DNA mikrosirutekniikka. Oligonukleotidisirut. Sirujen valmistus. Siruanalyysi. Oligonukleotidisirut
|
|
- Elisabet Keskinen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 DNA mikrosirutekniikka Monta nimeä: geenisiru, DNA mikrosiru, DNA siru, DNA lastu Mahdollistaa tutkia samanaikaisesti kymmenien tuhansien geenien ilmenemistasot solu- ja kudosnäytteissä Pystyy keräämään tietoa geenien toiminnasta koko genomin mittakaavassa Sovellusmahdollisuudet koskettavat lähes kaikkea biologista ja lääketieteellistä tutkimusta, lääkekehitystyötä ja diagnostiikka. Ei ole ollut kovin edullinen tekniikka, mutta kustannukset vähenevät kaiken aikaa Sirujen valmistus Sirut koostuvat mikroskooppilasille asetetuista tuhansista geenikoettimista Geenikoettimiin hybridisoidaan tutkimusnäytteen RNA:sta valmistettua komplementaarista DNA:ta (cdna) Sirujen valmistetaan eri tavoilla käyttäen lähtömateriaalina erilaisia DNA jaksoja tai klooneja. Yleensä sirut ostetaan hybridisaatiovalmiina Siruja ja niihin liittyviä reagensseja ja laitteita myyviä yrityksiä kymmeniä ONGELMA: Eri valmistajien siruilla saatuja tuloksia vaikea Oligonukleotidisirut Nykyisin suosittuja ns. oligonukleotideista (pituus emästä) valmistetut sirut Oligonukleotidisirutekniikan kehitti Affymetrix yritys Palo Altossa Uusimmat Affymetrix sirut kattavat geeniä, jotka syntetisoitu kahdelle eri sirulle (jokaista geeniä edustaa noin erillistä oligonukleotidiparia) Oligonukleotidien etu cdna klooneihin on se, että niillä on mahdollista tunnistaa yksittäinen geeni tai geenivariantti, jolloin pystytään tutkimaan esim. vaihtoehtoisen silmukoinnin ja polyadenylaation merkitystä. Oligonukleotidisirut toistaiseksi suhteellisen kalliita käyttää Oligonukleotidisirut Siruanalyysi Analyysi riippuu käytettävistä DNA siruista, näytteen leimauksesta ja lukijalaitteesta Tässä käsitellään mikroskooppilasille painettujen, cdna klooneista tai oligonukleotideista koostuvien sirujen analyysiä kahden merkkiaineen fluoresenssin avulla. Siruilla verrataan tavallisesti kahta tai useampaa näytettä (esim. sairas ja terve kudos) 1. Testi- ja vertailunäytteestä eristetään lähetti-rna:t, jotka käännetään cdna:ksi (RNA:ta tarvitaan tyypillisesti 5-50 µg. 2. cdna leimataan kahdella fluoresoivalla väriaineella (esim. Cy3 ja Cy5) ja hybridisoidaan samanaikaisesti siruun 3. Onnistuneen hybridisaation jälkeen geenisiru luetaan laserpohjaisella mikroskoopilla -> saadaan kuvat sirun fluoresenssista kahdella eri aallonpituudella, jotka kuvaavat testi- ja vertailunäytteiden cdna jaksojen hybridisoitumista kussakin sirun testipisteessä. 1
2 Siruanalyysi Tavallisesti geenisirukuvat esitetään värillisinä: punainen testinäytteen fluoresenssi vihreä vertailunäytteen fluoresenssi RNA samples are fluorescently labeled to aid detection once bound to gene array + Green label + Red label Geenit, joiden ilmentyminen on lisääntynyt testinäytteessä, esiintyvät punaisina pisteinä Vastaavasti vihreän sävyisinä näkyvät geenit joita ilmentyy enempi vertailunäytteessä RNA sample 1 RNA sample 2 Geenit, joilla samanlainen ilmentymä sekä testi- että vertailunäytteissä, näkyvät keltaisina Slide RNA elements are bound by gene elements on the gene array Siruanalyysi Microarray experiment Potential Sources of Variation: Experimental Design Sample Handling Requirements Identical or comparable RNA Extraction RNA Quantity/Quality Labelling Array production Hybridisation Intensity-dependent bias Biological variation Matched Method Date randomised Comparable Matched Method Date Randomised Platform Matched Batch Matched Match Method Comparable time Comparable & Normalised Comparable or Matched Biological question Experimental design Platform Choice Sample Attributes Microarray experiment 16-bit TIFF Files Image analysis (Rspot, Rbkg), (Gspot, Gbkg) Normalization Data Mining Biological verification and interpretation Clustering Statistical Analysis Pattern Discovery Classification 2
3 Normalisointi Kuvankeräysvaiheen jälkeen sirujen fluoresenssitasot mitataan kussakin sirun testipisteessä Testipisteestä vähennetään taustafluoresenssi ja pisteen informaatio muutetaan lukuarvoksi. Testi- ja vertailunäytteen väliset intensiteettierot normalisoidaan ja kullekin geenille saadaan punaisen ja vihreän värin (kanavan) suhde Suhdeluku kertoo geenin ilmentymisen vilkkaudesta testinäytteessä suhteessa vertailunäytteeseen Yleensä tutkimuksessa analysoidaan kymmeniä näytteitä, joiden tuloksia verrataan vertailunäytteisiin -> Analyysin lähtökohtana suhdeluvut, jotka saatetaan yleensä samanarvoisiksi esim. keskiarvon tai hajonnan tai näiden molempien suhteen. Tilastollisen analyysin tekee haastavaksi ns. laiha data (suuri ulottuvuus, vähän näytteitä) Lineaarisuuden tarkastelu Lineaarisuuden tarkastelu Yleensä normalisoinnin kannalta hyödyllistä tarkastella onko saatu data lineaarista vaiko epälineaarista: Lineaarinen data: Epälineaarinen data: Signaalin intensiteetti ei vaikuta suhdelukuun Signaalin intensiteetti vaikuttaa suhdelukuun (esim. Cy3 ja Cy5 kanavien intensiteetit eivät käyttäydy lineaarisesti) Lineaarisuus nähdään esim. seuraavien mittojen scatter plottina (M ja A): M = log2(r/g) A = log2 (R*G), missä R ja G ovat fluoresenssi-intensiteettejä punaisella ja vihreällä kanavalla. Lineaarisuus: kontrollien avulla Siruanalyysissä käytetään usein ns. kontrolleja, joilla arvioidaan tulosten hyvyyttä Lineaarisuus saadaan seuraavalla ns. värinvaihdolla (dye swap) selville: Alkuperäinen data: testi merkataan Cy5:llä ja vertailu Cy3:lla Värinvaihto: Vaihdetaan testin ja vertailun väriä Nyt kun tarkastellaan suhdelukua X(Cy-5)/Y(Cy 5)/Y(Cy-3) = X(Cy-3)/Y(Cy 3)/Y(Cy-5) sen pitäisi lineaaritilanteessa olla vakio. Normalisoinnissa tämä suhdeluku yritetään saattaa samanarvoikseksi sirulta toiselle. Cy5 signal (log 2 ) Lineaarisuuden tarkastelu Cy3 signal (log 2 ) 3
4 Normalisointi: paikallinen vs. kattava Normalisointi voidaan tehdä joko paikallisesti tai kattavasti (=koko sirukuvalle kerrallaan). Kattava normalisointi tehdään esim. lineaarisella regressiolla Epälineaarinen normalisointi Paikallinen normalisointi tehdään yleensä ns. liukuvalla prosessointi-ikkunalla, jossa kullekin ikkunan keskipisteelle lasketaan uusi arvo ikkunan muiden pisteiden avulla (esim. mediaani, keskiarvo tms.) Suodattaminen Suodattamisella pyritään poistamaan epämääräinen, jatkoanalyysiä häiritsevä data. Mikrosirukuvissa on lähes aina eri syistä johtuvia virheitä : Liian matalia intensiteettiarvoja Liian korkeita intensiteettiarvoja Havaitun pisteen muoto epänormaali Kuvassa esiintyy ylimääräisiä (outlier) pisteitä jne.. Image analysis ESIM1: Tarkastellaan intensiteettihistogrammia ja pyritään määrittämään liian matalat ja korkeat intensiteettiarvot. ESIM2: Käytetään keinotekoista pistetemplaattia vertaamaan onko kuvassa pisteen muoto (pyöreä) halutunlainen. ESIM3: Outlier pisteet huomattavasti kapeampia kuin varsinaiset datapisteet. Image analysis 4
5 Keskiarvo ja hajonta Jatkoanalyysiä varten kullekin hyväksytylle pisteelle lasketaan intensiteettiarvojen keskiarvo ja varianssi pisteen alueella Image Analysis - Output Red Intensity R = (R spot R background ) Green Intensity G = (G spot G background ) Ratio = T = R G Log Ratio = log 2 (T) = log 2 R G Differential Expression Log Ratio Increased Expression 1 Equal Expression 0 Decreased Expression 1 Tilastollisia jatkoanalyysejä Ohjaamaton Ryhmittely Ohjattu Normalisoinnin ja suodattamisen jälkeen vuorossa varsinainen data-analyysi Erilaisia menetelmiä: Visualisointi: Pääkomponenttianalyysi (PCA), Itsejärjestyvä kartta, Monidimensionaalinen skaalaus (esim. Sammonin kuvaus), Ryhmittely: K-means, Itsejärjestyvä kartta, puuryhmittelijät, Luokittelu: mikä tahansa soveltuva luokittelija Jne Tilastollisen analyysin työkalu on valittava aina ongelmalähtöisesti: paras menetelmä annettuun tehtävään Clustering methods hierarchical clustering Clustering methods hierarchical clustering calculate distance matrix gene 1 gene 2 gene 3 gene 4 gene 1 0 gene gene gene calculate distance matrix gene 1 gene 2 gene 3 gene 4 gene 1 0 gene gene gene calculate averages of most similar calculate averages of most similar gene 1,2 gene 3 gene 4 gene 1,2 0 gene gene calculate averages of most similar Dendrogram gene 1,2 gene 3 gene 4 gene 1,2 0 gene gene calculate averages of most similar gene 1,2 gene 3,4 gene 1,2 0 gene 3, gene 1,2 gene 3,4 gene 1,2 0 gene 3,
6 K-means clustering Genes are initially divided into a user specified number (k) of equal-sized groups Centroids are calculated for each group as averages of the expression profiles Genes are reassigned to the group with the highest similarity between the expression profile for the gene and the group centroid Group centroids are then recalculated, and the process is iterated (=repeated) until the group compositions converge (=don t change any more) Clustering methods K-means assign random clusters calculate cluster centroids SOM I repeat until convergence cluster to closest centroid calculate cluster centroids cluster to closest centroid A rectangular (or other shape) grip of nodes (of userspecified size) is contructed in the space of gene expressions In a large number of iterations, data for each gene are successively examined, and node closets to that gene (in Euclidian distance of expression profile) in moved closer to that gene profile Other nodes within neighborhood distance are also moved closer. This maintains similarity in the SOM grid Clustering methods self organising maps SOM I By this process, the grid of nodes is stretched and wrapped to best represent the variability in the data, while still maintaining the similarity between adjacent grid nodes As the iteration proceeds, nodes are moved by smaller and smaller amount to produce convergence After the iteration, genes are assigned to the nearest grid node, and a display grid of gene expression graphs is shown corresponding to the final state of the grid 6
7 Clustering methods self organising maps Initial setup of SOM repeat for each gene repeat until convergence Consists a set of units i in a twodimension grid Each unit i is assigned a weight vector m i as the same dimension as the input data The initial weight vector is assigned random values Winner Selection Learning Process (Adaptation) Initially, pick up a random input vector x(t) Compute the unit c with the highest activity level (the winner c(t)) by Euclidean distance formula Guide the adaptation by a learning-rate α (tune weight vectors from the random initialization value towards the actual input space) Decrease neighborhood around the winner towards the currently presented input pattern (map input onto regions close to each other in the grid of output pattern, viewed as a neural network version of k-means clustering) Learning Process (Adaptation) Neighborhood Strategy Neighborhood-kernel h ci A guassian is used to define neighborhood-kernel r c -r i 2 denotes the distance between the winner node c and input vector i A time-varying parameter δ enable formation of large clusters in the beginning and fine-grained input discrimination towards the end of the learning process 7
8 Pääkomponenttianalyysi PCA Tunnetaan myös Karhunen-Loeve muunnoksena Lineaarinen projektiomenetelmä Tavoitteet: - Datan dimensionaalisuuden pinentäminen - Menettää projektiossa vähiten informaatiota - Datan tiivistäminen ja esittäminen (visualisointi) Pääkomponentit määritellään alkuperäisen datan maksimivarienssien suuntaan Ei välttämättä ollenkaan hyvä ryhmittelymenitelmä 8
9 Pattern Discovery Pattern Discovery Projects into a new space e.g. 2 dimensional or 3 dimensional The major source of variation may not be the variation of biological interest Use linear combinations of variables/dimensions that retain a large component of the original variation. Gene B Gene B Gene A Gene A Pattern Discovery Future Trends New data mining tools surfacing Probabilistic methods Bayesian approaches Bigger datasets becoming available Links between expression patterns and clusters and regulatory mechanisms and function Prediction of regulatory networks 9
Mikrosirut ja niiden data-analyysi
Mikrosirut ja niiden data-analyysi S-114.2510 Laskennallinen systeemibiologia 11. Luento: To 24.4.2008 Oppimistavoitteet Mikä on mikrosiru ja miten niitä tehdään Millaisia mikrosiruja on olemassa Kuinka
Lisätiedot7.4 Variability management
7.4 Variability management time... space software product-line should support variability in space (different products) support variability in time (maintenance, evolution) 1 Product variation Product
LisätiedotThe CCR Model and Production Correspondence
The CCR Model and Production Correspondence Tim Schöneberg The 19th of September Agenda Introduction Definitions Production Possiblity Set CCR Model and the Dual Problem Input excesses and output shortfalls
LisätiedotBounds on non-surjective cellular automata
Bounds on non-surjective cellular automata Jarkko Kari Pascal Vanier Thomas Zeume University of Turku LIF Marseille Universität Hannover 27 august 2009 J. Kari, P. Vanier, T. Zeume (UTU) Bounds on non-surjective
LisätiedotUse of spatial data in the new production environment and in a data warehouse
Use of spatial data in the new production environment and in a data warehouse Nordic Forum for Geostatistics 2007 Session 3, GI infrastructure and use of spatial database Statistics Finland, Population
LisätiedotCapacity Utilization
Capacity Utilization Tim Schöneberg 28th November Agenda Introduction Fixed and variable input ressources Technical capacity utilization Price based capacity utilization measure Long run and short run
LisätiedotAlternative DEA Models
Mat-2.4142 Alternative DEA Models 19.9.2007 Table of Contents Banker-Charnes-Cooper Model Additive Model Example Data Home assignment BCC Model (Banker-Charnes-Cooper) production frontiers spanned by convex
LisätiedotLaskennallisesti Älykkäät Järjestelmät. Sumean kmeans ja kmeans algoritmien vertailu
Laskennallisesti Älykkäät Järjestelmät Sumean kmeans ja kmeans algoritmien vertailu Annemari Auvinen (annauvi@st.jyu.fi) Anu Niemi (anniemi@st.jyu.fi) 28.5.2002 1 Tehtävän kuvaus Tehtävänämme oli verrata
LisätiedotOther approaches to restrict multipliers
Other approaches to restrict multipliers Heikki Tikanmäki Optimointiopin seminaari 10.10.2007 Contents Short revision (6.2) Another Assurance Region Model (6.3) Cone-Ratio Method (6.4) An Application of
Lisätiedot1. SIT. The handler and dog stop with the dog sitting at heel. When the dog is sitting, the handler cues the dog to heel forward.
START START SIT 1. SIT. The handler and dog stop with the dog sitting at heel. When the dog is sitting, the handler cues the dog to heel forward. This is a static exercise. SIT STAND 2. SIT STAND. The
LisätiedotReturns to Scale II. S ysteemianalyysin. Laboratorio. Esitelmä 8 Timo Salminen. Teknillinen korkeakoulu
Returns to Scale II Contents Most Productive Scale Size Further Considerations Relaxation of the Convexity Condition Useful Reminder Theorem 5.5 A DMU found to be efficient with a CCR model will also be
LisätiedotChapter 7. Motif finding (week 11) Chapter 8. Sequence binning (week 11)
Course organization Introduction ( Week 1) Part I: Algorithms for Sequence Analysis (Week 1-11) Chapter 1-3, Models and theories» Probability theory and Statistics (Week 2)» Algorithm complexity analysis
LisätiedotGap-filling methods for CH 4 data
Gap-filling methods for CH 4 data Sigrid Dengel University of Helsinki Outline - Ecosystems known for CH 4 emissions; - Why is gap-filling of CH 4 data not as easy and straight forward as CO 2 ; - Gap-filling
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotGeeniekspressio: Mikrosirut. Geneettinen bioinformatiikka
Geeniekspressio: Mikrosirut Geneettinen bioinformatiikka Microarray Microarray is a compact device containing a very large number of capture molecules (synthetic oligos, PCR products, proteins, antibodies
LisätiedotEfficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
LisätiedotEsimerkkitehtäviä, A-osa
Esimerkkitehtäviä, A-osa MAB1, harjaantuu käyttämään matematiikkaa jokapäiväisen elämän ongelmien ratkaisemisessa Jussi myy torilla marjoja. Erään asiakkaan ostokset maksavat 8,65e. Asiakas antaa Jussille
Lisätiedot1.3Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 81122P (4 ov.) 30.5.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
LisätiedotLYTH-CONS CONSISTENCY TRANSMITTER
LYTH-CONS CONSISTENCY TRANSMITTER LYTH-INSTRUMENT OY has generate new consistency transmitter with blade-system to meet high technical requirements in Pulp&Paper industries. Insurmountable advantages are
Lisätiedot16. Allocation Models
16. Allocation Models Juha Saloheimo 17.1.27 S steemianalsin Optimointiopin seminaari - Sks 27 Content Introduction Overall Efficienc with common prices and costs Cost Efficienc S steemianalsin Revenue
LisätiedotSIMULINK S-funktiot. SIMULINK S-funktiot
S-funktio on ohjelmointikielellä (Matlab, C, Fortran) laadittu oma algoritmi tai dynaamisen järjestelmän kuvaus, jota voidaan käyttää Simulink-malleissa kuin mitä tahansa valmista lohkoa. S-funktion rakenne
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Calculation: N117 x 9 x HH141 Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG
LisätiedotHARJOITUS- PAKETTI A
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI A (6 pistettä) TUTA 19 Luento 3.Ennustaminen County General 1 piste The number of heart surgeries performed at County General Hospital
LisätiedotStatistical design. Tuomas Selander
Statistical design Tuomas Selander 28.8.2014 Introduction Biostatistician Work area KYS-erva KYS, Jyväskylä, Joensuu, Mikkeli, Savonlinna Work tasks Statistical methods, selection and quiding Data analysis
Lisätiedotx = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );
LINEAARIALGEBRA Harjoituksia/Exercises 2017 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n ) identtisyys, yhteenlasku ja reaaliluvulla
LisätiedotPlasmid Name: pmm290. Aliases: none known. Length: bp. Constructed by: Mike Moser/Cristina Swanson. Last updated: 17 August 2009
Plasmid Name: pmm290 Aliases: none known Length: 11707 bp Constructed by: Mike Moser/Cristina Swanson Last updated: 17 August 2009 Description and application: This is a mammalian expression vector for
LisätiedotMetsälamminkankaan tuulivoimapuiston osayleiskaava
VAALAN KUNTA TUULISAIMAA OY Metsälamminkankaan tuulivoimapuiston osayleiskaava Liite 3. Varjostusmallinnus FCG SUUNNITTELU JA TEKNIIKKA OY 12.5.2015 P25370 SHADOW - Main Result Assumptions for shadow calculations
LisätiedotI. Principles of Pointer Year Analysis
I. Principles of Pointer Year Analysis Fig 1. Maximum (red) and minimum (blue) pointer years. 1 Fig 2. Principle of pointer year calculation. Fig 3. Skeleton plot graph created by Kinsys/Kigraph programme.
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotTynnyrivaara, OX2 Tuulivoimahanke. ( Layout 9 x N131 x HH145. Rakennukset Asuinrakennus Lomarakennus 9 x N131 x HH145 Varjostus 1 h/a 8 h/a 20 h/a
, Tuulivoimahanke Layout 9 x N131 x HH145 Rakennukset Asuinrakennus Lomarakennus 9 x N131 x HH145 Varjostus 1 h/a 8 h/a 20 h/a 0 0,5 1 1,5 km 2 SHADOW - Main Result Assumptions for shadow calculations
Lisätiedot3 9-VUOTIAIDEN LASTEN SUORIUTUMINEN BOSTONIN NIMENTÄTESTISTÄ
Puhe ja kieli, 27:4, 141 147 (2007) 3 9-VUOTIAIDEN LASTEN SUORIUTUMINEN BOSTONIN NIMENTÄTESTISTÄ Soile Loukusa, Oulun yliopisto, suomen kielen, informaatiotutkimuksen ja logopedian laitos & University
LisätiedotKMTK lentoestetyöpaja - Osa 2
KMTK lentoestetyöpaja - Osa 2 Veijo Pätynen 18.10.2016 Pasila YHTEISTYÖSSÄ: Ilmailun paikkatiedon hallintamalli Ilmailun paikkatiedon hallintamalli (v0.9 4.3.2016) 4.4 Maanmittauslaitoksen rooli ja vastuut...
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotT-61.246 Digitaalinen signaalinkäsittely ja suodatus Tutkielma Signaalinkäsittely DNA-mikrosiruteknologiassa
T-61.246 Digitaalinen signaalinkäsittely ja suodatus Tutkielma Signaalinkäsittely DNA-mikrosiruteknologiassa Liisa-Ida Sorsa, 58714E Sisällysluettelo i SISÄLLYSLUETTELO 1JOHDANTO... 1 2BIOLOGIAA DNA-MIKROSIRUTEKNOLOGIALLA...
LisätiedotEpigeneettinen säätely ja genomin leimautuminen. Tiina Immonen BLL Biokemia ja kehitysbiologia
Epigeneettinen säätely ja genomin leimautuminen Tiina Immonen BLL Biokemia ja kehitysbiologia 21.1.2014 Epigeneettinen säätely Epigenetic: may be used for anything to do with development, but nowadays
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.9.269
Lisätiedot( ( OX2 Perkkiö. Rakennuskanta. Varjostus. 9 x N131 x HH145
OX2 9 x N131 x HH145 Rakennuskanta Asuinrakennus Lomarakennus Liike- tai julkinen rakennus Teollinen rakennus Kirkko tai kirkollinen rak. Muu rakennus Allas Varjostus 1 h/a 8 h/a 20 h/a 0 0,5 1 1,5 2 km
LisätiedotKvanttilaskenta - 1. tehtävät
Kvanttilaskenta -. tehtävät Johannes Verwijnen January 9, 0 edx-tehtävät Vastauksissa on käytetty edx-kurssin materiaalia.. Problem False, sillä 0 0. Problem False, sillä 0 0 0 0. Problem A quantum state
LisätiedotMALE ADULT FIBROBLAST LINE (82-6hTERT)
Double-stranded methylation patterns of a 104-bp L1 promoter in DNAs from male and female fibroblasts, male leukocytes and female lymphoblastoid cells using hairpin-bisulfite PCR. Fifteen L1 sequences
LisätiedotTietorakenteet ja algoritmit
Tietorakenteet ja algoritmit Taulukon edut Taulukon haitat Taulukon haittojen välttäminen Dynaamisesti linkattu lista Linkatun listan solmun määrittelytavat Lineaarisen listan toteutus dynaamisesti linkattuna
LisätiedotATH-aineiston tilastolliset analyysit SPSS/PASW SPSS analyysit / Risto Sippola 1
ATH-aineiston tilastolliset analyysit SPSS/PASW 16.2.2011 SPSS analyysit / Risto Sippola 1 Aineiston avaaminen Aineisto on saatu SPSS-muotoon ja tallennettu koneelle sijaintiin, josta sitä voidaan käyttää
LisätiedotWindPRO version joulu 2012 Printed/Page :42 / 1. SHADOW - Main Result
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 13.6.2013 19:42 / 1 Minimum
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
VE1 SHADOW - Main Result Calculation: 8 x Nordex N131 x HH145m Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please
LisätiedotS Sähkön jakelu ja markkinat S Electricity Distribution and Markets
S-18.3153 Sähkön jakelu ja markkinat S-18.3154 Electricity Distribution and Markets Voltage Sag 1) Kolmivaiheinen vastukseton oikosulku tapahtuu 20 kv lähdöllä etäisyydellä 1 km, 3 km, 5 km, 8 km, 10 km
LisätiedotS SÄHKÖTEKNIIKKA JA ELEKTRONIIKKA
S-55.1100 SÄHKÖTKNIIKKA JA LKTONIIKKA Tentti 15.5.2006: tehtävät 1,3,5,7,10 1. välikoe: tehtävät 1,2,3,4,5 2. välikoe: tehtävät 6,7,8,9,10 Saat vastata vain neljään tehtävään/koe; ne sinun pitää itse valita!
LisätiedotSmart specialisation for regions and international collaboration Smart Pilots Seminar
Smart specialisation for regions and international collaboration Smart Pilots Seminar 23.5.2017 Krista Taipale Head of Internaltional Affairs Helsinki-Uusimaa Regional Council Internationalisation
Lisätiedot812336A C++ -kielen perusteet, 21.8.2010
812336A C++ -kielen perusteet, 21.8.2010 1. Vastaa lyhyesti seuraaviin kysymyksiin (1p kaikista): a) Mitä tarkoittaa funktion ylikuormittaminen (overloading)? b) Mitä tarkoittaa jäsenfunktion ylimääritys
LisätiedotTavaroiden ulkomaankauppatilastojen tulkinnan haasteet. 22.3.2012 Timo Koskimäki
Tavaroiden ulkomaankauppatilastojen tulkinnan haasteet 22.3.2012 Timo Koskimäki 1 Sisältö Johdannoksi Esimerkit Mikro: Kännykän arvonlisän komponentit Makro: Suomen kauppatase ja viestintäklusteri Kauppatilastojen
LisätiedotMissing data may bias your conclusions. Juha Karvanen Department of Mathematics and Statistics University of Jyväskylä
Missing data may bias your conclusions Juha Karvanen Department of Mathematics and Statistics University of Jyväskylä Surveys work because of random sampling Statistical theory works under the assumption
LisätiedotNAO- ja ENO-osaamisohjelmien loppuunsaattaminen ajatuksia ja visioita
NAO- ja ENO-osaamisohjelmien loppuunsaattaminen ajatuksia ja visioita NAO-ENO työseminaari VI Tampere 3.-4.6.2015 Projektisuunnittelija Erno Hyvönen erno.hyvonen@minedu.fi Aikuiskoulutuksen paradigman
Lisätiedot( ,5 1 1,5 2 km
Tuulivoimala Rakennukset Asuinrakennus Liikerak. tai Julkinen rak. Lomarakennus Teollinen rakennus Kirkollinen rakennus Varjostus "real case" h/a 1 h/a 8 h/a 20 h/a 4 5 3 1 2 6 7 8 9 10 0 0,5 1 1,5 2 km
LisätiedotKONEISTUSKOKOONPANON TEKEMINEN NX10-YMPÄRISTÖSSÄ
KONEISTUSKOKOONPANON TEKEMINEN NX10-YMPÄRISTÖSSÄ https://community.plm.automation.siemens.com/t5/tech-tips- Knowledge-Base-NX/How-to-simulate-any-G-code-file-in-NX- CAM/ta-p/3340 Koneistusympäristön määrittely
LisätiedotTUTKIMUSOPAS. SPSS-opas
TUTKIMUSOPAS SPSS-opas Johdanto Tässä oppaassa esitetään SPSS-tilasto-ohjelman alkeita, kuten Excel-tiedoston avaaminen, tunnuslukujen laskeminen ja uusien muuttujien muodostaminen. Lisäksi esitetään esimerkkien
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 22.12.2014 11:33 / 1 Minimum
LisätiedotOperatioanalyysi 2011, Harjoitus 2, viikko 38
Operatioanalyysi 2011, Harjoitus 2, viikko 38 H2t1, Exercise 1.1. H2t2, Exercise 1.2. H2t3, Exercise 2.3. H2t4, Exercise 2.4. H2t5, Exercise 2.5. (Exercise 1.1.) 1 1.1. Model the following problem mathematically:
LisätiedotTeknillinen tiedekunta, matematiikan jaos Numeeriset menetelmät
Numeeriset menetelmät 1. välikoe, 14.2.2009 1. Määrää matriisin 1 1 a 1 3 a a 4 a a 2 1 LU-hajotelma kaikille a R. Ratkaise LU-hajotelmaa käyttäen yhtälöryhmä Ax = b, missä b = [ 1 3 2a 2 a + 3] T. 2.
Lisätiedot1.3 Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 811122P (5 op.) 12.12.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
LisätiedotHankkeiden vaikuttavuus: Työkaluja hankesuunnittelun tueksi
Ideasta projektiksi - kumppanuushankkeen suunnittelun lähtökohdat Hankkeiden vaikuttavuus: Työkaluja hankesuunnittelun tueksi Erasmus+ -ohjelman hakuneuvonta ammatillisen koulutuksen kumppanuushanketta
Lisätiedot,0 Yes ,0 120, ,8
SHADOW - Main Result Calculation: Alue 2 ( x 9 x HH120) TuuliSaimaa kaavaluonnos Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered
Lisätiedot21~--~--~r--1~~--~--~~r--1~
- K.Loberg FYSE420 DIGITAL ELECTRONICS 13.05.2011 1. Toteuta alla esitetyn sekvenssin tuottava asynkroninen pun. Anna heratefunktiot, siirtotaulukko ja kokonaistilataulukko ( exitation functions, transition
LisätiedotFETAL FIBROBLASTS, PASSAGE 10
Double-stranded methylation patterns of a 104-bp L1 promoter in DNAs from fetal fibroblast passages 10, 14, 17, and 22 using barcoded hairpinbisulfite PCR. Fifteen L1 sequences were analyzed for passages
LisätiedotELEMET- MOCASTRO. Effect of grain size on A 3 temperatures in C-Mn and low alloyed steels - Gleeble tests and predictions. Period
1 ELEMET- MOCASTRO Effect of grain size on A 3 temperatures in C-Mn and low alloyed steels - Gleeble tests and predictions Period 20.02-25.05.2012 Diaarinumero Rahoituspäätöksen numero 1114/31/2010 502/10
LisätiedotRekisteröiminen - FAQ
Rekisteröiminen - FAQ Miten Akun/laturin rekisteröiminen tehdään Akun/laturin rekisteröiminen tapahtuu samalla tavalla kuin nykyinen takuurekisteröityminen koneille. Nykyistä tietokantaa on muokattu niin,
LisätiedotKAVERI. Kaupan sijaintidynamikkaa tarkasteleva simulaatiomalli
KAVERI Kestävät kauppapaikat verkostokaupungissa Kaupan sijaintidynamikkaa tarkasteleva simulaatiomalli Sanna Iltanen TTY Edge laboratorio 01.02.2012 MALLIN TOIMINTAPERIAATE Kaupan sijaintidynamiikkaa
LisätiedotLataa Cognitive Function in Opioid Substitution Treated Patiens - Pekka Rapeli. Lataa
Lataa Cognitive Function in Opioid Substitution Treated Patiens - Pekka Rapeli Lataa Kirjailija: Pekka Rapeli ISBN: 9789523022232 Sivumäärä: 173 Formaatti: PDF Tiedoston koko: 11.54 Mb Opioid substitution
LisätiedotEKOSYSTEEMIPALVELUIDEN KARTOITTAMINEN EUROOPASSA: esimerkkinä ruuan tuotanto ja kysyntä
EKOSYSTEEMIPALVELUIDEN KARTOITTAMINEN EUROOPASSA: esimerkkinä ruuan tuotanto ja kysyntä PAIKKATIETOILTAPÄIVÄ 25.4.2018 TERHI ALA-HULKKO MAANTIETEEN TUTKIMUSYKSIKKÖ EKOSYSTEEMIPALVELUT Luonnon ihmiselle
LisätiedotBioinformatics in Laboratory of Computer and Information Science
HELSINKI UNIVERSITY OF TECHNOLOGY LABORATORY OF COMPUTER AND INFORMATION SCIENCE Bioinformatics in Laboratory of Computer and Information Science Samuel Kaski Research Two centers of excellence of the
LisätiedotInferring Trichoderma reesei gene regulatory network
Inferring Trichoderma reesei gene regulatory network Oskari Vinko 29.04.2013 Ohjaaja: Merja Oja Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin
LisätiedotTree map system in harvester
Tree map system in harvester Fibic seminar 12.6.2013 Lahti Timo Melkas, Metsäteho Oy Mikko Miettinen, Argone Oy Kalle Einola, Ponsse Oyj Project goals EffFibre project 2011-2013 (WP3) To evaluate the accuracy
LisätiedotC++11 seminaari, kevät Johannes Koskinen
C++11 seminaari, kevät 2012 Johannes Koskinen Sisältö Mikä onkaan ongelma? Standardidraftin luku 29: Atomiset tyypit Muistimalli Rinnakkaisuus On multicore systems, when a thread writes a value to memory,
LisätiedotSupplementary information: Biocatalysis on the surface of Escherichia coli: melanin pigmentation of the cell. exterior
Supplementary information: Biocatalysis on the surface of Escherichia coli: melanin pigmentation of the cell exterior Martin Gustavsson, David Hörnström, Susanna Lundh, Jaroslav Belotserkovsky, Gen Larsson
LisätiedotResults on the new polydrug use questions in the Finnish TDI data
Results on the new polydrug use questions in the Finnish TDI data Multi-drug use, polydrug use and problematic polydrug use Martta Forsell, Finnish Focal Point 28/09/2015 Martta Forsell 1 28/09/2015 Esityksen
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
Lisätiedot2_1----~--~r--1.~--~--~--,.~~
K.Loberg FYSE420 DIGITAL ELECTRONICS 3.06.2011 1. Toteuta alia esitetyn sekvenssin tuottava asynkroninen pun. Anna heditefunktiot, siirtotaulukko ja kokonaistilataulukko ( exitation functions, transition
LisätiedotEUROOPAN PARLAMENTTI
EUROOPAN PARLAMENTTI 2004 2009 Kansalaisvapauksien sekä oikeus- ja sisäasioiden valiokunta 2008/0101(CNS) 2.9.2008 TARKISTUKSET 9-12 Mietintöluonnos Luca Romagnoli (PE409.790v01-00) ehdotuksesta neuvoston
LisätiedotRyhmät & uudet mahdollisuudet
www.terrasolid.com Ryhmät & uudet mahdollisuudet Arttu Soininen 22.08.2017 Uudet mahdollisuudet ryhmien avulla Parempi maanpinnan yläpuolisten kohteiden luokittelu Maanpäällisten kohteiden luokittelu toimii
Lisätiedot( N117 x HH141 ( Honkajoki N117 x 9 x HH120 tv-alueet ( ( ( ( ( ( ( ( ( ( m. Honkajoki & Kankaanpää tuulivoimahankkeet
Honkajoki & Kankaanpää tuulivoimahankkeet N117 x HH141 Honkajoki N117 x 9 x HH120 tv-alueet Alahonkajoki_kaava_alueen_raja_polyline Asuinrakennus Julkinen tai liiker rak. Lomarakennus Teollinen rak. Allas
LisätiedotBLOCKCHAINS AND ODR: SMART CONTRACTS AS AN ALTERNATIVE TO ENFORCEMENT
UNCITRAL EMERGENCE CONFERENCE 13.12.2016 Session I: Emerging Legal Issues in the Commercial Exploitation of Deep Seabed, Space and AI BLOCKCHAINS AND ODR: SMART CONTRACTS AS AN ALTERNATIVE TO ENFORCEMENT
LisätiedotWindPRO version joulu 2012 Printed/Page :47 / 1. SHADOW - Main Result
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotGeenisirutekniikka ja siihen liittyvä bioinformatiikka. Outi Monni, Sampsa Hautaniemi ja Olli Kallioniemi
Omiikka Geenisirutekniikka ja siihen liittyvä bioinformatiikka Outi Monni, Sampsa Hautaniemi ja Olli Kallioniemi Geenisirujen avulla voidaan tutkia samanaikaisesti kymmenien tuhansien geenien ilmentymistasot
LisätiedotRakennukset Varjostus "real case" h/a 0,5 1,5
Tuulivoimala Rakennukset Asuinrakennus Liikerak. tai Julkinen rak. Lomarakennus Teollinen rakennus Kirkollinen rakennus Varjostus "real case" h/a 1 h/a 8 h/a 20 h/a 1 2 3 5 8 4 6 7 9 10 0 0,5 1 1,5 2 km
LisätiedotPRIMARY HPV TESTING IN ORGANIZED CERVICAL CANCER SCREENING
PRIMARY HPV TESTING IN ORGANIZED CERVICAL CANCER SCREENING Veijalainen O, Kares S, Kujala P, Vuento R, TirKkonen M, Kholová I, Osuala V, Mäenpää J University and University Hospital of Tampere, Finland,
LisätiedotChoose Finland-Helsinki Valitse Finland-Helsinki
Write down the Temporary Application ID. If you do not manage to complete the form you can continue where you stopped with this ID no. Muista Temporary Application ID. Jos et onnistu täyttää lomake loppuun
Lisätiedot7. Product-line architectures
7. Product-line architectures 7.1 Introduction 7.2 Product-line basics 7.3 Layered style for product-lines 7.4 Variability management 7.5 Benefits and problems with product-lines 1 Short history of software
LisätiedotAutomaatiojärjestelmän hankinnassa huomioitavat tietoturva-asiat
Automaatiojärjestelmän hankinnassa huomioitavat tietoturva-asiat Teollisuusautomaation tietoturvaseminaari Purchasing Manager, Hydro Lead Buyer, Industrial Control Systems 1 Agenda / esityksen tavoite
LisätiedotIntegration of Finnish web services in WebLicht Presentation in Freudenstadt 2010-10-16 by Jussi Piitulainen
Integration of Finnish web services in WebLicht Presentation in Freudenstadt 2010-10-16 by Jussi Piitulainen Who we are FIN-CLARIN University of Helsinki The Language Bank of Finland CSC - The Center for
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 5.11.2013 16:44 / 1 Minimum
LisätiedotMetsien vertailutason määrittäminen taustat ja tilanne
Asia: U 5/2017 vp Valtioneuvoston kirjelmä eduskunnalle Euroopan komission ehdotuksesta Euroopan parlamentin ja neuvoston direktiiviksi uusiutuvista lähteistä peräisin olevan energian käytön edistämisestä
LisätiedotAjettavat luokat: SM: S1 (25 aika-ajon nopeinta)
SUPERMOTO SM 2013 OULU Lisämääräys ja ohje Oulun Moottorikerho ry ja Oulun Formula K-125ry toivottaa SuperMoto kuljettajat osallistumaan SuperMoto SM 2013 Oulu osakilpailuun. Kilpailu ajetaan karting radalla
LisätiedotCurriculum. Gym card
A new school year Curriculum Fast Track Final Grading Gym card TET A new school year Work Ethic Detention Own work Organisation and independence Wilma TMU Support Services Well-Being CURRICULUM FAST TRACK
LisätiedotVAASAN YLIOPISTO Humanististen tieteiden kandidaatin tutkinto / Filosofian maisterin tutkinto
VAASAN YLIOPISTO Humanististen tieteiden kandidaatin tutkinto / Filosofian maisterin tutkinto Tämän viestinnän, nykysuomen ja englannin kandidaattiohjelman valintakokeen avulla Arvioidaan viestintävalmiuksia,
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
LisätiedotT : Max-flow / min-cut -ongelmat
T-61.152: -ongelmat 4.3.2008 Sisältö 1 Määritelmät Esimerkki 2 Max-flow Graafin leikkaus Min-cut Max-flow:n ja min-cut:n yhteys 3 Perusajatus Pseudokoodi Tarkastelu 4 T-61.152: -ongelmat Virtausverkko
LisätiedotBasic Optimization Methods
TECHNISCHE UNIVERSITÄT ILMENAU Integrated Hard and Software Systems http://wwwihs.theoinf.tuilmenau.de Basic Optimization Methods Problem Statement Single Pass Approaches Heuristic Search Framework General
LisätiedotI. AES Rijndael. Rijndael - Internal Structure
I. AES Rndael NOKIA T-79.53 Additional material Oct 3/KN Rndael - Internal Structure Rndael is an iterated block cipher with variable length block and variable key size. The number of rounds is defined
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita risto.lehtonen@helsinki.fi OHC Survey Tilastollinen analyysi Kysymys: Millä
LisätiedotStormwater filtration unit
Stormwater filtration unit Background, concept and applied design work Olli Hakala 2018 WSP Finland Aalto university Kyttä ym. 2014. Veden äärellä kysely, ENTJUSTESS-hanke. Aalto yliopisto. STORMWATER
Lisätiedot