---

استفاده از ابزارهای مهندسی ژنتیک برای تولید سویه صنعتی خصوصا از میکروارگانیسم‌های کمتر شناخته شده همچون سیانوباکترها همواره با محدودیت‌هایی مواجه است. در این تحقیق، از یک روش سیستمی به کمک دانش بین رشته‌ای زیست‌شناسی سامانه‌ها برای طراحی محیط کشت بجای طراحی سویه استفاده شد و توانمندی آن در افزایش تولید اتانول توسط سیانوباکتر سینکوسیستیس sp. PCC ۶۸۰۳ مورد ارزیابی آزمایشگاهی قرار گرفت. در این روش، مواد با هدف تنظیم فعالیت آنزیم‌های هدف نه با هدف مصرف توسط سلول به محیط کشت افزوده می‌شوند و بنابراین محیط کشت طراحی شده، محدودیت‌های درون سلولی برای تولید محصول زیستی را برطرف می‌کند. یک مدل متابولیکی برای تعیین حداقل میزان ترشح اتانول و شناسایی ژن‌هایی که کاهش یا افزایش بیان آنها این حداقل میزان را افزایش می‌دهند، بکار رفت. سپس، تنظیم کننده‌های آنزیم‌های بیان شده توسط ژن‌های هدف از پایگاه داده Brenda استخراج شد و اثر آنها بر تولید به طور تجربی ارزیابی شد و طراحی آزمایش برای بهینه‌سازی غلظت ترکیبات انتخاب شده انجام شد. در میان ترکیبات شناسایی شده، دو مهار کننده (اسید سالیسیک و کلرید جیوه) و یک فعال کننده (پیروات) برای افزودن به محیط انتخاب شدند و غلظت آنها با استفاده از روش طرح مرکب مرکزی بهینه‌سازی شد. محیط کشت تنظیمی پیشنهادی تولید اتانول توسط سینکوسیستیس را از ۳۵۲ به ۱۱۱۶ میلی‌گرم بر لیتر افزایش داد که نشان دهنده اثربخشی ترکیبات تنظیمی اضافه شده بر متابولیسم است. روش سیستمی پیشنهاد شده می‌تواند در طراحی محیط کشت دیگر محصولات مهم صنعت زیست‌فناوری کشور همچون پروتئین‌های نوترکیب کاربرد داشته باشد.

---

---

در عصر اطلاعات، داده­ها که سرمایه­های ارزشمند افراد، سازمان­ها و دستگاه­ها محسوب می­شوند از چنان پیچیدگی­هایی برخوردار شده­اند که رهیافت­ها و روش­های مرسوم سنّتی دیگر قابل استفاده نبوده، یا حداقل کارامد نیستند. این قبیل پیچیدگی­ها که به نام مسئله کلان­ داده شناخته می­شود، استخراج مقرون­به­صرفه ارزش نهفته در مجموعه داده­هایی است که کابردهای نوین (نظیر کسب­وکار الکترونیک، پژوهش­های علمی، پایش، موتورهای جستجو، شبکه­های اجتماعی، و مراقبت سلامت) با آنها مواجه هستند. پیچیدگی­های کلان داده­ها با سه بُعد اصلی زیر معرفی می­شود: حجم بالا، تنوع بالا، و سرعت بالا (که به ۳Vs هم مشهور است). اولین و اساسی­ترن گام در مدیریت داده­ها (از جمله مدیریت کلان داده­ها) طراحی و به­کارگیری یک مدل داده مناسب، به عنوان سنگِ­بنای  سایر اقدامات مدیریت داده­ها (نظیر تحقیق و توسعه زبان­های پایگاه داده، سیستم مدیریت پایگاه داده، ابزراها، روش­ها، الگوریتم­ها و غیره) می­باشد.
در این مقاله، یک مدل داده مناسب برای کلان داده­ها طراحی و ارائه شده است که در آن ویژگی­ها و خصیصه­های لازم برای مسئله کلان داده­ها (شامل یکپارچگی، کامل­بودن، مقیاس­پذیری، انعطاف، سازگاری، و موثربودن) لحاظ شده­اند. به عنوان یک مدل داده، بازنمایش داده­ها طراحی شده و قیدهای جامعیت ضمنی  برای مدل داده ابر گراف تودرتو HNG) ) ارائه شده است. نتایج ارزیابی عملی نشان می­دهد که مدل داده پیشنهادی از مدل­ها داده­ای که در حال حاضر استفاده می­شوند (نظیر مدل سندمبنا، گرافی، و گرافی سندمبنا) از نظر زمان­پاسخ­گویی عملکرد بهتری دارد.

---

با گسترش روزافزون امواج الکترومغناطیسی در محیط زندگی، نگرانی در مورد اثرات مضر این امواج بر سلامت انسان افزایش یافته است. هرچند، مطالعات زیادی در مورد اثرات زیستی پرتوهای غیریونیزان انجام شده است، اما هنوز در مورد اثرات این تابش‌ها به طور ویژه بر سیستم عصبی قطعیت وجود ندارد. نتایج بدست امده از  مطالعات در مورد اثرات این تابش ها اختلاف زیادی دارند وحتی نتایج متضاد  هم گزارش شده است. بر اساس نتایج منتشر شده، هنوز نمی‌توان نتیجه گرفت که آیا پرتوهای الکترومغناطیسی غیریونیزان به سیستم عصبی آسیب می‌رساند یا خیر. هدف از این مطالعه بررسی و تحلیل مقالات منتشر شده درباره  اثرات تابش الکترومغناطیسی غیریونیزان بر سیستم عصبی جهت استخراج داده‌ها‌ی کمی از اثرگذاری این امواج می‎باشد. در ابتدا مقالات منتشر شده در پایگاه داده ORSAA بررسی شده و به دو دسته پارامتر‌ها‌ی سلولی ‌و مولکولی و پارامتر های عصبی و شناختی تقسیم شدند. نتایج به دست امده از بررسی‌های و آنالیز‌ها‌ی کمی  مقالات موجود در پایگاه دادهORSAA  نشان داد، در دسته پارامتر‌ها‌ی سلولی ‌و مولکولی  امواج الکترومغناطیس غیر یونیزان بیشترین اثر گذاری را بر تغییر فعالیت آنزیمها و آسیب به پروتئین ها با ۴۱۸ مورد دارند. همچنین  در دسته پارامتر های عصبی و شناختی امواج بیشترین اثر گذاری را بر رفتار و اثرات شناختی با ۱۷۱ مورد گزارش شده، دارند.
 

---

در این کار، ما روش MRE۲C برای طبقه­ی بندی داده­های چند رابطه­ای  تعریف کرده­ایم. داده­های چندرابطه­ای در پایگاه­داده­های رابطه­ای ذخیره میشوند که شامل چندین رابطه میباشد که به یکدیگر بوسیله­ی اتصالات ارتباط-موجودیت متصل شده­اند. MRE۲C چندین زیر مجموعه از ویژگی­ها را از پایگاه داده­های رابطه­ای می­سازد و سپس طبقه­بندهای سنتی را به عنوان طبقه­بند پایه اعمال می­کند. در نهایت با استفاده از یک روش دو مرحله­ای ترکیب طبقه بندها، نتایج طبقه­بندهای پایه را با هم ترکیب می­کند. در گام اول ترکیب، از یک روش رای­گیری محلی استفاده می­کند تا ویژگی­های متا را ایجاد کند و سپس طبقه بند متا را یاد می­گیرد تا نتایج طبقه­بندهای پایه را با هم ترکیب کند. تست روی دو پایگاه داده­ها و شش کار یادگیری انجام می­شود. روش پیشنهادی با روشهای طبقه بند چند رابطه­ای معروف که هر یک از رویکردهای متفاوت استفاده می­کنند تا به تنظیمات داده­های چند رابطه­ای رسیدگی کنند، مقایسه می­شود. در نهایت نشان داده خواهد شد که روش پیشنهادی نتایج امیدبخشی در این تجربه­ها بدست می­آورد