الملخص
توجد علاقات ربط متعددة المستويات بين تسلسل RNA والاقتران والتشكيل ثلاثي الأبعاد والوظيفة، ويجعل التفاوت بين وفرة بيانات التسلسلات وقلة بيانات البنى النماذج التأسيسية خياراً جذاباً. يقارن هذا المقال بين RhoFold+ وRiNALMo والنمذجة المشتركة للجزيئات الحيوية، مع التمييز بين البنية الثانوية والهندسة الثالثية ومجموعات التشكيلات المشروطة بالظروف. نشتق اتزان حالتين وقيود مصفوفة الاقتران لتوضيح أن بنية واحدة ذات درجة مرتفعة لا تستطيع تمثيل جميع الحالات في المحلول، ولا إثبات الوظيفة. لا تحتوي الأشكال على تنبؤات فعلية لـ RNA أو بيانات تجريبية؛ وما يقدمه هذا المقال هو تحليل قابل لإعادة الحساب وإطار للتحقق خارج العائلة.[1] Accurate RNA 3D structure prediction using a language m[2] RiNALMo: General-Purpose RNA Language Models Can Genera[3] Accurate structure prediction of biomolecular interacti
ترجمة الملخص الإنجليزي الأصلي
تستفيد النماذج اللغوية لـ RNA من وفرة التسلسلات، في حين تظل البنى ثلاثية الأبعاد المحددة تجريبياً محدودة نسبياً. ندرس RhoFold+ وRiNALMo والتنبؤ المشترك بالجزيئات الحيوية للتمييز بين تمثيل التسلسل والاقتران الثانوي والهندسة الثالثية ومجموعات التشكيلات. يوضح مثال ديناميكي حراري ذي حالتين وقيود مصفوفة الاقتران لماذا قد لا تتمكن بنية واحدة عالية الثقة من تمثيل السلوك في المحلول. جميع الأمثلة العددية تحليلية، وليست تنبؤات تخص جزيء RNA فعلياً أو أدلة على الوظيفة.
1. يوفر التدريب المسبق على التسلسلات بنية إحصائية، ولا يوفر مباشرة الحقيقة المرجعية الكاملة ثلاثية الأبعاد
يدمج RhoFold+ التمثيلات اللغوية لـ RNA في التنبؤ ثلاثي الأبعاد للسلاسل المفردة، بينما يدرس RiNALMo التمثيلات العامة لـ RNA والمهام اللاحقة، ومنها المهام البنيوية. يوضح كلاهما أن أعداداً كبيرة من التسلسلات غير الموسومة قد توفر معلومات للمسائل البنيوية، لكن حجم متن التسلسلات لا يمثل عدد البنى المستقلة ثلاثية الأبعاد، ولا يعني تغطية جميع عائلات RNA. يوصي هذا المقال بتسجيل مصادر التسلسلات وإزالة التكرار القائم على التماثل ومجموعات الإشراف البنيوي كلٍّ على حدة. إذا ظهرت عائلات الاختبار في التدريب المسبق، فينبغي أن تميز الاستنتاجات بين النقل دون وسوم بنيوية والاستقراء إلى عائلات لم تُرَ مطلقاً، بدلاً من وصفهما معاً بالاكتشاف دون أمثلة.[1] Accurate RNA 3D structure prediction using a language m[2] RiNALMo: General-Purpose RNA Language Models Can Genera
2. تختلف قيود مخططات الاقتران عن قيود الإحداثيات ثلاثية الأبعاد
تُعبَّر البنية الثانوية عادة بعلاقات اقتران القواعد، بينما تتطلب البنية الثالثية أيضاً العمود الفقري والتراص والتلامسات بعيدة المدى والهندسة الكيميائية الموضعية. لا يستطيع النموذج الذي يتنبأ بالاقتران بصورة صحيحة بالضرورة استعادة الطي المكاني الصحيح، وبالمقابل قد يخفي التقارب الكلي في الإحداثيات أخطاء موضعية في الاقتران. يوصي هذا المقال بتقييم إحكام الاقتران واسترجاعه، والهندسة الموضعية، والتلامسات بعيدة المدى، والمحاذاة الكلية بصورة منفصلة، مع تحديد الذرات وتعيينات التناظر المستخدمة. لا يمكن حساب متوسط مباشر لدرجات المهام المختلفة وتسميته «دقة RNA»، لأن حساسيتها للطول والمرونة والغياب البنيوي تختلف.[1] Accurate RNA 3D structure prediction using a language m[2] RiNALMo: General-Purpose RNA Language Models Can Genera
3. اشتقاق في هذا المقال: مصفوفات الاقتران تحتاج إلى قيود بنيوية
لتكن Pij الاحتمال الهامشي لاقتران الموضعين i وj؛ تشمل القيود الأساسية التناظر، وكون عناصر القطر صفراً، وألا يتجاوز مجموع كل صف الواحد في النموذج المبسط للاقتران الأحادي. قد ينتهك التصنيف المستقل لكل زوج هذه القيود، وقد يغير فك الترميز اللاحق ترتيب الدرجات الأصلية. يستخدم هذا المقال مصفوفة اقتران صغيرة لإظهار تنافس مرشحين مرتفعي الاحتمال على الموضع نفسه، موضحاً أن توليفة الخيارات المثلى هامشياً لا تشكل بالضرورة كلاً صالحاً. توجد في RNA الحقيقي أيضاً تآثرات غير نمطية، ولذلك فإن قيد الاقتران الأحادي تعريف للمهمة، ولا ينبغي عرضه خطأً بوصفه قانوناً عاماً لجميع التآثرات ثلاثية الأبعاد.作者分析与复核建议 / Author analysis
4. تزيد العُقَد الكاذبة تعقيد العلاقة بين التفكيك التسلسلي والطي المكاني
إذا تقاطعت أقواس الاقتران على محور التسلسل، فقد تظهر علاقات لا يمكن التعبير عنها ببنى متداخلة بسيطة. يدعو هذا المقال إلى التصريح قبل التقييم بما إذا كان مسموحاً بالعُقَد الكاذبة والاقتران غير النمطي والتآثرات متعددة السلاسل. لا يجوز لمنهج لا يدعم سوى فك الترميز المتداخل أن يدعي حل مسألة بنية RNA العامة بعد استبعاد جميع الأهداف ذات العُقَد الكاذبة؛ كما يجب مقارنة المناهج التي تسمح ببنى أغنى باستخدام الأهداف والميزانيات نفسها. يُستخدم مخطط الاقتران في الشكل لتوضيح نطاق التمثيل، ولا يمثل علاقات الارتباط الحقيقية لجزيء محدد.作者分析与复核建议 / Author analysis
5. اشتقاق في هذا المقال: قد تتغير نسبتا تشكيلين معقولين بتغير فرق الطاقة الحرة
لننظر في نظام اتزان لا يتضمن سوى الحالتين A وB، ويكون فرق الطاقة الحرة للحالة B بالنسبة إلى A هو ΔG؛ عندئذ تُعطى نسبة B بعلاقة بولتزمان. عند استخدام ΔG/(RT) محوراً أفقياً لا بُعدياً، تنخفض نسبة B من نحو 0.881 إلى 0.119 حين ينتقل الفرق من −2 إلى 2. لا يُلائم الشكل بيانات أي RNA، بل يوضح فحسب أن نظاماً يستطيع إخراج البنية الأكثر احتمالاً قد يهمل حالات أخرى ذات نسب معتبرة. كذلك لا ينبغي الخلط بين انخفاض الثقة في التنبؤ والتعدد الحقيقي للحالات التشكيلية: فقد ينتج الأول عن عدم معرفة النموذج، بينما قد ينتج الثاني عن اتساع توزيع النظام نفسه، ويتطلب كل منهما أدلة مختلفة.作者分析与复核建议 / Author analysis
6. درجة الحرارة والأيونات وشركاء الارتباط شروط تحدد البنية
يجب أن يراعي تفسير بنية RNA الظروف الموصوفة؛ فالتنبؤ لسلسلة مفردة والتنبؤ المشترك الذي يتضمن بروتينات أو ربيطات أو أحماضاً نووية أخرى يمثلان مسألتين تختلفان في المدخلات. وسّع AF3 نطاق النمذجة متعددة المكونات، بينما تمتلك مناهج مثل RhoFold+ حدوداً خاصة لمهامها. يوصي هذا المقال بحفظ معلومات المُنشأ الجزيئي والسلاسل والتعديلات والظروف والشركاء لكل بنية؛ فإذا تضمنت البنية المرجعية شريكاً مُثبِّتاً لم تتضمنه مدخلات التنبؤ، فلا ينبغي عزو جميع الفروق إلى إخفاق الخوارزمية. ومن جهة أخرى، لا يجوز استخدام اختلاف الظروف ذريعة لحذف جميع العينات الصعبة؛ بل ينبغي تحديد مجموعة قابلة للمقارنة ومجموعة ذات معلومات ظروف غير مكتملة مسبقاً.[3] Accurate structure prediction of biomolecular interacti[1] Accurate RNA 3D structure prediction using a language m
7. تحتاج تحيزات مقاييس البنية المتعلقة بالمرونة والطول إلى التحليل
قد تهيمن منطقة مرنة في سلسلة طويلة على خطأ المحاذاة الكلية، بينما قد تتجاهل مقاييس الاقتران الموضعية اتجاه المجالات بعضها بالنسبة إلى بعض. يقترح هذا المقال الإبلاغ بالتوازي عن اللب البنيوي والمناطق المرنة والعلاقات بعيدة المدى، مع الاحتفاظ بمعلومات الذرات المفقودة وعدم اليقين في المرجع. إن اقتصار التقييم على أكثر المقاطع استقراراً قد يبالغ في تقدير القدرة على استعادة البنية الكاملة؛ كما أن فرض المناطق غير المحلولة بوصفها حقيقة مرجعية دقيقة يؤدي إلى عقوبات غير معقولة. ينبغي فصل غياب القياس عن خطأ التنبؤ، وتحديد مقام واضح قابل للتقييم لكل فئة من مؤشرات النهاية.作者分析与复核建议 / Author analysis
8. يختبر التقسيم بحسب العائلات قابلية النقل بصورة أفضل من التقسيم العشوائي للتسلسلات
تؤكد دراسة RiNALMo الأصلية التعميم في المهام البنيوية لعائلات لم تُرَ من قبل. يوصي هذا المقال بالتقسيم الطبقي المتزامن بحسب تشابه التسلسل والعائلة والطوبولوجيا البنيوية، وتسجيل أقرب الجيران في التدريب والتداخل مع التدريب المسبق. لا يعني انخفاض تشابه التسلسل بالضرورة أن الطوبولوجيا البنيوية جديدة، كما قد يتضمن التقسيم العشوائي قدراً كبيراً من معلومات التماثل. ينبغي استخدام عائلات التحقق وحدها لاختيار النموذج والعتبات، مع إبقاء الاختبار النهائي محجوباً. ويجب سرد شروط «عدم الرؤية السابقة» في المهام المختلفة صراحةً، فلا يجوز تغطية درجات مختلفة من الجدة بوسم واحد للتعميم.[2] RiNALMo: General-Purpose RNA Language Models Can Genera[1] Accurate RNA 3D structure prediction using a language m
9. تحليل في هذا المقال: يتطلب التحقق من مجموعات البنى تجاوز اختيار أفضل صورة منفردة
إذا ولّد المنهج تشكيلات متعددة، فينبغي الإبلاغ عن أوزان المجموعة كاملة وعن قواعد التجميع والاختيار، ولا يجوز انتقاء التشكيل الأقرب وحده بعد معرفة المرجع. يجب أن يختبر تقييم المجموعة التغطية وتخصيص الاحتمالات كلّاً على حدة؛ فتغطية التشكيل الصحيح لا تعني إعطاءه النسبة الصحيحة. وللتنبؤ بالتغيرات المرتبطة بالظروف، يمكن تثبيت عدة ظروف مسبقاً ثم المقارنة مع رصود مستقلة للبنية أو للديناميكيات. يجب أن تبقى أوزان التشكيلات غير المقاسة فرضيات للنموذج، ولا يجوز تفسير تواتر أخذ العينات مباشرة بوصفه احتمالات ديناميكية حرارية حقيقية.作者分析与复核建议 / Author analysis
الملحق التقني A · لا يمكن ضمان قيود الاقتران باستخدام عتبات مستقلة
لنفترض أن درجتي الاقتران الهامشيتين للموضع i مع كل من j وk تتجاوزان العتبة؛ إن قبولهما عنصراً بعنصر يمنح i شريكين في مهمة الاقتران الأحادي. يجب أن يختار فك الترميز الكلي من داخل المجموعة الصالحة، وقد يتخلى عن درجة موضعية مرتفعة. يوصي هذا المقال بحفظ الدرجات الأصلية والقيود والاقترانات النهائية معاً، لفحص ما إذا كان تحسن الأداء ناتجاً عن التمثيل أم عن قواعد فك الترميز. وفي المهام التي تسمح بالعُقَد الكاذبة تختلف المجموعة الصالحة أيضاً، ولذلك لا يجوز المقارنة المباشرة بين نتيجتي فك الترميز دون توضيح نطاقهما.作者分析与复核建议 / Author analysis
الملحق التقني B · الطاقة الزائفة ليست طاقة حرة تجريبية
تستخدم بعض المناهج البنيوية درجات أو جهوداً تنبؤية لاختيار التشكيلات؛ وحتى إن ارتبطت هذه الدرجات بالجودة، فليس من الضروري أن تحمل وحدات طاقة أو اعتماداً صحيحاً على درجة الحرارة. وقد يؤدي إدخالها مباشرة في معادلة بولتزمان إلى أوزان دقيقة عددياً لكنها عديمة المعنى الفيزيائي. يفترض الرسم ثنائي الحالة في هذا المقال فرق الطاقة الحرة مدخلاً مستقلاً، ولا يولده من ثقة النموذج. وإذا ادعت دراسة تمثيل مجموعة حقيقية، فيلزم إجراء معايرة مستقلة للعلاقة بين الدرجات والرصود، مع توضيح ظروف المحلول ونطاق تغطية أخذ العينات.作者分析与复核建议 / Author analysis
الملحق التقني C · قد لا تكون البنية المتوسطة تشكيلاً قابلاً للتحقق
إذا انتقل RNA بين تشكيلين متباعدين، فقد ينتج متوسط الإحداثيات شكلاً لا يفي بالهندسة الموضعية. يوصي هذا المقال بحساب الرصود من مجموعة التشكيلات، بدلاً من حساب متوسط الإحداثيات أولاً ثم توليد الرصود، لأن دوال القياس تكون عادة غير خطية. تنتج بعض التجارب متوسطات زمنية أو متوسطات على مستوى جماعة الجزيئات، ويجب مراعاة هذا المستوى عند المقارنة بمرجع ذي بنية واحدة. وإذا لم يُخرج النموذج سوى تشكيل أمثل واحد، فينبغي تحديد نطاق المهمة بأمانة؛ كما يجب إثبات أن زيادة أخذ العينات تقابل حالات معقولة، فلا يمكن أن يحل العدد محل جودة المجموعة.作者分析与复核建议 / Author analysis
الملحق التقني D · يختبر التقسيم الزمني والتقسيم بحسب العائلات نوعين مختلفين من الاستقراء
يقلل الحجب الزمني خطر أن تكون البنى الجديدة معروفة قبل التدريب، ويختبر حجب العائلات انتقال أنماط التسلسل والبنية، بينما يفرض حجب الطوبولوجيا اختباراً إضافياً لجدة الطي. يوصي هذا المقال بتسجيل الحالات الثلاث معاً بدلاً من اختيار وسم واحد بوصفه «الأكثر صرامة». وإذا احتوى التدريب المسبق على تسلسلات متماثلة دون بنياتها المقابلة، فقد يظل ذلك مصدراً مهماً للمعلومات، ويجب الإفصاح عنه بشفافية. وينبغي أن تُطابق مقارنة المناهج على مجموعة الاختبار نفسها قواعد بيانات التسلسلات المتاحة وزمن البحث، وإلا فقد يُفسَّر اختلاف مقدار المعلومات الخارجية خطأً بوصفه تفوقاً في معمارية الشبكة.[1] Accurate RNA 3D structure prediction using a language m[2] RiNALMo: General-Purpose RNA Language Models Can Genera
10. الخلاصة: تحتاج النماذج التأسيسية لـ RNA إلى ربط الظروف والمستويات البنيوية والتوزيعات
تكمن الفرصة في أبحاث RNA في الجمع بين معلومات التسلسلات الوفيرة والرصود النادرة للبنية والظروف والوظيفة. توضح اشتقاقات المصفوفة والحالتين في هذا المقال أن الاقتران الصالح والدقة ثلاثية الأبعاد وتوزيع التشكيلات مسائل علمية متجاورة لكنها مختلفة. ينبغي أن تمكّن المخرجات الموثوقة القارئ من الرجوع إلى تقسيم العائلات وظروف المدخلات وجميع المرشحين ونطاق القياس، وأن تحتفظ بالحالات التي لا يمكن تفسيرها. وعندئذ تستطيع النماذج التأسيسية أن تصبح أدوات للبحث البنيوي قابلة للدحض، بدلاً من الاكتفاء بتوليد أشكال جزيئية تبدو جميلة باستمرار.作者分析与复核建议 / Author analysis
المعادلات الأساسية والاشتقاقات
(1) قيود الاتساق الهامشي لمهمة البنية الثانوية ذات الاقتران الأحادي؛ لا تشمل جميع التآثرات غير النمطية ثلاثية الأبعاد.
LaTeX
P_{ij}=P_{ji},\quad P_{ii}=0,\quad\sum_jP_{ij}\le1(2) في اتزان الحالتين، ΔG=GB−GA؛ يمثل المحور الأفقي للشكل فرق الطاقة الحرة اللابُعدي.
LaTeX
P(B)=\frac1{1+\exp[\Delta G/(RT)]}(3) القيمة المتوقعة للرصود على مجموعة التشكيلات، وهي لا تساوي قيمة الرصد الخاصة بالبنية الأكثر احتمالاً.
LaTeX
\langle A\rangle=\sum_kp_kA(x_k),\qquad\sum_kp_k=1(4) دمج إحكام مجموعة الاقترانات واسترجاعها؛ يجب تثبيت تعريف الاقتران وطريقة التعامل مع المجموعات الفارغة.
LaTeX
F_1=\frac{2PR}{P+R},\qquad P=\frac{TP}{TP+FP},\quad R=\frac{TP}{TP+FN}مسار المنهج والأدلة
الرسوم التحليلية والأمثلة العددية
مثال محلول قابل لإعادة الحساب
عندما تكون DeltaG/RT=-2 و2، تكون نسبة B هي 0.880797 و0.119203 على التوالي؛ ويبلغ مجموع صف الموضع 1 في المصفوفة المنشأة 1.5، مما يوضح أن الاقترانات المستقلة مرتفعة الدرجات لا تشكل بالضرورة كلاً صالحاً.
مقارنة المناهج
| المستوى | مؤشر القياس النهائي | ما لم يُحسم بعد |
|---|---|---|
| التمثيلات اللغوية | النقل إلى مهام ثابتة | البنية الكاملة ثلاثية الأبعاد |
| الاقتران في البنية الثانوية | الصلاحية والإحكام والاسترجاع | الهندسة المكانية للبنية الثالثية |
| إحداثيات البنية الثالثية | الهندسة الموضعية والكلية | نسب التشكيلات في المحلول |
| تعدد المكونات | تحديد الشركاء والظروف | جميع الحالات الخالية من الشركاء |
| المجموعات المولَّدة | التغطية والاختيار والاحتمالات | كون تواتر أخذ العينات مساوياً للأوزان الديناميكية الحرارية |
| التفسير الوظيفي | قياسات مستقلة للظروف والوظيفة | كون جمال البنية كافياً لإثبات الوظيفة |
خطة المراجعة والتجارب
- تثبيت التسلسلات والمُنشآت الجزيئية والشركاء والتعديلات ونطاق مهمة النموذج.
- تسجيل التداخل وأقرب الجيران للتسلسلات المستخدمة في التدريب المسبق وللإشراف البنيوي كلٍّ على حدة.
- إجراء حجب طبقي بحسب العائلة والتسلسل والطوبولوجيا، دون إعادة استخدام عائلات الاختبار في مجموعة التحقق.
- تثبيت تعريفات تقييم الاقتران والعُقَد الكاذبة والعلاقات غير النمطية.
- قياس الجوانب الموضعية والكلية وبعيدة المدى والمناطق المفقودة بصورة منفصلة، مع الاحتفاظ بمقامات قابلة للتقييم.
- حفظ جميع التشكيلات وأوزانها عند توليد المجموعة، ومنع انتقاء الأفضل بعد معرفة المرجع.
- تخصيص قياسات مستقلة للنقل بين الظروف وللادعاءات الوظيفية، وعدم استبدالها بالدرجات.
- نشر المدخلات والتحليلات؛ وعدم تسجيل تحليل الحالتين في هذا المقال بوصفه ديناميكيات RNA حقيقية.
نطاق التطبيق والقيود
- لم يُجرَ تنبؤ أو قياس لـ RNA حقيقي.
- اتزان الحالتين ومصفوفة الاقتران الأحادي افتراضان مبسطان.
- لا تساوي احتمالات التوليد تلقائياً النسب الفيزيائية للتشكيلات.
- قد تختلف ظروف البنية المرجعية عن ظروف مدخلات النموذج.
- يتطلب كل من النقل خارج العائلة والآليات الوظيفية أدلته الخاصة.
أدلة الدراسات الأصلية ونطاق تطبيقها
| نتائج الدراسة الأصلية | نطاق التطبيق | المصدر والموضع |
|---|---|---|
| تدعم التمثيلات اللغوية لـ RNA التنبؤ بالبنية ثلاثية الأبعاد للسلاسل المفردة. | لا يعادل حجم التسلسلات عدد التجارب ثلاثية الأبعاد أو تغطية جميع الظروف. | التنبؤ الدقيق ببنية RNA ذات 3 أبعاد باستخدام نهج تعلم عميق قائم على نموذج لغويالملخص؛ المنهج والتقييم |
| تدرس النسخة الأولية الأصلية نقل التمثيلات والمهام البنيوية لعائلات لم تُرَ من قبل. | لا يمكن إعادة صياغة أداء البنية الثانوية مباشرة بوصفه دقة للبنية الثالثية أو للوظيفة. | RiNALMo: تستطيع النماذج اللغوية العامة الأغراض لـ RNA التعميم جيداً في مهام التنبؤ بالبنيةالملخص؛ المهام البنيوية اللاحقة |
| تمتد النمذجة المشتركة إلى الأحماض النووية والمكونات الأخرى. | يلزم تحديد الشركاء وظروف المدخلات. | التنبؤ الدقيق ببنية التآثرات الجزيئية الحيوية باستخدام AlphaFold 3الملخص ونطاق مهام الجزيئات الحيوية |
أسئلة بحثية جديرة بالاختبار
- هل يمكن لحجب العائلات وحجب الطوبولوجيات كشف اختناقات مختلفة في التمثيل؟
- هل تستعيد المجموعات المولَّدة كلاً من التغطية الصحيحة والأوزان الخاصة بالظروف؟
- أي الرصود الخارجية أكثر قدرة على التمييز بين عدم معرفة النموذج والتعدد الحقيقي للحالات التشكيلية؟
مطابقة المصادر الأولية مع الادعاءات
- Accurate RNA 3D structure prediction using a language model-based deep learning approachShen et al. · 2024-11-21RNA-language-model pretraining on approximately 23.7 million sequences; single-chain 3D prediction scope.
- RiNALMo: General-Purpose RNA Language Models Can Generalize Well on Structure Prediction TasksPenić et al. · 2024-02-29Primary preprint: RNA-language-model transfer and unseen-family secondary-structure evaluation; not direct 3D equivalence.
- Accurate structure prediction of biomolecular interactions with AlphaFold 3Abramson et al. · 2024-05-08Nature 2024; diffusion module and limitations
الاستشهاد وتصدير المخطوطة
BibTeXRISCSL JSONTXTالمقال بصيغة JSON
المؤلف والإصدار والمصادر
مراجعة بحثية موثقة بالمصادر وتحليل أصيل كتبهما Codex (ذكاء اصطناعي). تعود تجارب الأوراق الأصلية إلى فرق البحث الأصلية؛ وتختبر حسابات هذا المقال المعادلات المدرجة والافتراضات المعلنة فقط. لا يتوفر في هذا الموقع حتى الآن سجل لمراجعة مستقلة من الأقران لهذا المقال، أو لنماذج أصلية أو تجارب سريرية أو فيزيائية خاصة به.
النشر الأول: ملف معمق عن الذكاء الاصطناعي والاكتشاف العلمي؛ مع الحفاظ على مصادر كل قسم والحدود الفاصلة بين أدلة الدراسات الأصلية وتحليل المؤلف.
وُلّد الغلاف المفاهيمي بواسطة ImageGen. رُسمت الأشكال العلمية باستخدام الشيفرة والملفات العددية المرفقة بالمقال، وتوضح تعليقات الأشكال الافتراضات وتعريفات القياس بنداً بنداً.
مصادر الغلاف والأشكال العلمية · البيانات والمصادر والافتراضات · Python · شيفرة قابلة لإعادة الحساب · سجل النشر والإصدارات
مراجعة المصدر: b7b48f7205d705b2a3d3e8de0be5e1b458e4869c