Николаев робота: Работа в Николаеве. Вакансии в Николаеве — Work.ua

Актуальный вопрос

Аналитическое описание дискретной динамики робота-манипулятора в неопределенной внешней среде методами идемпотентной математики

Д. А. Николаев

Липецкий государственный технический университет, Липецк, Россия

Полнотекстовый PDF (261 КБ)

Ссылки:

PDF

HTML

Резюме: Получена аналитическая модель динамики робота-манипулятора в бесконечно неопределенной динамической и полностью наблюдаемой внешней среде. Свойство неограниченности неопределенности наиболее точно объясняет непредсказуемость реального мира, в котором приходится функционировать большинству подвижных объектов технического характера, и значительно усложняет задачу моделирования, поскольку в этом случае результаты классической теории управления неприменимы в полной мере. В данной работе развивается альтернативный подход к моделированию на основе идемпотентной математики, отличающийся от известных подходов возможностью представления модели в явном аналитическом виде.

Предоставлено членом редколлегии: Поляк Б.Т.
Автоматика и дистанционное управление, 2012, том 73, выпуск 11, страницы 1852–1864
DOI: https://doi.org/10.1134/S0005117912110070

Библиографические базы данных:

Тип документа: Артикул

Язык: Русский

Ссылка: Д. А. Николаев, “Аналитическое описание дискретной динамики робота-манипулятора в неопределенной внешней среде методами идемпотентной математики”, Автомат. и телемех., 2012, № 1, с. 11, 114–128; автомат. Пульт дистанционного управления, 73:11 (2012), 1852–1864

Цитирование в формате AMSBIB

\RBibitem{Nik12}
\by Д.~А.~Николаев
\paper Аналитическое описание дискретной динамики робота-манипулятора в~неопределенной внешней среде методами идемпотентной математики
\jour Автомат. и Телемех.
\год 2012
\выпуск 11
\страниц 114--128
\mathnet{http://mi.mathnet.ru/at4075}
\zmath{https://zbmath.org/?q=an:1268.93110}
\transl
\jour Автомат. Пульт дистанционного управления
\год 2012
\vol 73
\issue 11
\pages 1852--1864
\crossref{https://doi.org/10.1134/S0005117912110070}
\isi{https://gateway. webofe.com /gateway/Gateway.cgi?GWVersion=2&SrcApp=Publons&SrcAuth=Publons_CEL&DestLinkType=FullRecord&DestApp=WOS_CPL&KeyUT=000311310500007}
\scopus{https://www.scopus.com/record/display.url?origin=inward&eid=2-s2.0-84870568716}


Варианты подключения:

Эта публикация цитируется в следующих статьях:

1. Ян Ю.-Ш., Е С.-Ш., “Проектирование системы обучения манипуляторной точке, интегрированное с обработкой изображений и итеративным управлением обучением”, J. Intell. Робот. Сист., 96:3-4 (2019), 477–492    

Ссылки на статьи в Google Scholar: русские цитаты, английские цитаты
Похожие статьи в Google Scholar: русские статьи, Английские статьи

Экспериментальная платформа с открытым исходным кодом для автоматизации экспериментов по клеточной биологии

Новые результаты

Павел Катунин, Эшли Кэдби, Антон Николаев

doi: https://doi. org/10.1101/2020.07.02.185454

• Аннотация
• Полный текст
• Информация/История
• Метрики
• Данные/Код
• Просвизионный PDF

Abstract

Ключевые моменты

• – Мы представляем платформу с открытым исходным кодом для автоматизации экспериментов по клеточной биологии

• – Структура состоит из платформы XY, применения до 8 растворов и небольшого эпифлуоресцентного микроскопа

• 4

  — Очень дешевый (300 фунтов стерлингов без флуоресцентного микроскопа и 2500 фунтов стерлингов с флуоресцентным микроскопом), настраиваемый, пригодный для 3D-печати. иммуномаркировка

Введение

Глубокое обучение и искусственные нейронные сети (ИНС), разработанные в последнее десятилетие, доказали свою полезность для анализа изображений, задач оптимизации и робототехники[1–3]. Они также становятся все более популярными при решении биологических задач. Например, алгоритмы сегментации клеток на основе ИНС более точны и намного быстрее, чем обычные методы [4]. Глубокое обучение также помогает обнаруживать трансформированные клетки в тканях человека [5, 6], оптимизировать условия лечения [7] и объяснять поведение животных[8]. Недавно была разработана онлайн-платформа, позволяющая исследователям, не имеющим предварительных знаний о глубоком обучении, использовать ее в своих собственных приложениях, что еще больше повышает полезность глубокого обучения в качестве аналитического инструмента. [9].

Одним из важных соображений, которое необходимо учитывать при применении глубокого обучения и других методов машинного обучения, является размер обучающих наборов данных. Как правило, для глубокого обучения требуются тысячи или десятки тысяч точек данных[10]. Это часто невозможно в биологических экспериментах, поскольку их проведение часто занимает много времени. Таким образом, существует потребность в автоматизированных системах, которые позволяли бы проводить сотни или тысячи экспериментов одновременно. Коммерчески доступные инструменты автоматизации полезны, однако они дороги (> 10000–15000 долларов США), большие, негибкие и в основном ориентированы на обработку решений. Важно отметить, что экспериментальная автоматизация требует одновременного анализа изображений и применения решений, в то время как многие коммерчески доступные микроскопы предоставляют ограниченные возможности для таких экспериментов с замкнутым контуром. Поэтому существует потребность в системе с открытым исходным кодом, которая сочетает в себе высокопроизводительную микроскопию в многолуночных планшетах, автоматизированное применение растворов и одновременный анализ данных.

Здесь мы разработали экспериментальную среду с открытым исходным кодом, позволяющую проводить автоматизированные эксперименты по клеточной биологии. Он дешевый, легко настраиваемый и позволяет проводить до 384 экспериментов одновременно или последовательно. Его небольшой эпифлуоресцентный микроскоп можно использовать для визуализации флуоресцентных репортеров (например, GCaMP или синтетических кальциевых красителей [11]) или фиксированных образцов, меченных флуоресцентными антителами. Предлагаемая экспериментальная структура позволит быстрее, точнее и в большем масштабе получать биологические данные.

Результаты

Описание оборудования

1. Механические части

Аппаратура (рис. 1A,B) состоит из нескольких основных модулей: столик X-Y (рис. 1C), перемещающий многолуночный планшет горизонтально; перфузионный коллектор для нанесения 8 растворов в отдельные лунки (рис. 2) и небольшой эпифлуоресцентный микроскоп с автофокусировкой (рис. 3). Все файлы для 3D-печати доступны по адресу https://github.com/frescolabs/FrescoM

Рис. 1. Обзор конструкции оборудования.

A, B-Все оборудование в сборе и показано с двух разных точек зрения. Аппаратура состоит из 3-х модулей: XY-платформа, движущаяся в горизонтальном направлении; перфузионный коллектор, движущийся вверх и вниз, эпифлуоресцентный микроскоп с Z-столиком. XY-этап (нижняя и верхняя части) состоит из двух вертикальных деталей для 3D-печати, соединенных вместе двумя горизонтальными направляющими линейного перемещения (MGN12/MGN12H). Двигатели Nema 17 крепятся и соединяются с помощью винтов T8. Вращение шагового двигателя перемещает ведущий винт, прикрепленный либо к верхней платформе, либо к держателю пластины. Движение может составлять всего несколько десятков микрометров.

Перфузионный коллектор (рис. 2) состоит из держателя для 8 наконечников для загрузки геля, прикрепленных к гибким трубкам через коннекторы Люэра. Дополнительный 9-й наконечник соединен с перистальтической помпой и стеклянным капилляром. Он расположен выше аппликационных наконечников, что обеспечивает постоянную высоту раствора в каждой лунке. Смена раствора в отдельных лунках достигается путем перфузии лунок от трех до пяти объемов лунок. Перфузионный коллектор соединен с вертикально ориентированным линейным приводом, состоящим из рельса MGN12, ходового винта T8 и двигателя Nema 17, все они прикреплены к дуге, закрепленной на базовых частях. Для нанесения раствора используются стандартные шприцевые насосы. Детали 3D-печати и инструкции по сборке представлены на странице https://github.com/frescolabs/FrescoM 9.0027

Рис. 2 Перфузионная система.

А-перфузионный коллектор для 8 шприцевых насосов и одного перистальтического насоса для отсасывания избытка жидкости. Коллектор вмещает 8 наконечников для пипеток и еще один, подключенный к перистальтическому насосу. Последняя расположена немного выше остальных, что помогает поддерживать постоянный объем в каждой лунке. Коллектор закреплен на линейном приводе и приводится в движение двигателем Nema 17. Вся система фиксируется на дуге (В), расположенной над столиком XY.

Схема флуоресцентного микроскопа показана на рис. 3А. Это стандартная система инвертированной микроскопии со следующими ключевыми характеристиками. Мы используем объектив, не скорректированный на бесконечность (или, альтернативно, небольшую асферическую линзу, f = 2,75, числовая апертура = 0,64), объектив камеры 100 мм (D = 25,4 мм) и не тубус. Куб GFP состоит из синего и зеленого фильтров Thorlabs (MF469-35 и MF525-39) и дихроичное зеркало (MD498, Thorlabs). Объектив не прикреплен к остальной части микроскопа, а перемещается отдельно на Z-образном столике (рис. 3В). Если размер образца является проблемой, вместо него можно использовать более дорогой объектив с коррекцией на бесконечность. В этом случае не будет колебаний расчетного размера при изменении фокусировки от скважины к скважине.

Рис. 3. Схема мини-флуоресцентного микроскопа (А) и системы автофокусировки (Б).

А-конструкция оптической части микроскопа. Цифры представляют собой номера позиций для каждой детали. Все детали, кроме камеры, произведены компанией Thorlabs, Inc. В системе реализована стандартная инвертированная флуоресцентная микроскопия с объективом, прикрепленным отдельно к вертикально ориентированному линейному приводу, приводимому в движение двигателем Nema 17.

2. Автоматическое управление и электрическая схема

Все двигатели управляются через 3 платы ЧПУ, подключенные к Arduino Mega через печатную плату (рис. 4А, рис. 4В). Shield 1 управляет столиком XY, модулем перфузии и автофокусировкой (контакты 5–12 Arduino и контакт 13 включения). Экраны 2 и 3 управляют 8 перфузионными насосами (контакты Arduino 23–53, нечетные номера). Чтобы программное обеспечение имело точные оценки положения каждой оси и насоса, к направляющей каждой оси прикреплены концевые упоры (пины Arduino 22-44, четные номера).

Рис. 4 Электрические схемы и плата управления основным оборудованием.

А – схемы электрических цепей. Основная схема состоит из слотов для трех CNC Shield, Arduino Mega и 12 входов для концевых выключателей. B-Полученная печатная плата с одним удаленным экраном ЧПУ. Два экрана ЧПУ показаны красным. Arduino Mega показан белым цветом.

Дополнительные контакты зарезервированы для карты microSD (контакты Arduino 46–52, четные номера), поворотного энкодера (контакты Arduino 2–4) и небольшого ЖК-дисплея, подключенного к Arduino по протоколу i2c (контакты Arduino A4, A5). Схема может быть изменена для размещения большего количества экранов ЧПУ, чтобы увеличить общее количество насосов до 22.

3. Инструкции по сборке

Все аппаратное обеспечение решения состоит из 14 напечатанных на 3D-принтере деталей, 6 линейных направляющих, 4 двигателей Nema17 с адаптерами и 4 высокоточных винтов T8 с ходовым винтом. Каждый насос состоит из двух напечатанных на 3D-принтере деталей: одного штока (8 мм), одного линейного подшипника LM8UU, одного винта T8 и двигателя Nema 17.

Сборка платформы XY

1. 3D-печать всех деталей

2. Соберите базовую платформу, вставив 2 длинные линейные направляющие в детали основания

3. Вставьте двигатель Nema в основание и зафиксируйте винтами M3

4. Соберите верхнюю горизонтальную платформу, вставив 2 более коротких линейных рельса в верхние детали

5. Вставьте двигатель Nema в верхнюю горизонтальную платформу и закрепите винтами M3

6. Вставьте ходовой винт в верхнюю платформу

7. Вставьте нижний высокоточный винт в ходовой винт

8. Поместите верхнюю часть XY поверх нижней части XY и соедините высокоточный винт с двигателем Nema 17 с помощью вставки 1 ходовой винт в держателе планшета

9. Проденьте верхний прецизионный винт через ходовой винт и подсоедините к двигателю Nema 17

10. Используйте 8 винтов M3, чтобы закрепить верхнюю платформу на нижней платформе и держатель планшета на верхней платформе

Сборка перфузионного коллектора

1. Вставьте 8 наконечников для загрузки геля в напечатанный на 3D-принтере коллектор.

2. Подсоедините наконечники для загрузки геля к гибким трубкам с помощью коннекторов Люэра. Обрежьте наконечник так, чтобы он располагался на 5-7 мм выше других наконечников

3. Подсоедините 1 короткую линейную направляющую к коллектору

4. Вставьте 1 ходовой винт в коллектор

5. Вставьте 1 короткий высокоточный винт в ходовой винт и соедините с 1 двигателем Nema

6. 90 на двух прецизионных винтах

7. Прикрепите другую полудугу и закрепите обе половины винтами

8. Соберите все детали вместе на платформе XY

Сборка Z-этапа

1. Вставьте 1 мотор Nema 17 в базовую часть

2. Вставьте один объектив в нижнюю часть

3. Соедините обе части одним прецизионным винтом и маленькой линейной направляющей

4. Соедините столик Z платформа

Сборка мини-микроскопа

Следующая инструкция (рис. 4) описывает, как собрать малый флуоресцентный микроскоп с использованием деталей Thorlabs. Стоимость текущей конфигурации составляет 2000 фунтов стерлингов. Это может быть уменьшено на 450 фунтов стерлингов, если используется более дешевый светодиод и драйвер постоянного тока. См. https://github.com/Frescolabs/FrescoM для получения дополнительных инструкций.

1. Соедините один зеркальный куб с двумя или 4 монтажными стержнями

2. Соедините фильтрующий куб

3. Вставьте 1 дихроичное зеркало в фильтрующий куб, как описано на веб-сайте Thorlabs

4. 90SM трубки, зафиксируйте стопорными кольцами SM1RR и подсоедините куб фильтра

5. Вставьте линзу с фокусным расстоянием 100 мм в трубку SM1 100 мм и подсоедините к трубке короткого эмиссионного фильтра SM1.

6. Вставьте одну линзу диаметром 20 мм в короткую трубку SM1 и подсоедините к возбуждающему фильтру, чтобы сфокусировать возбуждающий свет на образце

7. Подсоедините установленный светодиод (например, M470L4) -система фокусировки

4.

4.1. Прошивка

Аппаратное обеспечение управляется через плату Arduino, которая получает инструкции от компьютера через последовательный порт. Функциональность, при которой команды отправляются через модуль Wi-Fi или сохраняются в файле на карте microSD, зарезервирована для будущих версий (рис. 4А). Команды показаны в таблице 1.

Таблица 1. Список команд, используемых Arduino для управления основным оборудованием.

Код Arduino можно загрузить с https://github.com/frescolabs/FrescoM/blob/master/firmware

4.2. Программное обеспечение Python

Основное операционное программное обеспечение написано на Python 3 и может быть загружено с https://github.com/frescolabs/FrescoM/blob/master/software Подробные инструкции также можно загрузить с https://github.com/ frescolabs/FrescoM/blob/master/software

Программное обеспечение очень простое, простое в использовании и модифицируемое в соответствии с индивидуальными потребностями. Основные функции следующие:

1. Запуск флуоресцентной визуализации в реальном времени без записи.

2. Перемещение платформы вперед, назад, влево и вправо.

3. Перемещайте коллектор подачи вверх и вниз.

4. Возврат в нулевое положение — возвращает платформу XY и коллектор для внесения в исходное положение.

5. Установите правое верхнее и правое нижнее положения многолуночного планшета.

6. Переместить насос – перемещает насосы вперед и назад. Используется для заполнения насосов растворами и очистки системы после эксперимента.

7. Начать эксперимент. Запускает эксперимент из списка команд, сохраненных в файле. Файл должен содержать четыре столбца: время, номер лунки, номер насоса, количество шагов. Более поздняя цифра устанавливает объем, необходимый для применения, и представляет количество шагов, на которые двигатель должен двигаться.

5. Производительность

5.

Чтобы проверить, насколько хорошо работают флуоресцентные мини-микроскопы, мы пометили клетки HCT-116 синтетическим красителем кальция (Oregon Green) и визуализировали динамику кальция в ответ на 100 мкМ АТФ. На рис. 5 А, В показан репрезентативный эксперимент. Качество полученных изображений было достаточным для идентификации отдельных клеток (особенно в менее сливающихся областях), и можно было определить кальциевый ответ в отдельных клетках.

Рис. 5 Характеристики микроскопа.

A, B – кальциевая визуализация клеток HCT116. Клетки метили в течение 30 мин 1 мкМ Oregon Green и визуализировали с частотой дискретизации 1 кадр в секунду. Клетки A-HCT116, полученные с использованием объектива 2,75 (C392TME-A, Thorlabs). В среднем 70 кадров. Масштабная линейка не показана. B-5 примеры динамики кальция в клетках HCT116 в ответ на применение 100 мкМ АТФ из того же эксперимента.

Обсуждение

Существует высокий спрос на разработку доступных и гибких инструментов для крупномасштабного создания биологических данных. Здесь мы сообщаем о комбинации аппаратного и программного обеспечения, позволяющей проводить до нескольких сотен экспериментов по клеточной биологии одновременно и автоматически. Ниже мы обсудим применимость разработанной платформы и будущие улучшения.

Важность автоматизации биологических экспериментов

Автоматизация биологических экспериментов важна по двум основным причинам. Во-первых, при использовании современных методов анализа, таких как машинное обучение и глубокое обучение, требуется большое количество точек данных. Хороший алгоритм сверточной нейронной сети обычно требует от 10 000 до 100 000 точек данных [10]. Учитывая, что в поле зрения находится всего несколько тысяч клеток, одни и те же эксперименты необходимо воспроизводить от 10 до 100 раз. Это число значительно возрастает, если целью эксперимента является оптимизация условий для биологических экспериментов.

Во-вторых, растет дискуссия о воспроизводимости биологических данных [12–15]. Это особенно важно, когда результаты имеют прямое трансляционное применение и могут повлиять на будущие дорогостоящие клинические испытания. Воспроизводимость может быть улучшена, если эксперименты стандартизированы, а эксперименты и анализ данных выполняются автоматически, чтобы избежать ошибок, связанных с человеческим фактором. Воспроизводимость экспериментов может быть дополнительно улучшена при проведении на разных источниках (разных типах клеток, клетках с разным генетическим фоном и т. д.), что еще больше подчеркивает необходимость автоматизации биологических экспериментов.

Применимость

1. Высокопроизводительные скрининговые эксперименты

Расширение библиотек соединений [16–18] предоставило ценный инструмент для поиска новых химических веществ, влияющих на биологические функции. Например, препараты, влияющие на физиологические сигнальные пути (например, GPCR и т. д. ), могут быть оценены с помощью визуализации кальция [19–21] или любых других форм функциональной визуализации с разрешением одной клетки. Однако это требует большого количества экспериментов, что является трудоемким. Разработанная здесь структура легко позволяет автоматически маркировать клетки кальциевым красителем, применять различные агонисты и измерять передачу сигналов кальция (рис. 5) в большом количестве лунок.

2. Эксперименты по оптимизации

Многие биологические эксперименты требуют оптимизации условий лечения. Например, дифференцировка стволовых клеток требует обработки большим количеством факторов роста и морфогенов в разное время и с разной динамикой [22, 23]. Разработанная здесь структура позволяет проводить подобные эксперименты в автоматическом режиме. Затем результат эксперимента может быть автоматически протестирован с использованием одного из двух методов: иммуномаркировки клеток антителами против соответствующих поверхностных маркеров или функционального эксперимента (например, нейроны могут быть обнаружены с помощью визуализации кальция и применения хлорида калия или нейротрансмиттеров).

3. Крупномасштабная характеристика клеток, полученных от отдельных пациентов

Замена стандартных клеточных линий клетками, недавно полученными от отдельных пациентов, в настоящее время становится все более важной [24, 25]. Разработанная здесь экспериментальная структура позволит стандартизированным образом протестировать большое количество клеточных линий, полученных в результате отдельных экспериментов.

4. Рутинные процедуры клеточной биологии

Разработанная экспериментальная платформа также будет полезна в рутинных лабораторных процедурах, таких как кривые зависимости от концентрации, разведения клеток, исследования цитотоксичности и другие.

Дальнейшие усовершенствования

Разработанная здесь модульная структура платформы позволяет довольно легко вносить коррективы в будущем в соответствии с индивидуальными экспериментальными потребностями. Например,

1. Замена микроскопа (рис. 1) термоблоком позволит включить в анализ возможности ПЦР. Другие средства обнаружения результатов эксперимента (например, мини-спектрофотометр) увеличат количество экспериментов, которые можно провести.

2. В настоящее время микроскоп обеспечивает только простую широкопольную одноцветную флуоресценцию. Его можно улучшить, добавив некоторые функции оптического секционирования, такие как HiLo или микроскопия светового листа [26]f. Цена микроскопа также может быть значительно снижена, если использовать светодиодную систему, изготовленную по индивидуальному заказу, вместе с фильтрующими кубами от старых флуоресцентных микроскопов. Это снизит цену на 250 и 450 фунтов стерлингов соответственно.

3. Количество применяемых решений может быть увеличено за счет перепроектирования коллектора приложений решений.

4. Очистку многошприцевой системы можно автоматизировать путем добавления хранилищ для дистиллированной воды, спирта и отходов.

5. Проведение экспериментов может занять много времени, и клетки могут нуждаться в периодическом пассировании. Алгоритм обнаружения слияния и последующего разделения ячеек на новые лунки позволил бы избежать влияния чрезмерного слияния на результат экспериментов. Кроме того, отбор отдельных клеток и перенос их в новую лунку позволит проводить генерационную селекцию новых клонов для получения новых линий с помощью трансфекции или CRISPR.

Благодарности

Микроскопы были спроектированы и изготовлены компаниями AN и AC при поддержке Фонда выпускников Шеффилдского университета. Механика и электроника были разработаны и реализованы ПК и АН. Мы благодарим Эллиота Биркетта за чтение и комментарии к рукописи.

Сноски

• https://github.com/frescolabs/FrescoM

Ссылки

1. 1.↵

   Хинтон, Б., Ма, Л., Махмудзаде, А.П., Малков, С., Фан, Б., Гринвуд, Х., Джо, Б., Ли, В. ., Керликовске, К., и Шеперд, Дж. (2019 г.). Сети глубокого обучения находят уникальные маммографические различия в предыдущих отрицательных маммограммах между раком, обнаруженным с интервалом и скринингом: тематическое исследование. Cancer Imaging 19, 41.

2. 2.

   Hinton, G. (2018). Глубокое обучение — технология с потенциалом для преобразования здравоохранения. JAMA 320, 1101–1102.

3. 3.↵

   ЛеКун Ю., Бенжио Ю. и Хинтон Г. (2015). Глубокое обучение. Природа 521, 436–444.

4. 4.↵

   Хильзенбек, О., Шварцфишер, М., Леффлер, Д., Димопулос, С., Хастрейтер, С., Марр, К., Тайс, Ф.Дж., и Шредер, Т. (2017 ). fastER: удобный инструмент для сверхбыстрой и надежной сегментации клеток в крупномасштабной микроскопии. Биоинформатика 33, 2020–2028.

5. 5.↵

   Кудрей, Н., Окампо, П.С., Сакелларопулос, Т., Нарула, Н., Снудерл, М., Феньо, Д., Морейра, А.Л., Разавиан, Н., и Циригос, А. (2018). Классификация и прогнозирование мутаций на основе гистопатологических изображений немелкоклеточного рака легкого с использованием глубокого обучения. Nat Med 24, 1559–1567.

6. 6.↵

   Ван Вален, Д.А., Кудо, Т., Лейн, К.М., Маклин, Д.Н., Куах, Н.Т., ДеФеличе, М.М., Мааян, И., Танучи, Ю., Эшли, Э.А., и Коверт, MW (2016). Глубокое обучение автоматизирует количественный анализ отдельных клеток в экспериментах по визуализации живых клеток. PLoS Comput Biol 12, e1005177.

7. 7.↵

   Кусумото Д. и Юаса С. (2019). Применение сверточной нейронной сети в биологии стволовых клеток. Inflamm Regen 39, 14.

8. 8.↵

   Heras, F.J.H., Romero-Ferrero, F., Hinz, R.C., и de Polavieja, G.G. (2019). Сети глубокого внимания раскрывают правила коллективного движения у рыбок данио. PLoS Comput Biol 15, e1007354.

9. 9.↵
10. 10.↵

    Махони Глубокое обучение против традиционного компьютерного зрения. https://arxiv.org/ftp/arxiv/papers/1910/1910.13796.pdf.

11. 11.↵

    Разливанов И., Лью Т., Мур Э. В., Аль-Катири А., Бартрам Т., Кувшинов Д. и Николаев А. (2018). Долговременная визуализация динамики кальция с использованием генетически закодированных индикаторов кальция и автоматического отслеживания культивируемых клеток. Биотехнологии 65, 37–39.

12. 12.↵

    Фридман, Л.П., Кокберн, И.М., и Симко, Т.С. (2015). Экономика воспроизводимости в доклинических исследованиях. PLoS Биол 13, e1002165.

13. 13.

    Иоаннидис, Дж. П. (2005). Почему большинство опубликованных результатов исследований являются ложными. PLoS Med 2, e124.

14. 14.

    Иоаннидис, Дж. П. (2007). Почему большинство опубликованных результатов исследований ложны: ответ автора Гудману и Гренландии. PLoS Med 4, e215.

15. 15.↵

    Иоаннидис, Дж. П. (2014). Как сделать больше опубликованных исследований правдивыми. PLoS Med 11, e1001747.

16. 16. ↵

    Cases, M., Garcia-Serna, R., Hettne, K., Weeber, M., van der Lei, J., Boyer, S., and Mestres, J. (2005 ). Химическое и биологическое профилирование аннотированной библиотеки соединений, направленной на семейство ядерных рецепторов. Curr Top Med Chem 5, 763–772.

17. 17.

    Рикардсон, Л., Фрикнас, М., Хаглунд, К., Ловборг, Х., Нигрен, П., Густафссон, М.Г., Исакссон, А., и Ларссон, Р. (2006). Скрининг аннотированной библиотеки соединений на активность лекарственного средства в устойчивой клеточной линии миеломы. Cancer Chemother Pharmacol 58, 749–758.

18. 18.↵

    Рут Д.Э., Флаэрти С.П., Келли Б.П. и Стоквелл Б.Р. (2003). Профилирование биологического механизма с использованием аннотированной библиотеки соединений. Хим Биол 10, 881–892.

19. 19.↵

    Берридж, MJ (2001). Универсальность и сложность передачи сигналов кальция. Novartis Found Symp 239, 52–64; обсуждение 64-57, 150-159.

20. 20.

    Берридж М.Дж., Бутман М.Д. и Родерик Х.Л. (2003). Передача сигналов кальция: динамика, гомеостаз и ремоделирование. Nat Rev Mol Cell Biol 4, 517–529.

21. 21.↵

    Бутман, М. Д., Берридж, М. Дж., и Родерик, Х. Л. (2002). Передача сигналов кальция: больше мессенджеров, больше каналов, больше сложности. Карр Биол 12, R563–565.

22. 22.↵

    Ким, Дж. Х., Ауэрбах, Дж. М., Родригес-Гомес, Дж. А., Веласко, И., Гэвин, Д., Лумельски, Н., Ли, С. Х., Нгуен, Дж., Санчес-Перно , Р., Банкевич, К., и соавт. (2002). Дофаминовые нейроны, полученные из эмбриональных стволовых клеток, функционируют в модели болезни Паркинсона на животных. Природа 418, 50–56.

23. 23.↵

    Panchision, DM, and McKay, RD (2002). Контроль нервных стволовых клеток с помощью морфогенных сигналов. Curr Opin Genet Dev 12, 478–487.

24. 24.