شناسایی ژن‌های مرتبط با تحمل به تنش‌ها و مکانیسم‌های تحمل به آن‌ها یک عامل مهم برای ایجاد مقاومت در گیاهان است. به‌همین منظور؛ آزمایشی با استفاده از 99 ژنوتیپ برنج در سه تکرار در قالب طرح کاملاً تصادفی در شرایط غرقاب و تنش خشکی در گلخانه تحقیقاتی دانشکده کشاورزی دانشگاه گنبد کاووس در سال 1397 اجرا شد. در شرایط غرقاب در طول دوره رشد گیاه آبیاری انجام شد. برای اعمال تنش خشکی، آبیاری از مرحله سه برگی قطع شد. با توجه به منحنی رطوبت، میزان تنش 2 درصد رطوبت وزنی معادل 55/0- مگا پاسکل تخمین زده شد. صفات ارزیابی شده در هر دو شرایط کشت تفاوت معنی‌داری با هم داشتند. تجزیه ارتباط اطلاعات به‌دست آمده از آزمایش‌های مولکولی و بررسی‌های فنوتیپی در شرایط غرقاب نشان‌دهنده این موضوع بود که از میان آلل‌ها، آلل RM129A با وزن تر ساقه‌ و طول ریشه‌ و آلل RM129G با وزن‌تر ریشه‌ و عرض بزرگ‌ترین برگ و آلل RM129B با وزن خشک ریشه‌ و طول بزرگ‌ترین برگ و آلل RM1029I با وزن خشک ساقه‌ و طول بزرگ‌ترین برگ و در شرایط تنش خشکی آلل RM1029G با وزن خشک ساقه‌، حجم ریشه‌ و تعداد ریشه‌ دارای بیش‌ترین ارتباط با صفت‌های مورد ارزیابی در آزمایش بودند. پرایمر RM1029 یکی از پرایمر‌های مهم در مرحله گیاهچه شناسایی شد. از نتایج حاصل از این پژوهش می‌توان در جهت افزایش تحمل به خشکی ارقام برنج استفاده نمود. Manuscript profile

جنس سرده Rubus L. متعلق به تیره Rosaceae و زیرتیره Rosoideae شامل حدود 750 گونه در دنیا است. این جنس در اکثر نواحی جهان پراکنش دارد. در فلور ایران تعداد هشت گونه و پنج هیبرید (دو رگه) گزارش شده است. تمشک یکی از پر چالش‌ترین جنس‌ها در بین گیاهان گل‌دار می‌باشد. وجود عواملی از جمله پلی‌پلوئیدی، آپومیکسی و دورگه‌گیری زیاد در این جنس باعث مشکلاتی در تشخیص از نظر ریخت شناسی شده است. جمع آوری داده‌های کمی و کیفی جهت تشخیص گونه‌ها و روش‌های جمع‌آوری مولفه‌های ریخت‌ شناسی بسیار زمانبر و پر هزینه است. بنابراین، بکارگیری روش-های متفاوت در جهت کاهش زمان و هزینه‌ها همواره مطرح می‌باشد. در بسیاری از موارد، جهت آنالیز داده‌های زیستی روش‌های داده کاوی بکار گرفته می‌شود. در این مقاله، از ترکیب الگوریتم‌های مختلف انتخاب ویژگی و دسته‌بندی برای تشخیص ویژگی‌های متمایزکننده بین گونه‌های سرده Rubus L. استفاده شد. با بکارگیری روش‌ دسته‌بندی Random Forest و مدل انتخاب ویژگی InfoGainAttributeEval با تعداد 28 ویژگی به دقت 05/94 درصد در دسته‌بندی رسیدیم که بهترین الگوریتم از نظر دقت می‌باشد و با استفاده از روش MLP و مدل انتخاب ویژگی SymetricalAttributeEval، با تعداد 4 ویژگی دقت دسته‌بندی 32/84 درصد حاصل شد که بهترین الگوریتم از نظر تعداد اندک ویژگی‌های انتخاب شده است. چهار ویژگی فوق توسط اکثر الگوریتم‌های استفاده شده در این مقاله انتخاب شدند. تمامی این ویژگی‌ها کیفی هستند و جهت بدست آوردن آنها نیازی به هزینه‌ اندازه‌گیری آزمایشگاهی نمی‌باشد. بنابراین می-توانند معیار مناسبی جهت کلید شناسایی باشند. Manuscript profile

پیش بینی روند تغییرات شاخص و قیمت سهام مسئله بسیار پیچیده ای است که تحت تاثیر عوامل مختلف محیطی، صنعتی، خرد یا کلان درون شرکتی قرار دارد. اندازه گیری عوامل ذکر شده بسیار مشکل است و یا در بعضی موارد قابلیت اندازه گیری ندارند، ولی برخی از عوامل خرد مانند سابقه قیمت و حجم معاملات به سادگی قابل اندازه گیری و در دسترس است. در این پژوهش با استفاده از الگوریتم های انتخاب ویژگی و دسته بندی، روشی جهت تعیین موثرترین اندیکاتورها برای شاخص کل و شاخص کل هم وزن ارائه خواهد شد. سپس مدل پیشنهادی را در بازه زمانی روزانه و هفتگی از دی ماه 1398 الی اردیبهشت ماه 1401 مورد بررسی قرار خواهیم داد. نتایج نشان می دهد پیش بینی روند تغییرات با استفاده از تعداد محدودی از اندیکاتورها با دقت بالایی امکان پذیر است و همچنین در بازه زمانی هفتگی نسبت به بازه زمانی روزانه دقت پیش بینی به طور قابل محسوسی بیشتر می باشد. Manuscript profile