CN110021350B - 一种基于多样性指数与时空关系的幂法则标度模型预测微生物群落结构变化的方法 - Google Patents
一种基于多样性指数与时空关系的幂法则标度模型预测微生物群落结构变化的方法 Download PDFInfo
- Publication number
- CN110021350B CN110021350B CN201711289534.0A CN201711289534A CN110021350B CN 110021350 B CN110021350 B CN 110021350B CN 201711289534 A CN201711289534 A CN 201711289534A CN 110021350 B CN110021350 B CN 110021350B
- Authority
- CN
- China
- Prior art keywords
- diversity
- sampling
- species
- time
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000000813 microbial effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 title claims abstract description 12
- 241000894007 species Species 0.000 claims abstract description 78
- 238000005070 sampling Methods 0.000 claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 11
- 244000005700 microbiome Species 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 108020004465 16S ribosomal RNA Proteins 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000001186 cumulative effect Effects 0.000 description 8
- 210000005000 reproductive tract Anatomy 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000035935 pregnancy Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 208000004926 Bacterial Vaginosis Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010052891 Skin bacterial infection Diseases 0.000 description 1
- 208000037009 Vaginitis bacterial Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005002 female reproductive tract Anatomy 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 210000004602 germ cell Anatomy 0.000 description 1
- 244000005709 gut microbiome Species 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 201000001245 periodontitis Diseases 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种预测和评估微生物结构的方法,具体指基于物种多样性指数与区域范围和时间尺度关系的幂法则标度模型预测微生物群落多样性在时间和空间尺度上分布变化的方法。通过对采样位点进行随机抽样排序,按照采样位点和采样时间顺序对物种丰度信息进行累积,计算累积时空下物种多样性指数,并通过幂法则标度模型构建数学模型。重复上述抽样拟合过程,利用模型的平均参数构建一套综合评估体系。该指标可全面、有效地监测或预测自然界中各类微生物生态群落的结构特征和分布规律,尤其适用于人体微生物菌群。根据特定菌群的结构随时空变化的规律,本发明可以为人体健康状况的评估以及菌群相关疾病的诊断和治疗提供可靠的定量指标和生态学基础。
Description
技术领域
本发明涉及计算生物学和医学生态学领域,特别涉及一种评估微生物群落结构分布随时间和区域范围变化的方法,具体指一种基于物种多样性指数与时空关系的幂法则标度模型来监测微生物群落多样性在时间和空间尺度上结构和分布变化的方法。
背景技术
微生物物种繁多,数量庞大,是自然生态***的重要组成之一,它们维系着生态***的稳定,并在生态***功能发挥中起着重要的作用。微生物群落的物种数会随着群落分布范围的扩大而增加,其增长速率反应了该群落的结构和空间分布特征。此外,一个区域内微生物群落的物种数会随着时间上下波动,这种时间动态体现了微生物群落对外界环境或干扰的响应程度。通过在时间和空间两个尺度对微生物群落的结构和分布变化进行检测,可以更全面的把握一个微生物群落的生态学特征,同时也可以测定或预测外界干扰对群落的影响。这些信息为人工干预微生物群落的分布奠定了基础,也为维护生态***的稳定提供了可能。
随着测序和分析技术的发展,人体微生物菌群的重要性逐渐为人们所知。它们与人体互利共生,与人体的健康和疾病息息相关。人体微生物菌群是一个庞大复杂的生态***。基于生态学角度,每个个体的微生物菌群均为一个独立的生态***,口腔、呼吸道、肠道、皮肤和生殖道等局部群落组成了这一复杂的生态***。具有同一属性的人群,其特定部位的菌群间也拥有相同的结构特征,这些菌群同样构成了一个完整的微生物生态群落。微生物菌群的稳定关系着宿主的健康,同时宿主的生活习惯、健康状况也直接或间接地影响着特定部位菌群的结构,如结肠癌、牙周炎、肥胖、细菌性***病及皮炎等疾病被称为“微生物菌群相关疾病”。人体共生菌菌群的结构特征以及时间动态可以在一定程度反应人体的健康或疾病发病的状况,可为人体的健康评估提供生态学视角,为疾病的预防、诊断和治疗提供可靠的理论依据。
现有监测微生物群落与时空关系(Species-Area-Time Relationship,SATR)的方法多从物种丰富度(Richness)或物种丰度(Abundance)着手,前者指一个群落中物种的数目,后者指一个群落中每个物种所拥有的个体数。虽然二者均是生态学的重要指标,却不能够全面的反应群落物种的结构特征,比如,它们菌忽视了群落中物种分布的均匀程度(均匀度),即个体数目在种间的分配情况。此外,SATR并没有考察常典型物种或优势物种随时空变化的情况,而这些物种在维系群落结构稳定中起着非常重要的作用。上述局限性均限制了传统方法的应用范围,因此需要一个更为全面、综合的方法和评估体系来监测或预测时空尺度上微生物生态群落结构的分布变化特征。
发明内容
本发明的目的在于针对现有技术方法的不足,提供一种基于“物种多样性指数与时空关系”(Diversity-Area-Time Relationship,DATR)的幂法则标度模型来监测或预测微生物群落结构变化和分布规律的方法。DATR模型通过对SATR模型的扩展,突破了SATR模型的局限,可从多个群落结构层次和属性全面考察微生物生态群落随时间和空间范围的变化规律。该方法适用范围广,可用于监测或预测自然界中各类微生物生态群落的结构和分布。尤其适用于人体微生物菌群相关疾病的监测、诊断和干预,并为个体化医疗的诊断和预防提供可靠的理论基础。
为实现以上目的,本发明采用的技术方案为:
步骤【1】数据采集:在一定时间段内对特定微生物群落进行监测,在监测区域内选取多个采样位点,并在不同时间点对每个位点进行多次采样,获得一组不同位点在不同采样时间点下的微生物物种丰度信息数据。该数据可通过例如16s-rRNA标记的宏基因测序技术获得物种丰度信息。
步骤【2】数据处理:对物种丰度信息按照采样位点的顺序进行等概随机抽样排序,获得一组不同时空位点的微生物物种丰度信息数据,所得数据用于后续步骤,每次重排序的数据经计算拟合可获得一个DATR模型。
步骤【3】计算多样性指数(Hill numbers):物种多样性作为群落结构的重要属性之一,它除了包含物种丰富度和丰度的信息外,还反应了群落全部个体数目在物种间分布的均匀程度。多样性指数中包括alpha和beta多样性,前者度量单个群落的多样性,后者度量群落间的差异。
首先,对重排序后的物种丰度数据按照采样位点进行累积,再按照采样时间顺序对每个累积采样位点下的累积物种丰度二次累积。利用Hill numbers多样性计算公式计算各累积采样位点下微生物群落的alpha物种多样性,公式(1)所示:
在该式中qD表示q阶下的alpha累积物种多样性,S为各累积采样时空下微生物物种的数量,pi代表各累积采样时空中每个物种的相对丰度(Relative Abundance),q为多样性指数的阶数,在本发明中选取了4个多样性阶数:q=0,1,2,3。当q=0,2,3时alpha 累积物种多样性可由公式(1)获得。当q=1时,公式(1)无法定义,故用公式(2) 进行计算:
接着,对重排序后的物种数据按照采样位点和采样时间的顺序依次计算beta 物种多样性,公式如下所示:
qDβ=qDγ/qDα (3)
其中,qDβ表示物种的q阶下beta物种多样性。qDα表示q阶下的alpha物种多样性,计算公式如(1)(2)所示,其中pi代表各采样时空位点中每个物种的相对丰度。qDγ为q 阶下gamma物种多样性,gamma物种多样性:
其中,pi+代表各累积采样时空位点中每个物种对应的相对丰度。
当q=0时,各物种的相对丰度并未参与计算,此时0D代表的是群落中物种的丰富度;当q=1时,1D相当于Shannon熵的指数,代表群落中典型或常见物种的alpha 物种多样性;当q=2时,2D等于Simpson指数的倒数,此时物种的丰度在Hill numbers 的计算中占据重要的地位,所得结果代表群落中优势物种的多样性。
步骤【4】模型构建:基于幂法则标度(PL:Power Law Scaling Model)构建微生物群落DATR的数学模型,如(5)所示:
qD=cAzTw (5)
其中,qD为步骤【3】所得的q阶物种多样性指数,A代表累积采样位点,T代表累积采样位点,c,z和w为模型参数。经对数转换,可得:
ln(qD)=ln(c)+zln(A)+wln(T) (6)
公式(6)可用来评估PL-DATR模型中的各个参数。
步骤【5】评估体系:重复步骤【2】-【4】的计算拟合过程若干次(一般为 50次,若有条件也可增加抽样次数),所得参数的均值构成最终该段时间内监测区域微生物群落物种多样性分布的DATR模型,根据模型参数可获得一套不同多样性阶数下的评估体系,评估体系如表1所示,具体包括:zpl(diversity scaling parameter of area from PL),即“幂法则标度空间参数”和wpl(diversity scaling parameter of time from PL),即“幂法则标度时间参数”。
在DATR评估体系中,当zpl>0时,表示微生物群落物种多样性随区域范围扩大呈增长趋势,当zpl<0时,表示物种多样性随区域范围扩大呈减少趋势。当wpl>0时,表示物种多样性随时间推移呈增长趋势,当wpl<0时,表示物种多样性随时间推移呈减少趋势。
表1.基于DATR模型监测或预测微生物群落结构变化的评估体系*
*zpl或wpl:diversity scaling parameter from PL,即“幂法则标度参数”
本发明的独特效用和优势在于:用物种多样性指数代替常规的物种丰富度(Abundance)和物种丰度(Richness)来探索微生物生态群落在特定时空尺度下的结构特征,突破了现有方法仅的局限,从多个层面反映了群落结构随时间和空间两个尺度变化的规律。本发明的监测范围不但包好现有方法涉及的群落物种丰度和丰度信息,还涵盖了常见物种、典型物种及高丰度物种多样性等多个群落结构。本发明适用范围广,可用于检测自然界中各类微生物生态群落物种结构或多样性的时空分布规律,尤其可用于人体微生物菌群的监测和预测,包括人体微生物菌群相关疾病的监测、诊断和干预,以及为个体话医疗的诊断和防御提供可靠的理论基础。
具体实施方式
下面结合具体实施例对本发明做进一步的说明,但并不局限于此。
实施例1:监测22名孕期女性生殖道微生物菌群近30周的结构变化
步骤【1】数据来源(Citation of the data source):
该生殖道微生物菌群数据采自22名孕期在32-42周的女性。在孕期间,每隔四周进行一次采样,历时24周,在临盆期前,每隔两周进行一次采样。孕期女性的生殖道菌群作为一个独立完整的微生物生态***,每一位女性为该***中的一个区域群落,共22 个区域群落。原作者采用了16s-rRNA基因标记测序技术获得了肥胖人群肠道微生物菌群物种丰富度(Richness)和丰度(Abundance)的数据。
步骤【2】数据处理:对22个菌群群落进行随机等概抽样排序,获得一组不同时空位点的物种丰度信息数据,所得生殖道微生物菌群数据用于后续步骤,每次重排序的数据经计算拟合可获得一个DATR模型。
步骤【3】计算多样性指数:首先,对重排序后的生殖道菌群物种丰度数据按照重排序后的群落(采样位点)顺序进行累积,再按照采样时间顺序对每个累积采样位点下的累积物种丰度二次累积。利用Hill numbers多样性计算公式计算各累积采样位点下微生物群落的alpha物种多样性,公式(1)所示:
在该式中qDα表示q阶下的alpha累积物种多样性,S为各累积采样时空下生殖道菌群物种的数量,pi代表各累积采样时空中每个物种的相对丰度(Relative Abundance),q为多样性指数的阶数,在本发明中选取了4个多样性阶数:q=0,1,2,3。当q=0,2,3 时alpha累积物种多样性可由公式(1)获得。当q=1时,公式(1)无法定义,故用公式(2)进行计算:
接着,对重排序后的物种数据按照采样位点和采样时间的顺序依次计算beta 物种多样性,公式如下所示:
qDβ=qDγ/qDα (3)
其中,qDβ表示物种的q阶下beta物种多样性。qDα表示q阶下的alpha物种多样性,计算公式如(1)(2)所示,其中pi代表各采样时空中每个物种的相对丰度。qDγ为q阶下gamma 物种多样性,gamma物种多样性:
其中,pi+代表各累积采样时空中每个物种对应的相对丰度。
步骤【4】模型构建:基于幂法则标度(PL:Power Law Scaling Model)构建生殖道菌群DATR的数学模型,如(5)所示:
qD=cAzTw (5)
其中,qD为步骤【3】所得的q阶物种多样性指数,A代表累积采样位点,T代表累积采样位点,c,z和w为模型参数。经对数转换,可得:
ln(qD)=ln(c)+zln(A)+wln(T) (6) 公式(6)可用来评估PL-DATR模型中的各个参数。
步骤【5】评估体系:重复步骤【2】-【4】的计算拟合过程100次,所得参数的均值构成最终该段时间内22名孕期女性组成的生殖道菌群物种多样性分布的DATR 模型,根据模型参数可获得一套不同q阶下的评估体系zpl和wpl。这里以alpha多样性为例示范评估体系的四项指标,其结果见表2。
表2.基于DATR模型监测或预测微生物群落结构变化的评估体系*
*zpl或wpl:diversity scaling parameter from PL,即“幂法则标度参数”
Claims (2)
1.一种基于多样性指数与时空关系(Diversity-Area-Time Relationship,DATR)的幂法则标度模型监测或预测微生物群落结构变化的方法,其特征在于:该方法基于不同多样性阶数下DATR模型参数构成的评估体系,如表1所示:
表1.基于DATR模型监测或预测微生物群落结构变化的评估体系
zpl或wpl:diversity scaling parameter from PL,即“幂法则标度参数”
前述评估体系,其特征在于根据如下方法计算各评估体系:
(1)数据:在一定时间段内对特定微生物群落进行监测,在监测区域内选取多个采样位点,并在不同时间点对每个位点进行多次采样,获得一组不同位点在不同采样时间点下的微生物物种丰度信息数据;该数据可通过16s-rRNA标记的宏基因测序技术获得物种丰度信息;
(2)数据处理:按照采样位点的顺序对采样数据进行随机抽样排序,获得一组不同时空位点的微生物物种丰度信息数据,所得数据用于后续步骤,每次重排序的数据经计算拟合可获得一个DATR模型;
(3)计算多样性指数:重排序后的物种丰度数据首先按照采样位点进行累积,接着对每个累积采样位点下的累积物种丰度按照采样时间顺序再次累积;利用Hill numbers多样性公式分别计算不同多样性阶数下各累积样本的alpha物种多样性指数和beta多样性指数,选取4个多样性阶数,即q=0,1,2,3;
(4)模型构建:根据幂法则标度模型(PL:Power Law Scaling Model)构建各多样性阶数下的PL-DATR模型,模型核心公式如下所示:
其中,qD代表步骤(3)中计算得到的阶数q对应的alpha或beta多样性指数,A代表累积采样位点,T代表累积采样位点,c,z和w为模型参数;
(5)评估体系:重复步骤(2)到(4)的计算拟合过程若干次,所得参数的均值构成最终DATR数学模型,根据该模型参数可获得监测或预测该微生物群落物种结构和分布的评估体系,即表1所示,具体包括:zpl(diversity scaling parameter of area from PL),即“幂法则标度空间参数”和wpl(diversity scaling parameter of time from PL),即“幂法则标度时间参数”。
2.按照权利要求1所述的方法 ,其特征在于:用于监测或预测自然界中各类微生物生态群落物种结构在一定时空范围内的变化规律。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711289534.0A CN110021350B (zh) | 2017-11-29 | 2017-11-29 | 一种基于多样性指数与时空关系的幂法则标度模型预测微生物群落结构变化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711289534.0A CN110021350B (zh) | 2017-11-29 | 2017-11-29 | 一种基于多样性指数与时空关系的幂法则标度模型预测微生物群落结构变化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110021350A CN110021350A (zh) | 2019-07-16 |
CN110021350B true CN110021350B (zh) | 2021-05-14 |
Family
ID=67186575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711289534.0A Active CN110021350B (zh) | 2017-11-29 | 2017-11-29 | 一种基于多样性指数与时空关系的幂法则标度模型预测微生物群落结构变化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110021350B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112151118B (zh) * | 2020-08-11 | 2022-06-28 | 康美华大基因技术有限公司 | 一种多时间序列肠道菌群数据分析流程控制方法 |
CN117352057B (zh) * | 2023-03-28 | 2024-05-10 | 广东弘元普康医疗科技有限公司 | 一种菌群分布状态的评估方法及相关装置 |
CN117809735A (zh) * | 2023-12-28 | 2024-04-02 | 深圳市爱铭洋养生文化有限公司 | 基于生物多样性的水中微生物群落维护方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102321551A (zh) * | 2011-08-05 | 2012-01-18 | 华南农业大学 | 苏云金芽孢杆菌gl-1及在土壤解磷防病方面的应用 |
CN103014149A (zh) * | 2012-10-19 | 2013-04-03 | 江苏省林业科学研究院 | 一种转gagal基因大豆及其受体根际土壤微生物群落多样性度量指数的遴选方法 |
CN103305607A (zh) * | 2013-05-22 | 2013-09-18 | 宁波大学 | 一种基于微生物群落变化的水产养殖病害预测方法 |
-
2017
- 2017-11-29 CN CN201711289534.0A patent/CN110021350B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102321551A (zh) * | 2011-08-05 | 2012-01-18 | 华南农业大学 | 苏云金芽孢杆菌gl-1及在土壤解磷防病方面的应用 |
CN103014149A (zh) * | 2012-10-19 | 2013-04-03 | 江苏省林业科学研究院 | 一种转gagal基因大豆及其受体根际土壤微生物群落多样性度量指数的遴选方法 |
CN103305607A (zh) * | 2013-05-22 | 2013-09-18 | 宁波大学 | 一种基于微生物群落变化的水产养殖病害预测方法 |
Non-Patent Citations (9)
Title |
---|
Extending species-area relationships (SAR) to diversity-area relationships (DAR);Zhanshan Ma;《arXiv.org》;20171116;第1-22页 * |
Loïc Chalmandrier等.Decomposing changes in phylogenetic and functional diversity over space and time.《Methods in Ecology and Evolution》.2014, * |
Phylogenetic diversity measures based on Hill numbers;Anne Chao等;《Philos Trans R Soc Lond B Biol Sci》;20101127;第3599-3609页 * |
Species-time-area and phylogenetic-time-area relationships in tropical tree communities;Nathan G. Swenson等;《Ecology and Evolution》;20130214;第1173-1183页 * |
Taylor幂法则的进一步解释与种群聚集临界密度;马占山;《青年生态学者论丛(一)》;19910731;第284-288页 * |
两类草坪节肢动物群落动态及主要害虫与天敌间的关系;李芬;《中国优秀硕士学位论文全文数据库 农业科技辑》;20071015(第4期);D046-24 * |
人类母乳微生物菌群的生态学分析;关琼 等;《科学通报》;20140620;第59卷(第22期);第2205-2212页 * |
关于群落物种多样性测度的时空尺度问题;叶万辉 等;《首届全国生物多样性保护与持续利用研讨会》;19940915;第1-5页 * |
农林复合生态***林带对捕食性节肢动物种群动态的影响;李凯;《中国博士学位论文全文数据库 农业科技辑》;20100915(第9期);D049-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN110021350A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110021350B (zh) | 一种基于多样性指数与时空关系的幂法则标度模型预测微生物群落结构变化的方法 | |
CN110021337B (zh) | 一种基于多样性指数和区域范围关系的幂法则标度模型预测微生物群落结构的方法 | |
CN107203700B (zh) | 一种基于连续血糖监测的方法及装置 | |
CN106818532B (zh) | 一种奶牛发情鉴定***及鉴定方法 | |
Bucholtz et al. | Oogenesis, fecundity and condition of Baltic herring (Clupea harengus L.): A stereological study | |
CN114758748B (zh) | 一种植发环境的智能化分析处理方法及*** | |
CN113030441A (zh) | 一种耕地土壤健康的评价方法 | |
CN111369120A (zh) | 一种基于设备迁移学习的非侵入式负荷监测方法 | |
Chakraborty et al. | Physiological responses of fish under environmental stress and extension of growth (curve) models | |
Galbraith et al. | Interim analysis of continuous long‐term endpoints in clinical trials with longitudinal outcomes | |
CN114970956A (zh) | 一种基于ols和qoic人口关联分析及预测方法 | |
CN106407498A (zh) | 一种摔倒风险模型的建立方法 | |
WO2021018800A1 (de) | Verfahren zur klassifizierung des risikos für die entwicklung einer zervikalen intraepithelialen neoplasie | |
CN108346465A (zh) | 一种定义和度量生物集合群落物种特异度之多样性的概念和方法 | |
Mościbrodzka | The Use of Methods of Multidimensional Comparative Analysis in Evaluation of the Standard of Living of Poland’s Population in Comparison with Other Co | |
CN110021338B (zh) | 一种基于Hill numbers与时间关系的幂法则模型预测微生物群落结构的方法 | |
CN101872387A (zh) | 一种啤酒口味的软测量方法 | |
CN109271894A (zh) | 一种基于脑电信号和模糊推理的产品意象识别方法 | |
CN111583990B (zh) | 一种结合稀疏回归和淘汰规则的基因调控网络推断方法 | |
CN114462306A (zh) | 基于变权重时域卷积网络的非侵入式用电负荷分解方法 | |
Fresco | A model for plant growth. Estimation of the parameters of the logistic function | |
EP4022645A1 (de) | Computerimplementiertes verfahren und elektronisches system zur prognose eines entbindungszeitpunkts | |
Oduntan et al. | A predictive model for improving cereals crop productivity using supervised machine learning algorithm | |
Lin et al. | Inference for the treatment effects in two sample problems with right-censored and length-biased data | |
CN109460919B (zh) | 一种高精度确定湖泊营养物参照状态浓度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |