных машин, которая заполняется в соответствующем отсеке в машинке. Если после цикла мойки и сушки на посуде остались разводы от воды, значит, следует использовать ополаскиватель для посудомоечных машин. Он улучшает качество сушки посуды и способствует устранению разводов. Все необходимые средства для корректной работы машины находятся в полном наборе Korting, который, кстати, является универсальным для любых посудомоечных машин.

Средства для ухода за посудомоечной машиной

Чтобы продлить срок службы прибора, следует периодически использовать средства по уходу за посудомоечной машиной. Такая химия очищает рабочую камеру, удаляет накипь, которая потенциально может откладываться на внутренних элементах машинки, и удаляет жиры со скрытых патрубков, по которым циркулирует вода. Если из Вашей посудомоечной машины без посуды слышатся неприятные запахи, то это основной симптом для использования подобной химии.

Рекомендации и советы

Перед первым запуском прибора внимательно изучите инструкцию. Она поможет правильно использовать моющее средство и рационально расположить посуду в корзинах. В посудомоечную машину нельзя помещать:

  • деревянную посуду, разделочные доски, столовые приборы с рукоятью из дерева;
  • мелкие предметы;
  • фарфоровые изделия;
  • пластиковую посуду, не имеющую соответствующей маркировки;
  • алюминиевые миски, кастрюли, сковороды, мясорубки;
  • изделия, подверженные ржавчине;
  • медную посуду;
  • посуду и столовые приборы, не имеющие информации о мойке в посудомоечной машине.

Все модели посудомоечных машин Körting позволяют добавить забытую тарелку или чашку.

Следуя этим рекомендациям, вы сможете добиться максимальной эффективности мытья и убережете прибор от повреждений.

Стоит ли покупать посудомоечную машину?

123 Просмотра ,

По статистике, посудомойкой уже успели обзавестись примерно 10% российских семей. Многие планируют купить такой агрегат при первой же возможности. Другие считают посудомоечную машину «техникой для лентяев» и лишним громоздким предметом на кухне. Кто прав? Попробуем разобраться.


Аргументы против покупки

Противников у посудомоечной машины не так уж и мало, но многие доводы, которые они приводят, основаны на заблуждениях. Хотя, стоит сказать, что у ПММ действительно есть ряд недостатков.

Это неоправданные расходы
Действительно, посудомойка стоит недешево, при этом расходы ждут владельцев и после покупки. Вместо обычного средства для мытья посуды придется покупать различные уходовые препараты.

Однако владельцы ПММ уверяют, что расходники стоят не так уж и дорого, а затраты на покупку компенсируются экономией времени и, как ни странно, воды. Экспериментально доказано, что при мытье посуды вручную воды можно использовать даже больше.

Что касается дополнительных трат на электроэнергию, они не так велики, если, конечно, не включать агрегат для каждой грязной тарелки, а дожидаться полной загрузки.

ПММ занимает много места, ее придется встраивать
Действительно, такая техника довольно объемна и требует определенной площади для установки. Если размер кухни не превышает 5-6 м2, это действительно становится проблемой. Кроме того, место необходимо выбирать таким образом, чтобы машину можно было подключить к водоподводящим трубам, канализации, электросети.

Для тесной кухни можно найти компактный вариант, однако и вместительность у него будет соответствующая: такая техника подойдет для семьи численностью не более 3-4 человек.

Некоторые производители предлагают модели, совмещенные с другой техникой, такой вариант «3 в 1» или «2 в 1». Например, есть посудомойки, совмещенные с варочной панелью или духовым шкафом.

Не всякую посуду можно мыть в ПММ
Действительно, предметы из дерева, алюминия, меди, тонкого стекла и хрусталя лучше в посудомойку не ставить. Не стоит также рисковать и мыть там посуду с ручной росписью, неглазурованную керамику. Однако если в семье не используют эти виды изделий для сервировки и готовки, то причин отказываться от ПММ нет.

Не имеет смысла покупать ПММ, если в доме мало посуды
Действительно, большинство агрегатов довольно объемны и для полной загрузки придется копить посуду чуть ли не целый день. Такой подход совершенно не подходит минималистам, привыкшим обходиться одной кастрюлей и парой тарелок.

С другой стороны, такие люди могут найти совсем небольшие, настольные модели, которые рассчитаны на мытье одного-двух комплектов посуды.

ПММ плохо отмывает загрязнения
Многие владельцы жалуются, что в машине плохо отмываются жирные сковороды, да и остатки пищи лучше удалять с посуды перед загрузкой. Все это так, однако качество мытья зависит от класса агрегата. Если уж решили приобрести такую технику, не стоит останавливать выбор на самой бюджетной модели.

Помыть посуду руками быстрее
Да, цикл работы ПММ довольно длительный. Если семья небольшая, помыть несколько тарелок и чашек вручную можно гораздо быстрее.

С другой стороны, техника ведь работает сама, не требуя вашего участия — почему бы не расслабиться и не заняться в это время чем-то более приятным.

Посудомойка требует ухода
Действительно, как и любая другая техника, ПММ требует некоторого внимания: пару раз в месяц рекомендуется мыть фильтры и разбрызгиватели, а также регулярно заправлять в машинку моющие средства — не так уж сложно, правда?

Почему ПММ — это здорово?

Теперь рассмотрим преимущества, которые подарит вам посудомойка.

Экономия времени
Пожалуй, это главный аргумент, который приводят сторонники покупки. На самом деле, количество сэкономленных минут прямо пропорционально количеству грязной посуды, которое необходимо вымыть в течение дня, и уровню дисциплинированности хозяев.

Если в доме живут взрослые люди, которые привыкли мыть за собой посуду сразу после использования, никакой экономии времени от покупки посудомойки они не заметят. А вот мама трех-четырех ребятишек, несомненно, почувствует немалое облегчение, если в доме появится такая помощница.

Отличное качество мытья и дезинфекция
Если вы купили модель с несколькими режимами, в том числе с замачиванием и ополаскиванием, на качество мытья вам жаловаться не придется. Наоборот, посуда в ПММ отмывается при температуре около 100 градусов — ни одни руки не выдержат такого, а значит, в процессе обработки в машине она еще и дезинфицируется.

Не нуждается в горячей воде
Как и стиральная машина, агрегат сам нагревает воду, то есть проблем с его использованием не будет даже в период отключения централизованного горячего водоснабжения.

Чистота мойки и столешниц
При использовании ПММ гораздо проще сохранять в чистоте мойку, рабочую поверхность стола и фасады прилегающей к мойке мебели. При мытье посуды вода, мыльный раствор и частички загрязнений не разлетаются по кухне, поэтому времени на наведение порядка уйдет меньше.

Посуда служит дольше
В процессе мытья поверхность посуды не страдает от воздействия абразивных материалов, нет риска случайно выронить намыленную тарелку или чашку из рук и разбить.

Кроме того, посудомойка имеет встроенную защиту от протечек, работает тихо, а функция отложенного старта позволяет мыть посуду ночью или в ваше отсутствие.

Таким образом, посудомоечная машина чаще всего необходима
● семье с большим количеством детей, особенно маленьких;
● пожилым одиноким людям, которым сложно выполнять даже обычные домашние дела;
● тем, кто ненавидит мыть посуду руками.

Но есть люди, которые вполне могут обойтись без такой техники, даже если могут себе ее позволить:
● аккуратные взрослые одиночки и семейные пары, привыкшие сразу убирать посуду за собой;
● те, кто слишком занят, чтобы часто готовить и есть дома;
● те, кто воспринимает мытье тарелок как определенный тип медитации (такие люди встречаются, хотя и редко).

В любом случае, решение о покупке стоит принимать, исходя из реалий вашей жизни, а не ориентироваться на популярность техники.

Факультет прикладной математики и механики

Дорогие абитуриенты факультета прикладной математики и механики!

Вы уже вошли в историю как первые поступающие на ФПММ во времена коронавируса!

Вы на себе ощутили, в какое нестабильное время мы живем!

Во всем мире происходит сокращение рабочих мест, растет конкуренция, теряется опора в жизни в виде стабильных и понятных профессий, появляются новые виды деятельности! Нефть теряет цену, автомобили Тесла уже в городе, во многих профессиях роботы и искусственный интеллект заменяют людей!

А вам предстоит сделать очень непростой выбор своего будущего. Вам необходимо рискнуть, сделать сегодня ставку на 6 лет вперед! Как же в этой ситуации не промахнуться?

Оглянитесь на прошлый опыт — всегда получалось так, что те, кто выбирал фундаментальную подготовку, лучше справлялись с любой непредвиденной ситуацией!

Мы предлагаем вам именно это — получить классное фундаментальное образование, ощутить твердую опору под ногами, фундамент, которому не страшен никакой экономический кризис!

Из чего складывается фундаментальная подготовка? — Из физики, математики, механики, информационных технологий! И всему этому учат у нас!

Сейчас во всем мире переходят на использование цифровых двойников при проектировании, создании и эксплуатации объектов: в строительстве — от жилых зданий до атомных станций, в инженерной работе — от кроссовок и велосипедов до автомобилей и самолетов, в науках о человеке — от отдельных зубов до взаимодействия всех систем человека в целом!

Это то, что ждет всех нас и очень скоро!

Что же для этого будущего вы сможете найти на ФПММ?

Профиль “Вычислительная механика и компьютерный инжиниринг” (ВМ, направление “Прикладная механика”) — создание и применение компьютерных моделей сложных инженерных систем! Компьютерное моделирование бионического дизайна и аддитивных технологий! Но для компьютерных моделей или цифровых двойников нужны математические модели! А, значит, — математика, физика, механика, химия.

Профиль “Математическое моделирование” (ММ, направление “Прикладная математика и информатика”) — разработка математических моделей, как новых материалов, так и процессов их создания, математических моделей сложных систем от деформируемых конструкций из металлов, магнитомягких полимеров, астрофизических систем до иммунитета человека в его борьбе с вирусами!

Профиль “Динамика и прочность машин” (ДПМ, направление “Прикладная механика”) — анализ пригодности математических моделей материалов, проведение экспериментов, исследование и предсказание прочности и долговечности материалов и конструкций, деталей двигателя самолета, оптоволоконных датчиков под действием агрессивных сред, температур, лазеров! ДПМ-щиков ждут на всех промышленных предприятиях нашей страны!

“Фотоника и оптоинформатика”направление, которое пронизывает все новые технологические сферы — передача информации, квантовые вычисления, оптоволоконные датчики, системы управления, интегральные оптические схемы! Датчики нужны везде — в атомных реакторах, в скважинах на огромной глубине, в двигателе самолета или автомобиля, на опасных химических производствах! Спрос на специалистов с такими знаниями постоянно растет! И мы готовим таких специалистов!

Датчики постоянно передают чудовищные объемы информации, их надо обрабатывать, принимать быстрые решения. Но компьютерное моделирование не всегда успевает! Что делать? — нужны системы искусственного интеллекта! А этим занимаются на ФПММ?

Да, есть целая научная школа, опытный коллектив! Где же этому можно научиться? На направлении “Информационные системы и технологии”!

На наших глазах происходит распространение беспилотного транспорта, как мирного, даже бытового, так и военного. Нужны новые решения, нужно опередить в научно-технологическом соревновании Китай и США. Где этому можно научиться? — На таком нашем направлении, как “Системы управления движением и навигация”! Здесь нужно и программировать на уровне железа, и собирать сложные электрические схемы, и применять математические методы, и разбираться в физике и механике!

Математическим методам в экономике тоже учат на ФПММ! Профиль “Математическое и информационное обеспечение экономической деятельности” (МИЭ, направление “Прикладная математика и информатика”) — разработка математических моделей для прогнозирования последствий принимаемых решений, использование информационных технологий для управления экономическими процессами предприятия и региона.

Наука о человеке тоже находит свое отражение на ФПММ в виде Биомеханики — это создание математических моделей систем человеческого организма, предсказание развития различных заболеваний и патологий, проектирование последствий хирургического вмешательств в организм! Но здесь вас ждет только магистратура! Для поступления на “Биомеханику” вам нужно будет 4 года учиться в баклавриате на любом из наших направлений!

Теперь вы знаете — ФПММ устремлен в будущее, ориентирован на высокие технологии!

У вас есть шанс учиться у лучших — учиться на ФПММ!

Делайте правильную ставку на свое будущее, поступайте правильно — поступайте на ФПММ!

Хочешь добиться успеха в жизни — научись решать трудные задачи! Самые трудные задачи учат решать на ФПММ!

Мы не оказываем образовательных услуг, мы создаем будущее готовим ученых, инженеров, IT-специалистов!

До встречи на 1 курсе!

Декан ФПММ Иван Юрьевич Зубко

Пена в посудомоечной машине после мойки — причины, что делать

Бытовая техника создана для того, чтобы упрощать жизнь. Посудомоечная машина — не исключение. Она экономит силы и время, существенно облегчает быт. К тому же посуда, вымытая специальной техникой, намного чище, чем при ручном мытье приборов, тарелок, чашек, кастрюль.

Во время использования посудомоечной машины можно заметить, что после мытья посуды остается много пены. Это может указывать на неправильную эксплуатацию техники или ее неисправность. Если проблема несерьезная, вернуть ПММ в строй получится и самостоятельно. Но для начала нужно определить причину, почему в посудомоечной машинке остается пена.

Почему повышается пенообразование: распространенные причины

Если в новой посудомоечной машинке периодически или постоянно остается пена на дне после окончания цикла, нужно отключить прибор от сети и перекрыть подачу воды. Чтобы предотвратить вытекание воды на пол, нужно сразу заняться ее удалением из прибора. И только потом можно начинать выяснять, почему случилась такая неполадка или обращаться в ремонт посудомоечных машин.

Вот основные причины появления пены в посудомоечной машине после мойки:

  • плохое качество моющего препарата. Хороший «расходник» обеспечивает бесперебойное функционирование техники. Можно выбрать такие формы выпуска, как таблетки, капсулы, моющий порошок или гель. При покупке препарата нужно обратить внимание на его стоимость, качество, дату выпуска;
  • неверно подобранная дозировка. Если средство выбрано правильно, но из посудомоечной машины течет пена, это может быть признаком неправильной дозировки. Порошок нужно засыпать сухой мерной ложкой, иначе будут образовываться небольшие комки. Они оседают на дно, а при запуске нового цикла усиливают пенообразование ;
  • неправильно настроенный цикл. Если выбрана не та программа, таблетка может не успеть растаять за отведенное время, в результате она оказывается на дне и включается в работу при следующем запуске мойки — появляется много пены. Чтобы таблетка полностью растворялась, нужно использовать режим, при котором вода нагревается до 50 градусов и выше;
  • неправильный выбор средства. Если в посудомоечной машине стоит пена, это могло случиться из-за применения простого геля для ручного мытья посуды, а не специального препарата. Посудомоечная машинка не может правильно работать с такими средствами;
  • остатки еды. В ПММ нельзя мыть посуду с большими кусками еды, иначе пена будет появляться даже без моющего средства. Некоторые продукты, например, сметана, яичный белок, некоторые виды теста, способны вступать в реакцию с моющим порошком и водой, из-за чего будет оставаться пена после цикла. Чтобы предотвратить это, нужно очищать тарелки или кастрюли от любой еды.

Если самостоятельно не получается установить, по какой причине идет пена из посудомоечной машины, стоит обратиться к мастеру, который проведет диагностику и отремонтирует технику.

Как исправить засор

Частая причина того, что остается пена после работы прибора, — засор на сетке мусорного фильтра. Такое случается при постоянной загрузке ПММ мисками и кастрюлями, покрытыми застывшим жиром. Он забивает отверстия, расположенные на дне камеры, из-за чего вода постепенно начинает уходить все хуже. В результате даже по окончании цикла в посудомоечной машинке можно увидеть остатки таблеток или геля.

Что нужно делать, если в посудомоечной машинке остается пена по причине возможного засора? Важно каждые пару недель прочищать фильтр — это предотвратит появление подобных проблем. Но если засор уже обнаружен, нужно сделать следующее:

  1. Открыть дверцу камеры.
  2. Извлечь корзину, размещенную внизу.
  3. Выкрутить фильтр из поддона, достать металлическую сеточку.
  4. Промыть все детали фильтрующего узла водой.
  5. Установить элементы на место.

Пена в посудомоечной машине после мойки больше не будет появляться при условии регулярной прочистки фильтра.

Как очистить посудомоечную машину

Если пошла пена из ПММ, нужно строго следовать рекомендациям специалистов. Поэтапная инструкция, как избавиться от пены при поломке или неправильном применении посудомоечной машины :

  1. Отключить устройство от сети. Достать посуду из камеры и удалить пену, вычерпывая ее ковшом в тазик.
  2. При наличии моющего пылесоса можно удалить остатки с его помощью.
  3. Вытереть дно камеры губкой.
  4. Удалить остатки влаги сухой тряпкой. Работать нужно осторожно, чтобы не обжечься о нагревающиеся элементы.

Если в камере осталась пена, после выполнения вышеуказанных рекомендаций, важно использовать средство для поглощения пенной среды. Это может быть соль с уксусом или растительное масло. Нужно налить половину стакана уксуса на дно камеры и присыпать двумя горстями соли или использовать полстакана масла. Запустить ПММ. Процедуру можно повторить до полного очищения прибора.

Если принятые меры не помогли, пена все равно остается или устройство прекратило работать, нужно обратиться в ремонт посудомоечных машин. Такие неполадки сможет устранить только специалист. Опытные сотрудники компании «Топ Рефит» быстро установят причину поломки, проведут ремонт на дому, предоставят гарантию на свою работу. В сервисном центре есть возможность заказа срочного выезда мастера.

Проволока медная прямоугольная ПММ, ПМТ (М1), Cu-ETP


Другие товары категории

Описание

Вы можете купить медную шину и проволоку прямоугольного сечения ШМТ, ШММ, ПМТ, ПММ (все М1), Cu-ETP со склада или с доставкой по России.

Техническое описание медной шины ШМТ, ШММ, ПМТ, ПММ (все М1), Cu-ETP:

Вид: 

Медные шины представляют собой пруток прямоугольного сечения. Вместе с медной проволокой прямоугольного сечения, применяются в электротехнике в качестве проводников тока; изготовляются прессованием или волочением.

В ряде случаев в качестве шин могут быть использованы полосы или ленты, получаемые прокаткой. 

Способ производства:
  • Прессование
  • Волочение
  • Прокатка

Исходя из способа производства отличаются допусками по размеру, состоянием (твердостью), видом кромки.

Возможно покрытие оловом (лужение) для повышения коррозионной стойкости. 

Форма сечения:

Прямоугольник, с различными видами кромки:

  • Прямоугольная (SC, SE — square corner, edge)
  • Закругленная — небольшое закругление (RC, RE — radiused corner, edge) —  в основном, на складе 
  • Полукруглая — полное закругление (SH, CE — semi-circular edge)
Более сложные формы сечения, в т.ч. полые внутри, относятся к другим видам полуфабрикатов, в частности к трубам, профилям
Размер сечения: Данная товарная группа объединяет шины и проволоки прямоугольного сечения, и по российским стандартам нормируется единым ГОСТ 434-78, «Проволока прямоугольного сечения и шины медные для электротехнических целей».
  • Размеры для шин варьируются по сторонам: 4 — 30 х 16 — 120.
  • Размеры для проволоки варьируются по сторонам: 0,5 — 12,5 х 2,0 — 35,0.  
По зарубежным стандартам:
  • Размеры: 0,5 — 40 х 16 — 200
Возможно изготовление других размеров по согласованию.
 Длина:

Поставляются в виде прямых отрезов (обычно 3000, 4000 мм) или бухтах. В бухтах поставляются и шины, и проволоки. Отличие — в размере сечения.

Отрезы в партии могут быть мерной (одинаковой) и немерной длины. 

 Сплавы:

В соответствии с ГОСТ 434-78, «Проволока прямоугольного сечения и шины медные для электротехнических целей» применяются следующие марки меди:

  • М1: ШММ, ШМТ — шина медная мягкая и твердая, соответственно
  • М1: ПММ, ПМТ — медная проволока прямоугольного сечения, мягкая и твердая, соответственно
  • МОб: ШМТВ — шины медные твердые из бескислородной меди. См. материал: Шины из бескислородной меди 

Удельное электрическое сопротивление шин и проволоки при температуре 20оС проволоки и шин не более 0,01724.  10-6 Ом.м.

 

В зарубежной продукции используются следующие сплавы: Cu-ETP, E-Cu58, E-Cu57, CuAg, CuSP, Cu-OF, Cu-OFE (бескислородная) и другие.

Основной контроль — электропроводность.

Состояние: 

Твердое, полутвердое, мягкое. Отличаются механическими характеристиками. Зарубежные и отечественные нормативы по разному определяют твердость для данной номенклатуры.

Зарубежные аналоги показывают более высокие технологические характеристики при последующей гибки.

Нормативы: 
  • Российские шины и проволока прямоугольного сечения выпускаются по ГОСТ 434-78, «Проволока прямоугольного сечения и шины медные для электротехнических целей». В данном стандарте нормируется ряд характеристик: электропроводность, химический состав по ГОСТ 859-2001, «Медь. Марки», механические свойства, допуски по размерам, длине, серповидность, радиус закругления, правила приемки и т. п. 
  • Полосы и ленты из бескислородной меди для электронной техники выпускаются по ГОСТ 15471-77, «Полосы и ленты из бескислородной меди для электронной техники».
  • Для других размеров и сплавов, а также для полос, изготовленных прокаткой, используются технические условия (ТУ) или технические требования (ТТ), разрабатываемые в т.ч. по требованиям Заказчиков.
  • Зарубежная продукция выпускается по DIN, EN, ASTM и прочим стандартам. Отличаются более высоким качеством производства, строгими допусками и расширенным выбором состояний. Возможно заводское лужение оловом для повышения стойкости к атмосферным явлениям.
Технологические  характеристики: Высокая электропроводность и теплопроводность, сравнительно хорошая коррозийная стойкость.
Применение: Электротехника. Энергетика. Медные шины и проволока прямоугольного сечения применяются, как соединительные проводники тока в электрических шкафах, оборудовании.

Связанные группы продукции:

Сопутствующие услуги:

Склад: <= 3 мм

На нашем складе в наличии широкий ассортимент медных шин:

  • Сплав: ШМТ, ШММ, ПМТ, ПММ (все М1), Cu-ETP
  • Состояние: Твердое, R300, R250. Мягкое, R200 для ряда позиций 
  • Сечение: прямоугольник от 3 х 16 до 12 х 120 мм 
  • Длина: 3000, 4000 мм

Поставка шин других сплавов, состояний и сечений производится под заказ (см. вкладку «Под заказ»).

Кроме складского ассортимента Вы можете заказать любые медные шины в рамках нормативных документов и по специальным требованиям.

Цены на медную шину, толщиной до 3 мм*

{goods}cu-bus-m1-03{/goods}

* длина шин, в т.ч. кратная, может быть согласована с Потребителем.  

от 4 мм

На нашем складе в наличии широкий ассортимент медных шин:

  • Сплав: ШМТ, ШММ, ПМТ, ПММ (все М1), Cu-ETP
  • Состояние: Твердое, R300, R250. Мягкое, R200 для ряда позиций 
  • Сечение: прямоугольник от 3 х 16 до 12 х 120 мм 
  • Длина: 3000, 4000 мм

Поставка шин других сплавов, состояний и сечений производится под заказ (см. вкладку «Под заказ»).

Кроме складского ассортимента Вы можете заказать любые медные шины в рамках нормативных документов и по специальным требованиям.

Цены на медную шину, толщиной от 4 мм*

{goods}cu-bus-m1-04{/goods}

* длина шин, в т.ч. кратная, может быть согласована с Потребителем.

от 5 мм

На нашем складе в наличии широкий ассортимент медных шин:

  • Сплав: ШМТ, ШММ, ПМТ, ПММ (все М1), Cu-ETP
  • Состояние: Твердое, R300, R250. Мягкое, R200 для ряда позиций 
  • Сечение: прямоугольник от 3 х 16 до 12 х 120 мм 
  • Длина: 3000, 4000 мм

Поставка шин других сплавов, состояний и сечений производится под заказ (см. вкладку «Под заказ»).

Кроме складского ассортимента Вы можете заказать любые медные шины в рамках нормативных документов и по специальным требованиям.

Цены на медную шину, толщиной от 5 мм*

{goods}cu-bus-m1-05{/goods}

* длина шин, в т.ч. кратная, может быть согласована с Потребителем.  

от 6 мм

На нашем складе в наличии широкий ассортимент медных шин:

  • Сплав: ШМТ, ШММ, ПМТ, ПММ (все М1), Cu-ETP
  • Состояние: Твердое, R300, R250. Мягкое, R200 для ряда позиций 
  • Сечение: прямоугольник от 3 х 16 до 12 х 120 мм 
  • Длина: 3000, 4000 мм

Поставка шин других сплавов, состояний и сечений производится под заказ (см. вкладку «Под заказ»).

Кроме складского ассортимента Вы можете заказать любые медные шины в рамках нормативных документов и по специальным требованиям.

Цены на медную шину, толщиной от 6 мм*

{goods}cu-bus-m1-06{/goods}

* длина шин, в т. ч. кратная, может быть согласована с Потребителем.  

от 8 мм

На нашем складе в наличии широкий ассортимент медных шин:

  • Сплав: ШМТ, ШММ, ПМТ, ПММ (все М1), Cu-ETP
  • Состояние: Твердое, R300, R250. Мягкое, R200 для ряда позиций 
  • Сечение: прямоугольник от 3 х 16 до 12 х 120 мм 
  • Длина: 3000, 4000 мм

Поставка шин других сплавов, состояний и сечений производится под заказ (см. вкладку «Под заказ»).

Кроме складского ассортимента Вы можете заказать любые медные шины в рамках нормативных документов и по специальным требованиям.

Цены на медную шину, толщиной от 8 мм*

{goods}cu-bus-m1-08{/goods}

* длина шин, в т.ч. кратная, может быть согласована с Потребителем.  

от 10 мм

На нашем складе в наличии широкий ассортимент медных шин:

  • Сплав: ШМТ, ШММ, ПМТ, ПММ (все М1), Cu-ETP
  • Состояние: Твердое, R300, R250. Мягкое, R200 для ряда позиций 
  • Сечение: прямоугольник от 3 х 16 до 12 х 120 мм 
  • Длина: 3000, 4000 мм

Поставка шин других сплавов, состояний и сечений производится под заказ (см. вкладку «Под заказ»).

Кроме складского ассортимента Вы можете заказать любые медные шины в рамках нормативных документов и по специальным требованиям.

Цены на медную шину, толщиной от 10 мм*

{goods}cu-bus-m1-10{/goods}

* длина шин, в т.ч. кратная, может быть согласована с Потребителем.  

от 12 мм

На нашем складе в наличии широкий ассортимент медных шин:

  • Сплав: ШМТ, ШММ, ПМТ, ПММ (все М1), Cu-ETP
  • Состояние: Твердое, R300, R250. Мягкое, R200 для ряда позиций 
  • Сечение: прямоугольник от 3 х 16 до 12 х 120 мм 
  • Длина: 3000, 4000 мм

Поставка шин других сплавов, состояний и сечений производится под заказ (см. вкладку «Под заказ»).

Кроме складского ассортимента Вы можете заказать любые медные шины в рамках нормативных документов и по специальным требованиям.

Цены на медную шину, толщиной от 12 мм*

{goods}cu-bus-m1-12{/goods}

Вы можете купить медь со склада или с доставкой по России.

* длина шин, в т.ч. кратная, может быть согласована с Потребителем.  

Cпецификации
Под заказ

Кроме складского ассортимента Вы можете заказать любые медные шины в рамках нормативных документов и по специальным требованиям. 

Минимальное количество, цены, срок поставки определяются дополнительно. 

Вид

Дополнительно

ГОСТ, ТУ

Марка сплава

Размер 1, мм

Размер 2, мм

Длина, мм*

Состояние

Шина

 

ГОСТ 434-78

ШМТ, ШММ, ПМТ, ПММ, ШМТВ (М1)

0,5 — 30,0

16 — 120

до 6000, бухта

мяг, тв

Полоса, лента

 

ГОСТ 15471-77

МОб

2,0 — 55,0

40 — 450

до 2000, бухта

тв, г/к

Шина

 

ТУ 1840-021-00195363-2000

М1, М1р, М2, М2р, МЗ, МЗр

2,5 — 15

9 — 150

2000 — 5000, бухта

мяг, тв

Шина

 

ТУ 48-21-164-85

М1, М1р, М2, М2р, МЗ, МЗр

10 — 20

70 — 250

1500 — 4000

прес

Шина

 

ТУ 1844-124-00195430-2005

М1

по ТУ

по ТУ

до 6000

птв

Шина

Повышенная чистота поверхности

ТУ 1844-117-00195430-2007

М1

по ТУ

по ТУ

до 6000

 

Шина

 

ТУ 1844-100-00195430-2002

М1, М2

2 — 20

12,5 — 120

до 6000

Шина

 

ТУ 1844-00195430-107-99

М1, М2

16

220

до 6000

прес

Шина

 

ТУ 1844-086-00195363-2000

М1, М2

16

220

до 6000

прес

Лист, полоса

Аналог шины

ТУ 48-21-81-84

М1, М2

5,0 — 25,0

80 — 300

1000 — 3100

г/к

Лист, полоса

Из сплава меди с серебром

ТУ 48-21-585-78

МСр0,1

60 — 80

270 — 355

до 1300

х/к

Лист, полоса

 

ТУ 48-21-188-80

МС

5 — 8

28 — 43

рулон

тв

* длина шин, в т. ч. кратная, может быть согласована с Потребителем.  

Документы

ГОСТы, связанные с данной товарной группой:

 

ТУ, связанные с данной товарной группой: 

ОСНОВА ВИД ПРОДУКЦИИ НОМЕР ТУ НАИМЕНОВАНИЕ
Медь Ленты, шины ТУ 14-00195452.025-2000 Ленты и шины медные для электротехнических целей
Медь Полосы ТУ 48-21-27-72 Полосы трехгранные, трапецеидальные и прямоугольные медные
Медь Прутки ТУ 48-21-32-2007 Прутки медные специального профиля
Медь Полосы ТУ 48-21-81-84 Полосы медные горячекатаные
Медь Шины ТУ 48-21-164-85 Шины медные прессованные
Медь Полосы ТУ 48-21-188-80 Полосы прямоугольные из сплава меди с серебром
Медь, бронза Полосы ТУ 48-21-193-72 Полосы прямоугольные медно-кадмиевые
Медь Профили ТУ 48-21-247-72 Профили медные прессованные
Медь Полосы ТУ 48-21-389-74 Полосы из сплава меди с серебром
Медь Профили ТУ 48-21-410-84 Профили медные
Медь Профили ТУ 48-21-423-84 Профили медные для шунтов
Медь, бронза Полосы ТУ 48-21-491-75 Полосы коллекторные из меди с кадмием
Медь Профили ТУ 48-21-498-75 Профили прессованные из бескислородной меди
Медь Полосы ТУ 48-21-523-75 Полосы медные профильные
Медь Профили ТУ 48-21-546-84 Профили медные тянутые
Медь Полосы ТУ 48-21-585-78 Полосы холоднокатаные из сплава медь с серебром
Медь Профили ТУ 48-21-621-79 Профили из сплава меди с серебром
Медь Прутки ТУ 48-21-625-79 Прутки круглые из сплава меди с серебром
Медь Профили ТУ 48-21-637-79 Профили из бескислородной меди
Медь Профили ТУ 48-21-737-82 Профили медные для шунтов
Медь Полосы ТУ 48-21-797-85 Полосы из медного внутренне-окисленного сплава МАГТ 0,2
Медь, бронза Профили ТУ 48-21-5038-72 Профиль коллекторный из меди с кадмием
Медь Профили ТУ 184480-106-196-2007 Профили для коллекторов электрических машин

 

EN, связанные с данной товарной группой: 

ОСНОВА

ВИД

ТИП

НОМЕР

ЗАГОЛОВОК (английский)

ЗАГОЛОВОК (русский)

Медь, Латунь, Бронза, МН

Полуфабрикаты, сплавы

EN

1173:2008

Copper and copper alloys — Material condition designation

Медь и медные сплавы — Обозначение состояния материала

Медь, Латунь, Бронза, МН

Полуфабрикаты, сплавы

EN

1412:1995

Copper and copper alloys — European numbering system

Медь и медные сплавы — Европейская система нумерации

Медь, Латунь, Бронза, МН

Полуфабрикаты, сплавы

EN

1655:1997

Copper and copper alloys — Declarations of conformity

Медь и медные сплавы — Декларации соответствия

Медь

Проволока, прутки

EN

1977:2013

Copper and copper alloys — Copper drawing stock (wire rod)

Медь и медные сплавы — Медная тянутая заготовка (прутки в бухтах)

Медь

Полуфабрикаты, сплавы

EN

2626:1995

Copper — Hydrogen embrittlement test (ISO 2626:1973)

Медь — Тест на водородное охрупчивание (водородную болезнь) (ISO 2626:1973)

Медь, Латунь, Бронза, МН

Прутки

EN

12163:2011

Copper and copper alloys — Rod for general purposes

Медь и медные сплавы — Прутки общего назначения

Медь, Латунь, Бронза, МН

Профили, прутки

EN

12167:2011

Copper and copper alloys — Profiles and bars for general purposes

Медь и медные сплавы — Профили и прутки общего назначения

Медь

Проволока, прутки

EN

13601:2013

Copper and copper alloys — Copper rod, bar and wire for general electrical purposes

Медь и медные сплавы — Медные прутки и проволока для общих электротехнических целей

Медь

Полуфабрикаты

EN

13604:2002

Copper and copper alloys — Products of high conductivity copper for electronic tubes, semiconductor devices and vacuum applications

Медь и медные сплавы — Полуфабрикаты из меди высокой проводимости для электронных ламп, полупроводниковых приборов и применения в вакууме

Медь

Проволока, профили

EN

13605:2002

Copper and copper alloys — Copper profiles and profiled wire for electrical purposes

Медь и медные сплавы — Медные профили и профильная проволока для электротехнических целей

Медь

Проволока, профили

EN

13605:2002 /AC:2004

Copper and copper alloys — Copper profiles and profiled wire for electrical purposes

Медь и медные сплавы — Медные профили и профильная проволока для электротехнических целей

Медь, Латунь, Бронза, МН

Полуфабрикаты, сплавы

EN

16117-1:2011

Copper and copper alloys — Determination of copper content — Part 1: Electrolytic determination of copper in materials with copper content less than 99,85 %

Медь и медные сплавы — Определение содержания меди — Часть 1: Электролитическое определение меди в материалах с содержанием меди менее, чем 99,85 %

Медь

Полуфабрикаты, сплавы

EN

16117-2:2012

Copper and copper alloys — Determination of copper content — Part 2: Electrolytic determination of copper in materials with copper content higher than 99,80 %

Медь и медные сплавы — Определение содержания меди — Часть 2: Электролитическое определение меди в материалах с содержанием меди выше, чем 99,80 %

 

ASTM, связанные с данной товарной группой:  

ОСНОВА

ВИД

ТИП

НОМЕР

ЗАГОЛОВОК (английский)

ЗАГОЛОВОК (русский)

Медь

Полуфабрикаты

ASTM

B5 — 11

Standard Specification for High Conductivity Tough-Pitch Copper Refinery Shapes

Виды полуфабрикатов из технически чистой меди высокой проводимости

Общее

Полуфабрикаты

ASTM

B63 — 07

Standard Test Method for Resistivity of Metallically Conducting Resistance and Contact Materials

Испытания на удельное сопротивление металлических и контактных материалов

Общее

Полуфабрикаты

ASTM

B70 — 90(2007)

Standard Test Method for Change of Resistance With Temperature of Metallic Materials for Electrical Heating

Испытания для измерения зависимости сопротивления от температуры металлических материалов для электрических нагревателей

Медь, Латунь, Бронза, МН

Профили, прутки

ASTM

B124 / B124M — 12

Standard Specification for Copper and Copper Alloy Forging Rod, Bar, and Shapes

Кованые прутки и профили из меди и медных сплавов

Медь

Ленты, листы, плиты

ASTM

B152 / B152M — 13

Standard Specification for Copper Sheet, Strip, Plate, and Rolled Bar

Медные листы, ленты, плиты и катанные полосы

Медь

Полуфабрикаты

ASTM

B170 — 99(2010)e1

Standard Specification for Oxygen-Free Electrolytic Copper—Refinery Shapes

Бескислородная электротехническая медь. Полуфабрикаты.

Медь

Профили, прутки, шины

ASTM

B187 / B187M — 11

Standard Specification for Copper, Bus Bar, Rod, and Shapes and General Purpose Rod, Bar, and Shapes

Медные прутки, шины и профили общего назначения

Медь

Полуфабрикаты

ASTM

B216 — 10

Standard Specification for Tough-Pitch Fire-Refined Copper—Refinery Shapes

Технически чистая огненно-рафинированная медь. Полуфабрикаты

Медь

Полуфабрикаты, сплавы

ASTM

B224 — 10

Standard Classification of Coppers

Медь. Классификация.

Медь, Латунь, Бронза, МН

Ленты, листы, плиты, прутки

ASTM

B248 — 12

Standard Specification for General Requirements for Wrought Copper and Copper-Alloy Plate, Sheet, Strip, and Rolled Bar

Общие требования для плит, листов, лент и катаных прутков из меди и деформируемых медных сплавов

Медь, Латунь, Бронза, МН

Ленты, листы, плиты, прутки

ASTM

B248M — 12

Standard Specification for General Requirements for Wrought Copper and Copper-Alloy Plate, Sheet, Strip, and Rolled Bar (Metric)

Общие требования для плит, листов, лент и катаных прутков из меди и деформируемых медных сплавов (метрические)

Медь, Латунь, Бронза, МН

Поковки, профили, прутки

ASTM

B249 / B249M — 12

Standard Specification for General Requirements for Wrought Copper and Copper-Alloy Rod, Bar, Shapes and Forgings

Общие требования для прутков, профилей и поковок из деформируемой меди и медных сплавов

Общее

Полуфабрикаты, сплавы

ASTM

B275 — 05

Standard Practice for Codification of Certain Nonferrous Metals and Alloys, Cast and Wrought

Принципы кодировки некоторых цветных металлов и сплавов, литейных и деформируемых

Общее

Полуфабрикаты

ASTM

B277 — 95(2012)

Standard Test Method for Hardness of Electrical Contact Materials

Методы испытания на твердость материалов электрических контактов

Общее

Полуфабрикаты

ASTM

B497 — 00(2012)

Standard Guide for Measuring Voltage Drop on Closed Arcing Contacts

Руководство для измерения падения напряжения на закрытых дуговых контактах

Общее

Полуфабрикаты

ASTM

B539 — 02(2008)

Standard Test Methods for Measuring Resistance of Electrical Connections (Static Contacts)

Методы испытаний для измерения сопротивления электрических соединений (статические контакты)

Общее

Полуфабрикаты

ASTM

B576 — 94(2010)

Standard Guide for Arc Erosion Testing of Electrical Contact Materials

Руководство к тесту по дуговой эрозии материалов электрических контактов

Медь

Полуфабрикаты, сплавы

ASTM

B577 — 10

Standard Test Methods for Detection of Cuprous Oxide (Hydrogen Embrittlement Susceptibility) in Copper

Метод определения массовой доли оксида меди (степень охрупчивания) в меди

Медь, Латунь, Бронза, МН

Полуфабрикаты, сплавы

ASTM

B601 — 12

Standard Classification for Temper Designations for Copper and Copper Alloys-Wrought and Cast

Условные обозначения состояний меди и медных сплавов в деформированном и литом состоянии

Общее

Литьё, сплавы

ASTM

B613 — 76(2012)

Standard Guide for Preparing Specifications for Miniature Brushes of Composite Materials for Sliding Electric Contacts

Руководство по подготовке спецификаций на миниатюрные щетки из композиционных материалов для скользящих электрических контактов

Общее

Полуфабрикаты

ASTM

B615 — 79(2011)

Standard Practice for Measuring Electrical Contact Noise in Sliding Electrical Contacts

Практика для измерения шумов электрических контактов в скользящих электрических контактах

Общее

Полуфабрикаты

ASTM

B667 — 97(2009)

Standard Practice for Construction and Use of a Probe for Measuring Electrical Contact Resistance

Практика для строительства и эксплуатации зонда для измерения электрического сопротивления контактов

Общее

Полуфабрикаты

ASTM

B772 — 97(2012)

Standard Guide for Specifying the Chemical Compositions for Electrical Contact Materials (Arcing and Nonarcing)

Руководство по определению химических составов материалов для электрических контактов (с электрической дугой и без)

Общее

Полуфабрикаты

ASTM

B773 — 96(2008)

Standard Guide for Ultrasonic C-Scan Bond Evaluation of Brazed or Welded Electrical Contact Assemblies

Руководство по ультразвуковому сканированию паяных или сварных электрических собранных контактов

Общее

Полуфабрикаты

ASTM

B794 — 97(2009)

Standard Test Method for Durability Wear Testing of Separable Electrical Connector Systems Using Electrical Resistance Measurements

Метод испытания на прочность отдельных электрических разъемов систем с использованием измерений электрического сопротивления

Общее

Полуфабрикаты

ASTM

B826 — 09

Standard Test Method for Monitoring Atmospheric Corrosion Tests by Electrical Resistance Probes

Метод испытаний для мониторинга атмосферной коррозии посредством электрического сопротивления датчиков

Общее

Полуфабрикаты

ASTM

B845 — 97(2008)e2

Standard Guide for Mixed Flowing Gas (MFG) Tests for Electrical Contacts

Руководство по тесту воздействия смешанного потока газа на электрические контакты

Медь, Латунь, Бронза, МН

Полуфабрикаты, сплавы

ASTM

B846 — 11a

Standard Terminology for Copper and Copper Alloys

Термины и определения для меди и медных сплавов

Общее

Полуфабрикаты

ASTM

B854 — 98(2010)e1

Standard Guide for Measuring Electrical Contact Intermittences

Руководство для измерения электрических контактов

Общее

Полуфабрикаты

ASTM

B868 — 96(2008)

Standard Practice for Contact Performance Classification of Electrical Connection Systems

Классификация эффективности контактов для электрических систем связи

Общее

Полуфабрикаты

ASTM

B878 — 97(2009)

Standard Test Method for Nanosecond Event Detection for Electrical Contacts and Connectors

Наносекундный метод испытаний для электрических контактов и разъемов

Общее

Полуфабрикаты

ASTM

B896 — 10e1

Standard Test Methods for Evaluating Connectability Characteristics of Electrical Conductor Materials

Методы испытаний для оценки возможности соединений электрических проводников

Общее

Полуфабрикаты, сплавы

ASTM

B899 — 09e1

Standard Terminology Relating to Non-ferrous Metals and Alloys

Цветные металлы и сплавы. Термины и определения

Медь

Полуфабрикаты

ASTM

F68 — 10

Standard Specification for Oxygen-Free Copper in Wrought Forms for Electron Devices

Виды деформируемых полуфабрикатов из бескислородной меди для электронных приборов

Есть ли у вас средства для дезинфекции посуды в посудомоечных машинах (ПММ)?

15.06.2020

В последнее время появились запросы на поставку дезинфицирующих средств (ДС) для ПММ.  Связано это с Письмом Роспотребнадзора  от 30 мая 2020 года «Рекомендации по организации работы предприятий общественного питания в условиях сохранения рисков распространения COVID-19». Чтобы сэкономить Вам время отвечаем сразу – доступное решение есть, «волшебного” средства нет. Теперь подробно почему.

  1. Обратите внимание, что это РЕКОМЕНДАЦИИ, а не требования.
  2. Если ПММ у Вас работает нормально – температура обработки посуды при ополаскивании составляет примерно 85°С, что само по себе обладаем дезинфицирующим эффектом. Но не даёт 100% гарантии удаления всей вредной микрофлоры.
  3. Каждое ДС имеет рекомендованное время экспозиции в среднем 15 минут (в зависимости от концентрации рабочего раствора). В то же время, цикл полной мойки в профессиональной ПММ составляет в зависимости от режима 3 минуты. Вывод –дезинфицировать посуду в ПММ невозможно.
  4. Существуют специализированные ПММ, которые могут применяться для дезинфекции посуды. Но стоят они дорого, цикл обработки достаточно продолжителен и использование их в предприятиях общепита в целом нецелесообразно.

Что же тогда делать? Всё просто – работайте в соответствии с существующими правилами и нормами учитывающие сложившуюся эпидемиологическую обстановку. Компания Долфин рекомендует следующее решение:

  1. Предварительное замачивание посуды в растворе средства Prime. Задача – убрать остатки пищи.
  2. Мойка посуды в ПММ средствами Regular и Dry если у вас вода мягкая или средней жёсткости, или Hard и Acid Dry, если у Вас вода жёсткая.
  3. Замачивание посуды в 5% дезинфицирующем растворе K 001 Петролайт на время пандемии COVID-19 или 0,4% в обычное время.
  4. Помните, для ополаскивания обработанной посуды необходимо использовать «чистые» продезинфицированные кассеты или решётки. Так же при работе с продезинфицированной посудой необходимо менять перчатки или обработать руки антисептиком К 002 Septo-Max.
  5. При желании Вы можете добиться дополнительного дезинфицирующего эффекта используя для ополаскивания посуды в ПММ средство Promnova Acid LF M2. В качестве действующего вещества здесь используется смесь перекиси водорода и надуксусной кислоты, они не оставляют на поверхности разводов и опасных веществ (сами разлагаются на безопасные компоненты или испаряются с неё), эффективны уже в концентрации сотых долей процента, хорошо зарекомендовали себя на пищевых производствах. Однако надо помнить что средства, содержащие эти действующие вещества, требуют строгого выполнения мер безопасности: обязательно использовать СИЗ, так как оставляют сильные ожоги если неправильно обращаться с концентратом; имеют запах, поэтому надо следить что бы канистры были закрыты, хранились в помещении с хорошей вентиляцией и желательно при температуре до 200С.

Наши инженеры готовы провести аудит Вашей ПММ и если это возможно — перенастроить ее на новый режим.

Обращайтесь за консультациями в компанию Долфин по бесплатному телефону 8 800 5508038

Скрытая марковская модель — обзор

3.2.2 Скрытые марковские модели

HMM — это популярный метод анализа траекторий сигнала во 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 других источниках (Bishop, 2006). ; Colquhoun & Hawkes, 1995). Вкратце, в HMM предполагается, что усредненный по времени сигнал, зарегистрированный в течение каждого периода измерения, τ , на траектории сигнала, представляет некоторое «скрытое» состояние (т.е., траектория состояния). Затем предполагается, что лежащая в основе скрытая траектория состояния, которая не наблюдается напрямую, 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, рассчитывается с учетом скрытого состояния предыдущего периода времени, чтобы явно учесть вероятность перехода.Примечательно, что в HMM обычно предполагается, что значения сигнала, которые наблюдаются, когда одна молекула находится в определенном скрытом состоянии, распределяются в соответствии с нормальным распределением PDF (т. Е. Наблюдаемые сигналы будут моделью смеси Гаусса). Используя этот подход, можно «оценить» HMM, который описывает сигнал в терминах дискретного числа состояний и предоставляет в качестве параметров вероятности излучения сигнала для каждого состояния, а также вероятности перехода в виде матрицы вероятности перехода . P , из каждого штата.

При оптимальной оценке HMM, описывающей траекторию сигнала, можно использовать два разных метода для расчета стохастических констант скорости. В первом методе идеализированная траектория состояния может быть получена из HMM, а затем количественно определена, как описано, для использования с подходами распределения времени пребывания 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 траекторию идеализированного состояния, является наиболее вероятной последовательностью скрытых состояний, которые не только давали бы наблюдаемые значения сигнала при оптимальных вероятностях излучения сигнала, но и, скорее всего, возникали бы из оптимальных вероятностей перехода. Таким образом, важно отметить, что при использовании HMM для идеализации траектории сигнала результирующая идеализированная траектория состояния, а также вероятности испускания и перехода должны быть как можно более марковскими.Следовательно, если в исследуемой биомолекулярной системе присутствует какое-либо немарковское поведение, оно будет замаскировано и будет выглядеть как марковское. Чтобы избежать этого недостатка HMM, идеализированная траектория состояния может быть сгенерирована с использованием другого подхода, такого как определение порога.

Второй метод расчета стохастических констант скорости на основе оптимальной оценки НММ предполагает непосредственное использование вероятностей перехода, полученных на основе НММ. Хотя на первый взгляд кажется, что этот метод обходит использование идеализированных траекторий состояний, процесс оценки оптимального МММ, описывающего данные, по своей сути включает оценку скрытых состояний, сгенерировавших траекторию сигнала, и, следовательно, включает использование идеализированных траекторий состояний. траектории.Из HMM отдельные стохастические константы скорости могут быть рассчитаны с использованием уравнения. (8) и матрица вероятности перехода, аналогичная матрице, рассчитанной по идеализированной траектории состояния. Этот подход эквивалентен анализу разложения вероятности перехода. Как и при вычислении стохастических констант скорости по пути Витерби, следует отметить, что этот второй метод НММ также обеспечивает марковское поведение.

Наконец, отметим, что только в литературе по smFRET имеется несколько программных пакетов для анализа траекторий E FRET на основе HMM.Из этих пакетов существует 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) ). Использование байесовских HMM имеет много преимуществ по сравнению с HMM максимального правдоподобия. Во-первых, в отличие от байесовских СММ, СММ максимального правдоподобия представляют собой фундаментально некорректные математические задачи — по сути, отдельные состояния могут «схлопываться» в отдельные точки данных, что приводит к сингулярности с бесконечной вероятностью, которой нет при разумной оценке СММ.Во-вторых, как мы обсудим в следующем разделе, байесовские подходы естественным образом включают в себя точность, с которой определенный объем данных может определять параметры СММ, путем изучения распределения вероятностей переходов вместо поиска одного набора вероятностей переходов. Помимо обеспечения точности, это позволяет комбинировать результаты нескольких отдельных молекул и одновременно получать консенсус, стохастические константы скорости из ансамбля отдельных молекул.В-третьих, в то время как подходы максимального правдоподобия могут привести к значительному переоснащению HMM и, следовательно, переоценке количества скрытых состояний, присутствующих в 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 получается просто путем добавления дополнительных скрытых состояний; в крайнем случае для каждой точки данных будет одно скрытое состояние.Хотя HMM в этом крайнем случае идеально соответствовала бы данным, она не имела бы большого смысла и не была бы полезной моделью для предсказания будущего поведения системы. Хотя было предложено использовать эвристические подходы, такие как информационные критерии Байеса и Акаике (BIC и AIC соответственно), чтобы помочь выбрать правильное количество состояний в HMM максимального правдоподобия, они являются приближениями к истинным байесовским подходам, которые действительны только при определенные условия и то, что на практике мы обнаружили, не очень хорошо подходят для анализа данных smFRET на основе HMM.Кроме того, 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 по отношению к периоду измерения, τ (Бронсон и др. , 2009). Наконец, между подходом максимального правдоподобия и байесовским подходом к HMM фактически нет дополнительных вычислительных затрат, поскольку оба реализуют одни и те же алгоритмы для расчета вероятностей, связанных с HMM (например,г., алгоритм прямого-обратного), 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 одной молекулой.

ХММ

Chemocare.com
Уход во время химиотерапии и после нее


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

Тип препарата: 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 лекарство одобрено для однократного применения, врачи могут выбрать использовать этот же препарат для решения других проблем, если они считают, что он может быть полезен.

Как дается ХММ:

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

Побочные эффекты:

Важные вещи, которые следует 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 исчезнут после завершения лечения.
  • Существует множество вариантов минимизации или предотвращения побочных эффектов.
  • Нет никакой связи между наличием или тяжестью побочных эффектов и эффективность лекарства.

Следующие побочные эффекты являются общими (возникают более чем в 30%) 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 инфекции, анемии и/или кровотечения.

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

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

Не все побочные эффекты перечислены выше. Некоторые из них встречаются редко (происходят менее 10% пациентов) здесь не указаны. Тем не менее, вы всегда должны информировать поставщика медицинских услуг, если вы испытываете какие-либо необычные симптомы.

Когда обращаться к врачу или поставщику медицинских услуг:

Немедленно свяжитесь со своим поставщиком медицинских услуг , днем ​​или ночью, если вы должен возникнуть любой из следующих симптомов:

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

Следующие симптомы требуют медицинской помощи, но не являются неотложными. Свяжитесь со своим поставщиком медицинских услуг в течение 24 часов после того, как заметите любой из следующие:

  • Тошнота (мешает приему пищи и не проходит при приеме назначенных лекарств)
  • Рвота (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 в сутки)
  • Крайняя усталость (неспособность заниматься самообслуживанием)
  • Чрезмерная сонливость или спутанность сознания

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

Меры предосторожности:

  • Перед началом лечения HMM обязательно сообщите своему врачу о любых других лекарствах. вы принимаете (в том числе рецептурные, безрецептурные, витамины, растительные лекарственные средства, и т. д.). Не принимайте аспирин, продукты, содержащие аспирин, если только ваш врач специально не примет их. позволяет это.
  • Не делайте никаких прививок или прививок без разрешения врача при приеме альтретамина.
  • Сообщите своему лечащему врачу, если вы беременны или можете забеременеть до к началу этого лечения. Беременность категории D (альтретамин может быть опасен к плоду. Женщины, которые беременны или забеременеют, должны быть проинформированы о потенциальная опасность для плода.)
  • Для мужчин и женщин: не зачинайте ребенка (забеременеть) при приеме альтретамина. Рекомендуются барьерные методы контрацепции, такие как презервативы.Обсудить с вашим врачом, когда вы можете безопасно забеременеть или зачать ребенка после терапии.
  • Не кормите грудью во время приема этого лекарства

Советы по уходу за собой:

  • Принимайте лекарства после еды – это уменьшает расстройство желудка.
  • Вы можете быть подвержены риску заражения, поэтому старайтесь избегать скопления людей или людей с простудными заболеваниями и немедленно сообщите о лихорадке или любых других признаках инфекции своему лечащему врачу.
  • Часто мойте руки.
  • Для лечения/предотвращения язв во рту используйте мягкую зубную щетку и полощите ее три раза в день. 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 действий, которые могут привести к травме.
  • Чтобы уменьшить тошноту, принимайте противорвотные препараты, назначенные врачом, и есть часто и небольшими порциями.
  • 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 отреагируете 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.
  • Следите за правильным питанием.
  • Если вы испытываете симптомы или побочные эффекты, обязательно обсудите их со своим здоровьем. команда по уходу. Они могут назначить несколько лекарств, которые помогут вам переносить эти побочные эффекты, значительно уменьшают их воздействие и улучшают ваше самочувствие.

Мониторинг и тестирование:

Пока вы принимаете альтретамин, вы будете регулярно проверяться врачом. следить за побочными эффектами и проверять свою реакцию на терапию.Периодическая работа с кровью для контроля общего анализа крови (CBC), а также функции других органов (таких как ваши почки и печень) также будет заказан вашим врачом.

Как работает ХММ:

Химиотерапия (противоопухолевые препараты)
Раковые опухоли характеризуются делением клеток, которое больше не контролируется как в нормальной ткани. «Нормальные» клетки перестают делиться, когда приходят в контакте с подобными клетками, механизм, известный как контактное ингибирование.раковый клетки теряют эту способность. Раковые клетки больше не имеют нормальных проверок и балансы, которые контролируют и ограничивают деление клеток. Процесс клетки деление нормальных или раковых клеток происходит через клеточный цикл. То клеточный цикл проходит от фазы покоя через фазы активного роста, а затем к митозу (делению).

Способность химиотерапии убивать раковые клетки зависит от ее способности останавливать деление клеток.Обычно лекарства работают, повреждая РНК или ДНК, которые сообщают ячейка, как копировать себя в делении. Если клетки не могут делиться, они умирают. Чем быстрее делятся клетки, тем больше вероятность того, что химиотерапия убивает клетки, заставляя опухоль уменьшаться. Они также вызывают самоубийство клеток. (самогибель или апоптоз).

Химиотерапевтические препараты, воздействующие на клетки только во время их деления, называются препаратами клеточного цикла. конкретный.Химиотерапевтические препараты, воздействующие на клетки в состоянии покоя, называются клеточный цикл неспецифичен. График химиотерапии устанавливается в зависимости от тип клеток, скорость их деления и время действия данного препарата. вероятно, будет эффективным. Вот почему химиотерапию обычно проводят циклами.

Химиотерапия наиболее эффективна для уничтожения быстро делящихся клеток. К сожалению, химиотерапия не знает разницы между раковыми клетками. и нормальные клетки.«Нормальные» клетки вырастут снова и будут здоровыми, но в тем временем возникают побочные эффекты. «Нормальные» клетки чаще всего поражаются химиотерапией являются клетки крови, клетки во рту, желудке и кишечнике, и волосяные фолликулы; что приводит к низким показателям крови, язвам во рту, тошноте, диарее, и/или выпадение волос. Различные препараты могут воздействовать на разные части тела.

Альтретамин классифицируется как алкилирующий агент.Алкилирующие агенты наиболее активна в фазе покоя клетки. Эти препараты неспецифичны для клеточного цикла. Существует 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.
  • Нитромочевины: Кармустин, ломустин и стрептозоцин. Нитромочевины уникальны, потому что, в отличие от большинства химиотерапевтических препаратов, они могут проникать через кровь и 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 предназначено быть полезным и образовательным, но не заменяет для медицинской консультации.

Chemocare.com предназначен для предоставления самой последней информации о химиотерапии пациентам и их семьям, опекунам и друзьям.Для получения информации о 4-й программе наставничества ангелов посетите сайт www.4thangel.org

.

Ковбои вырезают Джейлона Смита, которому осталось всего два года до того, чтобы стать профессиональным игроком в боул LB

Время от времени в НФЛ происходят неожиданные сокращения, и это привлекает мое внимание.

А еще есть один, который заставляет меня идти хммм :

Сезонный сюрприз: согласно источнику, Cowboys выпустили LB Джейлона Смита.

— Адам Шефтер (@AdamSchefter) 6 октября 2021 г.

Адам Шефтер из ESPN сообщает, что «Ковбои» освобождают полузащитника Джейлона Смита.Шефтер описывает это как сезонную неожиданность, и, честно говоря, я и сам не мог бы выразиться лучше.

26-летнему Смиту осталось два года до того, как стать профессиональным боулером. А год назад коллеги Смита из НФЛ назвали его одним из 100 лучших игроков (88-е место в общем зачете). Начало кампании 2021 года не было благоприятным для Смита. За четыре игры средний полузащитник имеет 0 сэков, 0 отборов на поражение и 0 ударов квотербека. Смит сыграл всего 56% снэпов в обороне «Далласа», что является резким падением, если учесть, что он участвовал в более чем 90% снэпов команды в каждом из трех предыдущих сезонов. Ковбои все еще должны Смиту более 7 миллионов долларов зарплаты, поэтому им не должно нравиться то, что они видят на данный момент. Но любая команда, подписавшая Смита, может получить выгоду от подписания игрока со скидкой, в то время как Даллас выплачивает солидный кусок. Следовательно, наблюдать за тем, как Смит попал в проволоку, интересно.

Как бы то ни было, Смит занимает 11-е место среди полузащитников Pro Football Focus после четырех недель. Оценка Смита 69,5 лучше, чем у Бобби Вагнера (69,1), Фреда Уорнера (57,5) и Рокуана Смита (46,9).PFF также высоко оценивает усилия Смита по освещению. Уровень охвата Смита 82,2 — третий среди полузащитников. Учитывая этот набор данных, теперь я еще больше запутался, почему Даллас отказывается от Смита.

Поскольку Смит — известная личность, он учился в известном университете (Нотр-Дам) и постоянно оставлял команду под пристальным вниманием (Ковбои), найдутся те, кто захочет, чтобы Медведи надрали ему шины. Итак, давайте обсудим это на мгновение.

Какая-то часть меня не уверена, насколько подходит эта команда.С Алеком Оглетри, исполняющим роль замены, и Дэнни Треватаном, возвращающимся из IR, я не уверен, где Чикаго может втиснуть Смита в эту защиту. Но с другой стороны, этот уровень покрытия 82,2 выделяется. Объединение Рокуана Смита с более молодым игроком, обладающим интригующей родословной, может стоить того, чтобы бросить кости. И если «Медведи» смогут улучшиться в этой области с добавлением в середине сезона, это будет не самое худшее, что может случиться.

SVM-HMM: Маркировка последовательности с помощью SVM

SVM-HMM: Маркировка последовательности с помощью SVM

Тегирование последовательностей с помощью машин структурных опорных векторов

и его применение для тегирования частей речи

Версия V2.13
1 июля 2007 г.

Эван Хербст, Торстен Йоахимс
Корнельский университет
[evh5 Корнелл Эду] [tj cs Корнелл Эду]

Введение

SVM hmm — это реализация структурных SVM для последовательности тегирование [Altun et. al, 2003] с использованием алгоритма обучения, описанного в [Tsochantaridis и другие. 2004, Цочантаридис и др. 2005] и новый алгоритм SVM struct V3.00. В отличие от предыдущих версий SVM хмм , эта версия легко справляется с проблемами тегирования с помощью миллионы слов и миллионы функций.SVM хммм реализован как специализация SVM структура упаковка. SVM hmm выборочно обучает модели, которые изоморфный скрытая марковская модель первого порядка, использующая формулировку машины структурных опорных векторов (SVM). В в частности, учитывая наблюдаемую входную последовательность x = (x 1 … x l ) векторов признаков x 1 …x l , модель предсказывает последовательность тегов y =(y 1 …y l ) согласно следующая линейная дискриминантная функция

y = argmax y i = 1. .l (x i • w y i ) + φ транс (y i-1 ,y i ) • w транс }.

SVM hmm изучает один весовой вектор w y для каждого тега y и одного вектора весов w trans для весов перехода между соседними тегами. φ транс (y i-1 , y i ) является вектором-индикатором, который имеет ровно одну запись, установленную в 1, соответствующую пара y i-1 ,y i .Обратите внимание, что в отличие от обычного HMM, наблюдения x 1 …x l могут быть естественным образом выражены в виде векторов признаков, а не только в виде атомарных токенов. В течение обучение, SVM hmm решает следующую задачу оптимизации с учетом обучения примеры ( x 1 ,y 1 ) … ( x n ,y n ) последовательностей векторов признаков с их правильными последовательностями тегов. Как потеря функция Δ(y i ,y), используется количество ошибочно классифицированных тегов в предложении.

        мин. w*w + C/n Σ i = 1..n ξ i
         с.т. для всех у: [Σ i = 1..l (x 1 i • w y 1 i ) + φ транс (y 1 i-1 ,y 1 i ) • w транс ] >= [Σ i = 1..l (x 1 i • ш и ) + φ транс (y i-1 ,y i ) • w транс ] + Δ(у 1 ,у) — ξ 1

                  
для всех у: [Σ i = 1..l (x n i • w y n i ) + φ транс (y n i-1 ,y n i ) • w транс ] >= [Σ i = 1..l (x n i • ш и ) + φ транс (y i-1 ,y i ) • w транс ] + Δ(y n ,y) — ξ n

C — это параметр, который балансирует между размером маржи и ошибкой обучения. Пока это проблема имеет экспоненциально много ограничений, мы используем алгоритмы секущих плоскостей, реализованные в SVM struct , чтобы решить эту проблему. задача с точностью до ε за полиномиальное время [Tsochantaridis и другие. 2004, Цочантаридис и др. 2005]. В частности, мы используем постановка учебных задач введена в SVM struct V3.00, что делает эту версию SVM hmm значительно быстрее, чем предыдущие версии.

Более подробная информация о SVM struct доступна здесь.

Исходный код и двоичные файлы

Исходный код SVM hmm доступен по адресу: место расположения:

http://download.joachims.org/svm_hmm/v2.13/svm_hmm.tar.gz

Если вам нужны только двоичные файлы, вы можете загрузить их для следующих систем:

Распакуйте соответствующий архив, который вы скачали с помощью

.

смола -xzf svm_hmm.tar.gz

после подстановки соответствующего имени файла. Если вы хотите скомпилировать SVM хмм вам также необходимо установить «boost», полустандартную библиотеку C++. Вам не нужно устанавливать boost для запуска программного обеспечения, только для скомпилировать и построить его. В настоящее время он включен в большинство дистрибутивов Linux; вы также можете получить его от boost.org. После загрузки boost отредактируйте makefile.template, чтобы указать каталог повышения верхнего уровня. Теперь выполните

сделать

в каталоге верхнего уровня. Это компилирует систему и создает два исполняемых файла: svm_hmm_learn (учебный модуль) и svm_hmm_classify (модуль классификации).

SVM хмм не компилируется под MS Visual C, как написано. SVM hmm использует расширение SGI hash_map для STL, а также некоторые другие менее важные расширения. Если у вас нет совместимого с SGI STL (скорее всего, у вас есть, если вы используете любой Linux), вы можете получить его с http://www.sgi.com/tech/stl/download. html, хотя их может не компилироваться для вас без подгонки. Если вы хотите скомпилировать SVM hmm под MS Visual C, вам также потребуется создать проект.Гораздо проще для компиляции в Windows использовать MinGW или Cywin.

Как использовать

SVM hmm построен поверх SVM struct , общей реализации SVM для прогнозирования сложных структур, содержащих взаимодействия между элементами. На сайте есть примеры его использования для других приложений, а также для маркировки последовательностей. Используйте SVM hmm точно так же, как SVM struct , без дополнительных параметров.Чтобы изучить модель а затем классифицировать тестовый набор, запустить

svm_hmm_learn_hideo -c -e training_input.dat файл_модели.dat
svm_hmm_classify test_input.dat файл модели.dat classify.tags

где
  • — параметр, используемый для взвешивания резервного члена в формулировке SVM по отношению к члену весового вектора. ПРИМЕЧАНИЕ. В отличие от версии 1.01, значение C делится на количество обучающие примеры. Таким образом, чтобы получить результаты, эквивалентные V1.01, умножьте C по количеству обучающих примеров.
  • — точность, с которой требуются ограничения удовлетвориться решением. Меньший ЭПСИЛОН, чем дольше и больше занимает тренировка памяти, тем точнее решение. Однако решения с большей точностью, чем 0,5, обычно не улучшают прогноз. точность. training_input.dat и test_input.dat — это файлы, содержащие обучающие и тестовые примеры. Они имеют формат, указанный ниже для входных файлов.
  • modelfile.dat содержит информацию о модели SVM hmm , полученную из входных данных.Модель SVM struct записывается в файл modelfile_svmModel.dat. SVM-модель файл имеет расширение .dat независимо от расширения файла модели.
  • classify.tags получит списки тегов, предсказанных для тестовых примеров, т.е. для каждого тестовый пример, classify.tags будет содержать что-то вроде {TAG1 TAG2 TAG3}}. Нет или больше пробелов между соседними комплекты кронштейнов.
SVM структура .

Формат входного файла

Входные файлы обучающего и тестового примера имеют обычный формат входного файла SVM light .Каждая строка в файле примера содержит один тег, вектор признаков связанного токена и необязательный комментарий.

TAG qid:EXNUM.INDEX FEATNUM:FEATVAL FEATNUM:FEATVAL … #комментарий здесь

Идентификатор запроса содержит номер примера и индекс токена в примере. Например, в случае маркировки POS, qid равен SENTENCE_NUM.WORD_NUM, а пример файла похож на

PRON четыре раза в день:1.1 1:1 2:1 3:1 #см.
СУЩЕСТВИТЕЛЬНОЕ qid:1.2 4:1 5:1 #джейн
ГЛАГОЛ qid:1.3 2:-1 6:1 7:2.5 #play
ГЛАГОЛ qid:1.4 3:-1 8:1 #мяч
СУЩЕСТВИТЕЛЬНОЕ qid:1.5 9:1 10:1 #.
PRON четыре раза в день: 2,1 3:1 11:1 12:1 #она
ГЛАГОЛ qid:2.2 1:-1 13:1 14:2 #is
JJ четыре раза в день: 2,3 15:1 16:0,1 17:-1 #хорошо
ПЕРИОД qid:2. 4 9:0.5 18:1 #.

Здесь мы использовали слова в предложении в качестве комментариев к каждой строке, так что вся имеющаяся у нас информация о входных данных содержится в одном файле. Обратите внимание, что номера функций являются целыми, начиная с 1, как и обе части идентификатора запроса. Значения функций являются реальными числа. QID могут появляться в любом порядке, но будьте осторожны, чтобы не пропустить ни одного номера; например, если qid 3.Появляется 4, пример номера 1 и 2 должны присутствовать, а также qids с 3.1 по 3.3. Функции для каждого токена (например, «см.») должны отображаться в порядке возрастания. номера их функции FEATNUM; вам следует пропустить функции, значения которых равны нулю, хотя их оставление не принесет вреда, кроме увеличения времени выполнения.

TAG может быть любым токеном без пробела, кроме специального тега «~NONE~» (без кавычек), который зарезервирован для использования с марковские модели более высокого порядка (запланированное расширение в будущем).

Пример проблемы

Вы найдете пример набора данных POS-тегов по адресу

.

http://скачать.joachims.org/svm_hmm/examples/example6.tar.gz

Загрузите этот файл в каталог svm_hmm и распакуйте его с помощью

gunzip -c example6.tar.gz | смола xvf-

Будет создан подкаталог example6. Попробуйте следующее:

./svm_hmm_learn -c 5 -e 0.5 пример6/декларация_независимости.шина декларация.модель
 
./svm_hmm_classify example6/gettysburg_address.shin Declaration.model test.outtags
 

Доля ошибочно классифицированных тегов (т.е. «средняя потеря на слово», записанная в стандартный вывод процедурой классификации) должна быть около 0,28. Точность тегирования равна 1 – это число или 72%. Программа также печатает среднее количество ошибочно классифицированных тегов в предложении. (т. е. «Средняя потеря на тестовом наборе») и процент предложений, которые были в как минимум один ошибочно классифицированный тег (например, «Ноль/одна ошибка в тестовом наборе»). Давайте узнаем, сколько тестовых слов не попало в обучающую выборку:

кот Declaration_of_independence.shin | awk ‘{печать $NF}’ | сортировать | уник > декл.слова
 
cat gettysburg_address.shin | awk ‘{печать $NF}’ | сортировать | уникальный > gett.words
 
comm -1 -3 decl.words gett.words | туалет -л
77

wc -l gettysburg_address.shin
289

По крайней мере 77 из 289 тестовых жетонов не были замечены в обучающем наборе — около 27%. Процент обычно должен быть намного ниже; это очень маленький тренировочный набор. Точность 72% — это очень хорошо для крошечного примера с таким количеством неизвестных токенов.

Отказ от ответственности: этот пример не был помечен с профессиональной точностью; не используй это для любых реальных экспериментов.Мои теги в Геттисберге основаны на документе http://faculty.washington.edu/dillon/GramResources/gettysburgtreetagger.html, который был помечен тегером Шмида, но TreeTagger, вероятно, сначала был обучен на реальном корпусе.

Известные проблемы

  • На 64-разрядных машинах AMD и Intel могут возникать проблемы с точностью при использование алгоритмов w3 или w4 для задач со многими функциями. Чтобы исправить это проблемы, измените «#define CFLOAT» на «двойной» в svm_common.h. Спасибо тебе Chih-Jen Lin за указание на это.
  • Ядро RBF повреждено.

История

V1.01 — V2.13
  • Новый алгоритм обучения, основанный на эквивалентной переформулировке 1-slack проблема с обучением. Это делает обучение на линейном ядре на несколько порядков быстрее. величина быстрее, чем в V1.01. См. изменения, внесенные SVM struct V3.00 для общего свойства нового структурного алгоритма обучения SVM.
  • Новые подпрограммы ввода-вывода, быстрее для чтения больших данных и файлов моделей.
  • Исходный код для SVM хм V1.01.
V1.00 — 1.01
  •  Исправлена ​​небольшая ошибка, связанная с сообщением об отладке «Есть вероятно, ошибка в ‘find_most_violated_constraint_*’. .’.

Каталожные номера

  • И. Цочантаридис, Т. Иоахимс, Т. Хофманн и Ю. Алтун, Большое поле Методы структурированных и взаимозависимых выходных переменных, Журнал Исследование машинного обучения (JMLR), 6 (сентябрь): 1453–1484, 2005 г.
    [PDF]  
  • И. Цочантаридис, Т. Хофманн, Т. Йоахимс, Ю. Алтун. Машинное обучение опорных векторов для взаимозависимых и структурированных Выходные пробелы . Международная конференция по машинному обучению (ICML), 2004 г.
    [Постскриптум]  [PDF]
  • Ю. Алтун, И. Цочантаридис, Т. Хофманн, Скрытый марковский опорный вектор Машины . Международная конференция по машинному обучению (ICML), 2003 г.

Ускоренный поиск профилей HMM

Введение

Поиск гомологии в базе данных последовательностей является одним из наиболее важных приложений в вычислительной молекулярной биологии.Последовательности генома быстро приобретаются для постоянно расширяющегося набора видов. Чтобы максимально использовать данные о последовательностях, мы хотим максимизировать мощность вычислительных инструментов сравнения последовательностей, чтобы обнаружить отдаленные гомологии между этими последовательностями, чтобы узнать ключи к разгадке их функций и истории эволюции. Наиболее широко используемым инструментом для сравнения последовательностей и поиска в базе данных является BLAST [1]–[3].

С момента появления BLAST в теории сравнения последовательностей были достигнуты некоторые важные успехи, в частности, за счет использования вероятностных методов вывода, основанных на скрытых марковских моделях профиля (профильные HMM) [4].Подходы к вероятностному моделированию обеспечивают согласованную основу для параметризации сложных позиционно-специфических моделей сохранения и эволюции последовательностей [5]. В свете этих достижений в BLAST были внесены многочисленные улучшения [6]–[9]. По сути, однако, реализация BLAST вычисляет оптимальные оценки локального выравнивания, используя специальных штрафов за пропуски . Это ядро ​​реализации может быть не легко адаптировано к вероятностной модели вставки/удаления и более мощному алгоритму HMM «вперед/назад», который вычисляет не только одно наиболее подходящее выравнивание, но и сумму вероятностей по всему ансамблю локального выравнивания.Алгоритм «Прямой» позволяет назначать более мощную и формальную логарифмическую статистику правдоподобия для каждой целевой последовательности, а «Прямой/Назад» позволяет назначать значения достоверности для каждого выровненного остатка.

Тем не менее, несмотря на какие-либо привлекательные преимущества HMM, ни одна реализация полностью вероятностных методов сравнения последовательностей еще не приблизилась к полезности BLAST. Наиболее широко используемые реализации профильной технологии HMM, в том числе HMMER из моей лаборатории, были медленными и требовательными к вычислительным ресурсам, примерно в 100–1000 раз медленнее, чем BLAST для поиска сопоставимого размера.В эпоху огромных баз данных последовательностей этот недостаток скорости перевешивает любое преимущество методов HMM. Профильные методы HMM стали важными только в нише анализа семейств белковых доменов, где разница в скорости компенсируется возможностью использовать один профиль HMM для представления семейства сотен гомологичных отдельных последовательностей [10], [11].

HMMER был целью многих усилий по ускорению и оптимизации [12]–[15], но эти усилия имели ограниченный эффект.Единственными ускорениями, в которых сообщается о большом выигрыше, являются реализация собственных алгоритмов динамического программирования HMMER на специализированном оборудовании, включая FPGA (программируемые пользователем вентильные матрицы) [16]–[19], СБИС ASIC (микросхемы специального назначения), GP-GPU (общие целевые графические процессоры) [20], [21] и большие многопроцессорные кластеры [22], [23]. Было предпринято меньше усилий для разработки быстрых алгоритмов HMM с эвристическим профилем для стандартных массовых процессоров [24]–[26] способами, сравнимыми с тем, как BLAST эвристически аппроксимирует и ускоряет оптимальное согласование динамического программирования Смита/Уотермана [27]. Проблема состоит в том, что для сохранения значительного, но незначительного прироста чувствительности, который демонстрируют методы профильного HMM по сравнению с BLAST [28]–[30], любая полезная эвристика ускорения профильного HMM должна быть более чувствительной, чем уже превосходная эвристика BLAST.

Еще одна причина ограниченного воздействия предыдущих усилий по ускорению заключается в том, что они были почти исключительно сосредоточены на ускорении оптимального алгоритма оценки локального выравнивания (известного в литературе как алгоритм Витерби) в отличие от более предпочтительного алгоритма Forward.Отчасти это связано с тем, что алгоритмы оптимального локального выравнивания более известны, а отчасти потому, что предыдущие версии самого HMMER реализовывали оценку Витерби, а не оценку вперед. Форвардные реализации примерно в 3-9 раз медленнее, чем реализации Витерби, а ожидаемое статистическое распределение оценок Форвард для профильных HMM не было достаточно хорошо изучено, чтобы назначать точные E-значения (значения ожидания). Недавно я описал удовлетворительное решение последней проблемы [31], которое оставляет проблему ускорения.

Здесь я описываю конвейер эвристического ускорения, реализованный HMMER3, переработанной версией программного обеспечения HMMER. По сравнению с предыдущей версией HMMER, HMMER3 примерно в 100 раз быстрее из-за использования нового эвристического алгоритма, называемого фильтром MSV, а также значительно мощнее, потому что он переходит от оптимального локального выравнивания Витерби к полной прямой/обратной оценке. ансамблей выравнивания, используя больше математических преимуществ вероятностного моделирования.Таким образом, HMMER3 теперь примерно так же быстр, как BLAST, расширяя при этом преимущества производительности профильных методов HMM.

Результаты

Обзор

Основной алгоритм, ускоряющий HMMER3, называется MSV, что означает множественный (локальный, неразрывный) сегмент Витерби. Он был вдохновлен техникой, используемой в ParAlign [32]. Как показано на рис. 1, модель MSV представляет собой неразрывную версию модели локального выравнивания множественных попаданий HMMER3. Вероятностная модель многократного локального выравнивания без пробелов MSV достигается простым игнорированием переходов состояния совпадения, удаления и вставки исходного профиля и неявной обработкой переходов совпадения-совпадения как 1.0.

Рис. 1. Профиль MSV.

A: Архитектура профиля HMM, используемая HMMER3 [4], [5], [31]. Области, гомологически выровненные с запросом, представлены линейной базовой моделью, состоящей из согласованных позиций (в этом примере ), каждая из которых состоит из совпадения, удаления и состояния вставки (показанных в виде прямоугольников с пометкой M, кружков с пометкой D и ромбов). отмечены I), связанные вероятностями переходов состояний (стрелки). Состояния совпадения несут вероятности эмиссии для конкретной позиции для подсчета остатков в каждой согласованной позиции.Состояния вставки испускают остатки с вероятностью испускания, идентичной фоновому распределению. Дополнительные фланкирующие состояния (обозначенные N, C и J) выделяют ноль или более остатков из фонового распределения, моделируя негомологичные области, предшествующие, следующие или присоединяющиеся к гомологичным областям, выровненным по базовой модели. Начальное (S), начальное (B), конечное (E) и конечное (T) состояния не излучаются. B: Профиль MSV формируется путем неявной обработки всех вероятностей перехода совпадение-совпадение как 1,0. Это соответствует виртуальному удалению состояний удаления и вставки.Остальные параметры профиля остаются прежними. Эта модель генерирует последовательности, содержащие один или несколько сегментов локального выравнивания без пропусков. Обратите внимание, что обе модели кажутся неправильно нормализованными; например, каждое состояние совпадения в модели MSV имеет локальный выходной переход с вероятностью 1,0 (оранжевые стрелки) в дополнение к переходу совпадение-совпадение с вероятностью 1,0. Это связано с уловкой, используемой для установления однородного локального распределения длин фрагментов, в котором эти профили являются свернутыми представлениями гораздо большей (и должным образом нормализованной) «неявной вероятностной модели», как объяснено в [31]. C: Пример того, как может выглядеть выравнивание более крупного профиля MSV (длиной ) с целевой последовательностью (длиной ), как путь через матрицу динамического программирования (DP). Здесь модель идентифицирует два сегмента выравнивания без пропусков с высокой оценкой (черные точки, указывающие на остатки, выровненные по состояниям соответствия профиля), и присваивает все остальные остатки состояниям N, J и C в модели (оранжевые точки; «неиспускающее состояние или переход состояния»). Обратите внимание, что диагонали без зазоров не обязательно должны соответствовать одному выравниванию с зазорами.

https://doi.org/10.1371/journal.pcbi.1002195.g001

Оценка MSV по сути аналогична «суммарной оценке» BLAST для одного или нескольких неразрывных HSP (пар с высокой оценкой). Отличие состоит в том, что MSV не требует согласованности выравнивания (два выравнивания без пробелов не обязательно должны быть согласованы с одним выравниванием с пробелами). В эвристике фильтрации это различие не имеет значения. HMMER3 вычисляет оценку MSV непосредственно с помощью динамического программирования, минуя эвристики BLAST, связанные со словом и расширением совпадений.

Тот факт, что MSV по существу обходит две основные эвристики BLAST, дает интуитивно понятный аргумент в пользу того, что оценки MSV должны быть более чувствительными в целом эвристиками, чем подход BLAST. Однако я не пытался строго сравнивать производительность эвристики HMMER MSV с другими эвристиками ускорения, например, в BLAST или FASTA.

Реализация HMMER3 использует несколько синергетических статистических и вычислительных функций модели MSV.Я резюмирую эти функции здесь, прежде чем описывать их подробно:

  • Показатели выравнивания MSV могут быть эффективно рассчитаны с использованием так называемых «полосатых» векторно-параллельных методов, первоначально разработанных для локального выравнивания последовательностей Smith/Waterman [33], поскольку модель MSV удаляет состояния делеции и вставки, которые мешают векторному параллелизму.
  • Поскольку модель MSV дает предсказуемое распределение оценок для негомологичных последовательностей, при этом оценки ограничены узким диапазоном, который в значительной степени не зависит от характеристик запроса и целевой последовательности, значения MSV могут быть аппроксимированы с пониженной точностью (8 битов, в диапазоне оценок от 0 до 255).Это обеспечивает 16-кратный векторный параллелизм в современных массовых процессорах со 128-битными векторными регистрами.
  • Модель MSV остается полностью вероятностной моделью локального выравнивания, поэтому показатели MSV подчиняются предположениям об ожидаемом распределении Гумбеля вероятностных показателей локального выравнивания [31]. Это позволяет быстро рассчитать P-значения.
  • Поскольку мы можем рассчитать P-значения MSV, мы можем использовать оценки MSV в качестве настраиваемого и селективного фильтра последовательности. Если целевая последовательность имеет оценку MSV с P-значением меньше выбранного порога, мы передаем всю последовательность более точным и ресурсоемким алгоритмам оценки. По определению порог P-значения представляет собой долю негомологичных последовательностей, которые, как ожидается, пройдут фильтр.

Фильтр MSV представляет собой эвристическое ускорение, не гарантирует нахождение всех целей с высокими показателями. Общая производительность конвейера ускорения HMMER3 с точки зрения скорости, специфичности и чувствительности зависит от нескольких проблем и компромиссов, в том числе от того, насколько быстры фильтры, насколько точно и быстро можно оценить P-значения для оценок фильтра и установлен ли порог для MSV. P-значения могут быть установлены для удаления большинства негомологов при удалении нескольких истинных гомологов, если таковые имеются, которые были бы обнаружены при нефильтрованном поиске.Это эмпирические вопросы, на которые я ответил с помощью сравнительных экспериментов.

Следующие разделы, особенно о распараллеливании векторов и обеспечении того, чтобы оценки можно было хранить в ограниченных числовых диапазонах, неизбежно являются техническими и краткими. При первом чтении читатель может захотеть пропустить или просмотреть раздел «Конвейер ускорения HMMER3», чтобы увидеть, как эти технические аспекты вписываются в общую схему и как работает эта схема ускорения.

Модель MSV: обозначения и параметризация

Оценка MSV для целевой последовательности представляет собой стандартную оценку HMM Viterbi, логарифмическую оценку отношения правдоподобия одного оптимального (максимально вероятного) выравнивания: отношение вероятности оптимального выравнивания ° для заданной модели MSV и вероятности последовательности учитывая модель нулевой гипотезы: для запроса позиций длины профиль MSV имеет соответствующие параметры эмиссии (где размер алфавита, 4 нуклеотида или 20 аминокислот), а также дополнительные параметры перехода состояния, включающие фланкирующие N, B, E, C , и состояния J, которые объясняют негомологичные остатки.Другие переходы между состояниями в исходном профиле игнорируются, что означает, что переходы «совпадение-совпадение» неявно обрабатываются как 1. 0.

Предполагается, что нулевая модель представляет собой HMM с одним состоянием, излучающим остатки с фоновыми частотами (т. е. стандартная нулевая модель i.i.d.: независимые, одинаково распределенные остатки) с распределением геометрической длины, заданным параметром перехода .

Оценки совпадения для конкретной позиции предварительно вычисляются как логарифмические отношения шансов для остатка, испускаемого из состояния совпадения M с вероятностью эмиссии, по сравнению с фоновыми частотами нулевой модели: Эти оценки совпадения (а также вероятности эмиссии и фоновые частоты) являются так же, как в исходном профиле.

Единственными параметрами перехода состояния в модели MSV являются те, которые управляют моделированием длины целевой последовательности, однородным распределением длины фрагментов локального выравнивания и количеством попаданий в основную модель гомологии на целевую последовательность [31]. Они также идентичны параметризации исходного профиля [31]. В частности, они установлены следующим образом для целевой последовательности остатков длины и модели консенсусных положений длины:

Моделирование длины целевой последовательности:

Равномерное распределение длины фрагментов локального выравнивания:

Несколько попаданий в цель:

Алгоритм оценки MSV: векторное распараллеливание SIMD

Алгоритм MSV хорошо подходит для векторного распараллеливания с использованием стандартных инструкций SIMD (одна инструкция, несколько данных), таких как инструкции Streaming SIMD Extensions (SSE) в Intel-совместимых системах и инструкции Altivec/VMX в системах PowerPC.Эти наборы векторных инструкций используют 128-битные векторы для вычисления до 16 одновременных операций.

Описано несколько векторных методов для ускорения классического локального выравнивания последовательностей Смита/Уотермана [34], [35], а методы ускорения рекурсий динамического программирования Смита/Уотермана (DP) легко адаптируются для профилирования HMM. Удивительно эффективный векторно-параллельный подход, названный полосатым Smith/Waterman, был описан Фарраром [33].

Чередование решает проблему шаблона зависимости данных в рекурсиях динамического программирования в стиле Смита/Уотермана.Расчет каждой ячейки в решетке динамического программирования требует наличия предварительно рассчитанных ячеек , и . В векторизованной по строкам реализации отдельные ячейки (обычно 4, 8 или 16) хранятся в каждом отдельном векторе, так что каждая строка векторизованной матрицы DP хранит ячейки в векторах Q с номерами , где . В подходе Фаррара клетки непоследовательно назначаются векторам в виде полосатого рисунка (рис. 2). В полосатых векторах, когда мы вычисляем набор из нескольких ячеек, содержащихся в одном векторе в текущей строке, все необходимые нам предыдущие диагональные ячейки аккуратно доступны в правильном порядке в векторе в предыдущей строке, а ячейки выше находятся в вектор .Чередование сводит к минимуму дорогостоящие операции, такие как сдвиг или перестановка значений ячеек внутри векторов. Недостатком является то, что расчеты путей удаления (зависящие от ячеек слева) могут потребовать полной сериализации. Фаррар описал эффективные методы минимизации этой проблемы. В алгоритме MSV, поскольку вычисляются только диагонали без пропусков, этого недостатка полностью избегают. Основная идея того, как работает индексирование с чередованием, схематично представлена ​​на рис. 2.

Рис. 2. Иллюстрация чередующейся индексации для векторных вычислений SIMD.

В верхней строке (пурпурный контур) показана одна строка решетки динамического программирования для модели длиной . Если взять пример векторов, каждый из которых содержит клетки, то 14 клеток содержатся в векторах с номерами . (Две неиспользуемые ячейки, помеченные x, устанавливаются в контрольное значение.) В рекурсии динамического программирования, когда мы вычисляем каждую новую ячейку в новой строке, мы получаем доступ к значению в ячейке в предыдущей строке. При индексации с чередованием вектор содержит ровно четыре ячейки, необходимые для вычисления четырех ячеек в новом векторе в новой строке матрицы динамического программирования (бирюзовый контур). Например, когда мы вычисляем ячейки в векторе, мы получаем доступ к вектору предыдущей строки, который содержит нужные нам ячейки в том порядке, в котором они нам нужны (пунктирные линии и прямоугольник). Если вместо этого мы проиндексировали ячейки в векторы очевидным образом, в линейном порядке (в векторе и так далее), такого соответствия с четырьмя нет, и каждое вычисление нового вектора потребовало бы дорогостоящего вмешательства в порядок ячеек в векторах предыдущей строки. При чередующемся индексировании требуется только одна операция сдвига для каждой строки вне самого внутреннего цикла: последний вектор в каждой законченной строке сдвигается вправо (mpv, серого цвета с индексами красных ячеек) и используется для инициализации вычисления следующей строки.

https://doi.org/10.1371/journal.pcbi.1002195.g002

Чтобы максимизировать параллелизм, я реализовал MSV как 16-кратное параллельное вычисление со значениями оценок, хранящимися в виде 8-битных целых чисел без знака, ограниченных диапазоном 0‥255. При этом используется тот факт, что оценки локального выравнивания в вероятностной модели HMMER3 имеют узкий и предсказуемый динамический диапазон, что позволяет проводить численный анализ стабильности, который оправдывает использование пониженной точности. (Подробности этого анализа приведены в следующем разделе.) Это изменение масштаба определяется тремя значениями (базовое, смещение и масштаб), где «базовое» — это начальное смещение от нуля, чтобы сделать оценки MSV неотрицательными (по умолчанию: 190), «масштабное» — коэффициент масштабирования (по умолчанию 3, поэтому Оценки MSV выражены в единицах одной трети битов), а «смещение» представляет собой смещение оценок отдельных остатков, используемое для того, чтобы сделать все оценки отдельных остатков беззнаковыми затратами байтов относительно максимальной оценки остатка. Используя термины масштаба и систематической ошибки, оценки остатков для конкретных позиций преобразуются в предварительно вычисленные масштабированные затраты (насыщаются при максимальной стоимости 255) и сохраняются в векторах в порядке чередования (рис. 2).Оценки перехода преобразуются в предварительно рассчитанные масштабированные затраты с помощью (насыщение при максимальной стоимости 255).

Чтобы определить SIMD-рекурсию MSV, я буду использовать пять векторных инструкций псевдокода для операций над битовыми целыми числами (в нашей реализации), либо скалярами, либо векторами, содержащими битовые целые элементы с номерами . Каждая из этих операций либо доступна, либо легко создается как в SSE, так и в Altivec/VMX:

.

В этом псевдокоде векторизованный алгоритм MSV выглядит следующим образом:

Инициализация:

Рекурсия:

  

  

  

  

  

  

  

  

  

Завершение:

Постоянный член -4.3 бита на шаге завершения возникает из-за аппроксимации, которая имеет дело с ошибкой округления при подсчете и стоимости перехода. Это объясняется в следующем разделе. Условие завершения предполагает, что , так что значения для состояния C такие же, как для состояния J (таким образом избавляя от необходимости вычислять значения состояния C в рекурсии).

Этот алгоритм реализован как для инструкций SSE, так и для инструкций Altivec/VMX в исходном коде HMMER3 в impl_{sse,vmx}/msvfilter.c::p7_MSVFilter().

Анализ последствий снижения численной точности

Этот раздел носит исключительно технический характер и может быть пропущен при первом чтении. При сужении динамического диапазона вычислений оценки до небольших целых чисел без знака мы должны убедиться, что ни опустошение, ни переполнение либо не происходят, либо не имеют ошибочных последствий. Мы также должны быть уверены, что величина любой накопленной ошибки округления допустима. Поскольку конвейер ускорения HMMER3 (описанный ниже) использует векторно-параллельные, чередующиеся реализации пониженной точности как алгоритма MSV (описанного выше), так и стандартного алгоритма Витерби (оптимального выравнивания) для исходной модели профиля с вставками/удалениями, следующий анализ учитывает как баллы MSV, так и баллы Витерби.

Для определения потери значимости мы используем тот факт, что существует нижняя граница показателей оптимального локального выравнивания в зависимости от длины модели и длины целевой последовательности. При наихудшем возможном оптимальном локальном выравнивании с положительной оценкой профиль ядра соответствует только одному состоянию совпадения с одним остатком с показателем , а остальные остатки целевой последовательности объясняются фланкирующими состояниями N и C. Таким образом, наихудший случай имеет логарифмическую оценку правдоподобия, которая составляет: Известные белковые последовательности могут иметь длину более 30 000 остатков (человеческий тайтин, например, составляет 34 350 а.о.).Если мы укажем в качестве проектных ограничений, мы можем предположить более низкую оценку битов для оптимального локального выравнивания.

Для управления переполнением мы используем тот факт, что мы будем использовать только реализацию с пониженной точностью в качестве фильтра для целевых последовательностей. Любая последовательность с выбранным порогом значения P будет передана более медленной процедуре для пересчета с полной точностью. Используя насыщенных арифметических инструкций, любые целевые последовательности, которые переполняются, будут оцениваться как максимально возможные.Теперь нам нужно только быть в состоянии гарантировать, что верхняя граница оценки имеет P-значение — самый низкий порог P-значения, который мы когда-либо планируем использовать. Из Милосаевича [31], [36] мы знаем консервативную оценку порога битовой оценки. Для расчетного предела, допускающего пороги фильтрации, достаточно верхнего предела оценки в 17 битов. (0,02 — это пороговое значение P по умолчанию для MSV, а 0,001 — это значение по умолчанию для баллов Витерби, как обсуждается ниже).

Этот диапазон от −60 до 17 бит применяется к полным оптимальным локальным выравниваниям; в отдельных ячейках расчета динамического программирования нам нужен чуть больший динамический диапазон. Например, выравнивание с высокой оценкой в ​​​​17 битов будет иметь оценку более 17 бит в последней ячейке, которая выравнивает состояние совпадения с гомологичным остатком, поскольку за этим состоянием всегда следуют отрицательные оценки из EC, CC и CT. переходы в оптимальном выравнивании. Принимая это во внимание (включая некоторые вопросы порядка оценки — тот факт, что вклады некоторых переходов, включая вклады нулевой модели, включаются в этап завершения после завершения рекурсии динамического программирования), можно показать, что диапазон — 61…21 бит достаточно, чтобы гарантировать, что ни одна ячейка DP, участвующая в оптимальном локальном выравнивании диапазона −60…17 бит, не будет переполнена или потеряна.

Эти же границы применимы как к исходной модели локального выравнивания (выравнивания Витерби со вставками и удалениями), так и к модели MSV, поскольку ни один шаг в установлении этих границ не требует учета вероятностей перехода в базовой модели (сопоставление, вставка и удаление). состояния).

Таким образом, нам нужен динамический диапазон 82 бита (-61 … 21 бит), а максимальный диапазон 8-битного целого числа составляет 256 значений, поэтому достаточно масштабирования логарифмических шансов до единиц 1/3 бита. (По совпадению, это сравнимо с масштабированием и округлением стандартных оценочных матриц, используемых BLAST или FASTA; например, BLOSUM45 имеет размерность 1/3 бита.) Затем используется «базовый» член смещения для настройки представленного диапазона значений в соответствии с диапазоном оценок битов. Для 8-битных целых чисел без знака основание +190 означает, что значения 0‥255 представляют диапазон битов.

Округление оценок до ближайшей 1/3 бита приводит к ошибке округления, равной биту на оцениваемый термин. Сумма независимых, одинаково распределенных случайных отклонений, равномерно распределенных на интервале, имеет нулевое среднее значение и дисперсию . Поскольку локальная оценка выравнивания для целевой последовательности длины моделируется как сумма условий оценки выбросов и переходов, даже если ошибка округления каждого члена была бы независимой и равномерно распределенной, накопленная ошибка округления была бы большой (нормально распределенной со средним нулем и дисперсией ; поэтому для накопленной ошибки будет иметь стандартное отклонение 2. 7 бит). Хуже того, ошибки округления не являются ни независимыми, ни равномерно распределенными. Особенно плохой случай связан с вероятностью перехода, близкой к 1,0, такой как большинство переходов «совпадение-совпадение» в исходной модели профиля с промежутками, где для всех достаточно больших раундов стоимость равна нулю. Другой плохой случай связан с состояниями HMM, которые имеют циклы, такие как переходы вставка-вставка, где ошибка округления умножается на количество посещений состояния. Эти два неблагоприятных случая делают автопетли, производящие цепочки состояний N, C, J или вставки, особенно проблематичными, потому что эти вероятности самоперехода часто близки к 1.0; целая цепочка из них часто оценивается как ноль, накапливая большую ошибку округления.

Модель MSV и ее реализация используют несколько функций для уменьшения ошибки округления до допустимых пределов. Во-первых, исключая переходы «сопоставление», «удаление» и «вставка» и устанавливая все вероятности переходов «совпадение-совпадение» на 1,0 (таким образом, нулевая стоимость), сама модель MSV уже устранила многие переходы, которые накапливают независимую ошибку округления, оставив в ядре моделируйте только вероятности эмиссии состояний совпадения (все они приблизительно независимы и некоррелированы в том, что касается анализа ошибок округления). Во-вторых, предполагается, что вероятности выбросов в состояниях N, C и J равны фоновым частотам (нулевая модель), поэтому оценки выбросов в состояниях N, C и J рассматриваются как нулевые по построению, поэтому они не вносят округления. Условия ошибки. В-третьих, мы можем воспользоваться тем фактом, что общий вклад переходов NN, CC и JJ приближается к константе для достаточно больших , потому что локальное выравнивание обычно относит почти все остатки целевой последовательности к состояниям N, C и J. и несколько, чтобы соответствовать государствам.Таким образом, мы ожидаем, что типичное локальное выравнивание будет включать переходы порядка NN, CC и JJ, каждый из которых оценивается , и биты для больших . Таким образом, мы можем оценить переходы NN, CC и JJ как нулевую стоимость во время рекурсии, а затем добавить постоянные биты обратно в оценку, чтобы аппроксимировать их недостающий вклад. Этот подход может изменить оптимальное локальное выравнивание (во время рекурсии пути, использующие переходы NN, CC и JJ, выглядят более благоприятными, чем они есть на самом деле), но в фильтре оценки нас интересует не оптимальное выравнивание, а только его оценка.

Таким образом, ошибка округления в реализации алгоритма MSV с пониженной точностью состоит из смещения, возникающего из-за обработки вкладов NN, CC, JJ, суммирующих биты, как константы -4,3 бита, и суммы более или менее независимых и равномерно распределенных членов ошибки, включая пять или более логарифмических вероятностей перехода () и оценки эмиссии для состояний совпадения, вовлеченных в неразрывные диагонали выравнивания остатков общей длины. Для больших , и предполагая или около того для типичных выравниваний MSV на границе статистической значимости, расчет обратной стороны конверта предполагает ожидаемую ошибку среднего нуля и стандартного отклонения около битов, а максимальную ошибку в худшем случае около битов.Поскольку выравнивания с более высокой оценкой включают в себя больше условий выделения совпадений, чем выравнивания с низкой оценкой, коррелируют с оптимальной оценкой, поэтому примерно гауссово распределение ошибок для заданного будет свернуто с распределением оценок Гумбеля, что приведет к слегка негауссовскому распределению ошибок. с некоторым перекосом в сторону большей ошибки.

Чтобы подтвердить, что эта ожидаемая ошибка округления согласуется с эмпирическими наблюдениями, я выполнил моделирование, в ходе которого я изучил различия в оценках MSV реализации с пониженной точностью (беззнаковые байты в битовых единицах) по сравнению с реализацией с плавающей запятой полной точности.Я сделал это для множества разных профилей (9 318 моделей из выпуска 22 Pfam), выровненных с 1000 случайных последовательностей различной длины и с 207 132 реальными последовательностями в SwissProt 49.0 (в UniProt 7.0). Этот эксперимент показал, что ошибки округления для каждой модели распределялись со стандартным отклонением 0,4–0,6 бита для реальных последовательностей в Swissprot и для случайных последовательностей каждой длины. Средняя ошибка была приблизительно равна нулю для случайных последовательностей длин ; занижение среднего значения на 0,4 бита для последовательностей UniProt; 0.5-битная средняя недооценка для случайных последовательностей; и 2,2-битная средняя недооценка для случайных последовательностей. На реальных последовательностях UniProt я наблюдал крайние различия вплоть до битов. Они неизменно соответствовали длинным и сильно смещенным последовательностям состава, где предположительно длина выравнивания была большой, что увеличивало вероятность накопленной ошибки округления. Поскольку они были редки, а MSV следует использовать только в качестве фильтра, эти крайности можно смело игнорировать. В целом диапазон ошибки округления кажется приемлемым, особенно для больших .

Показатели MSV подчиняются предположениям, что позволяет быстро определить P-значение

Ранее [31] я предположил, что ожидаемые оценки для некоторых вероятностных моделей локального выравнивания, включая модель локального выравнивания HMMER3, следуют легко предсказуемым распределениям. В частности, я предположил, что битовые оценки Витерби с оптимальным выравниванием показывают распределения Гумбеля с фиксированным наклоном, а хвост с высокими оценками битовых оценок прямого направления следует за экспонентами того же наклона. Модель MSV является полностью вероятностной и, следовательно, должна подчиняться этим предположениям.Следовательно, прогнозируется, что оптимальные оценки выравнивания MSV будут следовать распределению Гумбеля с наклоном и местоположением, которое оценивается путем подгонки к небольшому моделированию оценок из 200 или около того случайных последовательностей.

Этим статистическим предположениям лучше всего следуют модели или системы оценки с высокой относительной энтропией на позицию (т. е. с высоким средним ожидаемым результатом) [31]. Модели HMMER3 по умолчанию имеют низкую относительную энтропию на позицию (около 0,6 бит/позиция), потому что параметризация модели HMMER3 использует метод, называемый энтропийным взвешиванием [29], [37], специальный метод для повторного взвешивания эффективного числа наблюдаемых последовательности относительно предыдущей (псевдосчетчики) для достижения желаемой цели относительной энтропии.Стандартная система оценки парного выравнивания остатков (BLOSUM62) имеет аналогичную относительную энтропию, составляющую около 0,6 бит на выровненную позицию. При более низкой относительной энтропии на позицию для достижения высоких результатов требуются более длительные выравнивания, и «краевой эффект» конечной длины становится значительным. HMMER3 улучшает краевой эффект, вычисляя ad hoc скорректированных, где длина профиля в состояниях совпадения и относительная энтропия на состояние излучения совпадения в битах [31]. Хотя одна и та же специальная поправка достаточна для обоих распределений Витерби и Форвард, она была получена путем эмпирической подгонки с небольшим теоретическим руководством, поэтому мало оснований полагать, что такая же поправка применима к показателям MSV.Поэтому я эмпирически проверил способность оценивать точные P-значения для баллов MSV для широкого спектра моделей HMMER/Pfam.

На рис. 3А показан пример распределения баллов MSV для одного типичного профиля HMM (модель CNP1 из Pfam версии 24, представляющая семейство липопротеинов, выбранное потому, что оно имеет медианную длину, медианное число репрезентативных последовательностей и медианное среднее значение парной идентичности по все начальные выравнивания Pfam 24), для множества случайных iid последовательности разной длины. Для всех, кроме самых коротких последовательностей (L   =   25), наблюдаемые распределения оценок близко соответствуют предполагаемому распределению, включая случайных поправок на края членов (оранжевая линия).

Рис. 3. Оценки MSV имеют предсказуемое распределение.

A: пример распределения баллов MSV для типичной модели Pfam, CNP1, для случайного i.i.d. последовательности различной длины от 25 до 25 600, причем самая короткая, типичная и самая длинная длины выделены красной, черной и синей линиями соответственно.Прогнозируемое распределение, выполненное в соответствии с процедурой [31], включающей краевую коррекцию наклона, показано оранжевым цветом (хотя оно в значительной степени затемнено линиями данных прямо над ним). B: Гистограмма значений максимального правдоподобия, полученных из распределений оценок 11 912 моделей Pfam, показывающая, что большинство из них достаточно близко к предполагаемому, хотя и с большей дисперсией для моделей с энтропийно-взвешенными значениями по умолчанию (черная линия), чем для моделей с высокой относительной энтропией без энтропийно-взвешенных значений ( серая линия). C: наблюдаемая доля негомологичных последовательностей, которые проходят фильтр при значении P, равном 0.02 должно быть 0,02. Показаны гистограммы фактической доли фильтра для 11 912 различных моделей Pfam 24 для диапазона длин случайных последовательностей от 25 до 25 600 как для моделей по умолчанию (черные линии), так и для моделей с высокой относительной энтропией без энтропийного взвешивания (серые линии).

https://doi.org/10.1371/journal.pcbi.1002195.g003

На рисунке 3B показаны результаты моделирования, в которых 11 912 HMM различных профилей из Pfam версии 24 [11] были оценены алгоритмом MSV против случайных последовательностей длиной 400 , полученные распределения были приспособлены к распределениям Гамбеля для определения оценок максимального правдоподобия и , и построена гистограмма оценок.Для моделей с высокой относительной энтропией (серая линия) это распределение плотно сгруппировано на ожидаемом уровне. Для моделей, взвешенных по энтропии по умолчанию (черная линия), распределение шире с более высоким средним значением, в соответствии с тем, что наблюдается для оценок Витерби и объясняется краевым эффектом конечной длины.

На рис. 3C показана прямая оценка точности P-значений MSV для многих моделей Pfam и различных длин случайных последовательностей. Для каждой из 11 912 моделей Pfam 24 баллы MSV рассчитываются для 500 000 случайных последовательностей, сгенерированных для каждой из нескольких длин и , и подсчитывается количество случайных последовательностей, прошедших фильтр MSV в точке P.Если P-значения точны, мы ожидаем увидеть приблизительно нормальное распределение с центром в 2% случайных последовательностей, прошедших фильтр. В пределах допуска примерно двукратной ошибки это верно почти для всех моделей и для длины целевой последовательности или около того. Некоторые модели имеют менее предсказуемые распределения и дают небольшие выбросы. Наибольшие проблемы возникают с короткими целевыми последовательностями (), где P-значения могут быть примерно в пять раз завышены (т. е. проходит меньше последовательностей, чем предполагалось), как показано в примере CNP1 на панели A.Модели, взвешенные по энтропии по умолчанию (черные), подвержены большему влиянию, чем модели с высокой относительной энтропией (серые).

Этот анализ показывает, что в целом можно получить достаточно точные P-значения для баллов MSV. Это также показывает, что для коротких последовательностей или около того фильтр MSV может быть слишком агрессивным (удаление большего количества последовательностей, чем предполагалось), и что несколько моделей являются выбросами, поскольку через фильтр проходит либо слишком мало, либо слишком много последовательностей. Это незначительные проблемы, с которыми было бы неплохо разобраться в будущем.

Векторное распараллеливание алгоритмов Forward и Backward

Реализация MSV, описанная выше, примерно в 500 раз быстрее, чем стандартная последовательная реализация полного алгоритма Forward. Это означает, что скорость поиска по-прежнему будет ограничена скоростью вычислений вперед/назад, требующих значительных вычислительных ресурсов. Предположим, что мы позволяем 2% (1/50) верхних последовательностей пройти через фильтр MSV для полной прямой логарифмической оценки правдоподобия HMM; то Forward должен быть не более чем в 50 раз медленнее, чем MSV, иначе Forward будет ограничивать скорость. Поэтому необходимо было искать значительные ускорения хотя бы на порядок в реализациях алгоритмов Forward и Backward.

Числовая потеря значимости является проблемой для реализации алгоритмов прямого и обратного действия. Вероятность частичного выравнивания пути обычно ниже наименьшего представимого значения с плавающей запятой. В реализации Витерби недополнения можно избежать, работая в области логарифмической вероятности, заменяя умножение и максимизацию вероятностей сложением и максимизацией их логарифмов [5], [38].Однако рекурсии прямого и обратного динамического программирования требуют добавления частичных путей в вероятностной области.

Как в приложениях HMM для анализа последовательности, так и для распознавания речи эта проблема обычно решается путем работы в области логарифмической вероятности и реализации операции «логарифмическая сумма», так что сложение в области вероятности заменяется на , , и [5], [39]. Эффективная операция логарифмической суммы преобразует логарифмическую сумму в for и находит приблизительный термин для добавления в предварительно рассчитанную таблицу поиска, индексированную по разнице, масштабированной и округленной до соответствующей точности. Таблица поиска имеет конечный размер, потому что термин пренебрежимо мал для больших , но, тем не менее, он велик (16 000 записей в «общей» невекторизованной реализации HMMER3; см. logsum.c). Я не знаю, как эффективно реализовать большую таблицу поиска в векторных инструкциях SIMD. Только небольшие таблицы поиска кажутся возможными с использованием инструкций по перестановке векторов (возможно, до 256 записей в Altivec/VMX, меньше в SSE).

Другой подход — масштабирование [5], [38]. При изменении масштаба записи в каждой строке (для каждого целевого остатка) матрицы динамического программирования умножаются на некоторое значение масштаба.Значения масштаба выбираются таким образом, чтобы самые большие записи в каждой строке оставались в пределах допустимого числового диапазона. Если наименьшие значения в строке отличаются от наибольшего больше, чем числовой диапазон, наименьшие значения все еще теряют значение, но для многих HMM можно показать, что ни один префикс частичного пути, который не может быть переполнен, не мог когда-либо восстановиться, чтобы иметь незначительную вероятность как полный путь. Однако, как правило, это не относится к HMM профиля (и к другим HMM с путями, включающими состояния молчания) из-за возможности длинных удалений.Даже оптимальное выравнивание может содержать длинный путь D-D-D вдоль одной строки. После перемножения многих вероятностей перехода DD значения в состояниях в начале и в конце длинного пути удаления в одной и той же строке могут отличаться более чем на допустимый диапазон. Стандартный нормализованный 32-битный тип IEEE754 с плавающей запятой имеет диапазон около , что эквивалентно 256 битам в области оценки логарифмических шансов. Учитывая типичный штраф за расширение удаления примерно от -1 до -2 бит, удаление около 200 остатков или около того, как правило, будет занижать масштабированные состояния удаления на правильном пути.Делеции такой длины редки, но встречаются.

Я использую следующие шаги, чтобы сделать подход, который я называю «разреженным масштабированием», работающим для векторных реализаций SIMD HMMER3 алгоритмов Forward/Backward.

Во-первых, значения Forward/Backward рассчитываются в области отношения шансов, а не в области вероятности, поэтому они естественным образом предварительно масштабируются в некоторой степени. Вероятность выброса каждого совпадения заменяется его отношением шансов, тем же отношением, которое используется для оценок логарифмических шансов. По тем же аргументам, которые использовались для анализа недополнения реализации MSV выше, отношение шансов оптимального пути локального выравнивания в наихудшем случае является простой функцией длины модели и цели и с нижней границей около (около ), если мы принимаем как конструктивные ограничения, находящиеся в пределах допустимого диапазона представления с плавающей запятой IEEE754.

Во-вторых, я использую тот факт, что профиль HMMER3 HMM является моделью локального выравнивания с множественным попаданием, а не моделью глобального выравнивания (глобальный означает глобальный по отношению к модели, локальный по отношению к цели). Когда профиль HMM представляет собой модель локального выравнивания с несколькими попаданиями, работает подход масштабирования. Для любого пути с двумя выровненными областями, соединенными длинным удалением, должен существовать альтернативный путь, который считает те же две выровненные области двумя локальными выравниваниями, соединенными путем повторной инициации (MEJB).Этот путь повторной инициации только с тремя вероятностями перехода в одной и той же строке не представляет трудностей с потерей значимости. Путь с длинным удалением может быть потерян, но тогда его полный путь должен быть пренебрежимо мал по сравнению с альтернативным путем локального выравнивания с несколькими попаданиями.

Для определения подходящего коэффициента масштабирования необходимо проверить каждое значение в строке, что обычно требует дополнительных вычислений. Я использую тот факт, что значение в ячейке для состояния E уже вычислило максимум по всем состояниям.Достаточно использовать само значение ячейки E в качестве значения шкалы, установив значение ячейки E равным 1 и перемасштабировав все остальные значения в строке.

Тем не менее, масштабирование строки также требует дополнительных вычислений. Здесь я использую тот факт, что масштабирование каждой строки не требуется. Вместо этого, когда значение отношения шансов ячейки E превышает определенный порог, это запускает событие масштабирования для этой строки. В других рядах есть .

Я реализовал Forward и Backward, используя разреженное масштабирование и чередующиеся SIMD-векторы из четырех параллельных 32-битных чисел с плавающей запятой.В целом эти реализации примерно в 16 раз быстрее, чем стандартные последовательные реализации, использующие операцию таблицы поиска логарифмической суммы. Общее 16-кратное ускорение, вероятно, является комбинацией примерно 4-кратного ускорения от векторного распараллеливания SIMD и примерно 4-кратного от замены операции логарифмической суммы сложением и умножением. Это делает алгоритмы Forward/Backward примерно в 30 раз медленнее, чем фильтр MSV.

Конвейер ускорения HMMER3

Методы MSV и Forward/Backward, описанные выше, реализованы в так называемом «конвейере ускорения» в основе программной реализации HMMER3 (http://hmmer. janelia.org). Конвейер ускорения показан на рис. 4. Один вызов функции p7_Pipeline() выполняется для каждого сравнения модели/последовательности.

Рис. 4. Конвейер ускорения HMMER3.

Репрезентативные скорости вычислений показаны красным цветом в миллионах ячеек динамического программирования в секунду (Мк/с). Пороговые значения P по умолчанию для шагов фильтрации MSV, Витерби и прямой фильтрации показаны оранжевым цветом. Фильтр смещения и шаги определения домена подробно не описаны в этой рукописи и показаны серым цветом.

https://doi.org/10.1371/journal.pcbi.1002195.g004

Конвейер либо принимает, либо отклоняет все сравнение на каждом этапе на основе P-значения логарифмической оценки шансов. Например, по умолчанию фильтр MSV проходит, если сравнение получает P-значение менее 0,02 (т. е. ожидается, что 2% случайных негомологичных последовательностей с наивысшим баллом пройдут фильтр). Я еще не исследовал более сложный подход использования информации о выравнивании из более ранних и более быстрых шагов в конвейере для ограничения (полосы) последующих вычислений динамического программирования.

Все расчеты P-значения предполагают, что профиль запроса и целевая последовательность имеют состав остатков, близкий к общему среднему для белков. В некоторых случаях профиль запроса имеет предвзятую структуру, и эта предвзятость совпадает с предвзятостью, обнаруженной во многих последовательностях целевых баз данных. Мембранные белки, например, смещены в сторону более гидрофобного состава и имеют тенденцию соответствовать другим негомологичным мембранным белкам с более высокими баллами, чем ожидалось при простой нулевой гипотезе среднего состава.В HMMER3 есть методология пересчета баллов и P-значений для компенсации необъективной композиции, но эта методология (так называемая коррекция «null2», не описанная здесь из соображений экономии места) размещена в конце конвейера, поскольку требует больших вычислительных ресурсов. На этапе фильтра MSV нескорректированное значение P MSV может быть занижено при смещенных совпадениях состава, что означает, что больше ожидаемой доли негомологичных последовательностей может пройти через фильтр MSV, чего в некоторых случаях может быть достаточно для замедления конвейера. HMMER3 вставляет шаг «фильтр смещения», чтобы уменьшить эту проблему. Этап фильтра смещения показан серым цветом на рис. 4, поскольку он подробно не описан в данной статье. Вкратце, фильтр смещения вычисляет быструю, эвристически смещенную коррекцию состава для оценки фильтра MSV, используя скрытую марковскую модель с двумя состояниями, где одно распределение выбросов установлено для среднего состава белковых остатков, а другое распределение выбросов установлено для среднего состава запроса. профиль, полностью связанный четырьмя произвольными вероятностями перехода, настроенными вручную.Конвейер повторно оценивает последовательность с применением этой коррекции и повторно проверяет измененное значение P на соответствие пороговому значению фильтра MSV, равному 0,02. Фильтр смещения не влияет на итоговую оценку последовательности, которая рассчитывается с помощью полного алгоритма Forward; фильтр смещения имеет только эффект, заставляющий фильтр MSV удалять дополнительные совпадения, которые, по-видимому, связаны с предвзятой композицией.

Для дальнейшего снижения вычислительной нагрузки, возникающей на полном шаге Forward, в конвейер был реализован и вставлен дополнительный фильтр — фильтр Витерби.Фильтр Витерби представляет собой полосатую реализацию SIMD-вектора с оптимальным выравниванием с зазором по профилю (рис. 1А). Реализована 8-кратная векторная параллель в 16-битных целых числах, поскольку численный анализ накопления ошибки округления для Витерби менее благоприятен, чем для МСВ, и требуется большая точность. Следуя тем же аргументам, что и для MSV, оценки фильтра Витерби не занижаются (в расчетных пределах ), но могут переполнять 16-битное представление, которое находится в единицах 1/500 бит с целочисленным смещением 12 000, так что представляемые оценки диапазон от -89.от 5 до 41,5 бит. Любая оценка, превышающая верхний предел в 41,5 бита, в любом случае обязательно пройдет любое разумное P-значение фильтра (; пороговое значение фильтра Витерби по умолчанию равно ).

Алгоритмы Forward и Backward для конвейера реализованы в специализированных формах эффективной памяти, называемых p7_ForwardParser() и p7_BackwardParser(). Каждый синтаксический анализатор хранит только одну строку матрицы динамического программирования для каждого остатка последовательности, а также полные столбцы для «особых» состояний E, N, J, B и C.Это дает реализации с линейной памятью с достаточным количеством хранимой информации, чтобы обеспечить прямое/обратное апостериорное декодирование вероятных позиций состояний B и E в целевой последовательности, определяя вероятности конечных точек локального выравнивания. Целевая последовательность, которая проходит фильтр Витерби, оценивается с помощью полного алгоритма прямого синтаксического анализа. Если оценка Forward превышает порог P-значения (P по умолчанию), вычисляется анализатор Backward. Прямые/обратные вероятности используются для оценки локальных «областей» выравнивания со значительной апостериорной вероятностной массой в целевой последовательности.Затем каждая область подвергается концептуально отдельному конвейеру анализа, конвейеру «определения домена», который идентифицирует отдельные гомологичные области и выравнивания с использованием ряда шагов, включая полноматричное прямое/обратное выравнивание, апостериорное декодирование, выравнивание с максимальной ожидаемой точностью и коррекция предвзятой оценки состава для конкретного региона. Процедура определения домена подробно не описывается в этой статье.

Конвейер ускорения эффективно использует память. Фильтры MSV и Viterbi занимаются только оценками, а не выравниваниями, поэтому они реализованы в формах с линейной памятью, которые хранят только одну строку динамического программирования.Алгоритмы Forward и Backward используются в только что описанной форме «парсера». Однако конвейер определения домена неэффективно использует память. В настоящее время он вычисляет полные матрицы прямого/обратного и апостериорного декодирования для каждой идентифицированной подпоследовательности (области) длины в целевой последовательности. Пока эти шаги в постпроцессоре предметной области не будут заменены более эффективными алгоритмами памяти, HMMER3 может иногда исчерпать доступную память для некоторых больших сравнений моделей/последовательностей.

Тест скорости

На рис. 5 показаны эталонные измерения скорости HMMER3 по сравнению со скоростью BLAST [3], FASTA [40], SSEARCH (реализация FASTA Smith/Waterman), HMMER2 и программного обеспечения UCSC SAM profile HMM [37]. .Скорость поиска указана в миллионах ячеек динамического программирования в расчете на секунду (Мк/с), измеренных на одном ядре процессора (см. Методы). Количество ячеек динамического программирования является произведением длины запроса и длины целевой базы данных в остатках. Простая реализация выравнивания последовательности динамического программирования масштабируется во времени как , поэтому ожидается, что отчет о скорости в единицах Mc/s будет относительно независимым от длины запроса и цели. На практике самые быстрые программы поиска, как правило, демонстрируют некоторую дополнительную зависимость от длины последовательности запросов, при этом более эффективная работа выполняется при более длинных запросах.На рис. 5 представлен ряд различных запросов разной длины.

Рисунок 5. Тесты скорости.

Каждая точка представляет собой измерение скорости для одного поиска с одним запросом к целевым последовательностям (для медленных программ HMMER2 и SAM, для FASTA и SSEARCH) на одном ядре ЦП (подробнее см. Методы). Обе оси являются логарифмическими, для скорости в миллионах ячеек динамического программирования в секунду (Мк/с) по оси y и длины запроса в остатках по оси x. На панели A показаны измерения скорости «типичная наилучшая производительность» для нескольких различных программ, включая HMMER3, для 76 запросов различной длины консенсуса, выбранных из Pfam 24, для поиска рандомизированных (перетасованных) целевых последовательностей.На панели B показан более широкий диапазон более реалистичных измерений скорости для всех 11 912 профилей в Pfam 24 при поиске реальных последовательностей целевых белков из UniProt TrEMBL.

https://doi.org/10.1371/journal.pcbi.1002195.g005

Чтобы измерить «типичную» производительность каждой программы, не усложняя вариации, возникающие в результате получения объемных результатов выравнивания для некоторых запросов, которые затрагивают большие суперсемейства белков, панель A (слева) показывает эталонные тесты, выполненные на случайных (перемешанных) целевых последовательностях. Панель показывает результаты для 76 профилей запросов (или репрезентативных одиночных последовательностей), выбранных для выборки полного диапазона длин запросов в базе данных белковых доменов Pfam от 7 до 2217 остатков. Эти результаты показывают, что производительность HMMER3 сравнима с другими быстрыми программами поиска в базе данных; несколько медленнее (примерно в 2–3 раза), чем NCBI BLAST, и несколько быстрее (примерно в 3 раза), чем, например, WU-BLAST. На этом рисунке стоит отметить скорость SSEARCH, реализации локального выравнивания Smith/Waterman в пакете FASTA; Недавно программа SSEARCH была ускорена за счет внедрения полосатых векторных методов SIMD Фаррара, что позволило достичь скорости, сравнимой с эвристическими программами FASTA и WU-BLAST.HMMER3 быстрее, чем HMMER2, до 140 раз, хотя HMMER3 вычисляет полные оценки вперед, тогда как HMMER2 вычисляет более быстрые оценки оптимального выравнивания Витерби. По сравнению с SAM, который вычисляет полные оценки Forward, HMMER3 примерно в 600 раз быстрее.

Для измерения более широкого и более реалистичного диапазона реальной производительности на панели B (справа) показаны эталонные показатели для 11 912 различных запросов (каждый профиль Pfam 24) на реальных последовательностях из UniProt Trembl. Программы, которые просто выполняют динамическое программирование выравнивания для каждой целевой последовательности, такие как HMMER2 (оранжевые точки) или SSEARCH (не показаны), демонстрируют производительность, практически независимую от свойств запроса и целевых последовательностей.Однако программы, использующие эвристику и фильтры, чувствительны к тому, насколько хорошо данный поиск подчиняется предположениям пороговых значений эвристики и/или фильтра. Скорость как HMMER3, так и PSI-BLAST зависит не только от длины запроса, но также существенно зависит от их среднего значения для заданной длины запроса. Скорость PSI-BLAST на панели B варьируется как вверх (примерно в 3 раза), так и вниз (примерно в 10 раз) по сравнению с его «типичными» характеристиками на панели A, предположительно отражая различия в количестве попаданий слов и совпадений. расширения должны быть обработаны для данного поиска.Скорость HMMER3 имеет тенденцию изменяться только в меньшую сторону по сравнению с ее типичной производительностью, примерно в 20 раз. На панели B я выделяю примеры четырех самых неэффективных поисков HMMER3 на моделях DivIC, DUF972, IncA и MFS_1. Даже если этап фильтра смещения включен в конвейер ускорения, основной причиной более низкой производительности поиска HMMER3 остаются смещенные последовательности композиции (например, трансмембранные белки), в которых большее количество сравнений проходит через быстрые фильтры конвейера ускорения, чем ожидалось по расчетам P-значения, которые предполагают средние составы целевой последовательности, что приводит к большему количеству сравнений для достижения ресурсоемких расчетов вперед/назад.

Сравнительный анализ чувствительности/специфичности

Подход с фильтрацией, как правило, в некоторой степени снижает чувствительность поиска, поскольку фильтр с определенной скоростью ошибочно удаляет истинные гомологи. Мы хотим, чтобы эта скорость была незначительной. Чтобы измерить, насколько снижается чувствительность поиска при использовании фильтра MSV и конвейера ускорения HMMER3, я выполнил тесты для сравнения чувствительности/специфичности стандартного HMMER3 hmmsearch (с конвейером фильтра ускорения) с параметром hmmsearch —max, который превращает отключает все фильтры и запускает полный алгоритм прямой оценки для каждой целевой последовательности.Я также протестировал HMMER2 и несколько других программ поиска гомологии для сравнения. Эти результаты показаны на рисунке 6.

Рисунок 6. Сравнительный анализ чувствительности и специфичности поиска.

Для разных программ поиск осуществляется либо путем построения единого профиля из выравнивания запросов (HMMER3, HMMER2, SAM, PSI-BLAST), либо с помощью «семейного попарного поиска» [41], в котором каждая отдельная последовательность используется как запрос и лучшее значение E для целевой последовательности записывается (BLASTP, SSEARCH, FASTA). В каждом эталонном тесте были выбраны истинно положительные подпоследовательности, которые не более чем на 25% идентичны любой последовательности в выравнивании запроса (см. Методы). На панели А показаны результаты, в которых негомологическая последовательность была синтезирована с помощью простой случайной модели, и каждая истинно положительная последовательность содержит одну встроенную гомологичную подпоследовательность (всего 2141 запрос множественных выравниваний, 11 547 истинно положительных последовательностей и 200 000 ловушек). На панели B показаны результаты, в которых негомологическая последовательность синтезирована путем перетасовки случайно выбранных подпоследовательностей из UniProt, и каждый истинно положительный результат содержит две встроенные гомологичные подпоследовательности (всего 2141 выравнивание по запросу, 24040 истинно положительных последовательностей и 200000 ложных последовательностей).Ось Y представляет собой долю истинных срабатываний, обнаруженных со значением E лучше, чем количество ложных срабатываний на запрос, указанное на оси X.

https://doi.org/10.1371/journal.pcbi.1002195.g006

Эти тесты автоматически и полуслучайно генерируются программой (create-profmark). Программа начинается с источника надежных выравниваний гомологичных белковых доменов (здесь выравнивания семян Pfam 24), источника типичных полноразмерных белковых последовательностей (здесь UniProt SwissProt 2011_03) и выбора метода синтеза негомологичных сегментов последовательностей ( например, перемешивание случайно выбранного сегмента последовательности UniProt).Выравнивание запроса и набор истинных тестовых доменов (доверено, что они гомологичны запросу) создаются путем применения кластеризации с одинарной связью по процентной идентичности к выравниванию Pfam и использования этой кластеризации для выбора последовательностей, таких, что ни один истинный тестовый домен не имеет попарная идентичность более чем на 25% для любой последовательности в выравнивании запроса и не более чем на 50% попарная идентичность для любого другого тестового домена. Настоящие тестовые последовательности создаются путем объединения одного или двух тестовых доменов вместе с негомологичными сегментами последовательности, при этом общая длина последовательности выбирается из распределения последовательностей UniProt.Ложные (негомологичные) тестовые последовательности создаются путем конкатенации негомологичных сегментов последовательности, при этом как длина сегмента, так и общая длина последовательности выбираются из распределений длин истинных тестовых последовательностей. Процедура, ее обоснование и некоторые предостережения более подробно описаны в Методах.

Для сравнительного анализа метода профиля (HMMER, SAM или PSI-BLAST) профиль создается на основе каждого выравнивания запроса и выполняется поиск в целевой базе данных тестовых последовательностей и ложных целей. Результаты всех поисков (для всех разных запросов) объединяются и сортируются по E-значению, и этот ранжированный список используется для расчета доли истинных срабатываний, обнаруженных при увеличении порогов ложных срабатываний на запрос от 0. от 001 до 10.

Для более справедливого сравнения метода запроса с одной последовательностью (BLAST, SSEARCH, FASTA) с методами профиля используется метод семейного парного поиска (FPS) [41] (в отличие от выбора только одной последовательности запроса из выравнивания). . Каждая отдельная последовательность в выравнивании запроса ищется в целевой базе данных; лучшее E-значение, найденное для любой последовательности запроса, рассматривается как E-значение целевой последовательности, а результаты для всех запросов объединяются, сортируются и обрабатываются, как указано выше.

На рис. 6 показаны результаты двух разных эталонных тестов. На панели А показаны результаты, в которых истинные тестовые последовательности имеют один встроенный домен, а негомологичные последовательности синтезированы как i.i.d. (независимая одинаково распределенная) случайная последовательность из среднего частотного распределения остатков UniProt; имеется 2141 сопоставление запросов, 11 547 истинных тестовых последовательностей и 200 000 ложных целей. Поскольку негомологичные последовательности нереально просты (нет смещенной композиции, нет повторяющейся последовательности), этот эталонный тест не использует различные поправки на смещенную композицию, которые есть в некоторых программах (таких как HMMER и BLAST), и является скорее базовым тестом наилучшего. чувствительность программы поиска к регистру.На панели B показаны результаты моего теста profmark по умолчанию, в котором есть два встроенных домена на настоящую тестовую последовательность (чтобы проверить способность программы правильно обнаруживать и выравнивать несколько доменов на последовательность, хотя такие результаты здесь не показаны), и где сегменты негомологичной последовательности создаются путем перетасовки случайно выбранных сегментов последовательностей UniProt. Поскольку негомологичные сегменты в этом эталонном тесте могут показывать более реалистичные смещения состава моноостатка (но не смещения более высокого порядка, такие как тандемные повторы), эта версия эталонного теста является более реалистичной и использует больше специальных частей программ, которые пытаются скорректировать систематическую ошибку. сочинение.На панели А показаны результаты, которые в значительной степени не зависят от предвзятости композиции, но менее реалистичны. На панели B показаны результаты, которые в большей степени зависят от способности программы обрабатывать предвзятую композицию и, вероятно, более реалистичны.

Основной результат на обеих панелях заключается в том, что чувствительность и специфичность практически идентичны для HMMER3 как с конвейером ускорения (темные черные линии), так и без него (—max; красные линии). Существует небольшая потеря чувствительности, вызванная конвейером ускорения, но эта потеря более чем компенсируется усилением чувствительности HMMER3 по сравнению с HMMER2 (либо в режиме «глобального» поиска выравнивания по умолчанию, либо в режиме поиска локального выравнивания; оранжевые кружки и квадраты соответственно).При высокой специфичности (низкий уровень ложных срабатываний) на более реалистичных смещенных приманках HMMER3 по умолчанию может оказаться лучше, чем нефильтрованный HMMER3 (hmmsearch —max), потому что фильтр смещения удаляет некоторые проблемные смещенные ложноположительные ложные ложные срабатывания, которые предположительно более мощные смещенные исправления состава в HMMER3 Forward оценки не исправляются.

Тесты для других программ (таких как BLAST, SAM, FASTA и SSEARCH) показаны только для приблизительного сравнения. Цель состоит не в том, чтобы тщательно сравнить HMMER с этими программами, а в том, чтобы дать дополнительное ощущение масштаба, поместив разницу между HMMER3 с конвейером ускорения и без него в контексте, то есть показав, что разница между HMMER3 с конвейером ускорения и без него незначителен по сравнению с различиями между программами.Эти программы запускались только в конфигурации по умолчанию. Я не исследовал доступные варианты, которые могли бы улучшить их производительность в этом тесте. Хотя я считаю результаты справедливыми и репрезентативными, я должен интерпретировать их с осторожностью. Я регулярно тестирую HMMER на этих тестах во время разработки. Невозможно избежать некоторого обучения тесту, даже несмотря на то, что тесты несколько рандомизированы. Тем не менее, некоторые информативные тенденции в этих результатах согласуются с предыдущими независимыми опубликованными бенчмарками других групп, поэтому сравнения, вероятно, полезны в качестве приблизительного ориентира. Например, Мадера и Гоф опубликовали бенчмарк [28], в котором они пришли к выводу, что SAM значительно превосходит HMMER2, что в то время не согласовывалось с моим опытом. Джонсон [29] проследил это до того, что Мадера и Гоф переключили HMMER2 с режима глобального выравнивания по умолчанию на режим локального поиска не по умолчанию, который мы не тратили много времени на тестирование или настройку, и мы ранее не понимали, насколько чувствительно локальное выравнивание относится к информативности модели на позицию. Это привело нас к пониманию того, насколько важен метод энтропийного взвешивания SAM для локального выравнивания, в то время как он гораздо менее важен для глобального выравнивания [29].Эта история отражена в тестах на рисунке 6, где локальное выравнивание HMMER2 работает плохо по сравнению с SAM, выравнивание HMMER2 glocal сравнимо с SAM, а локальное выравнивание HMMER3 (с методом энтропийного взвешивания), возможно, немного лучше. чем САМ. Большая часть различий между HMMER3 и SAM заключается в режиме высокой специфичности более реалистичного эталона, который включает сегменты предвзятого состава (панель B), и, таким образом, вероятно, является результатом различий в корректировках состава смещения ad hoc , которые различаются. между SAM и HMMER, а не какие-либо принципиальные различия в параметризации их профилей HMM или их алгоритмах оценки вперед, которые, как я считаю, очень похожи.

Другая история, отраженная в этих тестах, связана с широко распространенным мнением о том, что полное выравнивание Смита/Уотермана превосходит быстрое эвристическое приближение Смита/Уотермана BLAST. Это верно в более простом тесте (панель A), но не в том случае, когда последовательности-приманки включают в себя необъективные сегменты композиции (панель B). Действительно, на панели A все три программы быстрого поиска последовательностей (WU-BLAST, NCBI-BLAST и FASTA) работают примерно одинаково (и хуже, чем SSEARCH), тогда как на панели B NCBI BLAST превосходит WU-BLAST, FASTA и SSEARCH.Это снова, вероятно, показывает важность необъективных поправок на оценку композиции. Смещенная коррекция состава привлекла пристальное внимание при разработке программного обеспечения NCBI BLAST [7], [8], [42], но не является частью учебника, описывающего «оптимальное» локальное выравнивание Смита/Уотермана.

Мой главный вывод (о том, что конвейер ускорения оказывает незначительное влияние на чувствительность/специфичность HMMER3 по сравнению с неускоренной опережающей оценкой) подтверждается более прямым экспериментом.Я провел поиск по всем 11 912 HMM профиля Pfam 24 по сравнению с 516 081 последовательностями в UniProt SwissProt 2011_03, используя пять различных настроек параметров hmmsearch, начиная с —max и затем последовательно включая один шаг фильтра за раз в конвейере ускорения (MSV, смещение, Витерби). и вперед), вплоть до конфигурации по умолчанию со всеми четырьмя этапами фильтра. С помощью —max было найдено в общей сложности 799 893 совпадения с E-значением 0,0001 или меньше. При включении фильтра MSV теряется 718 обращений (0,09%). В целом конвейер по умолчанию со всеми этапами фильтрации теряет 2701 обращение (0.3%). Различия в значительных совпадениях не обязательно все связаны с истинными гомологами. Нефильтрованный поиск может найти ложное срабатывание, которое будет удалено одним или несколькими фильтрами. Однако большинство этих различий, по-видимому, являются истинными гомологами, которые удаляются фильтрами. Помимо 718 совпадений, удаленных фильтром MSV, подавляющее большинство других потерь происходит из-за того, что фильтр смещения ненадлежащим образом удаляет последовательности, которые имеют сильно смещенные композиции, но также содержат область истинной гомологии.Наиболее очевидные проблемы с чувствительностью/специфичностью HMMER3, по-видимому, связаны с его фильтром смещения и коррекцией оценки состава смещения, а не с использованием фильтра MSV в качестве основного ускорения.

Обсуждение

Описывая эвристику MSV и другие методы ускорения, реализованные в HMMER3, я не рассматривал вопрос о том, лучше или хуже эвристика MSV, чем другие эвристики, например, в BLAST или FASTA. В тестах чувствительности/специфичности (рис. 6) BLAST и FASTA работают примерно так же, как неускоренный Smith/Waterman, а HMMER3 работает примерно так же с конвейером ускорения и без него. Это показывает, что общая чувствительность и специфичность этих программ ограничены не их соответствующими эвристиками, а скорее их фундаментальными (неускоренными) методами сравнения последовательностей. Таким образом, лучшая эвристика вряд ли улучшит общую чувствительность/специфичность. Лучшей эвристикой будет более быстрая с той же чувствительностью/специфичностью. В вопросе о скорости мы не можем удовлетворительно показать, что один алгоритм обязательно быстрее другого. Мы можем только строго сравнивать конкретные реализации.Попытка смешивать и сопоставлять различные эвристические подходы и проводить окончательное сравнение их полностью оптимизированных скоростей требует трудоемких усилий по проектированию и оптимизации, посвященных каждой реализации. Таким образом, остается открытым вопрос, можно ли, например, настроить эвристику в стиле BLAST, чтобы иметь достаточную чувствительность / специфичность, чтобы соответствовать производительности HMMER3, но при этом оставаться быстрее. Я разработал MSV, потому что это было легко для меня, а не потому, что я попробовал разные эвристики и обнаружил, что MSV лучше.Я работал над чередующейся SIMD-векторизацией алгоритма Витерби, и реализация MSV легко получается из полосатой SIMD-Витерби, просто удаляя код, который обрабатывает удаления и вставки. Эвристические подходы в BLAST и FASTA имеют то преимущество, что последующие более медленные вычисления сосредоточены на определенных диагоналях, тогда как в текущем подходе HMMER мы расточительно пересчитываем полные выравнивания последовательностей на каждом этапе конвейера ускорения. Я ожидаю, что будет полезно разработать эвристики, ориентированные на диагонали с высокой вероятностью, как это делают BLAST и FASTA, используя методы векторизации SIMD HMMER.

Хотя эта статья посвящена методам ускорения, используемым в HMMER3, HMMER3 также кажется более чувствительным, чем HMMER2. Основной причиной этого является принятие «энтропийного взвешивания», метода, представленного группой Калифорнийского университета в Санта-Круз в пакете SAM profile HMM [29], [37], где информационное содержание каждой позиции сводится к заданной цели. количество бит. Второй причиной является переход от оценок оптимального выравнивания по Витерби к показателям Forward, суммированным по ансамблю выравнивания [29].

С другой стороны, я считаю, что переход от глобального выравнивания по умолчанию в HMMER2 к локальному выравниванию в HMMER3, вероятно, поставил под угрозу некоторую чувствительность поиска («глобальный» означает глобальный в запросе, локальный в целевой последовательности: требуется домен полной длины выравнивание). Восстановление глобального выравнивания по HMMER3 должно улучшить производительность поиска для профилей, которые, как ожидается, будут совпадать по всей своей длине, таких как модели белковых доменов Pfam. Однако быстрая статистика E-значения для оценок прямого и обратного направлений (включая оценки фильтра MSV) действительна только для локального выравнивания, а числовой анализ потери значимости метода разреженного масштабирования в реализации прямого/обратного направления предполагает локальное выравнивание. Обе проблемы должны быть решены, прежде чем глобальное выравнивание будет полезно реализовано в HMMER3.

Здесь я описал только одноядерную производительность. Я не обсуждал распараллеливание между несколькими ядрами. Поисковые программы HMMER3 включают рудиментарные реализации потоков POSIX и распараллеливания MPI (передача сообщений в кластере вычислительных узлов). Эти реализации в настоящее время плохо масштабируются, до скромного количества процессорных ядер (например, от 2 до 4 для многопоточности).Улучшенное распараллеливание является приоритетом для будущих разработок.

Обработка смещенных последовательностей композиций в HMMER3 проблематична. Я решил ввести специальный «фильтр смещения» в конвейер ускорения, чтобы иметь дело с небольшим количеством профилей, которые пропускают слишком много последовательностей через фильтр MSV и вязнут на медленных этапах вперед/назад конвейера. Фильтр смещения иногда отфильтровывает истинно положительные совпадения. Возмущающий режим отказа может возникнуть, когда целевая последовательность состоит из гомологичной подпоследовательности, окруженной большим количеством негомологичной последовательности со смещенным составом; в этом случае фильтр смещения может агрессивно удалить всю последовательность.Хотя другие программы поиска в базе данных имеют аналогичные проблемы с чрезмерно агрессивной маскировкой состава, одним из будущих направлений разработки HMMER3 будет улучшение его формальной вероятностной модели гомологичной последовательности , не относящейся к .

В этом документе описывается начальный базовый уровень производительности HMMER3 на одном ядре процессора. Перспективы существенных улучшений в будущем хорошие. Есть много очевидных возможностей для поэтапной оптимизации. Бьерн Кнудсен (CLCbio, Орхус, Дания) уже внес важный вклад в оптимизацию фильтра MSV, который увеличивает общую скорость HMMER3 примерно в два раза.Оптимизация Кнудсена появится в следующем выпуске кода HMMER, и мы, вероятно, опишем ее в следующей рукописи. Другой возможностью оптимизации является предварительная обработка файла последовательности целевой базы данных в эффективный двоичный формат, как это делает BLAST со своими базами данных BLAST. HMMER3 по-прежнему читает стандартные базы данных последовательностей плоских файлов, такие как текстовые форматы FASTA и UniProt. Другая возможность оптимизации состоит в том, чтобы преобразовать фильтры в конвейере из их текущего режима фильтрации целых целевых последовательностей (что было легко реализовать) для хранения и извлечения дополнительной информации о местонахождении массы вероятности выравнивания, поэтому последующие шаги (включая прямое/обратное ) можно выполнять как расчеты динамического программирования с диапазонами внутри высоковероятностных конвертов, в отличие от повторной обработки всего сравнения запроса и цели на каждом этапе конвейера.Благодаря этим и другим простым возможностям оптимизации я ожидаю, что скорость HMMER3 превзойдет скорость NCBI BLAST в относительно ближайшем будущем.

Эта скорость позволяет применять технологию профильного HMM к стандартному поиску в базе данных последовательностей с помощью запросов с одной последовательностью, включая итеративный поиск в базе данных. Независимая от позиции система подсчета очков для одиночных последовательностей является лишь частным случаем профилированной системы подсчета очков, зависящей от позиции. «Профиль» HMM может быть построен из одной последовательности с использованием независимых от позиции вероятностей, полученных из стандартных оценочных матриц, таких как BLOSUM62, плюс пара параметров для вероятностей открытия и расширения разрыва.Программный пакет HMMER3 включает программу phmmer для поиска в базе данных белков, аналогичную blastp , и программу jackhmmer для итеративного поиска в базе данных белков, аналогичную psiblast . Эти программы, их параметризация и эффект расширения технологии HMM профиля, алгоритма Forward и методов вероятностного вывода для рутинного поиска в базе данных последовательностей будут описаны в другом месте.

Самая интересная книга о памяти, которую вы когда-либо читали, Дайан Суонсон

Дайан Суонсон выросла в Летбридже, Альберта.В детстве она собирала камни, наблюдала за насекомыми, плавала и ела мороженое. Она умела делать бумажных кукол и играть на пианино. Диана устраивала выставки домашних животных и цирки для соседских детей. А чтобы заработать немного денег, она собирала картонные коробки и продавала их в местные продуктовые магазины. Она слушала такие радиопрограммы, как The Cisco Kid, и играла в ковбоев. Диана также любила читать. «Таинственный сад» был одним из ее любимых, и она всегда писала всякую всячину, особенно свои собственные приключения.

Пес Дианы, Сэмми, был ее постоянным другом. Летним утром они шли к озеру и обыскивали берег в поисках красивых камней. Дома Сэмми сидел за пианино, пока Диана играла, делая вид, что нашла песню, которая может открыть дверь в секретный проход. Диана вспоминает, что единственное, что им не нравилось вместе, — это грозы в прериях. Сэмми прятался, а Диана любила смотреть, как в небе сверкают молнии. Она думала, что это особенно здорово, когда град разразился, пока они были снаружи.Затем они с Сэмми укрывались в гараже и посылали сообщения по бельевой веревке в дом: «Мы застряли! Отправьте печенье!»

Дайан, работающая постоянно автором, сделала карьеру, написав веселые и информативные книги для детей. Она считает удивительный мир природы источником вдохновения для своего письма. Дети всегда влияли на ее подходы к писательству: ребенок, которым она когда-то была, двое ее собственных детей и все дети, которых она знала. Один совет, который Дайан дала бы молодым писателям: «Пишите то, что вас действительно волнует.Независимо от вашей темы, если вы позволите своему волнению сиять в ваших словах, вы привлечете интерес своих читателей».

Диана опубликовала более 70 книг для детей, в том числе свою последнюю книгу Animal Aha! (весна 2009 г.) о некоторых невероятных открытиях, сделанных в отношении тел и разумов животных. Другие книги, написанные Дайан, включают «Крушение носорогов», «Вечеринка соек» (2006). Чудо в воде (2005) — это взгляд на то, что находится во влажных вещах, от мельчайшей капли пота до самого большого океана.Туннели! (2003) — первая часть захватывающей серии «Правдивые истории с края края». Исследуя эти реальные истории о туннелях, Диана раскопала захватывающую правдивую историю о смелом побеге двух семей через Берлинскую стену в 1979 году на самодельном воздушном шаре. Это невероятное событие не соответствовало подземной теме «Туннелей!», но Дайан не могла отказаться от мощного послания истории о победе над опасным политическим безумием. Результатом стала ее первая книга с картинками «Матросы на воздушном шаре» (2003), творческий аллегорический сборник рассказов, основанный на вдохновляющих реальных событиях.

Другие названия Annick Press, написанные Дайан, включают «Дантист и ты» (2002 г.), « Отпусти: ученый в абсолютно всех» (2004 г.) и « Покусывая мозг Эйнштейна» (оригинал 2001 г. , обновленный 2009 г.), который недавно был обновлен и проиллюстрирован. . Ее работа отмечена многочисленными наградами, в том числе премией B.C. Премия 2000 года, премия Orbis Pictus за выдающуюся документальную литературу для детей и премия «Белый ворон» Международной молодежной библиотеки. Ее работа также была номинирована на премию Mr.Книжная премия Christie’s, премия B.C. Книжная премия, премия «Красный кедр», премия «Серебряная береза» и многие другие.

Она была одним из первых членов Викторийского отделения PWAC (Ассоциация периодических писателей Канады), членом Канадского центра детской книги, членом CANSCAIP, CWILL и волонтером-наставником проекта «Грамотность».

Диана живет в Виктории, Британская Колумбия, со своим мужем. Когда она не работает над письменными проектами, она занимается геокэшингом, бальными танцами и выращиванием деревьев бонсай.Она также часто посещает школы и посещает конференции.

Хм! Это жизнь сантехника. Один из самых космополитичных городов вы… | Оуэн Раш

Одним из самых космополитичных городов во всей Америке является город Бостон. Если вы хотите жить и работать в городе, это действительно подходящее место для этого. Все современные удобства, которые вы можете пожелать в большом метро, ​​предоставляются городом. Дороги, поезда и аэропорты доступны для широкой публики, что обеспечивает отличную связь с городом.

Бостон был местом, где я провел все свое детство. В нашем районе была общественная школа, в которой я учился. Моя мама решила записать меня в эту школу, так как она преподавала в той же школе. Ей почему-то хотелось, чтобы я никогда не уходил от нее и всегда был рядом с ней.

Когда я закончил школу, я решил поступить в колледж, чтобы продолжить обучение. Я хотел учиться на сантехника, потому что с детства меня увлекали трубы и трубки. Раньше я даже сам устранял небольшие проблемы с сантехникой, с которыми нам иногда приходилось сталкиваться на кухне.

Поэтому я записался на курсы сантехника в учебный институт, расположенный в десяти милях от моего дома. Раньше я ежедневно ездил на поезде в свой институт утром, а после занятий возвращался обратно вечером.

Инструменты и оборудование, используемые в сантехнике, включали колено, уличный колено, тройник, крестовину, заглушку, заглушку, ниппель, фланец шкафа, чистящие средства, грунтовочные ловушки, комбинированный тройник, санитарный тройник, двойной санитарный тройник, санитарный крест и тройник. . Обо всех этих инструментах и ​​видах оборудования я узнал в учебном институте.

Водопроводные технологии могут использоваться в различных областях, таких как питьевое холодное и горячее водоснабжение, ловушки, стоки и вентиляционные отверстия, септические системы, дренаж дождевой воды, поверхностных и подземных вод, а также трубопроводы топливного газа.

Продолжительность обучения составляла один год, и я прошел курс с честью. Я присоединился к местной сантехнической компании в качестве ученика и начал изучать навыки торговли вместе с группой опытных сантехников.

alexxlab

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *