diff --git a/icfree/learner/README.md b/icfree/learner/README.md
new file mode 100644
index 0000000..e69de29
diff --git a/icfree/learner/__init__.py b/icfree/learner/__init__.py
new file mode 100644
index 0000000..8b13789
--- /dev/null
+++ b/icfree/learner/__init__.py
@@ -0,0 +1 @@
+
diff --git a/icfree/learner/active_loop.py b/icfree/learner/active_loop.py
new file mode 100644
index 0000000..830599c
--- /dev/null
+++ b/icfree/learner/active_loop.py
@@ -0,0 +1,143 @@
+import argparse
+import numpy as np
+import pandas as pd
+import warnings
+from sklearn.exceptions import ConvergenceWarning
+from sklearn.preprocessing import MaxAbsScaler
+warnings.filterwarnings("ignore", category=ConvergenceWarning)
+
+from library.utils import *
+from library.model import *
+from library.active_learning import *
+
+
+def parse_arguments():
+    parser = argparse.ArgumentParser(description="Script for active learning and model training.")
+    
+    # Add all the arguments that were previously loaded from config.csv and use the CSV values as defaults
+    parser.add_argument('--name_list', type=str, default='Yield1,Yield2,Yield3,Yield4,Yield5', help="Comma-separated list of names")
+    parser.add_argument('--nb_rep', type=int, default=100, help="Number of repetitions")
+    parser.add_argument('--flatten', type=str, choices=['true', 'false'], default='False', help="Whether to flatten data")
+    parser.add_argument('--seed', type=int, default=85, help="Random seed")
+    parser.add_argument('--nb_new_data_predict', type=int, default=3000, help="Number of new data points to predict")
+    parser.add_argument('--nb_new_data', type=int, default=50, help="Number of new data points")
+    parser.add_argument('--parameter_step', type=int, default=20, help="Parameter step")
+    parser.add_argument('--test', type=int, default=1, help="Test flag")
+    parser.add_argument('--n_group', type=int, default=15, help="Number of groups")
+    parser.add_argument('--ks', type=int, default=20, help="ks parameter")
+    parser.add_argument('--km', type=int, default=50, help="km parameter")
+    parser.add_argument('--plot', type=str, choices=['true', 'false'], default='True', help="Whether to plot the results")
+    parser.add_argument('--data_folder', type=str, default='data/top50', help="Folder containing data")
+    parser.add_argument('--parameter_file', type=str, default='param.tsv', help="Parameter file path")
+    parser.add_argument('--save_name', type=str, default='new_exp/plate3', help="Name for saving outputs")
+    
+    args = parser.parse_args()
+    
+    # Convert boolean-like strings to actual booleans
+    args.flatten = args.flatten.lower() == 'true'
+    args.plot = args.plot.lower() == 'true'
+    
+    # Convert comma-separated lists to actual Python lists
+    args.name_list = args.name_list.split(',')
+    
+    return args
+
+def main():
+    args = parse_arguments()
+    
+    data_folder = args.data_folder
+    name_list = args.name_list
+    parameter_file = args.parameter_file
+    nb_rep = args.nb_rep
+    flatten = args.flatten
+    seed = args.seed
+    nb_new_data_predict = args.nb_new_data_predict
+    nb_new_data = args.nb_new_data
+    parameter_step = args.parameter_step
+    test = args.test
+    save_name = args.save_name
+    n_group = args.n_group
+    ks = args.ks
+    km = args.km
+    plot = args.plot
+
+    # Proceed with the rest of the script logic
+    element_list, element_max, sampling_condition = import_parameter(parameter_file, parameter_step) 
+
+    data, size_list = import_data(data_folder, verbose = True)
+    check_column_names(data,element_list)
+
+    no_element = len(element_list)
+    y = np.array(data[name_list])
+    y_mean = np.nanmean(y, axis = 1)
+    y_std = np.nanstd(y, axis = 1)
+    X = data.iloc[:,0:no_element]
+
+    params = {'kernel': [
+                    C()*Matern(length_scale=10, nu=2.5)+ WhiteKernel(noise_level=1e-3, noise_level_bounds=(1e-3, 1e1))
+                ],
+    #            'alpha':[0.01, 0.025, 0.05, 0.075, 0.1, 0.15, 0.2, 0.3, 0.4, 0.5]}
+                'alpha':[0.05]}
+
+    X_train, X_test, y_train, y_test = split_and_flatten(X, y, ratio = 0, flatten = flatten)
+    scaler = MaxAbsScaler()
+    X_train_norm = scaler.fit_transform(X_train)
+    model = BayesianModels(n_folds= 10, model_type = 'gp', params=params)
+    model.train(X_train_norm, y_train)
+
+    if test:
+        best_param = {'alpha': [model.best_params['alpha']],'kernel': [model.best_params['kernel']]}
+        res = []
+        for i in range(nb_rep):
+            X_train, X_test, y_train, y_test = split_and_flatten(X, y, ratio = 0.2, flatten = flatten)
+
+            scaler = MaxAbsScaler()
+            X_train_norm = scaler.fit_transform(X_train)
+            X_test_norm = scaler.transform(X_test)
+
+            eva_model = BayesianModels(model_type ='gp', params= best_param)
+            eva_model.train(X_train_norm, y_train, verbose = False)
+            y_pred, std_pred = eva_model.predict(X_test_norm)
+            res.append(r2_score(y_test, y_pred))
+
+        plt.hist(res, bins = 20, color='orange')
+        plt.title(f'Histogram of R2 for different testing subset, median= {np.median(res):.2f}', size = 12)
+
+    X_new= sampling_without_repeat(sampling_condition, num_samples = nb_new_data_predict, existing_data=X_train, seed = seed)
+    X_new_norm = scaler.transform(X_new)
+    y_pred, std_pred = model.predict(X_new_norm)
+    clusters = cluster(X_new_norm, n_group)
+
+    ei = expected_improvement(y_pred, std_pred, max(y_train))
+    print("For EI:")
+    ei_top, y_ei, ratio_ei, ei_cluster = find_top_elements(X_new, y_pred, clusters, ei, km, return_ratio= True)
+    ei_top_norm = scaler.transform(ei_top)
+
+    if plot: 
+        plot_selected_point(y_pred, std_pred, y_ei, 'EI selected')
+
+        size_list.append(nb_new_data)
+        y_mean = np.append(y_mean, y_ei)
+        plot_each_round(y_mean,size_list, predict = True)
+
+        plot_train_test(X_train_norm, ei_top_norm, element_list)
+
+        fig, axes = plt.subplots(1, 1, figsize=(10, 4))
+        plot_heatmap(axes, ei_top_norm, y_ei, element_list, 'EI')
+        plt.tight_layout()
+        plt.xlabel("Yield: left-low, right-high")
+        plt.show()
+
+    X_ei = pd.DataFrame(ei_top, columns=element_list)
+    name = save_name + '_ei'+ str(km) + '.csv'
+    X_ei.to_csv(name, index=False)
+
+
+if __name__ == "__main__":
+    main()
+ 
+
+
+
+
+
diff --git a/icfree/learner/calibrator.py b/icfree/learner/calibrator.py
new file mode 100644
index 0000000..398cbf4
--- /dev/null
+++ b/icfree/learner/calibrator.py
@@ -0,0 +1,222 @@
+import pandas as pd
+import argparse
+import numpy as np
+import statsmodels.api as sm
+import matplotlib.pyplot as plt
+import os
+import random
+
+def calculate_yield(data: pd.DataFrame, jove_plus_line: int, jove_minus_line: int) -> pd.DataFrame:
+    # Adjust the line numbers because of the header row (subtracting an additional 1 for zero-based indexing)
+    jove_plus_index = jove_plus_line - 2
+    jove_minus_index = jove_minus_line - 2
+
+    # Get the autofluorescence and reference values based on user input
+    autofluorescence = data.iloc[jove_minus_index].filter(like='Fluorescence').mean()
+    reference = data.iloc[jove_plus_index].filter(like='Fluorescence').mean()
+    
+    # Create yield columns for each fluorescence value
+    for col in data.columns:
+        if 'Fluorescence' in col:
+            yield_col = col.replace('Fluorescence', 'Yield')
+            data[yield_col] = (data[col] - autofluorescence) / (reference - autofluorescence)
+    
+    return data
+
+def add_calibrated_yield(data: pd.DataFrame, a: float, b: float) -> pd.DataFrame:
+    # Add "Calibrated Yield" columns for each "Yield" column
+    for col in data.columns:
+        if 'Yield' in col and 'Calibrated' not in col:
+            calibrated_yield_col = col.replace('Yield', 'Calibrated Yield')
+            data[calibrated_yield_col] = a * data[col] + b
+    
+    return data
+
+def fit_regression_with_outlier_removal(y: np.ndarray, y_ref: np.ndarray, r2_limit: float) -> tuple:
+    max_outliers = int(0.3 * len(y))  # 30% of data points can be considered outliers
+    current_r2 = 0
+    num_outliers_removed = 0
+    
+    outlier_indices = []
+
+    while current_r2 <= r2_limit and num_outliers_removed < max_outliers:
+        print(f"Current R²: {current_r2:.2f}, r2_limit: {r2_limit:.2f}, Outliers removed: {num_outliers_removed}")
+        # Add a constant term for OLS
+        X = sm.add_constant(y)
+        model = sm.OLS(y_ref, X).fit()
+        current_r2 = model.rsquared
+
+        # Calculate Cook's distance
+        influence = model.get_influence()
+        cooks_d = influence.cooks_distance[0]
+
+        # Identify the index of the maximum Cook's distance
+        max_cooks_index = np.argmax(cooks_d)
+        
+        # Add the index to outlier list and remove it from the data
+        outlier_indices.append(max_cooks_index)
+        y = np.delete(y, max_cooks_index)
+        y_ref = np.delete(y_ref, max_cooks_index)
+        num_outliers_removed += 1
+
+    # Fit the final model
+    final_model = sm.OLS(y_ref, sm.add_constant(y)).fit()
+    a, b = final_model.params[1], final_model.params[0]
+    r2_value = final_model.rsquared
+
+    return a, b, r2_value, outlier_indices
+
+def select_control_points(data: pd.DataFrame, jove_plus_index: int, jove_minus_index: int, n: int) -> pd.DataFrame:
+    # Find the index of the point with the highest yield
+    max_yield_index = data.filter(like='Yield').mean(axis=1).idxmax()
+
+    # Select Jove+, Jove-, and the point with the highest yield
+    control_indices = {jove_plus_index, jove_minus_index, max_yield_index}
+
+    # Select additional random points to reach n control points
+    remaining_indices = list(set(data.index) - control_indices)
+    random_indices = random.sample(remaining_indices, n - 3)
+    control_indices.update(random_indices)
+
+    # Return the DataFrame with the selected control points
+    return data.loc[list(control_indices)]
+
+def plot_calibrated_points(y: np.ndarray, y_ref: np.ndarray, outlier_indices: list, a: float, b: float, r2_value: float, output_file: str, input_filename: str, ref_filename: str):
+    # Plot the calibrated points in blue and outliers in red
+    plt.figure(figsize=(10, 6))
+    plt.scatter(y, y_ref, color='blue', label='Calibrated Points')
+    if outlier_indices:
+        plt.scatter(y[outlier_indices], y_ref[outlier_indices], color='red', label='Removed Outliers')
+    # Plot the regression line ax + b
+    x_vals = np.array([min(y), max(y)])
+    y_vals = a * x_vals + b
+    plt.plot(x_vals, y_vals, color='green', label=f'Regression Line: y = {a:.2f}x + {b:.2f}, R² = {r2_value:.2f}')
+    # Add axis labels with filenames
+    plt.xlabel(f'Calibrated Yield ({os.path.basename(input_filename)})')
+    plt.ylabel(f'Reference Yield ({os.path.basename(ref_filename)})')
+    plt.title('Calibrated Points with Outliers Removed and Regression Line')
+    plt.legend()
+    plt.savefig(output_file, format='png')
+    plt.close()
+
+def detect_component_columns(data: pd.DataFrame) -> list:
+    # Detect columns that appear before the first "Fluorescence" column
+    component_columns = []
+    for col in data.columns:
+        if 'Fluorescence' in col:
+            break
+        component_columns.append(col)
+    return component_columns
+
+def find_matching_indices(input_data: pd.DataFrame, ref_data: pd.DataFrame, component_columns: list, rounding_precision: int = 2) -> tuple:
+    # Round component values before matching
+    input_combinations = input_data[component_columns].round(rounding_precision).apply(tuple, axis=1)
+    ref_combinations = ref_data[component_columns].round(rounding_precision).apply(tuple, axis=1)
+
+    # Convert reference combinations to a set for efficient matching
+    ref_combinations_set = set(ref_combinations)
+
+    # Find indices where the component combinations match
+    matching_input_indices = []
+    matching_ref_indices = []
+
+    for i, combination in enumerate(input_combinations):
+        if combination in ref_combinations_set:
+            # Find the corresponding index in the reference data
+            ref_index = ref_combinations[ref_combinations == combination].index[0]
+            matching_input_indices.append(i)
+            matching_ref_indices.append(ref_index)
+
+    return matching_input_indices, matching_ref_indices
+
+def compute_average_yields(modified_data: pd.DataFrame, ref_data: pd.DataFrame, matching_input_indices: list, matching_ref_indices: list) -> tuple:
+    # Calculate the average yield for the matching component combinations
+    avg_yield = modified_data.filter(like='Yield').iloc[matching_input_indices].mean(axis=1).values
+    avg_yield_ref = ref_data.filter(like='Yield').iloc[matching_ref_indices].mean(axis=1).values
+    return avg_yield, avg_yield_ref
+
+def load_data(file_path: str) -> pd.DataFrame:
+    # Load data based on file extension
+    if file_path.endswith('.xlsx'):
+        return pd.read_excel(file_path, sheet_name=0)  # Read the first sheet
+    elif file_path.endswith('.csv'):
+        return pd.read_csv(file_path)
+    else:
+        raise ValueError("Unsupported file format. Please provide a .csv or .xlsx file.")
+
+def save_data(data: pd.DataFrame, output_file: str):
+    # Save data based on file extension
+    if output_file.endswith('.xlsx'):
+        data.to_excel(output_file, index=False)
+    elif output_file.endswith('.csv'):
+        data.to_csv(output_file, index=False)
+    else:
+        raise ValueError("Unsupported file format. Please specify a .csv or .xlsx output file.")
+
+if __name__ == "__main__":
+    # Set up argument parsing
+    parser = argparse.ArgumentParser(description='Calculate yield based on fluorescence data and optionally apply calibration.')
+    parser.add_argument('--file', type=str, required=True, help='Path to the input file (.csv or .xlsx)')
+    parser.add_argument('--jove_plus', type=int, required=True, help='Line number for Jove+ (1-based index)')
+    parser.add_argument('--jove_minus', type=int, required=True, help='Line number for Jove- (1-based index)')
+    parser.add_argument('--r2_limit', type=float, default=0.8, help='R-squared limit for the regression (default: 0.8)')
+    parser.add_argument('--ref_file', type=str, help='Path to the reference input file (.csv or .xlsx)')
+    parser.add_argument('--output', type=str, required=True, help='Output file name (.csv or .xlsx)')
+    parser.add_argument('--plot', type=str, help='Output PNG file name for the plot of calibrated points')
+    parser.add_argument('--num_control_points', type=int, default=10, help='Number of control points to select (default: 5)')
+
+    args = parser.parse_args()
+
+    # Load the data from the input file
+    input_data = load_data(args.file)
+
+    # Calculate the yield and get the modified DataFrame
+    modified_data = calculate_yield(input_data, args.jove_plus, args.jove_minus)
+
+    # Detect component columns
+    component_columns = detect_component_columns(modified_data)
+
+    # Check if a reference file is provided
+    if args.ref_file:
+        # Load the reference data
+        ref_data = load_data(args.ref_file)
+
+        # Find matching indices based on component combinations
+        matching_input_indices, matching_ref_indices = find_matching_indices(modified_data, ref_data, component_columns)
+
+        # Compute average yields for matching component combinations
+        avg_yield, avg_yield_ref = compute_average_yields(modified_data, ref_data, matching_input_indices, matching_ref_indices)
+
+        # Fit the regression with outlier removal on average yields
+        a, b, r2_value, outlier_indices = fit_regression_with_outlier_removal(avg_yield, avg_yield_ref, args.r2_limit)
+
+        # Display the regression coefficients and R² value in the terminal
+        print(f"Regression Line: y = {a:.2f}x + {b:.2f}")
+        print(f"R² Value: {r2_value:.2f}")
+
+        # Add calibrated yield columns
+        calibrated_data = add_calibrated_yield(modified_data, a, b)
+
+        # Plot the calibrated points with outliers and regression line if requested
+        if args.plot:
+            plot_calibrated_points(avg_yield, avg_yield_ref, outlier_indices, a, b, r2_value, args.plot, args.file, args.ref_file)
+    else:
+        # If no reference file is provided, just use the original
+        calibrated_data = modified_data
+
+    # Save the modified DataFrame to the specified output file
+    save_data(calibrated_data, args.output)
+    print(f"Calibrated yields saved in {args.output}")
+    if args.plot:
+        print(f"Plot saved as {args.plot}")
+
+    # Select control points
+    jove_plus_index = args.jove_plus - 2
+    jove_minus_index = args.jove_minus - 2
+    control_data = select_control_points(modified_data, jove_plus_index, jove_minus_index, args.num_control_points)
+
+    # Save the new control points
+    outf = os.path.splitext(args.output)[0] + '_control_points.csv'
+    save_data(control_data, outf)
+    print(f"New control points saved in {outf}")
+
diff --git a/icfree/learner/config.csv b/icfree/learner/config.csv
new file mode 100644
index 0000000..6848ad8
--- /dev/null
+++ b/icfree/learner/config.csv
@@ -0,0 +1,19 @@
+param,value
+data_folder,data/top50
+name_list,"Yield1,Yield2,Yield3,Yield4,Yield5"
+parameter_file,param.tsv
+nb_rep,100
+flatten,False
+seed,85
+nb_new_data_predict,3000
+nb_new_data,50
+parameter_step,20
+strategy,ei
+theta,10
+save_name,new_exp/plate3
+n_group,15
+km,50
+ks,20
+plot,True
+test,1
+
diff --git a/icfree/learner/data/top20/plate0.csv b/icfree/learner/data/top20/plate0.csv
new file mode 100644
index 0000000..2170bf2
--- /dev/null
+++ b/icfree/learner/data/top20/plate0.csv
@@ -0,0 +1,103 @@
+Mg-glutamate,K-glutamate,Amino acid,Spermidine,Creatine Phosphate,NTP,GFP11_Col-E1,GFP1-10,PEG-8000,Yield1,Yield2,Yield3
+0.0,40.0,1100.0,120.0,40.0,40.0,380.0,760.0,120.0,0.272188282784596,0.312789461354093,0.28694743291705
+40.0,0.0,660.0,120.0,300.0,20.0,80.0,900.0,1320.0,0.454488115189851,0.388531473572291,0.392586185147141
+0.0,160.0,640.0,80.0,920.0,0.0,20.0,180.0,360.0,0.0108486060802653,0.0138220612351553,0.0100917265862933
+60.0,580.0,700.0,40.0,540.0,80.0,140.0,660.0,940.0,0.697554558396857,0.48206015389883,0.935160656683066
+40.0,240.0,160.0,120.0,880.0,100.0,720.0,960.0,100.0,0.0224721125948352,0.0117136112162333,0.0224721125948352
+0.0,20.0,420.0,100.0,360.0,120.0,500.0,760.0,340.0,0.391234614622191,0.381611432484547,0.350146870663711
+0.0,320.0,640.0,20.0,220.0,100.0,340.0,1200.0,360.0,1.18444432430484,1.21509794381071,1.21953109513254
+60.0,440.0,120.0,80.0,380.0,60.0,720.0,840.0,420.0,0.597970842118542,0.317925429348903,0.396424645437999
+80.0,860.0,680.0,20.0,140.0,0.0,60.0,760.0,1020.0,0.372961381124867,0.357823791245427,0.338361175686147
+80.0,340.0,920.0,80.0,360.0,0.0,800.0,120.0,440.0,0.125894289164009,0.109405128759619,0.0710745886720369
+40.0,540.0,460.0,100.0,840.0,20.0,860.0,580.0,620.0,0.054315114162657,0.0235533690147952,0.0199311600079292
+40.0,800.0,280.0,0.0,820.0,20.0,680.0,1160.0,1300.0,0.0836712259645708,0.0280405831576292,0.0373934511902831
+0.0,520.0,720.0,120.0,400.0,60.0,240.0,820.0,460.0,0.585428267647006,0.29775999711665,0.288731506009984
+20.0,0.0,420.0,0.0,260.0,80.0,380.0,300.0,1240.0,0.345010902668901,0.243859364581644,0.248076264619488
+20.0,120.0,100.0,120.0,640.0,60.0,380.0,800.0,1280.0,2.06247860013336,0.788596348957489,0.529797624840064
+40.0,780.0,340.0,80.0,20.0,40.0,760.0,1020.0,0.0,1.10151195689391,0.484168603917752,0.55504496224613
+80.0,80.0,640.0,20.0,940.0,0.0,700.0,1040.0,1200.0,0.157791353552828,0.0982141248130328,0.140220936728479
+40.0,640.0,300.0,140.0,460.0,80.0,840.0,700.0,380.0,0.944946027283704,0.724802220179849,0.0379340794002631
+20.0,440.0,260.0,100.0,180.0,120.0,420.0,600.0,700.0,0.80611270296084,1.17936241913103,1.03625813194933
+20.0,900.0,400.0,60.0,580.0,100.0,20.0,20.0,880.0,0.00219855472058532,0.00198230343659333,0.00733452271539529
+0.0,100.0,320.0,140.0,280.0,100.0,840.0,460.0,1280.0,0.317384801138923,0.874177794597322,0.947432917049612
+60.0,100.0,500.0,80.0,520.0,40.0,180.0,360.0,1120.0,0.0842659169955488,0.30073345227154,0.263862608350904
+0.0,540.0,40.0,140.0,280.0,120.0,380.0,1020.0,560.0,1.4640572345065,1.20266349498117,1.0586401398425
+80.0,0.0,640.0,100.0,640.0,0.0,360.0,960.0,160.0,0.205366636031068,0.188715287163684,0.171144870339334
+60.0,680.0,100.0,60.0,840.0,80.0,240.0,580.0,1080.0,0.172820817790272,0.20531257321007,0.051449784649763
+0.0,480.0,240.0,140.0,540.0,100.0,540.0,460.0,1200.0,1.2694851417347,1.33263051666036,1.66895532608892
+0.0,80.0,640.0,80.0,500.0,100.0,260.0,820.0,1000.0,0.400533419833847,0.387720531257321,0.310626948514173
+40.0,680.0,240.0,100.0,700.0,0.0,620.0,940.0,800.0,0.0923212773242508,0.0932403452812168,0.0751833630678849
+60.0,880.0,960.0,0.0,240.0,100.0,40.0,360.0,120.0,0.0459894397289651,0.0982681876340308,0.059126705231479
+0.0,800.0,20.0,40.0,480.0,0.0,540.0,1060.0,1080.0,0.194932511578454,0.122326142978141,0.107512930024689
+0.0,500.0,240.0,20.0,80.0,80.0,80.0,680.0,1060.0,1.30624786001334,0.876826872826224,1.09426753888018
+0.0,20.0,340.0,0.0,620.0,20.0,180.0,960.0,220.0,0.455461245967815,0.377286406804707,0.313708529311059
+20.0,400.0,720.0,120.0,40.0,120.0,200.0,720.0,820.0,1.29278621758483,1.25342848389829,1.04804382692689
+20.0,320.0,280.0,140.0,360.0,40.0,840.0,740.0,1120.0,0.668576886341929,0.658629327278297,0.977978410913481
+0.0,600.0,100.0,40.0,160.0,100.0,60.0,820.0,1180.0,1.81762808383341,1.62727289109946,1.26332198014092
+40.0,40.0,760.0,140.0,600.0,140.0,700.0,1000.0,20.0,0.0931322196392208,0.0938350363121948,0.108269809518661
+60.0,960.0,400.0,0.0,920.0,20.0,280.0,1240.0,280.0,0.0151736317601052,0.0120920509632193,0.0110648573642573
+80.0,700.0,100.0,140.0,920.0,60.0,80.0,420.0,80.0,0.000846984195635332,0.000955109837631332,0.00236074318357932
+60.0,420.0,420.0,40.0,120.0,120.0,560.0,240.0,900.0,0.0306355985655332,0.141356255969436,0.484817357769728
+40.0,520.0,700.0,100.0,160.0,20.0,740.0,200.0,920.0,0.0856715503414968,0.113405777513471,0.191148114108594
+60.0,440.0,680.0,100.0,140.0,60.0,240.0,40.0,820.0,0.049341334630841,0.0942675388801788,0.0902128273053288
+0.0,20.0,160.0,60.0,580.0,60.0,500.0,460.0,600.0,0.468220071723343,0.478924510280946,0.377286406804707
+40.0,800.0,1020.0,0.0,440.0,100.0,720.0,60.0,1200.0,0.0769133733398209,0.128543367392911,0.127137734046963
+40.0,800.0,680.0,140.0,700.0,120.0,540.0,740.0,860.0,0.651168657980573,0.247589699230506,0.506496548989926
+80.0,200.0,160.0,80.0,780.0,140.0,680.0,120.0,580.0,0.0193905317979492,0.0115514227532393,0.0158764484330792
+60.0,520.0,1000.0,0.0,20.0,80.0,460.0,620.0,80.0,0.446270566398155,0.543583644194554,0.159034798435782
+20.0,80.0,600.0,100.0,560.0,40.0,80.0,1020.0,460.0,0.061775783460381,0.0446378692040151,0.0317168549854931
+80.0,900.0,620.0,120.0,660.0,120.0,260.0,460.0,320.0,0.206285703988034,0.0693986412210989,0.225532068263322
+80.0,860.0,920.0,60.0,440.0,0.0,100.0,960.0,1140.0,0.230830224721126,0.1855796435458,0.24261591969869
+80.0,180.0,500.0,20.0,360.0,80.0,560.0,520.0,500.0,0.339063992359121,0.559748427672956,0.28938025986196
+40.0,460.0,980.0,80.0,460.0,0.0,40.0,840.0,1200.0,0.135247157196663,0.123731776324089,0.186552774323764
+0.0,840.0,20.0,80.0,260.0,40.0,680.0,220.0,1080.0,0.0351228127083671,0.123569587861095,0.0781027554017769
+60.0,300.0,320.0,40.0,480.0,60.0,380.0,1140.0,20.0,0.135084968733669,0.233479302950028,0.206772269377016
+80.0,940.0,900.0,120.0,60.0,100.0,20.0,120.0,880.0,0.0959975491521148,0.212935430970788,0.173523634463246
+60.0,100.0,1060.0,100.0,120.0,40.0,260.0,1240.0,320.0,0.117947054477303,0.24964408642843,0.19422969490548
+80.0,800.0,1060.0,120.0,640.0,20.0,860.0,840.0,680.0,0.0245805626137572,0.0256077562127192,0.0277702690526392
+80.0,60.0,720.0,0.0,120.0,40.0,40.0,780.0,900.0,0.159683552287758,0.211205420698852,0.187958407669712
+60.0,960.0,1100.0,0.0,740.0,20.0,180.0,80.0,780.0,0.00933484709232128,0.0405831576291651,0.0173902074210232
+80.0,660.0,620.0,140.0,840.0,80.0,820.0,280.0,180.0,0.0232289920888072,0.0960516119731128,0.0120379881422213
+60.0,480.0,420.0,40.0,400.0,20.0,660.0,720.0,880.0,0.0813465246616568,0.0682633219801409,0.058045448811519
+40.0,680.0,500.0,60.0,940.0,20.0,120.0,480.0,520.0,0.0055504496224613,0.00711827143140329,0.00760483682038529
+80.0,380.0,280.0,0.0,100.0,100.0,60.0,1240.0,120.0,0.486817682146654,0.160332306139734,0.272945162278568
+0.0,180.0,1060.0,80.0,840.0,0.0,520.0,160.0,300.0,0.000901047016633332,0.00100917265862933,-0.000937088897298657
+20.0,820.0,640.0,40.0,260.0,80.0,600.0,640.0,320.0,0.965111459515958,0.539204555693716,1.07945432592673
+0.0,980.0,160.0,60.0,480.0,100.0,780.0,860.0,1320.0,0.647708637436701,1.22937052855418,1.37815141194068
+60.0,360.0,780.0,80.0,220.0,40.0,480.0,900.0,20.0,0.481195148762862,0.2180173361446,0.406426267322629
+40.0,980.0,800.0,140.0,520.0,80.0,420.0,120.0,1240.0,0.149573804761132,0.339874934674091,0.301922834333496
+20.0,480.0,0.0,140.0,160.0,120.0,840.0,960.0,1300.0,0.142275323926402,0.106810113351715,0.173631760105242
+40.0,460.0,1000.0,60.0,600.0,20.0,220.0,1180.0,1060.0,0.0889153196013768,0.0300949703555532,0.0454488115189851
+40.0,160.0,1000.0,80.0,160.0,80.0,820.0,620.0,1020.0,0.782919752752699,0.804490818330901,1.49941431943919
+80.0,680.0,760.0,20.0,0.0,20.0,840.0,1180.0,1260.0,0.347227478329819,0.426321385449893,0.448162765133085
+60.0,420.0,760.0,20.0,200.0,20.0,500.0,660.0,160.0,0.1477356688472,0.0962138004361068,0.121731451947163
+0.0,660.0,620.0,140.0,100.0,100.0,540.0,960.0,480.0,1.3613378746103,2.04690850768593,2.53185201203799
+60.0,140.0,420.0,80.0,420.0,80.0,840.0,280.0,460.0,0.234019931160008,0.363932890018201,0.21720639382963
+60.0,800.0,880.0,60.0,40.0,80.0,860.0,1120.0,880.0,1.84411886612243,1.87942188823413,1.12935430970788
+80.0,200.0,740.0,20.0,120.0,140.0,120.0,800.0,580.0,0.756266782000685,0.945540718314682,0.860229586779838
+40.0,740.0,140.0,120.0,180.0,60.0,100.0,1000.0,840.0,1.09215908886126,0.547368041664414,0.657439945216341
+0.0,480.0,880.0,120.0,280.0,0.0,40.0,660.0,1060.0,0.179686796057018,0.107188553098701,0.147789731668198
+20.0,540.0,60.0,140.0,580.0,20.0,260.0,620.0,1240.0,0.339820871853093,0.124650844281055,0.223910183633382
+80.0,60.0,460.0,20.0,540.0,20.0,180.0,420.0,280.0,0.120001441675227,0.0974572453190607,0.109188877475627
+0.0,940.0,1100.0,0.0,240.0,20.0,840.0,400.0,1000.0,0.139139680308519,0.134598403344687,0.157791353552828
+40.0,160.0,580.0,120.0,840.0,140.0,820.0,1200.0,180.0,0.0164170766430592,0.0103079778702853,0.0158764484330792
+0.0,580.0,460.0,120.0,500.0,120.0,160.0,760.0,900.0,1.13984249698149,0.983006253266296,1.28305490980519
+40.0,840.0,840.0,100.0,60.0,100.0,840.0,800.0,1300.0,1.35187688093565,0.814168063289542,2.71961218936404
+20.0,20.0,1080.0,40.0,60.0,40.0,740.0,1080.0,960.0,0.30641004847633,0.281865527743238,0.252293164657332
+60.0,440.0,520.0,140.0,180.0,40.0,380.0,520.0,260.0,0.22477518876935,0.277702690526392,0.377502658088699
+80.0,560.0,400.0,40.0,140.0,120.0,460.0,1000.0,500.0,1.10253915049287,1.75232019606783,2.31111351390316
+80.0,940.0,440.0,60.0,580.0,0.0,640.0,1140.0,640.0,0.223531743886396,0.217260456650628,0.178443351174064
+0.0,940.0,260.0,60.0,880.0,120.0,520.0,1140.0,220.0,0.0357715665603431,0.0399884665981871,0.00722639707339929
+40.0,920.0,980.0,60.0,100.0,60.0,320.0,960.0,300.0,0.923915589915482,1.13995062262349,1.07712962462381
+60.0,900.0,560.0,0.0,160.0,60.0,360.0,820.0,940.0,1.16649546773351,1.77670252833793,1.79324575156332
+20.0,840.0,420.0,60.0,840.0,0.0,520.0,1240.0,440.0,0.111405453136545,0.120866446811195,0.136058099511633
+80.0,560.0,1020.0,60.0,40.0,120.0,220.0,340.0,480.0,0.781081616838767,0.177308031933106,0.86233803679876
+60.0,380.0,960.0,20.0,440.0,40.0,680.0,420.0,200.0,0.0961597376151088,0.0836712259645708,0.333549584617325
+20.0,540.0,240.0,120.0,560.0,20.0,660.0,860.0,160.0,0.063127353985331,0.048854769241859,0.0838874772485628
+20.0,980.0,1040.0,0.0,260.0,40.0,840.0,600.0,1080.0,0.256564127516174,0.418914778973167,0.606188390910238
+80.0,20.0,220.0,0.0,300.0,80.0,700.0,220.0,1140.0,0.476599808978032,0.55774810329603,0.434052368852607
+60.0,200.0,480.0,120.0,300.0,120.0,100.0,300.0,1100.0,0.942729451622786,0.274837361013498,0.353012200176605
+60.0,660.0,1020.0,100.0,540.0,40.0,0.0,120.0,1140.0,0.0134976843091673,0.0058748265484493,0.00782108810437729
+60.0,400.0,60.0,0.0,420.0,120.0,740.0,920.0,100.0,0.192013119244562,0.289164008577968,0.117136112162333
+52.5,770.0,875.0,105.0,625.0,102.5,857.5,1237.5,1050.0,1.43107891369772,1.37966517092862,0.189255915373664
+52.5,770.0,875.0,105.0,625.0,102.5,0.0,0.0,1050.0,0.00322574831954732,0.00273918293056532,-0.00596493125011263
\ No newline at end of file
diff --git a/icfree/learner/data/top20/plate1.csv b/icfree/learner/data/top20/plate1.csv
new file mode 100644
index 0000000..9582c19
--- /dev/null
+++ b/icfree/learner/data/top20/plate1.csv
@@ -0,0 +1,21 @@
+Mg-glutamate,K-glutamate,Amino acid,Spermidine,Creatine Phosphate,NTP,GFP11_Col-E1,GFP1-10,PEG-8000,Yield1,Yield2,Yield3,Yield4,Yield5,Yield6
+20.0,920.0,380.0,120.0,600.0,140.0,380.0,1220.0,1020.0,0.686,0.391,0.332,0.413,0.333,1.047
+80.0,780.0,1060.0,100.0,80.0,100.0,860.0,680.0,1000.0,1.911,0.928,1.292,1.462,2.198,2.078
+80.0,500.0,960.0,20.0,100.0,100.0,500.0,1200.0,580.0,1.862,1.377,1.973,1.428,1.78,1.823
+40.0,620.0,1080.0,120.0,220.0,80.0,480.0,1120.0,900.0,2.549,1.442,2.267,2.27,2.038,2.934
+80.0,480.0,200.0,140.0,120.0,140.0,460.0,1220.0,980.0,2.105,1.38,1.8,1.836,1.353,2.21
+60.0,920.0,520.0,80.0,60.0,80.0,760.0,1240.0,1220.0,2.445,1.821,2.707,2.402,2.62,2.726
+60.0,780.0,720.0,40.0,60.0,120.0,480.0,980.0,1120.0,1.312,0.414,1.858,2.149,1.653,1.937
+20.0,660.0,600.0,60.0,240.0,120.0,500.0,1080.0,900.0,2.262,1.432,2.408,2.258,1.591,1.848
+80.0,700.0,720.0,100.0,340.0,100.0,780.0,1020.0,960.0,2.579,1.662,2.097,3.392,2.926,2.948
+40.0,340.0,800.0,40.0,20.0,80.0,300.0,860.0,1280.0,0.486,0.431,0.439,0.56,0.279,0.191
+20.0,740.0,1060.0,60.0,80.0,60.0,800.0,820.0,940.0,1.102,0.997,1.02,1.437,1.273,2.299
+40.0,760.0,340.0,20.0,40.0,120.0,400.0,800.0,280.0,2.121,1.656,1.947,1.625,1.511,2.07
+20.0,760.0,900.0,140.0,160.0,60.0,840.0,980.0,1140.0,2.435,1.945,2.468,1.889,1.357,2.136
+60.0,560.0,1060.0,40.0,80.0,120.0,580.0,1220.0,1300.0,1.349,1.225,1.279,1.388,1.217,0.945
+40.0,940.0,420.0,60.0,80.0,120.0,380.0,860.0,560.0,2.179,2.214,1.931,3.407,2.279,2.455
+40.0,920.0,640.0,80.0,120.0,80.0,20.0,1060.0,400.0,0.16,0.128,0.139,0.137,0.186,0.204
+20.0,760.0,200.0,20.0,20.0,140.0,380.0,840.0,80.0,0.369,1.95,1.873,1.376,1.927,2.193
+60.0,400.0,720.0,140.0,140.0,140.0,740.0,1240.0,620.0,2.926,2.005,1.448,1.668,1.549,1.831
+80.0,620.0,1020.0,60.0,200.0,140.0,360.0,1240.0,540.0,1.984,1.807,1.728,1.811,1.262,1.147
+20.0,680.0,1080.0,40.0,80.0,140.0,540.0,880.0,640.0,1.184,1.092
diff --git a/icfree/learner/data/top50/plate0.csv b/icfree/learner/data/top50/plate0.csv
new file mode 100644
index 0000000..2170bf2
--- /dev/null
+++ b/icfree/learner/data/top50/plate0.csv
@@ -0,0 +1,103 @@
+Mg-glutamate,K-glutamate,Amino acid,Spermidine,Creatine Phosphate,NTP,GFP11_Col-E1,GFP1-10,PEG-8000,Yield1,Yield2,Yield3
+0.0,40.0,1100.0,120.0,40.0,40.0,380.0,760.0,120.0,0.272188282784596,0.312789461354093,0.28694743291705
+40.0,0.0,660.0,120.0,300.0,20.0,80.0,900.0,1320.0,0.454488115189851,0.388531473572291,0.392586185147141
+0.0,160.0,640.0,80.0,920.0,0.0,20.0,180.0,360.0,0.0108486060802653,0.0138220612351553,0.0100917265862933
+60.0,580.0,700.0,40.0,540.0,80.0,140.0,660.0,940.0,0.697554558396857,0.48206015389883,0.935160656683066
+40.0,240.0,160.0,120.0,880.0,100.0,720.0,960.0,100.0,0.0224721125948352,0.0117136112162333,0.0224721125948352
+0.0,20.0,420.0,100.0,360.0,120.0,500.0,760.0,340.0,0.391234614622191,0.381611432484547,0.350146870663711
+0.0,320.0,640.0,20.0,220.0,100.0,340.0,1200.0,360.0,1.18444432430484,1.21509794381071,1.21953109513254
+60.0,440.0,120.0,80.0,380.0,60.0,720.0,840.0,420.0,0.597970842118542,0.317925429348903,0.396424645437999
+80.0,860.0,680.0,20.0,140.0,0.0,60.0,760.0,1020.0,0.372961381124867,0.357823791245427,0.338361175686147
+80.0,340.0,920.0,80.0,360.0,0.0,800.0,120.0,440.0,0.125894289164009,0.109405128759619,0.0710745886720369
+40.0,540.0,460.0,100.0,840.0,20.0,860.0,580.0,620.0,0.054315114162657,0.0235533690147952,0.0199311600079292
+40.0,800.0,280.0,0.0,820.0,20.0,680.0,1160.0,1300.0,0.0836712259645708,0.0280405831576292,0.0373934511902831
+0.0,520.0,720.0,120.0,400.0,60.0,240.0,820.0,460.0,0.585428267647006,0.29775999711665,0.288731506009984
+20.0,0.0,420.0,0.0,260.0,80.0,380.0,300.0,1240.0,0.345010902668901,0.243859364581644,0.248076264619488
+20.0,120.0,100.0,120.0,640.0,60.0,380.0,800.0,1280.0,2.06247860013336,0.788596348957489,0.529797624840064
+40.0,780.0,340.0,80.0,20.0,40.0,760.0,1020.0,0.0,1.10151195689391,0.484168603917752,0.55504496224613
+80.0,80.0,640.0,20.0,940.0,0.0,700.0,1040.0,1200.0,0.157791353552828,0.0982141248130328,0.140220936728479
+40.0,640.0,300.0,140.0,460.0,80.0,840.0,700.0,380.0,0.944946027283704,0.724802220179849,0.0379340794002631
+20.0,440.0,260.0,100.0,180.0,120.0,420.0,600.0,700.0,0.80611270296084,1.17936241913103,1.03625813194933
+20.0,900.0,400.0,60.0,580.0,100.0,20.0,20.0,880.0,0.00219855472058532,0.00198230343659333,0.00733452271539529
+0.0,100.0,320.0,140.0,280.0,100.0,840.0,460.0,1280.0,0.317384801138923,0.874177794597322,0.947432917049612
+60.0,100.0,500.0,80.0,520.0,40.0,180.0,360.0,1120.0,0.0842659169955488,0.30073345227154,0.263862608350904
+0.0,540.0,40.0,140.0,280.0,120.0,380.0,1020.0,560.0,1.4640572345065,1.20266349498117,1.0586401398425
+80.0,0.0,640.0,100.0,640.0,0.0,360.0,960.0,160.0,0.205366636031068,0.188715287163684,0.171144870339334
+60.0,680.0,100.0,60.0,840.0,80.0,240.0,580.0,1080.0,0.172820817790272,0.20531257321007,0.051449784649763
+0.0,480.0,240.0,140.0,540.0,100.0,540.0,460.0,1200.0,1.2694851417347,1.33263051666036,1.66895532608892
+0.0,80.0,640.0,80.0,500.0,100.0,260.0,820.0,1000.0,0.400533419833847,0.387720531257321,0.310626948514173
+40.0,680.0,240.0,100.0,700.0,0.0,620.0,940.0,800.0,0.0923212773242508,0.0932403452812168,0.0751833630678849
+60.0,880.0,960.0,0.0,240.0,100.0,40.0,360.0,120.0,0.0459894397289651,0.0982681876340308,0.059126705231479
+0.0,800.0,20.0,40.0,480.0,0.0,540.0,1060.0,1080.0,0.194932511578454,0.122326142978141,0.107512930024689
+0.0,500.0,240.0,20.0,80.0,80.0,80.0,680.0,1060.0,1.30624786001334,0.876826872826224,1.09426753888018
+0.0,20.0,340.0,0.0,620.0,20.0,180.0,960.0,220.0,0.455461245967815,0.377286406804707,0.313708529311059
+20.0,400.0,720.0,120.0,40.0,120.0,200.0,720.0,820.0,1.29278621758483,1.25342848389829,1.04804382692689
+20.0,320.0,280.0,140.0,360.0,40.0,840.0,740.0,1120.0,0.668576886341929,0.658629327278297,0.977978410913481
+0.0,600.0,100.0,40.0,160.0,100.0,60.0,820.0,1180.0,1.81762808383341,1.62727289109946,1.26332198014092
+40.0,40.0,760.0,140.0,600.0,140.0,700.0,1000.0,20.0,0.0931322196392208,0.0938350363121948,0.108269809518661
+60.0,960.0,400.0,0.0,920.0,20.0,280.0,1240.0,280.0,0.0151736317601052,0.0120920509632193,0.0110648573642573
+80.0,700.0,100.0,140.0,920.0,60.0,80.0,420.0,80.0,0.000846984195635332,0.000955109837631332,0.00236074318357932
+60.0,420.0,420.0,40.0,120.0,120.0,560.0,240.0,900.0,0.0306355985655332,0.141356255969436,0.484817357769728
+40.0,520.0,700.0,100.0,160.0,20.0,740.0,200.0,920.0,0.0856715503414968,0.113405777513471,0.191148114108594
+60.0,440.0,680.0,100.0,140.0,60.0,240.0,40.0,820.0,0.049341334630841,0.0942675388801788,0.0902128273053288
+0.0,20.0,160.0,60.0,580.0,60.0,500.0,460.0,600.0,0.468220071723343,0.478924510280946,0.377286406804707
+40.0,800.0,1020.0,0.0,440.0,100.0,720.0,60.0,1200.0,0.0769133733398209,0.128543367392911,0.127137734046963
+40.0,800.0,680.0,140.0,700.0,120.0,540.0,740.0,860.0,0.651168657980573,0.247589699230506,0.506496548989926
+80.0,200.0,160.0,80.0,780.0,140.0,680.0,120.0,580.0,0.0193905317979492,0.0115514227532393,0.0158764484330792
+60.0,520.0,1000.0,0.0,20.0,80.0,460.0,620.0,80.0,0.446270566398155,0.543583644194554,0.159034798435782
+20.0,80.0,600.0,100.0,560.0,40.0,80.0,1020.0,460.0,0.061775783460381,0.0446378692040151,0.0317168549854931
+80.0,900.0,620.0,120.0,660.0,120.0,260.0,460.0,320.0,0.206285703988034,0.0693986412210989,0.225532068263322
+80.0,860.0,920.0,60.0,440.0,0.0,100.0,960.0,1140.0,0.230830224721126,0.1855796435458,0.24261591969869
+80.0,180.0,500.0,20.0,360.0,80.0,560.0,520.0,500.0,0.339063992359121,0.559748427672956,0.28938025986196
+40.0,460.0,980.0,80.0,460.0,0.0,40.0,840.0,1200.0,0.135247157196663,0.123731776324089,0.186552774323764
+0.0,840.0,20.0,80.0,260.0,40.0,680.0,220.0,1080.0,0.0351228127083671,0.123569587861095,0.0781027554017769
+60.0,300.0,320.0,40.0,480.0,60.0,380.0,1140.0,20.0,0.135084968733669,0.233479302950028,0.206772269377016
+80.0,940.0,900.0,120.0,60.0,100.0,20.0,120.0,880.0,0.0959975491521148,0.212935430970788,0.173523634463246
+60.0,100.0,1060.0,100.0,120.0,40.0,260.0,1240.0,320.0,0.117947054477303,0.24964408642843,0.19422969490548
+80.0,800.0,1060.0,120.0,640.0,20.0,860.0,840.0,680.0,0.0245805626137572,0.0256077562127192,0.0277702690526392
+80.0,60.0,720.0,0.0,120.0,40.0,40.0,780.0,900.0,0.159683552287758,0.211205420698852,0.187958407669712
+60.0,960.0,1100.0,0.0,740.0,20.0,180.0,80.0,780.0,0.00933484709232128,0.0405831576291651,0.0173902074210232
+80.0,660.0,620.0,140.0,840.0,80.0,820.0,280.0,180.0,0.0232289920888072,0.0960516119731128,0.0120379881422213
+60.0,480.0,420.0,40.0,400.0,20.0,660.0,720.0,880.0,0.0813465246616568,0.0682633219801409,0.058045448811519
+40.0,680.0,500.0,60.0,940.0,20.0,120.0,480.0,520.0,0.0055504496224613,0.00711827143140329,0.00760483682038529
+80.0,380.0,280.0,0.0,100.0,100.0,60.0,1240.0,120.0,0.486817682146654,0.160332306139734,0.272945162278568
+0.0,180.0,1060.0,80.0,840.0,0.0,520.0,160.0,300.0,0.000901047016633332,0.00100917265862933,-0.000937088897298657
+20.0,820.0,640.0,40.0,260.0,80.0,600.0,640.0,320.0,0.965111459515958,0.539204555693716,1.07945432592673
+0.0,980.0,160.0,60.0,480.0,100.0,780.0,860.0,1320.0,0.647708637436701,1.22937052855418,1.37815141194068
+60.0,360.0,780.0,80.0,220.0,40.0,480.0,900.0,20.0,0.481195148762862,0.2180173361446,0.406426267322629
+40.0,980.0,800.0,140.0,520.0,80.0,420.0,120.0,1240.0,0.149573804761132,0.339874934674091,0.301922834333496
+20.0,480.0,0.0,140.0,160.0,120.0,840.0,960.0,1300.0,0.142275323926402,0.106810113351715,0.173631760105242
+40.0,460.0,1000.0,60.0,600.0,20.0,220.0,1180.0,1060.0,0.0889153196013768,0.0300949703555532,0.0454488115189851
+40.0,160.0,1000.0,80.0,160.0,80.0,820.0,620.0,1020.0,0.782919752752699,0.804490818330901,1.49941431943919
+80.0,680.0,760.0,20.0,0.0,20.0,840.0,1180.0,1260.0,0.347227478329819,0.426321385449893,0.448162765133085
+60.0,420.0,760.0,20.0,200.0,20.0,500.0,660.0,160.0,0.1477356688472,0.0962138004361068,0.121731451947163
+0.0,660.0,620.0,140.0,100.0,100.0,540.0,960.0,480.0,1.3613378746103,2.04690850768593,2.53185201203799
+60.0,140.0,420.0,80.0,420.0,80.0,840.0,280.0,460.0,0.234019931160008,0.363932890018201,0.21720639382963
+60.0,800.0,880.0,60.0,40.0,80.0,860.0,1120.0,880.0,1.84411886612243,1.87942188823413,1.12935430970788
+80.0,200.0,740.0,20.0,120.0,140.0,120.0,800.0,580.0,0.756266782000685,0.945540718314682,0.860229586779838
+40.0,740.0,140.0,120.0,180.0,60.0,100.0,1000.0,840.0,1.09215908886126,0.547368041664414,0.657439945216341
+0.0,480.0,880.0,120.0,280.0,0.0,40.0,660.0,1060.0,0.179686796057018,0.107188553098701,0.147789731668198
+20.0,540.0,60.0,140.0,580.0,20.0,260.0,620.0,1240.0,0.339820871853093,0.124650844281055,0.223910183633382
+80.0,60.0,460.0,20.0,540.0,20.0,180.0,420.0,280.0,0.120001441675227,0.0974572453190607,0.109188877475627
+0.0,940.0,1100.0,0.0,240.0,20.0,840.0,400.0,1000.0,0.139139680308519,0.134598403344687,0.157791353552828
+40.0,160.0,580.0,120.0,840.0,140.0,820.0,1200.0,180.0,0.0164170766430592,0.0103079778702853,0.0158764484330792
+0.0,580.0,460.0,120.0,500.0,120.0,160.0,760.0,900.0,1.13984249698149,0.983006253266296,1.28305490980519
+40.0,840.0,840.0,100.0,60.0,100.0,840.0,800.0,1300.0,1.35187688093565,0.814168063289542,2.71961218936404
+20.0,20.0,1080.0,40.0,60.0,40.0,740.0,1080.0,960.0,0.30641004847633,0.281865527743238,0.252293164657332
+60.0,440.0,520.0,140.0,180.0,40.0,380.0,520.0,260.0,0.22477518876935,0.277702690526392,0.377502658088699
+80.0,560.0,400.0,40.0,140.0,120.0,460.0,1000.0,500.0,1.10253915049287,1.75232019606783,2.31111351390316
+80.0,940.0,440.0,60.0,580.0,0.0,640.0,1140.0,640.0,0.223531743886396,0.217260456650628,0.178443351174064
+0.0,940.0,260.0,60.0,880.0,120.0,520.0,1140.0,220.0,0.0357715665603431,0.0399884665981871,0.00722639707339929
+40.0,920.0,980.0,60.0,100.0,60.0,320.0,960.0,300.0,0.923915589915482,1.13995062262349,1.07712962462381
+60.0,900.0,560.0,0.0,160.0,60.0,360.0,820.0,940.0,1.16649546773351,1.77670252833793,1.79324575156332
+20.0,840.0,420.0,60.0,840.0,0.0,520.0,1240.0,440.0,0.111405453136545,0.120866446811195,0.136058099511633
+80.0,560.0,1020.0,60.0,40.0,120.0,220.0,340.0,480.0,0.781081616838767,0.177308031933106,0.86233803679876
+60.0,380.0,960.0,20.0,440.0,40.0,680.0,420.0,200.0,0.0961597376151088,0.0836712259645708,0.333549584617325
+20.0,540.0,240.0,120.0,560.0,20.0,660.0,860.0,160.0,0.063127353985331,0.048854769241859,0.0838874772485628
+20.0,980.0,1040.0,0.0,260.0,40.0,840.0,600.0,1080.0,0.256564127516174,0.418914778973167,0.606188390910238
+80.0,20.0,220.0,0.0,300.0,80.0,700.0,220.0,1140.0,0.476599808978032,0.55774810329603,0.434052368852607
+60.0,200.0,480.0,120.0,300.0,120.0,100.0,300.0,1100.0,0.942729451622786,0.274837361013498,0.353012200176605
+60.0,660.0,1020.0,100.0,540.0,40.0,0.0,120.0,1140.0,0.0134976843091673,0.0058748265484493,0.00782108810437729
+60.0,400.0,60.0,0.0,420.0,120.0,740.0,920.0,100.0,0.192013119244562,0.289164008577968,0.117136112162333
+52.5,770.0,875.0,105.0,625.0,102.5,857.5,1237.5,1050.0,1.43107891369772,1.37966517092862,0.189255915373664
+52.5,770.0,875.0,105.0,625.0,102.5,0.0,0.0,1050.0,0.00322574831954732,0.00273918293056532,-0.00596493125011263
\ No newline at end of file
diff --git a/icfree/learner/data/top50/plate1.csv b/icfree/learner/data/top50/plate1.csv
new file mode 100644
index 0000000..619a6de
--- /dev/null
+++ b/icfree/learner/data/top50/plate1.csv
@@ -0,0 +1,51 @@
+Mg-glutamate,K-glutamate,Amino acid,Spermidine,Creatine Phosphate,NTP,GFP11_Col-E1,GFP1-10,PEG-8000,Yield1,Yield2,Yield3,Yield4,Yield5,Yield6
+60.0,780,720,40,60,120.0,480.0,980.0,1120,1.312475523,0.4137787951,1.857978808,2.149257862,1.653004658,1.937247987
+20.0,660,600,60,240,120.0,500.0,1080.0,900,2.262298525,1.432082864,2.408172577,2.25807709,1.59109027,1.847659743
+40.0,940,420,60,80,120.0,380.0,860.0,560,2.179276959,2.213986541,1.931150357,3.406776613,2.278715219,2.454608368
+60.0,560,1060,40,80,120.0,580.0,1220.0,1300,1.349061298,1.224763472,1.278704038,1.387992314,1.217258698,0.9452106282
+20.0,680,1080,40,80,140.0,540.0,880.0,640,1.18442531,1.092491825,0.9555296929,0.9602201769,0.4245669082,1.803569194
+80.0,620,1020,60,200,140.0,360.0,1240.0,540,1.984152826,1.807321581,1.727583353,1.81060492,1.261818296,1.146901439
+60.0,920,520,80,60,80.0,760.0,1240.0,1220,2.444758352,1.820923984,2.706956405,2.401605899,2.619713403,2.726187389
+80.0,760,480,40,140,100.0,780.0,1080.0,820,3.033883137,1.870174066,1.448030509,1.672235643,2.067174392,3.072345106
+80.0,960,660,60,60,120.0,680.0,660.0,920,2.065298199,1.273075457,1.102341841,1.319511249,1.988374262,2.485096514
+20.0,640,340,100,80,100.0,360.0,960.0,660,1.937717035,2.235093718,1.899724115,2.153948346,2.045129118,2.65864442
+80.0,900,840,60,460,140.0,580.0,1060.0,940,2.242129444,1.657695142,1.838747823,1.819047791,1.469137687,0.7064649944
+60.0,820,200,40,40,80.0,420.0,920.0,1220,1.160034794,1.996817133,1.512290139,1.59109027,1.603754577,1.728052402
+20.0,600,600,100,40,120.0,840.0,720.0,520,1.448968606,1.167539568,0.9391129991,0.7838579798,0.8232580451,1.796064419
+20.0,760,900,140,160,60.0,840.0,980.0,1140,2.434908335,1.944752761,2.468210771,1.888936002,1.356566072,2.135655458
+40.0,700,680,100,440,140.0,500.0,1120.0,1140,2.303105736,2.402543996,2.266050913,2.293724768,1.470544832,1.65253561
+60.0,400,720,140,140,140.0,740.0,1240.0,620,2.925532958,2.004790956,1.448030509,1.668483255,1.549344963,1.831243049
+20.0,940,360,80,80,120.0,480.0,540.0,900,2.942887749,1.791842984,1.420356654,0.6182838959,1.170822907,1.645968932
+80.0,500,960,20,100,100.0,500.0,1200.0,580,1.862200243,1.377204201,1.973364713,1.428330477,1.780116774,1.823269226
+20.0,520,540,140,200,140.0,680.0,1180.0,200,1.923176535,1.605161722,2.181622201,2.507141788,1.859855001,2.508548933
+40.0,620,1080,120,220,80.0,480.0,1120.0,900,2.549356144,1.44193288,2.266989009,2.2698033,2.037624343,2.933975829
+40.0,880,720,120,260,140.0,660.0,680.0,900,1.440994783,0.839674739,1.751035773,1.438649541,2.131903071,2.261360429
+80.0,780,1060,100,80,100.0,860.0,680.0,1000,1.911450325,0.9278558375,1.291837393,1.462101961,2.198038895,2.077962506
+40.0,960,780,60,480,120.0,400.0,1180.0,440,0.2993309863,0.8321699647,0.3898573269,0.7505555437,0.5207218295,0.923634402
+80.0,480,200,140,120,140.0,460.0,1220.0,980,2.105167313,1.380018492,1.799816806,1.836402581,1.353282733,2.210234153
+40.0,700,400,120,40,60.0,660.0,1180.0,620,1.163318133,1.519325865,1.428799525,1.539963995,1.496342494,1.815764452
+20.0,880,460,40,340,100.0,700.0,1140.0,460,1.52683064,1.212099166,1.450375751,1.455535284,1.669421352,2.013702875
+40.0,760,340,20,40,120.0,400.0,800.0,280,2.12064591,1.656287997,1.946628955,1.624861755,1.511352043,2.070457731
+20.0,760,200,20,20,140.0,380.0,840.0,80,0.3692191974,1.949912293,1.873457405,1.375797056,1.92739797,2.193348411
+80.0,720,580,20,280,120.0,500.0,640.0,1260,2.217738928,1.433959057,1.727114305,2.189126976,1.303094555,2.523089434
+80.0,680,220,40,320,100.0,220.0,1020.0,860,2.453670271,1.997286181,1.743530999,0.8241961419,1.782462016,1.440525735
+40.0,200,560,140,40,100.0,680.0,1160.0,1040,0.09717112749,0.07840919164,0.1454831123,0.1051449502,0.083568724,0.09294969192
+40.0,500,940,60,340,140.0,620.0,740.0,800,1.913326518,1.841093065,1.903476502,1.624392706,0.5221289746,1.759478644
+20.0,920,380,120,600,140.0,380.0,1220.0,1020,0.685826865,0.3907954236,0.3316953257,0.4128406983,0.3326334225,1.046525082
+40.0,320,120,20,180,120.0,120.0,980.0,780,0.7735389151,0.7735389151,1.176920536,0.8326390131,0.7683793828,0.9606892253
+80.0,700,720,100,340,100.0,780.0,1020.0,960,2.579375241,1.662385626,2.096724441,3.392236112,2.926471055,2.947578233
+20.0,580,360,80,220,120.0,840.0,1080.0,300,2.036217198,1.551690205,1.584992641,2.241660396,1.062003679,1.844376404
+60.0,80,1020,140,60,100.0,700.0,980.0,820,0.1285973701,0.2430451788,0.1769093549,0.3668739554,0.2219380009,0.3945478108
+80.0,900,460,20,280,140.0,800.0,660.0,340,0.6239124767,1.558725931,1.217258698,1.820923984,1.461163864,2.18209125
+80.0,640,1100,20,600,140.0,300.0,920.0,800,0.8598438201,0.7388293338,0.6492410901,0.5136861035,0.4372312149,0.3542096487
+20.0,740,1060,60,80,60.0,800.0,820.0,940,1.101872793,0.9968059518,1.019789323,1.437242396,1.272606409,2.2988843
+40.0,340,800,40,20,80.0,300.0,860.0,1280,0.4864812965,0.4311335857,0.4391074085,0.5596528464,0.2786928569,0.1914498552
+20.0,680,560,100,200,100.0,560.0,820.0,360,1.247277796,1.207408682,1.063879873,1.29277549,1.471951977,1.440994783
+80.0,400,220,120,40,120.0,300.0,860.0,720,0.7238197851,0.54980283,0.6412672673,0.6994292685,0.6220362831,0.6745697035
+40.0,920,640,80,120,80.0,20.0,1060.0,400,0.160492661,0.1276592733,0.1389164348,0.1365711928,0.1858212744,0.2041141619
+80.0,620,640,80,660,120.0,80.0,1160.0,1320,0.4301954889,0.5104027647,0.5422980557,0.4785074738,0.4400455053,0.5132170551
+40.0,460,760,60,340,140.0,300.0,780.0,900,0.3504572616,1.726645257,1.612197448,1.747752434,1.408630444,1.721954773
+80.0,920,100,80,180,60.0,700.0,1100.0,1320,0.6614363484,1.367354185,1.177389584,1.272606409,1.273544506,1.027294098
+60.0,920,400,100,100,40.0,700.0,1140.0,1240,0.425505005,0.9850797419,1.156282407,1.667545159,1.440994783,1.137051422
+20.0,720,1020,20,80,60.0,80.0,1080.0,580,0.4583383927,0.8134080288,0.3968930528,0.4344169245,0.4151859403,0.7228816883
+60.0,420,20,60,360,120.0,340.0,920.0,1060,0.742581721,0.76040556,1.032922678,1.05872034,0.8926772078,1.018851226
\ No newline at end of file
diff --git a/icfree/learner/environment.yaml b/icfree/learner/environment.yaml
new file mode 100644
index 0000000..4119bb1
--- /dev/null
+++ b/icfree/learner/environment.yaml
@@ -0,0 +1,18 @@
+name: active
+channels:
+  - conda-forge
+  - defaults
+dependencies:
+  - numpy
+  - pandas
+  - scikit-learn
+  - matplotlib
+  - seaborn
+  - xgboost
+  - scipy
+  - ipython
+  - ipywidgets 
+  - glob2  
+  - pip
+  - pip:
+    - warnings
diff --git a/icfree/learner/extractor.py b/icfree/learner/extractor.py
new file mode 100644
index 0000000..ecb1814
--- /dev/null
+++ b/icfree/learner/extractor.py
@@ -0,0 +1,177 @@
+import pandas as pd
+import argparse
+
+def find_n_m(sampling_file_path):
+    """
+    Find the number of unique combinations (n) and the number of replicates (m) from a sampling file.
+
+    Parameters:
+    sampling_file_path (str): Path to the sampling file (Excel, CSV, or TSV).
+
+    Returns:
+    tuple: A tuple containing the number of unique combinations (n) and the number of replicates (m).
+    """
+    # Load the sampling file
+    df_sampling = pd.read_csv(sampling_file_path, sep='\t')
+    
+    # Drop the unnamed column if it exists
+    if df_sampling.columns[0].startswith('Unnamed'):
+        df_sampling = df_sampling.drop(columns=df_sampling.columns[0])
+    
+    # Identify unique combinations (n) and replicates (m)
+    unique_combinations = df_sampling.drop_duplicates()
+    n = unique_combinations.shape[0]
+    m = df_sampling.shape[0] // n
+    
+    return n, m
+
+def process_data(file_path, num_samples, num_replicates):
+    """
+    Process the initial data file to reshape the fluorescence data.
+
+    Parameters:
+    file_path (str): Path to the initial data file (Excel, CSV, or TSV).
+    num_samples (int): Number of samples.
+    num_replicates (int): Number of replicates.
+
+    Returns:
+    tuple: A tuple containing the reshaped DataFrame and the sheet name (if applicable).
+    """
+    # Determine the file extension
+    file_extension = file_path.split('.')[-1].lower()
+    
+    # Load the data based on file extension
+    if file_extension == 'xlsx':
+        excel_data = pd.ExcelFile(file_path)
+        sheet_name = excel_data.sheet_names[0]
+        df = pd.read_excel(file_path, sheet_name=sheet_name)
+    elif file_extension == 'csv':
+        df = pd.read_csv(file_path)
+        sheet_name = None
+    elif file_extension == 'tsv':
+        df = pd.read_csv(file_path, sep='\t')
+        sheet_name = None
+    else:
+        raise ValueError("Unsupported file type. Please provide an Excel (.xlsx), CSV (.csv), or TSV (.tsv) file.")
+    
+    # Keep only the last row and remove the first two columns
+    df_last_row = df.iloc[[-1]].drop(columns=df.columns[:2])
+    
+    # Keep only the required number of values
+    total_values = num_samples * num_replicates
+    values_to_keep = df_last_row.values.flatten()[:total_values]
+    
+    # Reshape the values into the specified number of columns and rows
+    reshaped_values = values_to_keep.reshape((num_samples, num_replicates), order='F')
+    
+    # Create a new DataFrame with the reshaped values
+    df_reshaped = pd.DataFrame(reshaped_values)
+    
+    # Add headers to the reshaped DataFrame
+    headers = [f"Fluorescence Value {i+1}" for i in range(num_replicates)]
+    df_reshaped.columns = headers
+    
+    # Add "Fluorescence Average" column
+    df_reshaped["Fluorescence Average"] = df_reshaped.mean(axis=1)
+    
+    return df_reshaped, sheet_name
+
+def load_sampling_file(file_path, num_samples):
+    """
+    Load the sampling file and take only the first num_samples lines.
+
+    Parameters:
+    file_path (str): Path to the sampling file (Excel, CSV, or TSV).
+    num_samples (int): Number of samples to load.
+
+    Returns:
+    DataFrame: A DataFrame containing the first num_samples lines of the sampling file.
+    """
+    # Determine the file extension
+    file_extension = file_path.split('.')[-1].lower()
+    
+    # Load the data based on file extension
+    if file_extension == 'xlsx':
+        df = pd.read_excel(file_path)
+    elif file_extension == 'csv':
+        df = pd.read_csv(file_path)
+    elif file_extension == 'tsv':
+        df = pd.read_csv(file_path, sep='\t')
+    else:
+        raise ValueError("Unsupported file type. Please provide an Excel (.xlsx), CSV (.csv), or TSV (.tsv) file.")
+    
+    # Take only the first num_samples lines
+    df = df.head(num_samples)
+    
+    return df
+
+def clean_sampling_file(df_sampling):
+    """
+    Clean the sampling file by removing the unnamed first column if it contains incrementing integers.
+
+    Parameters:
+    df_sampling (DataFrame): The sampling DataFrame to clean.
+
+    Returns:
+    DataFrame: The cleaned sampling DataFrame.
+    """
+    first_column = df_sampling.iloc[:, 0]
+    if first_column.name.startswith('Unnamed') and pd.api.types.is_integer_dtype(first_column):
+        if (first_column == range(len(first_column))).all():
+            df_sampling = df_sampling.drop(columns=first_column.name)
+    return df_sampling
+
+def process(initial_data_file, output_file_path, sampling_file, num_samples=None, num_replicates=None, display=True):
+    """
+    Process the initial data file and sampling file to combine the data and save the output.
+
+    Parameters:
+    initial_data_file (str): Path to the initial data file (Excel, CSV, or TSV).
+    output_file_path (str): Path for the output file.
+    sampling_file (str): Path to the sampling file (Excel, CSV, or TSV).
+    num_samples (int, optional): Number of samples. If not specified, it will be detected from the sampling file.
+    num_replicates (int, optional): Number of replicates. If not specified, it will be detected from the sampling file.
+    display (bool, optional): Whether to display the combined data. Default is True.
+
+    Returns:
+    DataFrame: The combined DataFrame.
+    """
+    if num_samples is None or num_replicates is None:
+        n, m = find_n_m(sampling_file)
+        num_samples = num_samples if num_samples is not None else n
+        num_replicates = num_replicates if num_replicates is not None else m
+    
+    df_reshaped, sheet_name = process_data(initial_data_file, num_samples, num_replicates)
+    
+    df_sampling = load_sampling_file(sampling_file, num_samples)
+    df_sampling_cleaned = clean_sampling_file(df_sampling)
+    df_combined = pd.concat([df_sampling_cleaned, df_reshaped], axis=1)
+    
+    if display:
+        print(df_combined)
+
+    # Save the combined dataframe with headers and averages in the specified format
+    if output_file_path.endswith('.xlsx'):
+        df_combined.to_excel(output_file_path, index=False, sheet_name=sheet_name)
+    elif output_file_path.endswith('.csv'):
+        df_combined.to_csv(output_file_path, index=False)
+    elif output_file_path.endswith('.tsv'):
+        df_combined.to_csv(output_file_path, index=False, sep='\t')
+    else:
+        raise ValueError("Unsupported output file type. Please provide an Excel (.xlsx), CSV (.csv), or TSV (.tsv) file.")
+    
+    print(f"Processed data saved to {output_file_path}")
+    return df_combined
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description="Process and reshape fluorescence data.")
+    parser.add_argument("--initial_data_file", type=str, required=True, help="Path to the initial Excel, CSV, or TSV file.")
+    parser.add_argument("--output_file", type=str, required=True, help="Path for the output file.")
+    parser.add_argument("--sampling_file", type=str, required=True, help="Path to the sampling Excel, CSV, or TSV file.")
+    parser.add_argument("--num_samples", type=int, help="Number of samples.")
+    parser.add_argument("--num_replicates", type=int, help="Number of replicates.")
+    parser.add_argument("--no_display", action="store_true", help="Do not display the result.")
+    
+    args = parser.parse_args()
+    
+    process(args.initial_data_file, args.output_file, args.sampling_file, args.num_samples, args.num_replicates, not args.no_display)
diff --git a/icfree/learner/library/active_learning.py b/icfree/learner/library/active_learning.py
new file mode 100644
index 0000000..1ad7edd
--- /dev/null
+++ b/icfree/learner/library/active_learning.py
@@ -0,0 +1,262 @@
+import numpy as np
+from scipy.stats import norm
+from scipy.cluster.hierarchy import dendrogram, linkage, fcluster
+from matplotlib import pyplot as plt
+
+
+def sample_new_combination(sampling_condition, nb_sample = 100000, seed=None):
+    """
+    Generate random experiments by samples from each component of sampling_condition
+    Removes NaN values from each column before sampling and samples are drawn with replacement
+
+    Parameters:
+    - sampling_condition (pandas.DataFrame): DataFrame containing all concentration/volume to pick
+    - nb_sample (int, optional): Number of samples to draw from each column. Default is 100000.
+    - seed (int, optional): Seed for the random number generator. Default is None.
+
+    Returns:
+    - numpy.ndarray: An array where each row is a sample with values drawn from each column of the DataFrame.
+
+    """
+    sampled_data = []
+    np.random.seed(seed)
+    for i in range(sampling_condition.shape[1]):
+        sample_pool = sampling_condition.iloc[:,i]
+        sample_pool = sample_pool[~np.isnan(sample_pool)] # remove nan if exits
+        drawn_samples = np.random.choice(sample_pool , size = nb_sample, replace = True)
+        sampled_data.append(drawn_samples)
+    sampled_data = np.array(sampled_data).transpose()
+    return sampled_data 
+
+
+def sampling_without_repeat(sampling_condition, num_samples, existing_data, seed=None):
+    """
+    Generates a new set of samples based on the sampling condition, ensuring 
+    that the generated samples do not repeat any of the existing data.
+
+    Parameters:
+    - sampling_condition (pandas.DataFrame): DataFrame containing all concentration/volume to pick
+    - num_samples (int):The number of samples to generate initially
+    - existing_data (array-like or np.ndarray):
+        The existing data set to avoid repetitions with the new samples.
+    - seed (int, optional): Seed for the random generator to ensure reproducibility
+        If not provided, randomness will be uncontrolled.
+
+    Returns:
+    - new_samples (np.ndarray): A new set of samples that do not repeat the existing data.
+    """
+    if not isinstance(existing_data, np.ndarray):
+        existing_data = np.array(existing_data)
+
+    new_samples = sample_new_combination(sampling_condition, num_samples, seed=seed)
+
+    while True:
+        matches = np.all(new_samples[:, np.newaxis] == existing_data, axis=-1)
+        rows_to_drop = np.any(matches, axis=1)
+
+        if not np.any(rows_to_drop):
+            break
+
+        num_repeats = sum(rows_to_drop)
+        resampled = sample_new_combination(sampling_condition, num_samples=num_repeats, seed=None)
+        new_samples = new_samples[~rows_to_drop]
+        new_samples = np.concatenate([new_samples, resampled])
+
+    return new_samples
+
+
+def find_top_elements(X, y, cluster_list, condition, n, return_ratio=False, verbose=True):
+    """
+    Finds the top 'n' elements from X, y, and cluster_list based on the highest values in 'condition'
+
+    Parameters:
+    - X (array-like or np.ndarray)
+        Feature matrix where rows represent samples and columns represent features
+    - y (array-like or np.ndarray)
+        Target values or outcomes corresponding to the samples in X
+    - cluster_list (list of int)
+        name of cluster corresponding to the samples in X
+    - condition (list)
+        EI / PI/ UCB score used to rank the informativeness of samples in X
+    - n (int)
+        Number of top samples to return based on the highest 'condition' scores
+    - return_ratio (bool, optional, default=False)
+        Whether to return the ratio of the top elements based on 'condition'
+        this is ratio between exploration and exploitation (only use when ucb as surrogate function)
+    - verbose : bool, optional, default=True
+        If True, prints the maximum value of the selected target 'y'
+
+    Returns:
+    - choosen_X (np.ndarray): The top 'n' samples from X corresponding to the highest 'condition' values.
+    - choosen_y (np.ndarray): The target values 'y' corresponding to the top 'n' samples.
+    - ratio (list): The 'condition' values corresponding to the top 'n' samples. Returned only if return_ratio is True.
+    - choosen_cluster (array-like): The clusters corresponding to the top 'n' samples.
+    """
+    if not isinstance(X, np.ndarray):
+        X = np.array(X)
+    if not isinstance(y, np.ndarray):
+        y = np.array(y)
+
+    idx_top_n = np.argsort(-condition)[:n]
+
+    choosen_X = X[idx_top_n, :]
+    choosen_y = y[idx_top_n]
+    choosen_cluster = np.array(cluster_list)[idx_top_n]
+
+    if return_ratio:
+        ratio = condition[idx_top_n]
+    else:
+        ratio = []
+
+    if verbose:
+        print(f"Maximum yield prediction = {np.max(choosen_y)}")
+
+    return choosen_X, choosen_y, ratio, choosen_cluster
+
+
+def probability_of_improvement(mu, sigma, current_best):
+    """
+    Calculate Probability of Improvement (PI) for Gaussian process predictions.
+
+    Parameters:
+    - mu: Mean of the Gaussian process prediction.
+    - sigma: Standard deviation of the Gaussian process prediction.
+    - current_best: Current best observed value.
+    Returns:
+    - pi: Probability of Improvement.
+    """
+
+    # Avoid division by zero
+    sigma = sigma + 1e-4
+
+    # Calculate standard normal cumulative distribution function
+    z = (mu - current_best) / sigma
+    pi = norm.cdf(z)
+
+    return pi
+
+
+def expected_improvement(mu, sigma, current_best):
+    """
+    Calculate Expected Improvement (EI) for Gaussian process predictions.
+
+    Parameters:
+    - mu: Mean of the Gaussian process prediction.
+    - sigma: Standard deviation of the Gaussian process prediction.
+    - current_best: Current best observed value.
+    - epsilon: Small positive constant to avoid division by zero.
+
+    Returns:
+    - ei: Expected Improvement.
+    """
+
+    # Avoid division by zero
+    sigma = sigma + 1e-4
+
+    # Calculate standard normal cumulative distribution function
+    z = (mu - current_best) / sigma
+    ei = (mu - current_best) * norm.cdf(z) + sigma * norm.pdf(z)
+
+    return ei
+
+def upper_confident_bound(mu, sigma, theta, r2):
+    """
+    Calculate UCB for Gaussian process predictions.
+
+    Parameters:
+    - mu: Mean of the Gaussian process prediction.
+    - sigma: Standard deviation of the Gaussian process prediction.
+    - epsilon: Small positive constant to avoid division by zero.
+
+    Returns:
+    - ucb: 
+    """
+    if r2 <= 0.8:
+        ucb = mu + theta*sigma
+    else:
+        ucb = mu
+    return ucb
+
+
+def cluster(X, n_clusters, method='complete', plot=False):
+    """
+    Performs hierarchical clustering on the given data and optionally plots the dendrogram.
+
+    Parameters:
+    - X (np.ndarray): data to be clustered, where rows are samples and columns are features.
+    - n_clusters (int): The number of clusters to form.
+    - method (str, optional, default='complete'): 
+        The linkage algorithm to use for hierarchical clustering. Options include:
+        'single', 'complete', 'average', 'ward', etc.
+    - plot (bool, optional, default=False)
+        If True, plots the dendrogram of the hierarchical clustering.
+
+    Returns:
+    - clusters (np.ndarray)
+        Cluster labels for each sample in X. An array of size (n_samples,).
+    """
+    Z = linkage(X, method=method)
+    clusters = fcluster(Z, n_clusters, criterion='maxclust')
+
+    if plot:
+        plt.figure(figsize=(10, 5))
+        plt.title('Hierarchical Clustering Dendrogram')
+        plt.xlabel('Sample Index')
+        plt.ylabel('Distance')
+        dendrogram(Z)
+        plt.show()
+    
+    return clusters
+
+
+def pick_by_cluster(chosen_clust, n_sample, seed=42, verbose=False):
+    """
+    Selects data points based on round robin sampling: arrange cluster by size (small to big), 
+    in each cluster sort sample based on their EI value, then chose one point out of each cluster by order, 
+    in this way we prioritize chosing the points with the highest EI value from each cluster 
+    until the specified number of samples is reached
+
+    Parameters:
+    - chosen_clust (np.ndarray)
+        A 2D array where the first column contains cluster labels and the second column contains EI values
+    - n_sample (int): The number of samples to select.
+    - seed (int, optional, default=42) rndom seed for reproducibility 
+    - verbose (bool, optional, default=False)
+        If True, prints information about each cluster and its size
+    Returns:
+    - selected_indices (list)
+        List of indices representing the selected data points, based on the highest EI from each cluster
+    """
+    np.random.seed(seed)
+    cluster_info = {}
+    
+    for cluster_label in np.unique(chosen_clust[:, 0]):
+        indices = np.where(chosen_clust[:, 0] == cluster_label)[0]
+        ei_values = chosen_clust[indices, 1]
+        num_points = len(indices)
+        cluster_info[cluster_label] = {'indices': indices, 'ei_values': ei_values, 'num_points': num_points}
+
+    sorted_clusters = sorted(cluster_info.items(), key=lambda x: x[1]['num_points'], reverse=False)
+
+    if verbose:
+        for cluster_label, info in sorted_clusters:
+            print(f"Cluster {cluster_label}: {info['num_points']} points")
+
+    selected_indices = []
+    selected_count = 0
+
+    while selected_count < n_sample:
+        for cluster_label, info in sorted_clusters:
+            if info['indices'].size > 0:
+                highest_ei_index = np.argmax(info['ei_values'])
+                selected_index = info['indices'][highest_ei_index]
+                selected_indices.append(selected_index)
+
+                info['indices'] = np.delete(info['indices'], highest_ei_index)
+                info['ei_values'] = np.delete(info['ei_values'], highest_ei_index)
+
+                selected_count += 1
+                if selected_count == n_sample:
+                    break
+
+    return selected_indices
\ No newline at end of file
diff --git a/icfree/learner/library/model.py b/icfree/learner/library/model.py
new file mode 100644
index 0000000..f7a0915
--- /dev/null
+++ b/icfree/learner/library/model.py
@@ -0,0 +1,189 @@
+import numpy as np
+import pandas as pd
+from sklearn.neural_network import MLPRegressor
+from sklearn.model_selection import GridSearchCV
+from sklearn.ensemble import RandomForestRegressor
+from xgboost import XGBRegressor
+from sklearn.gaussian_process import GaussianProcessRegressor
+from sklearn.gaussian_process.kernels import RBF, Matern, DotProduct, WhiteKernel
+from sklearn.gaussian_process.kernels import ConstantKernel as C
+
+def predict_rf(model, X):
+    """
+    Predict using a RandomForestRegressor model and return mean and standard deviation of predictions from all trees
+    
+    Parameters:
+    - model: RandomForestRegressor
+        The trained RandomForestRegressor model.
+    - X: array-like
+        The input features for prediction.
+    
+    Returns:
+    - mean: ndarray
+        Mean prediction across all trees.
+    - std: ndarray
+        Standard deviation of predictions across all trees.
+    """
+    tree_predictions = np.array([tree.predict(X) for tree in model.estimators_])
+    mean = np.mean(tree_predictions, axis=0)
+    std = np.std(tree_predictions, axis=0)
+    return mean, std
+
+def predict_gp(model, X):
+    """
+    Predict using a GaussianProcessRegressor model and return mean and standard deviation of predictions.
+    
+    Parameters:
+    - model: GaussianProcessRegressor
+        The trained GaussianProcessRegressor model.
+    - X: array-like
+        The input features for prediction.
+    
+    Returns:
+    - mean: ndarray
+        Mean prediction.
+    - std: ndarray
+        Standard deviation of prediction.
+    """
+    mean, std = model.predict(X, return_std=True)
+    return mean, std
+
+def predict_ensemble(models, X):
+    """
+    Predict using an ensemble of models and return mean and standard deviation of ensemble predictions.
+    
+    Parameters:
+    - models: list of models
+        The list of trained models.
+    - X: array-like
+        The input features for prediction.
+    
+    Returns:
+    - pred_mean: ndarray
+        Mean prediction across all models.
+    - pred_std: ndarray
+        Standard deviation of predictions across all models.
+    """
+    predictions = [model.predict(X).reshape(-1, 1) for model in models]
+    pred_std = np.std(predictions, axis=0).ravel()
+    pred_mean = np.mean(predictions, axis=0).ravel()
+    return pred_mean, pred_std
+
+class BayesianModels:
+    def __init__(self, n_folds=5, model_type='', params=None):
+        """
+        Initialize the BayesianModels class with specified parameters.
+        
+        Parameters:
+        - n_folds: int, optional (default=5)
+            Number of folds for cross-validation.
+        - model_type: str, optional (default='')
+            The type of model to be used ('rf', 'xgboost', 'mlp', or 'gp').
+        - params: dict, optional (default=None)
+            Parameters for model creation. If None, default parameters for Gaussian Process are used.
+        """
+        self.n_folds = n_folds
+        self.model_type = model_type
+        self.models = []
+        self.score = []
+        if params is None:
+            self.params = {
+                'kernel': [
+                    RBF() + WhiteKernel(),
+                    DotProduct() + WhiteKernel(),
+                    Matern(length_scale=1, nu=1.5) + WhiteKernel(),
+                    RBF() + C() + WhiteKernel(),
+                    Matern(length_scale=1, nu=1.5) + C() + WhiteKernel(),
+                    Matern(length_scale=1, nu=1.5) + RBF() + WhiteKernel(),
+                    Matern(length_scale=1, nu=1.5) + DotProduct() + WhiteKernel(),
+                    RBF() + DotProduct() + WhiteKernel(),
+                    RBF() * DotProduct() + WhiteKernel(),
+                    RBF() + DotProduct() + C() + WhiteKernel(),
+                    RBF() * DotProduct() + C() + WhiteKernel()
+                ]
+            }            
+            self.model_type = 'gp'
+        else:    
+            self.params = params
+
+    def create(self, params=None):
+        """
+        Create and return a model based on the specified model type and parameters.
+        
+        Parameters:
+        - params: dict, optional
+            Parameters to pass to the model constructor.
+        
+        Returns:
+        - model: sklearn or xgboost model
+            The instantiated model.
+        
+        Raises:
+        - ValueError: If an invalid model type is specified.
+        """
+        model_types = {
+            'rf': lambda: RandomForestRegressor(**params),
+            'xgboost': lambda: XGBRegressor(**params),
+            'mlp': lambda: MLPRegressor(**params),
+            'gp': lambda: GaussianProcessRegressor(**params, optimizer="fmin_l_bfgs_b", n_restarts_optimizer=10)
+        }
+
+        if self.model_type not in model_types:
+            raise ValueError("Invalid model type")
+
+        return model_types[self.model_type]()
+
+    def train(self, X, y, verbose=True):
+        """
+        Train the model using GridSearchCV to find the best hyperparameters.
+        
+        Parameters:
+        - X: array-like
+            The input features for training.
+        - y: array-like
+            The target values for training.
+        - verbose: bool, optional (default=True)
+            Whether to print the best hyperparameters.
+        """
+        if not isinstance(X, np.ndarray):
+            X = np.array(X)
+        if not isinstance(y, np.ndarray):
+            y = np.array(y)
+
+        model = self.create(self.params)
+        grid_search = GridSearchCV(model, self.params, cv=self.n_folds, n_jobs=None, scoring='neg_root_mean_squared_error')
+
+        grid_search.fit(X, y)
+        self.best_params = grid_search.best_params_
+        self.cv_score = pd.DataFrame(grid_search.cv_results_)
+
+        if verbose:
+            print(f"Best hyperparameter found: {self.best_params}")
+
+        if self.model_type in ['gp', 'rf']:
+            model = self.create(params=self.best_params)
+            self.model = model.fit(X, y)
+
+        if self.model_type in ['xgboost', 'mlp']:
+            self.model = [self.create(params=self.best_params).fit(X, y) for _ in range(20)]
+
+    def predict(self, X):
+        """
+        Predict using the trained model(s).
+        
+        Parameters:
+        - X: array-like
+            The input features for prediction.
+        
+        Returns:
+        - tuple of ndarray
+            Mean and standard deviation of predictions.
+        """
+        model_dict = {
+            'rf': lambda: predict_rf(self.model, X),
+            'gp': lambda: predict_gp(self.model, X),
+            'xgboost': lambda: predict_ensemble(self.model, X),
+            'mlp': lambda: predict_ensemble(self.model, X)
+        }
+
+        return model_dict[self.model_type]()
diff --git a/icfree/learner/library/utils.py b/icfree/learner/library/utils.py
new file mode 100644
index 0000000..488f484
--- /dev/null
+++ b/icfree/learner/library/utils.py
@@ -0,0 +1,406 @@
+import glob
+import os
+import numpy as np
+import pandas as pd
+import seaborn as sns
+import matplotlib.pyplot as plt
+from IPython.display import display
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import r2_score
+
+
+def import_data(folder_for_data, verbose = True):
+    """
+    This function reads all CSV files in the specified folder, concatenates their contents
+          into a single DataFrame, and returns this DataFrame along with a list of number of data in each csv (row counts) for ploting later
+    If `verbose=True`, it prints the number of files processed, the names of the files, 
+          and displays the concatenated DataFrame
+    Args:
+        folder_for_data (str): The path to the folder containing the CSV files.
+        verbose (bool, optional): If True, prints information about the files being processed 
+                                  and displays the resulting DataFrame. Defaults to True.
+
+    Returns:
+        concatenated_data (pd.DataFrame): containing the concatenated data from all CSV files 
+                        in the folder. The rows from each file are appended sequentially. 
+                        Noted the order of file impoerted is important because it will affect plotting later
+        list: A list of integers where each value represents the number of rows in each 
+                CSV file that was processed.
+
+    """
+
+    files = glob.glob(folder_for_data + "\\*.csv")
+    concatenated_data = pd.DataFrame()
+    size_list = []
+
+    for file in files:
+        df = pd.read_csv(file)
+
+        # Check if columns are consistent across files
+        if concatenated_data.columns.empty:
+            concatenated_data = df
+            size_list.append(len(df))
+        else: 
+            concatenated_data = pd.concat([concatenated_data, df], ignore_index=True)
+            size_list.append(len(df))
+
+    if verbose:
+        print("Read ", len(files), " files: ")
+        for file in files:
+            data_name = os.path.basename(file)
+            print("- ", data_name)
+        display(concatenated_data)
+
+    return concatenated_data, size_list
+
+
+def import_parameter(parameter_file, parameter_step, sep='\t', verbose=False):
+    """
+    Imports parameter data from a csv/tsv file and generates a DataFrame with sampling conditions for each element.
+    Condition ranging from `parameter_step` to the element's max value in increments of `parameter_step`, obmit 0
+
+    Args:
+        parameter_file (str): The path to the CSV file containing parameter data.
+        parameter_step (float): The step size used for generating ranges for each element's concentration.
+        sep (str, optional): The delimiter used in parameter file (';' , ',' , '\t') Defaults to '\t'
+        verbose (bool, optional): If True, prints detailed information about the loaded data and the resulting DataFrame. Defaults to False.
+
+    Returns:
+        element_list (list): A list of element names from the 'Component' column of the CSV file.
+        element_max (list): A list of maximum values for each element from the 'maxValue' column of the CSV file.
+        sampling_condition (pd.DataFrame): A DataFrame containing the sampling conditions for each element, 
+            where each column corresponds to an element, and rows represent the possible concentrations.
+
+    """
+    parameter = pd.read_csv(parameter_file, sep=sep)
+    element_list = parameter['Component'].to_list()
+    element_max = parameter['maxValue'].to_list()
+
+    sampling_condition = pd.DataFrame([])
+    for i in range(len(element_list)):
+        element_name = element_list[i]
+        element_pool = pd.Series(
+            np.arange(0, element_max[i] + parameter_step, parameter_step),
+            name=element_name
+        )
+        sampling_condition = pd.concat([sampling_condition, element_pool], axis=1)
+
+    sampling_condition = sampling_condition[1:]
+
+    if verbose:
+        print(f"Element List: {element_list}")
+        print(f"Max Values: {element_max}")
+        print("Generated Sampling Conditions:")
+        display(sampling_condition)
+
+    return element_list, element_max, sampling_condition 
+
+
+def check_column_names(data, element_list):
+    """
+    Checks if the first n columns of the `data` DataFrame match the expected element list from parameter file.
+
+    Args:
+        data (pd.DataFrame): The DataFrame containing the actual data with columns to be checked.
+        element_list (list): The list of expected element names (columns).
+
+    Raises:
+        ValueError: If there are mismatched column names between the data and the element list.
+    """
+    element_len = len(element_list)
+    element_data = data.columns[:element_len]
+
+    columns_only_in_data = set(element_data).difference(element_list)
+    columns_only_in_parameter = set(element_list).difference(element_data)
+
+    try:
+        if columns_only_in_data or columns_only_in_parameter:
+            print("- Columns only in data files:", columns_only_in_data)
+            print("- Columns only in parameter files:", columns_only_in_parameter)
+            raise ValueError("Column names are not matched, please modify parameter column names.")
+        else:
+            print("All column names matched successfully!")
+    
+    except ValueError as e:
+        error_message = f"{type(e).__name__}: {e}"
+        print("\033[1;91m{}\033[0m".format(error_message)) 
+
+
+
+def flatten_X_y(feature_matrix, label_matrix):
+    """
+    Flattens the input feature and label matrices, removing any entries where labels contain NaN values.
+
+    Args:
+        feature_matrix (np.ndarray): A 2D array where each row represents a sample and columns are features.
+        label_matrix (np.ndarray): A 2D array where each row contains labels corresponding to the samples in `feature_matrix`.
+
+    Returns:
+        flattened feature (np.ndarray): matrix with rows where labels contained NaN values removed.
+        flattened label (np.ndarray): labels array (y) with NaN values removed.
+    """
+    flattened_features = []
+
+    for i in range(feature_matrix.shape[0]):
+        current_features = feature_matrix[i]
+        current_labels = label_matrix[i]
+        
+        for _ in current_labels:
+            flattened_features.append(current_features)
+
+    flattened_features = np.array(flattened_features)
+    flattened_labels = np.array([label for sublist in label_matrix for label in sublist])
+
+    non_nan_indices = ~np.isnan(flattened_labels)
+    flattened_labels = flattened_labels[non_nan_indices]
+    flattened_features = flattened_features[non_nan_indices]
+
+    return flattened_features, flattened_labels
+
+
+def average_and_drop_na(feature_matrix, label_matrix):
+    """
+    Averages the labels for each sample in the label matrix and removes any samples where the averaged label is NaN.
+
+    Args:
+        feature_matrix (np.ndarray): A 2D array where each row represents a sample, and each column represents a feature.
+        label_matrix (list): each row contains multiple labels corresponding to the samples in `feature_matrix`.
+
+    Returns:
+        filtered feature (np.ndarray): matrix with rows where the corresponding averaged label was NaN removed.
+        filtered_labels (np.ndarray): Averaged label array with NaN values removed.
+    """
+
+    if len(label_matrix) == 0:
+        return feature_matrix, label_matrix
+
+    averaged_labels = np.nanmean(label_matrix, axis=1)
+    valid_indices = ~np.isnan(averaged_labels)
+
+    filtered_features = feature_matrix[valid_indices]
+    filtered_labels = averaged_labels[valid_indices]
+
+    return filtered_features, filtered_labels
+
+
+def split_and_flatten(feature_matrix, label_array, ratio=0.2, seed=None, flatten=True):
+    """
+    Splits the feature matrix and label array into training and testing sets, and flattens or averages the labels of only train set
+    
+    Args:
+        feature_matrix (np.ndarray): A 2D array where each row is a sample, and columns are features.
+        label_array (list of np.ndarray): A list of 1D arrays representing labels corresponding to each sample in `feature_matrix`.
+        ratio (float, optional): The proportion of data to include in the test split. Default is 0.2.
+        seed (int, optional): Seed for random splitting of data. Default is None.
+        flatten (bool, optional): If True, the labels are flattened. If False, the labels are averaged and NaNs are removed. Default is True.
+
+    Returns:
+        X_train (np.ndarray): Training feature matrix.
+        X_test (np.ndarray): Test feature matrix.
+        y_train (np.ndarray): Training label array, flattened or averaged based on the `flatten` argument.
+        y_test (np.ndarray): Test label array, flattened.
+    """
+
+    feature_matrix = np.array(feature_matrix)
+
+    max_len = len(max(label_array, key=len))
+    label_array = np.array([np.pad(arr, (0, max_len - len(arr)), 'constant', constant_values=np.nan) for arr in label_array])
+
+    _, unique_indices = np.unique(feature_matrix, axis=0, return_index=True)
+    
+    if len(unique_indices) != len(feature_matrix):
+        print("WARNING: Repeated rows found in 'feature_matrix'. Unique rows will be used for splitting.")
+    
+    if ratio == 0:
+        X_train, X_test = feature_matrix, np.array([])
+        y_train, y_test = label_array, np.array([])
+    else:
+        train_indices, test_indices = train_test_split(unique_indices, test_size=ratio, random_state=seed)
+        X_train, X_test = feature_matrix[train_indices], feature_matrix[test_indices]
+        y_train = [label_array[i] for i in train_indices]
+        y_test = [label_array[i] for i in test_indices]
+
+    if flatten:
+        X_train, y_train = flatten_X_y(X_train, y_train)
+    else:
+        X_train, y_train = average_and_drop_na(X_train, y_train)
+
+    X_test, y_test = flatten_X_y(X_test, y_test)
+
+    return X_train, X_test, y_train, y_test
+
+#########################################################################################
+def plot_r2_curve(y_true, y_pred):
+    """
+    Plots a scatter plot of true (on x axis) vs. predicted values (y axis) and displays the R-squared value on the plot
+    also add a diagonal reference dot line for reference
+
+    Args:
+        y_true (np.ndarray): Ground truth (actual) values.
+        y_pred (np.ndarray): Predicted values from the model.
+
+    """
+     
+    r2 = r2_score(y_true, y_pred)
+    TRUE, PRED = y_true, y_pred
+    sns.set(
+        font="arial",
+        palette="colorblind",
+        style="whitegrid",
+        font_scale=1.5,
+        rc={"figure.figsize": (5, 5), "axes.grid": False},
+    )
+    sns.regplot(
+        x=TRUE,
+        y=PRED,
+        fit_reg=0,
+        marker="+",
+        color="black",
+        scatter_kws={"s": 40, "linewidths": 0.7},
+    )
+    plt.plot([min(TRUE), max(TRUE)], [min(TRUE), max(TRUE)], 
+             linestyle='--', 
+             color='blue',
+             linewidth=1)
+    plt.xlabel("Experiment ground truth ")
+    plt.ylabel("Model prediction")
+    plt.title(f'R2: {r2:.2f}', fontsize=14)
+    plt.xlim(min(TRUE) - 0.2, max(TRUE) + 0.5)
+    plt.ylim(min(PRED) - 0.2, max(PRED) + 0.5)
+    plt.show()
+
+
+def plot_selected_point(y_pred, std_pred, condition, title):
+    """
+    Plots a scatter plot of all generated point's predicted values (y_pred) vs. predicted standard deviations (std_pred),
+    highlighting choosen points in red by active learning based on EI condition (or UCB or PI)
+
+    Args:
+        ax (matplotlib.axes.Axes): The matplotlib axis to plot on.
+        y_pred (np.ndarray): The predicted yield values.
+        std_pred (np.ndarray): The predicted standard deviation values.
+        condition (list or np.ndarray): The condition used to select points for highlighting (EI)
+        title (str): The title of the plot.
+
+    """
+    fig, ax = plt.subplots(1, 1, figsize=(5, 5))
+    position = np.where(np.isin(y_pred, condition))[0]
+    selected_std = std_pred[position]
+    selected_y = y_pred[position]
+
+    y_not = np.delete(y_pred,position)
+    std_not = np.delete(std_pred,position)
+
+    ax.scatter(y_not, std_not, c='grey', label='Unselected points', alpha = 0.5)
+    ax.scatter(selected_y, selected_std, c='red', alpha = 0.5, label='Selected_point')
+
+    ax.set_title(title)
+    ax.set_xlabel('Predicted yield')
+    ax.set_ylabel('Predicted std')
+    ax.legend(loc='upper left',  prop={'size': 10})
+
+    plt.tight_layout()
+    plt.show()
+
+
+def plot_heatmap(ax, X_new_norm, y_pred, element_list, title):
+    """
+    Plots a heatmap of normalized data (X_new_norm), sorted by predicted values (y_pred),
+    with elements along the y-axis. This shows how the model understand the evolution/relationship of each component to yield
+
+    Args:
+        ax (matplotlib.axes.Axes): The matplotlib axis to plot on.
+        X_new_norm (np.ndarray): A 2D array of normalized feature data (rows = samples, columns = features).
+        y_pred (np.ndarray): Predicted values used for sorting the heatmap rows.
+        element_list (list of str): List of element names to display on the y-axis.
+        title (str): The title of the plot.
+
+    Returns:
+        None: The plot is drawn on the provided axis `ax`.
+    """
+    n = len(y_pred)
+    sorted_indices = np.argsort(y_pred)
+    sorted_X = X_new_norm[sorted_indices].T  
+
+    heatmap = ax.imshow(sorted_X, aspect='auto', cmap='viridis')
+
+    ax.set_xticks([])  
+    ax.set_title(f"{title}, samples = {n}", size=12)
+    
+    ax.set_yticks(np.arange(len(element_list)))
+    ax.set_yticklabels(element_list, fontsize=12)
+
+    cbar = plt.colorbar(heatmap, ax=ax)
+    cbar.set_label('Ratio to Max Concentration', size=12)
+
+
+def plot_each_round(y,size_list, predict = False):
+    """
+    Plots a boxplot showing the distribution of 'y' values across different rounds,
+    with an option to highlight the last boxplot if it's a prediction from our model.
+
+    Args:
+        y (np.ndarray or list): The yield values to plot.
+        size_list (list of int): A list containing the number of data in each round.
+        predict (bool): If True, the last boxplot will be highlighted with a different color.
+
+    """
+    cumulative_sizes = np.cumsum(size_list)
+    subarrays = np.split(y, cumulative_sizes)
+    flattened_arrays = [subarray.flatten() for subarray in subarrays]
+
+    y_by_file = {}
+    for i in range(len(size_list)):
+        name = 'round ' + str(i)
+        y_by_file[name] = flattened_arrays[i]
+
+    y_by_file = pd.DataFrame.from_dict(y_by_file, orient='index').transpose()
+
+    boxprops = dict(linewidth=0)
+    medianprops = dict(linewidth=1, color='red', linestyle='dashed')
+    ax = sns.boxplot(y_by_file, color = 'yellow', width=0.3, boxprops=boxprops, medianprops= medianprops)
+
+    median_values = y_by_file.median()
+    for i, value in enumerate(median_values):
+        ax.annotate(f'{value:.2f}', (i, value), textcoords="offset points", xytext=(0,3),
+                    ha='center', fontsize=8, color='black')
+
+    if predict:
+        last_box = ax.patches[-1]
+
+        last_box.set_facecolor('silver')
+
+    plt.ylabel('Yield')
+    plt.title('Yield evolution through each active learning query')
+    plt.show()
+
+
+def plot_train_test(train, test, element_list):
+    """
+    Plots histograms comparing train and test data distributions for each element
+    in the provided element list. Histograms for each element are displayed in a grid.
+
+    Args:
+        train (np.ndarray or pd.DataFrame): The training data with elements as columns.
+        test (np.ndarray or pd.DataFrame): The test data with elements as columns.
+        element_list (list of str): List of element names (column names) to plot.
+    """
+    test = pd.DataFrame(test, columns=element_list)
+    train = pd.DataFrame(train, columns=element_list)
+
+    no_element = len(element_list)
+    nrows = int(np.ceil(np.sqrt(no_element)))
+    ncols = int(np.ceil(no_element / nrows))
+    fig, axes = plt.subplots(nrows=nrows, ncols=ncols, figsize=(15, 8))
+
+    axes = axes.flatten()  
+
+    for i, column in enumerate(element_list):
+        hist_range = [min(train[column]), max(train[column])]
+        axes[i].hist(train[column], alpha=0.3, label='Previous data', bins=10)
+        axes[i].hist(test[column], range=hist_range, alpha=1, label='New data', bins=10)
+        axes[i].set_title(column)
+        axes[i].legend()
+
+    for j in range(i + 1, len(axes)):
+        fig.delaxes(axes[j])
diff --git a/icfree/learner/new_exp/plate3_ei50.csv b/icfree/learner/new_exp/plate3_ei50.csv
new file mode 100644
index 0000000..52e0974
--- /dev/null
+++ b/icfree/learner/new_exp/plate3_ei50.csv
@@ -0,0 +1,51 @@
+Mg-glutamate,K-glutamate,Amino acid,Spermidine,Creatine Phosphate,NTP,GFP11_Col-E1,GFP1-10,PEG-8000
+60.0,840.0,420.0,80.0,180.0,100.0,520.0,1240.0,940.0
+60.0,940.0,860.0,120.0,180.0,120.0,540.0,1040.0,760.0
+60.0,660.0,840.0,140.0,280.0,140.0,680.0,1180.0,1020.0
+40.0,760.0,1020.0,140.0,20.0,140.0,620.0,1120.0,600.0
+80.0,720.0,760.0,140.0,60.0,140.0,720.0,1140.0,1260.0
+80.0,860.0,280.0,60.0,100.0,120.0,360.0,1240.0,680.0
+60.0,840.0,260.0,60.0,80.0,140.0,520.0,1000.0,1180.0
+80.0,820.0,260.0,140.0,140.0,140.0,640.0,1120.0,760.0
+80.0,660.0,980.0,60.0,40.0,120.0,700.0,1220.0,720.0
+80.0,800.0,860.0,100.0,260.0,120.0,820.0,1060.0,440.0
+60.0,820.0,700.0,40.0,80.0,140.0,680.0,1140.0,1040.0
+60.0,980.0,60.0,60.0,20.0,120.0,840.0,1060.0,780.0
+60.0,680.0,360.0,140.0,200.0,120.0,580.0,1220.0,540.0
+60.0,860.0,580.0,140.0,100.0,120.0,560.0,1200.0,140.0
+80.0,980.0,480.0,80.0,280.0,120.0,320.0,1180.0,1160.0
+80.0,940.0,660.0,20.0,120.0,120.0,360.0,1240.0,860.0
+80.0,480.0,1000.0,100.0,160.0,140.0,620.0,940.0,1100.0
+80.0,900.0,600.0,120.0,100.0,120.0,360.0,900.0,960.0
+80.0,700.0,1100.0,140.0,360.0,140.0,680.0,980.0,1180.0
+60.0,860.0,320.0,80.0,180.0,120.0,240.0,1220.0,700.0
+80.0,780.0,600.0,100.0,260.0,100.0,500.0,840.0,660.0
+80.0,620.0,520.0,40.0,140.0,140.0,540.0,860.0,1100.0
+40.0,580.0,1000.0,140.0,80.0,140.0,820.0,1220.0,20.0
+80.0,820.0,480.0,140.0,20.0,80.0,620.0,980.0,900.0
+80.0,740.0,980.0,140.0,260.0,100.0,680.0,800.0,1280.0
+80.0,400.0,800.0,60.0,140.0,100.0,840.0,1240.0,980.0
+40.0,380.0,900.0,100.0,140.0,140.0,660.0,1120.0,680.0
+40.0,560.0,840.0,100.0,300.0,120.0,840.0,1000.0,1320.0
+60.0,860.0,840.0,80.0,140.0,80.0,400.0,1020.0,780.0
+80.0,960.0,240.0,20.0,60.0,120.0,60.0,980.0,860.0
+40.0,780.0,240.0,40.0,300.0,140.0,280.0,840.0,840.0
+40.0,840.0,380.0,60.0,340.0,120.0,700.0,860.0,1320.0
+60.0,840.0,580.0,140.0,380.0,120.0,460.0,980.0,1180.0
+40.0,520.0,940.0,140.0,20.0,100.0,800.0,1160.0,260.0
+40.0,940.0,380.0,80.0,60.0,140.0,20.0,1140.0,1160.0
+80.0,720.0,700.0,120.0,320.0,140.0,280.0,1000.0,800.0
+40.0,760.0,300.0,100.0,80.0,140.0,620.0,800.0,1120.0
+80.0,700.0,440.0,120.0,320.0,140.0,680.0,640.0,1120.0
+40.0,740.0,500.0,80.0,60.0,140.0,720.0,780.0,440.0
+80.0,800.0,400.0,100.0,140.0,120.0,860.0,660.0,980.0
+20.0,960.0,260.0,20.0,140.0,100.0,180.0,1000.0,580.0
+80.0,480.0,540.0,100.0,440.0,140.0,380.0,1100.0,980.0
+20.0,740.0,160.0,60.0,300.0,120.0,360.0,1040.0,1200.0
+60.0,980.0,400.0,60.0,400.0,80.0,700.0,1080.0,980.0
+60.0,620.0,300.0,60.0,420.0,140.0,460.0,980.0,940.0
+60.0,880.0,1000.0,140.0,180.0,80.0,860.0,840.0,800.0
+60.0,740.0,440.0,120.0,120.0,120.0,660.0,760.0,500.0
+60.0,920.0,120.0,20.0,180.0,120.0,280.0,620.0,620.0
+60.0,940.0,200.0,60.0,180.0,80.0,800.0,1100.0,500.0
+20.0,800.0,320.0,100.0,240.0,140.0,400.0,820.0,1080.0
diff --git a/icfree/learner/param.tsv b/icfree/learner/param.tsv
new file mode 100644
index 0000000..1554161
--- /dev/null
+++ b/icfree/learner/param.tsv
@@ -0,0 +1,10 @@
+Component	maxValue
+Mg-glutamate	65.6
+K-glutamate	962.5
+Amino acid	1093.8
+Spermidine	131.3
+Creatine Phosphate	937.5
+NTP	126.2
+GFP11_Col-E1	858
+GFP1-10	1237.3
+PEG-8000	1312.5
\ No newline at end of file
diff --git a/tests/data/learner/calibrator/input/plate1.csv b/tests/data/learner/calibrator/input/plate1.csv
new file mode 100644
index 0000000..f258d70
--- /dev/null
+++ b/tests/data/learner/calibrator/input/plate1.csv
@@ -0,0 +1,58 @@
+Mg-glutamate,K-glutamate,Spermidine,3-PGA,NTP,HEPES,Amino acid,DNA 1,DNA 2,PEG-8000,Fluorescence Value 1,Fluorescence Value 2,Fluorescence Value 3,Fluorescence Value 4,Fluorescence Value 5,Fluorescence Value 6,Fluorescence Average
+105.04000000000002,350.0,52.52000000000001,168.78,100.96,262.5,1094.0,239.478,1485.0,524.8000000000001,36140,6902,15845,54245,43873,55311,35386.0
+131.3,350.0,78.78,225.04,75.72,262.5,875.2,239.478,1232.55,524.8000000000001,8700,37686,23365,40813,49240,12430,28705.666666666668
+52.52000000000001,210.0,131.3,112.52,50.48,262.5,1094.0,239.478,1485.0,524.8000000000001,3278,12738,3958,13847,7719,6531,8011.833333333333
+105.04000000000002,280.0,105.04000000000002,225.04,50.48,262.5,1094.0,960.78,1485.0,524.8000000000001,20109,29187,13350,39574,20023,21574,23969.5
+105.04000000000002,210.0,105.04000000000002,281.3,126.2,262.5,1094.0,717.0,994.95,262.40000000000003,22265,3832,7063,22677,14288,19902,15004.5
+52.52000000000001,350.0,131.3,168.78,50.48,262.5,875.2,473.22,1232.55,262.40000000000003,22981,36101,34604,17483,13593,13016,22963.0
+105.04000000000002,350.0,105.04000000000002,168.78,75.72,262.5,1094.0,717.0,994.95,0.0,22786,3998,12503,8663,27532,15902,15230.666666666666
+52.52000000000001,280.0,105.04000000000002,225.04,100.96,262.5,875.2,473.22,1232.55,1049.6,27675,3701,47245,9018,14621,14842,19517.0
+26.260000000000005,210.0,78.78,281.3,100.96,262.5,656.4,717.0,1485.0,262.40000000000003,30810,13668,59960,14771,30380,33003,30432.0
+78.78,140.0,131.3,225.04,126.2,262.5,1094.0,960.78,994.95,262.40000000000003,16034,2093,9285,3575,2330,2766,6013.833333333333
+78.78,280.0,105.04000000000002,112.52,100.96,262.5,875.2,473.22,1232.55,787.1999999999999,22414,5276,3043,8105,4708,11716,9210.333333333334
+131.3,350.0,0.0,112.52,25.24,262.5,1094.0,1434.0,1485.0,787.1999999999999,5780,5314,3669,6026,2990,3937,4619.333333333333
+78.78,70.0,131.3,225.04,75.72,262.5,875.2,717.0,1232.55,524.8000000000001,9022,4509,4967,5066,10604,11422,7598.333333333333
+78.78,280.0,78.78,281.3,75.72,262.5,1094.0,717.0,994.95,787.1999999999999,15814,17225,5057,5453,3721,2150,8236.666666666666
+26.260000000000005,280.0,105.04000000000002,225.04,100.96,262.5,656.4,239.478,994.95,787.1999999999999,21552,11688,5880,4468,46172,32927,20447.833333333332
+131.3,210.0,0.0,281.3,0.0,262.5,875.2,473.22,1485.0,524.8000000000001,2652,5513,2182,7323,2265,2872,3801.1666666666665
+105.04000000000002,70.0,52.52000000000001,281.3,100.96,262.5,656.4,717.0,1485.0,524.8000000000001,11196,7737,5212,7669,10221,29061,11849.333333333334
+78.78,140.0,78.78,281.3,126.2,262.5,218.8,473.22,1485.0,262.40000000000003,18125,20552,12251,8258,16269,21473,16154.666666666666
+131.3,210.0,0.0,281.3,50.48,262.5,875.2,239.478,994.95,524.8000000000001,13258,8982,9923,3533,15310,1627,8772.166666666666
+78.78,0.0,131.3,281.3,126.2,262.5,656.4,473.22,1485.0,524.8000000000001,5226,3905,4105,3319,3831,4202,4098.0
+78.78,350.0,131.3,168.78,50.48,262.5,656.4,960.78,1485.0,524.8000000000001,15313,25078,4725,35079,7495,12072,16627.0
+105.04000000000002,350.0,0.0,281.3,126.2,262.5,1094.0,239.478,1232.55,787.1999999999999,21108,54417,9911,15819,34667,11366,24548.0
+52.52000000000001,350.0,78.78,225.04,0.0,262.5,875.2,239.478,1485.0,787.1999999999999,3385,2871,2493,2763,8311,2768,3765.1666666666665
+105.04000000000002,280.0,78.78,225.04,25.24,262.5,1094.0,717.0,1232.55,787.1999999999999,37022,5132,6616,11364,6381,38422,17489.5
+52.52000000000001,350.0,0.0,112.52,50.48,262.5,656.4,473.22,1485.0,0.0,23438,5435,15227,14312,13139,24264,15969.166666666666
+105.04000000000002,280.0,0.0,225.04,100.96,262.5,1094.0,1434.0,1485.0,1049.6,17481,5290,7182,7721,6107,25667,11574.666666666666
+105.04000000000002,140.0,105.04000000000002,281.3,100.96,262.5,875.2,717.0,1232.55,1049.6,25935,10397,6792,9857,2981,36945,15484.5
+131.3,0.0,105.04000000000002,225.04,126.2,262.5,875.2,717.0,1485.0,787.1999999999999,6322,4588,3837,4466,4105,4356,4612.333333333333
+0.0,140.0,131.3,168.78,50.48,262.5,875.2,473.22,1485.0,524.8000000000001,27304,8210,14500,14879,8220,34587,17950.0
+26.260000000000005,140.0,131.3,112.52,50.48,262.5,1094.0,473.22,1232.55,0.0,8048,4067,6508,5451,5387,16283,7624.0
+131.3,140.0,131.3,112.52,126.2,262.5,1094.0,239.478,994.95,1049.6,3780,5133,2149,4733,2940,2512,3541.1666666666665
+105.04000000000002,350.0,26.260000000000005,56.260000000000005,100.96,262.5,656.4,960.78,1485.0,262.40000000000003,23554,5453,3644,6347,6270,8051,8886.5
+131.3,350.0,0.0,56.260000000000005,100.96,262.5,437.6,960.78,1485.0,787.1999999999999,5965,4330,4628,5867,5592,3110,4915.333333333333
+26.260000000000005,280.0,131.3,168.78,75.72,262.5,875.2,1190.22,1485.0,787.1999999999999,9646,18936,4724,5587,6454,4690,8339.5
+131.3,350.0,131.3,168.78,75.72,262.5,1094.0,717.0,742.5,787.1999999999999,7498,3886,5149,4449,3192,7388,5260.333333333333
+78.78,350.0,131.3,56.260000000000005,100.96,262.5,437.6,473.22,1485.0,524.8000000000001,5456,9885,5500,10123,6592,6123,7279.833333333333
+78.78,280.0,26.260000000000005,281.3,75.72,262.5,656.4,717.0,1232.55,787.1999999999999,17492,52467,2590,13196,4949,5596,16048.333333333334
+131.3,350.0,52.52000000000001,0.0,75.72,262.5,875.2,473.22,1232.55,0.0,2873,3674,3389,3191,3883,3504,3419.0
+131.3,210.0,0.0,225.04,100.96,262.5,1094.0,960.78,1232.55,524.8000000000001,5196,47273,5795,10877,4668,6685,13415.666666666666
+105.04000000000002,0.0,78.78,281.3,50.48,262.5,875.2,239.478,1232.55,524.8000000000001,5160,4145,3482,3905,4164,4761,4269.5
+0.0,350.0,0.0,225.04,75.72,262.5,875.2,960.78,1485.0,1049.6,9321,8132,9793,9449,7733,10254,9113.666666666666
+78.78,350.0,131.3,168.78,126.2,262.5,1094.0,717.0,994.95,1049.6,3344,5979,13763,5181,3895,3792,5992.333333333333
+131.3,210.0,131.3,56.260000000000005,50.48,262.5,1094.0,960.78,1232.55,262.40000000000003,2510,2149,2456,2261,2753,2553,2447.0
+52.52000000000001,280.0,52.52000000000001,225.04,126.2,262.5,875.2,1434.0,1485.0,787.1999999999999,5881,5767,11856,12278,11019,10059,9476.666666666666
+105.04000000000002,280.0,52.52000000000001,112.52,75.72,262.5,437.6,239.478,1485.0,1049.6,9019,4699,7379,10451,7653,6517,7619.666666666667
+131.3,0.0,52.52000000000001,225.04,50.48,262.5,875.2,473.22,1485.0,0.0,4841,5252,4397,5488,6103,4730,5135.166666666667
+105.04000000000002,280.0,131.3,112.52,50.48,262.5,1094.0,473.22,490.05,0.0,3292,9790,4064,3639,4957,3000,4790.333333333333
+131.3,140.0,78.78,168.78,100.96,262.5,437.6,717.0,1232.55,0.0,32530,16336,9639,7253,9296,4295,13224.833333333334
+26.260000000000005,210.0,78.78,225.04,100.96,262.5,1094.0,473.22,742.5,524.8000000000001,5806,5606,6277,5625,3814,5031,5359.833333333333
+131.3,210.0,105.04000000000002,225.04,50.48,262.5,875.2,1190.22,994.95,0.0,17987,10872,5632,20528,5022,17835,12979.333333333334
+105.0,280.0,105.0,225.0,100.0,262.5,875.0,0.0,0.0,1050.0,2035,2121,2035,2287,2022,3024,2254.0
+105.0,280.0,105.0,225.0,100.0,262.5,875.0,1435.0,1485.0,1050.0,8456,10587,6288,3708,5467,7546,7008.666666666667
+130.0,140.0,130.0,280.0,100.0,262.5,1095.0,240.0,490.0,262.5,2769,7765,26971,15274,2130,5547,10076.0
+25.0,140.0,52.5,55.0,100.0,262.5,1095.0,472.5,1232.5,0.0,2079,6661,7051,4644,6330,7247,5668.666666666667
+130.0,350.0,0.0,112.5,50.0,262.5,655.0,960.0,1485.0,1050.0,5982,6252,6378,4912,7080,4929,5922.166666666667
+52.5,210.0,130.0,225.0,75.0,262.5,1095.0,240.0,1232.5,525.0,3394,10041,11931,23802,17023,10483,12779.0
+25.0,280.0,52.5,225.0,75.0,262.5,875.0,472.5,1232.5,262.5,4735,7146,11174,14050,17451,10527,10847.166666666666
diff --git a/tests/data/learner/calibrator/input/plate1.xlsx b/tests/data/learner/calibrator/input/plate1.xlsx
new file mode 100644
index 0000000..ec4ffa8
Binary files /dev/null and b/tests/data/learner/calibrator/input/plate1.xlsx differ
diff --git a/tests/data/learner/calibrator/input/plate1_yields.xlsx b/tests/data/learner/calibrator/input/plate1_yields.xlsx
new file mode 100644
index 0000000..0bc00ad
Binary files /dev/null and b/tests/data/learner/calibrator/input/plate1_yields.xlsx differ
diff --git a/tests/data/learner/calibrator/input/plate2-yields.xlsx b/tests/data/learner/calibrator/input/plate2-yields.xlsx
new file mode 100644
index 0000000..93b078c
Binary files /dev/null and b/tests/data/learner/calibrator/input/plate2-yields.xlsx differ
diff --git a/tests/data/learner/calibrator/input/plate2.xlsx b/tests/data/learner/calibrator/input/plate2.xlsx
new file mode 100644
index 0000000..8c937d3
Binary files /dev/null and b/tests/data/learner/calibrator/input/plate2.xlsx differ
diff --git a/tests/data/learner/calibrator/input/plate3.xlsx b/tests/data/learner/calibrator/input/plate3.xlsx
new file mode 100644
index 0000000..ba6bb4b
Binary files /dev/null and b/tests/data/learner/calibrator/input/plate3.xlsx differ
diff --git a/tests/data/learner/calibrator/input/~$plate3.xlsx b/tests/data/learner/calibrator/input/~$plate3.xlsx
new file mode 100644
index 0000000..5a93205
Binary files /dev/null and b/tests/data/learner/calibrator/input/~$plate3.xlsx differ
diff --git a/tests/data/learner/calibrator/output/plate2-calibrated.csv b/tests/data/learner/calibrator/output/plate2-calibrated.csv
new file mode 100644
index 0000000..0bb0570
--- /dev/null
+++ b/tests/data/learner/calibrator/output/plate2-calibrated.csv
@@ -0,0 +1,1000 @@
+Well;Mg-glutamate;K-glutamate;Spermidine;3-PGA;NTP;HEPES;Amino acid;DNA 1;DNA 2;PEG-8000;Fluorescence value1;Fluorescence value2;Fluorescence value3;Fluorescence value4;Fluorescence value5;;Yield 1 ;Yield 2;Yield 3;Yield 4;Yield 5;Average;Calibrated Yield 1 ;Calibrated Yield 2;Calibrated Yield 3;Calibrated Yield 4;Calibrated Yield 5;;;;;;;;;;;
+A1;131,3;350;78,78;281,3;126,2;262,5;656,4;473,22;1485;524,8;23466;38819;26556;29480;32333;;3,156835254;5,42265972;3,612863236;4,044392627;4,465443705;4,140438908;5,613615256;9,689380305;6,433918389;7,210153457;7,967540136;;;;;;;;;;;
+B1;131,3;350;52,52;281,3;126,2;262,5;875,2;473,22;1232,55;787,2;29210;39639;30443;11538;29979;;4,004545522;5,543676855;4,186513969;1,396478697;4,11803598;3,849850204;7,138476484;9,907065926;7,465801327;2,447085879;7,342623122;;;;;;;;;;;
+C1;131,3;280;78,78;225,04;126,2;262,5;437,6;239,478;1485;262,4;20716;24132;18945;18214;20140;;2,750985109;3,25512478;2,489617615;2,381735268;2,665977951;2,708688145;4,883572014;5,790418455;4,413424167;4,219365399;4,730661139;;;;;;;;;;;
+D1;52,52;280;52,52;281,3;100,96;262,5;875,2;473,22;1485;787,2;22693;33738;22474;22257;16403;;3,042754468;4,672796234;3,010434038;2,978408772;2,114464499;3,163771602;5,408406737;8,340525865;5,350268748;5,2926617;3,738598741;;;;;;;;;;;
+E1;26,26;210;131,3;281,3;126,2;262,5;437,6;239,478;1485;262,4;37003;26221;19053;21768;13822;;5,154651043;3,563423309;2,505556457;2,906241237;1,73355569;3,172685547;9,207286296;6,344985848;4,442094956;5,162846738;3,053419975;;;;;;;;;;;
+F1;26,26;280;105,04;168,78;100,96;262,5;218,8;473,22;1485;0;17608;7051;12803;15009;12124;;2,292300654;0,734278841;1,583169763;1,908735371;1,482961673;1,60028926;4,058490416;1,25592078;2,78290577;3,368533185;2,602651457;;;;;;;;;;;
+G1;78,78;280;52,52;168,78;126,2;262,5;1094;717;1485;787,2;13299;15254;10320;10962;11092;;1,656370371;1,944892929;1,216723978;1,311471539;1,330657182;1,4920232;2,914579024;3,433573401;2,123743091;2,294175004;2,328686139;;;;;;;;;;;
+H1;0;280;131,3;281,3;126,2;262,5;218,8;473,22;994,95;262,4;15670;8328;8611;3949;2692;;2,006286988;0,922740891;0,96450656;0,276479877;0,090969465;0,852196756;3,544009033;1,594926314;1,6700544;0,432432003;0,098735874;;;;;;;;;;;
+I1;131,3;210;105,04;225,04;100,96;262,5;218,8;239,478;1485;262,4;29298;18862;20092;17731;18972;;4,017532726;2,47736832;2,658894021;2,310453224;2,493602326;2,791570124;7,161837868;4,391390134;4,717918566;4,091143259;4,420591864;;;;;;;;;;;
+J1;26,26;350;105,04;281,3;100,96;262,5;437,6;960,78;1232,55;0;27264;13765;8152;7279;4822;;3,717351201;1,725143523;0,896766481;0,767927508;0,405318851;1,502501513;6,62187134;3,03828817;1,548203546;1,316448001;0,664187549;;;;;;;;;;;
+K1;78,78;350;131,3;281,3;50,48;262,5;656,4;239,478;1232,55;1049,6;35588;10892;35569;37182;15561;;4,945822695;1,301140808;4,94301864;5,181068198;1,990200564;3,672250181;8,831645864;2,275592085;8,826601929;9,254805474;3,515072774;;;;;;;;;;;
+L1;52,52;350;0;281,3;75,72;262,5;1094;473,22;1232,55;0;45251;5526;11401;3716;3696;;6,371906315;0,509216488;1,37625998;0,242093301;0,239141664;1,74772355;11,39688508;0,851078618;2,410716452;0,37057743;0,365268025;;;;;;;;;;;
+M1;78,78;280;52,52;112,52;126,2;262,5;875,2;239,478;1232,55;524,8;21170;8207;12713;10317;7583;;2,817987278;0,904883484;1,569887395;1,216281232;0,812792397;1,464366357;5,004095516;1,562804411;2,759013446;2,12294668;1,397150963;;;;;;;;;;;
+N1;26,26;350;105,04;281,3;50,48;262,5;218,8;717;1485;0;31844;11146;13644;7439;14240;;4,39327617;1,338626603;1,707286117;0,791540607;1,795244912;2,005194882;7,837725175;2,343021534;3,006166267;1,358923244;3,164386548;;;;;;;;;;;
+O1;78,78;350;26,26;281,3;126,2;262,5;0;239,478;1232,55;787,2;11846;3165;7350;3163;7779;;1,441933913;0,16077569;0,778405821;0,160480527;0,841718443;0,676662879;2,528850722;0,224303312;1,33529639;0,223772371;1,449183136;;;;;;;;;;;
+P1;131,3;350;78,78;225,04;100,96;262,5;1094;717;742,5;0;27014;8594;17411;4594;26943;;3,680455733;0,961997668;2,263227025;0,371670184;3,66997742;2,189465606;6,555503772;1,665541406;4,006192773;0,603660327;6,536655383;;;;;;;;;;;
+A2;131,3;210;26,26;168,78;50,48;262,5;1094;473,22;1485;0;5662;10015;14800;8518;14720;;0,529287622;1,171711507;1,87789076;0,950781446;1,86608421;1,279151109;0,887182575;2,042774659;3,313049899;1,645365665;3,291812277;;;;;;;;;;;
+B2;105,04;210;131,3;281,3;75,72;262,5;218,8;239,478;1232,55;787,2;29026;31062;30052;26439;13315;;3,977390457;4,277867147;4,128809457;3,595596157;1,658731681;3,52767898;7,089629955;7,630127424;7,362002451;6,402858367;2,918826549;;;;;;;;;;;
+C2;52,52;140;105,04;168,78;100,96;262,5;218,8;239,478;1485;0;21741;17466;16295;14871;15867;;2,902256527;2,271344028;2,098525657;1,888369073;2,035360616;2,23917118;5,15567904;4,020793638;3,709927952;3,331898288;3,596306677;;;;;;;;;;;
+D2;105,04;350;0;112,52;126,2;262,5;437,6;473,22;1485;262,4;11860;7439;5347;5779;6388;;1,444000059;0,791540607;0,482799333;0,546554701;0,636432061;0,780265352;2,532567306;1,358923244;0,80355944;0,918242597;1,079913991;;;;;;;;;;;
+E2;131,3;350;0;112,52;126,2;262,5;875,2;239,478;742,5;262,4;14019;4996;9549;4247;4580;;1,762629319;0,430998096;1,102938355;0,320459275;0,369604038;0,797325816;3,105717618;0,710379375;1,919065513;0,511542143;0,599943743;;;;;;;;;;;
+F2;52,52;280;52,52;281,3;126,2;262,5;0;239,478;994,95;262,4;5383;3249;2979;4886;2608;;0,48811228;0,173172567;0,133325462;0,41476409;0,078572588;0,257589398;0,81311637;0,246602814;0,174925842;0,681177646;0,076436372;;;;;;;;;;;
+G2;105,04;350;105,04;225,04;126,2;262,5;656,4;239,478;994,95;1049,6;34223;8463;26587;10533;8908;;4,744373441;0,942664443;3,617438274;1,248158916;1,008338376;2,31219469;8,469278946;1,6307648;6,442147967;2,180288258;1,74889907;;;;;;;;;;;
+H2;0;280;78,78;281,3;126,2;262,5;437,6;1434;1485;524,8;10387;11125;2908;9525;2844;;1,226611963;1,335527384;0,122847149;1,09939639;0,11340191;0,779556959;2,141529599;2,337446658;0,156077452;1,912694227;0,139087355;;;;;;;;;;;
+I2;0;350;105,04;281,3;126,2;262,5;218,8;1190,22;1232,55;1049,6;9023;5813;9081;3742;5270;;1,025310291;0,551572485;1,033870039;0,24593043;0,471435529;0,665623755;1,779428151;0,927268586;1,794825427;0,377479657;0,783118229;;;;;;;;;;;
+J2;131,3;280;131,3;281,3;100,96;262,5;875,2;1190,22;994,95;0;47181;6743;19685;18473;4972;;6,656739326;0,688823625;2,5988282;2,419958972;0,427456131;2,558361251;11,9092427;1,174155936;4,609872166;4,288122199;0,704008089;;;;;;;;;;;
+K2;131,3;140;52,52;225,04;126,2;262,5;875,2;239,478;994,95;524,8;10639;7721;16774;14418;5403;;1,263802594;0,833158695;2,169217373;1,821514485;0,491063918;1,315751413;2,208428107;1,43378586;3,837088211;3,211640256;0,818425775;;;;;;;;;;;
+L2;78,78;210;52,52;225,04;75,72;262,5;656,4;239,478;1485;1049,6;29231;15947;15487;13972;17460;;4,007644741;2,047167166;1,979279505;1,755692971;2,270458537;2,412048584;7,14405136;3,617544298;3,495427974;3,093240516;4,019200816;;;;;;;;;;;
+M2;105,04;280;131,3;281,3;126,2;262,5;1094;1434;1232,55;0;9102;11822;19416;12977;21625;;1,036969259;1,438391948;2,559128677;1,608849009;2,88513703;1,905695184;1,800400303;2,522479436;4,538460664;2,829097597;5,124884489;;;;;;;;;;;
+N2;78,78;140;105,04;281,3;126,2;262,5;875,2;239,478;1485;1312;31876;16844;28687;19286;35918;;4,39799879;2,179548104;3,927360203;2,539943033;4,994524713;3,607874969;7,846220223;3,85567113;6,999635533;4,503949528;8,919251053;;;;;;;;;;;
+O2;131,3;280;105,04;225,04;126,2;262,5;0;717;1232,55;262,4;5573;6775;5716;3475;7546;;0,516152836;0,693546245;0,537257043;0,20652607;0,807331867;0,552162812;0,863555721;1,182650985;0,90151797;0,306599095;1,387328563;;;;;;;;;;;
+P2;26,26;210;52,52;281,3;75,72;262,5;875,2;239,478;1485;1312;36312;22874;16165;25485;36624;;5,05267197;3,069466787;2,079340014;3,454803052;5,098717514;3,750999867;9,023846339;5,456456856;3,675416817;6,14959973;9,106673063;;;;;;;;;;;
+A3;78,78;210;0;225,04;75,72;262,5;875,2;239,478;1232,55;262,4;9125;10434;13713;8968;5512;;1,040363642;1,233548311;1,717469266;1,017193288;0,507150342;1,10314497;1,806506119;2,154006702;3,024483716;1,764827286;0,847362035;;;;;;;;;;;
+B3;0;280;52,52;225,04;75,72;262,5;875,2;239,478;1485;524,8;37689;19642;23109;22024;6046;;5,255892206;2,592482179;3,104148526;2,944022196;0,585959061;2,896500834;9,389398901;4,598456944;5,518842369;5,230807127;0,989123159;;;;;;;;;;;
+C3;105,04;280;26,26;112,52;126,2;262,5;218,8;239,478;1232,55;262,4;9985;10644;10005;9357;9685;;1,167284051;1,264540504;1,170235688;1,074602636;1,12300949;1,159934474;2,034810551;2,209755458;2,040119956;1,868095221;1,95516947;;;;;;;;;;;
+D3;0;140;105,04;168,78;75,72;262,5;218,8;239,478;1232,55;0;20996;20758;13904;14643;13687;;2,792308033;2,757183548;1,745657403;1,854720406;1,713632137;2,172700305;4,95790369;4,894721765;3,075188537;3,271371067;3,017581489;;;;;;;;;;;
+E3;26,26;350;105,04;281,3;126,2;262,5;656,4;1190,22;994,95;262,4;13167;17284;2148;11130;9407;;1,636889564;2,244484128;0,010684927;1,336265293;1,081981729;1,262061128;2,879536949;3,972478049;-0,045679952;2,338774009;1,881368735;;;;;;;;;;;
+F3;52,52;210;131,3;168,78;126,2;262,5;875,2;473,22;1485;787,2;21324;15260;12931;15062;16419;;2,840714887;1,945778421;1,602060243;1,91655721;2,116825809;2,084387314;5,044977938;3,435166223;2,816885965;3,38260311;3,742846265;;;;;;;;;;;
+G3;78,78;350;0;281,3;126,2;262,5;218,8;239,478;490,05;0;2383;2222;2249;2203;2427;;0,045366667;0,021605986;0,025590696;0,01880193;0,051860269;0,03264511;0,016705561;-0,026035153;-0,018867455;-0,031079088;0,028386253;;;;;;;;;;;
+H3;105,04;210;52,52;281,3;126,2;262,5;0;960,78;1485;0;3662;3242;2733;2919;6292;;0,23412388;0,172139494;0,097020322;0,12447055;0,622264201;0,25000369;0,356242036;0,244744522;0,109620155;0,158997625;1,054428845;;;;;;;;;;;
+I3;52,52;210;26,26;281,3;75,72;262,5;1094;239,478;1232,55;787,2;18493;24519;16613;11931;16898;;2,42291061;3,312238965;2,145456692;1,454478372;2,187517525;2,304520433;4,293431605;5,893155449;3,794347498;2,551415695;3,870006525;;;;;;;;;;;
+J3;0;0;0;281,3;126,2;262,5;0;1190,22;1232,55;1312;6029;4741;4809;4640;5275;;0,583450169;0,393364719;0,403400286;0,37845895;0,472173438;0,446169513;0,984610164;0,642684457;0,660736435;0,615871959;0,784445581;;;;;;;;;;;
+K3;26,26;140;131,3;281,3;126,2;262,5;0;717;994,95;524,8;4920;4356;4815;3003;3689;;0,419781874;0,336545699;0,404285778;0,136867427;0,238108591;0,307117874;0,690203635;0,540478403;0,662329257;0,181297128;0,363409733;;;;;;;;;;;
+L3;0;280;131,3;225,04;50,48;262,5;437,6;1434;1485;0;10032;9329;9840;6646;2245;;1,174220399;1,070470343;1,14588468;0,674508183;0,025000369;0,818016795;2,047287653;1,860662054;1,996317362;1,14840532;-0,019929336;;;;;;;;;;;
+M3;0;70;78,78;281,3;100,96;262,5;656,4;239,478;1485;1049,6;10316;5199;8523;6618;9069;;1,21613365;0,460957216;0,951519355;0,670375891;1,032099057;0,866217034;2,12268121;0,76426984;1,646693016;1,140972153;1,791639784;;;;;;;;;;;
+N3;26,26;210;52,52;225,04;126,2;262,5;656,4;960,78;1232,55;262,4;10333;3446;6196;3064;6233;;1,218642542;0,202246196;0,608096341;0,145869921;0,613556871;0,557682374;2,127194204;0,298900458;1,028943699;0,197490815;1,038766099;;;;;;;;;;;
+O3;0;210;105,04;168,78;75,72;262,5;218,8;717;1485;1312;10045;10741;8935;9429;10356;;1,176138963;1,278855945;1,012323086;1,085228531;1,222036925;1,15491669;2,050738767;2,235506074;1,756066768;1,887209081;2,133300021;;;;;;;;;;;
+P3;26,26;140;105,04;281,3;50,48;262,5;656,4;239,478;1232,55;524,8;17724;20570;17188;10862;29322;;2,309420151;2,729438156;2,230316268;1,296713352;4,021074691;2,517392524;4,089284967;4,844813355;3,946992903;2,267627977;7,168209155;;;;;;;;;;;
+A4;52,52;210;0;225,04;126,2;262,5;1094;960,78;1485;1312;11496;7977;8897;5788;9810;;1,390280258;0,870939654;1,006714975;0,547882938;1,141457223;0,99145501;2,435936128;1,501746249;1,745978897;0,920631829;1,988353253;;;;;;;;;;;
+B4;78,78;210;78,78;225,04;100,96;262,5;218,8;1190,22;1485;262,4;7397;4205;4504;3105;5032;;0,785342169;0,314260836;0,358387816;0,151920778;0,436311044;0,409244528;1,347773493;0,500392392;0,579768003;0,208375096;0,719936305;;;;;;;;;;;
+C4;105,04;140;105,04;281,3;25,24;262,5;218,8;239,478;1232,55;262,4;24222;11713;18240;15414;15401;;3,268407149;1,422305524;2,385572396;1,968506029;1,966587464;2,202275712;5,814310779;2,493543177;4,226267626;3,476048644;3,472597531;;;;;;;;;;;
+D4;105,04;210;26,26;0;126,2;262,5;656,4;239,478;1485;524,8;4719;3921;4084;4205;4402;;0,390117918;0,272347585;0,29640343;0,314260836;0,343334465;0,323292847;0,636844111;0,424998836;0,46827049;0,500392392;0,552690035;;;;;;;;;;;
+E4;52,52;350;131,3;225,04;50,48;262,5;875,2;473,22;742,5;524,8;17237;14975;6879;16923;16600;;2,23754778;1,903717587;0,708894759;2,191207072;2,143538128;1,836981065;3,960000946;3,359507196;1,210259893;3,876643281;3,790896384;;;;;;;;;;;
+F4;26,26;350;105,04;281,3;100,96;262,5;437,6;960,78;1232,55;0;14152;16296;4537;11687;6783;;1,782257707;2,098673239;0,363258017;1,418468395;0,6947269;1,271476852;3,141025164;3,710193422;0,588528522;2,48664095;1,184774747;;;;;;;;;;;
+G4;131,3;350;78,78;225,04;100,96;262,5;1094;717;742,5;0;23633;13156;6753;13909;5802;;3,181481427;1,635266164;0,690299444;1,746395313;0,549949084;1,560678286;5,657948791;2,876616776;1,176810639;3,076515889;0,924348413;;;;;;;;;;;
+H4;52,52;280;52,52;281,3;100,96;262,5;875,2;473,22;1485;787,2;35829;27790;15073;9463;22851;;4,981389926;3,794979265;1,918180611;1,090246314;3,066072404;2,970173704;8,895624199;6,761508701;3,385523283;1,89623507;5,45035104;;;;;;;;;;;
+I4;105,04;70;105,04;281,3;0;262,5;437,6;239,478;1485;0;6382;6386;5098;6140;7687;;0,635546569;0,636136897;0,446051447;0,599831757;0,828140911;0,629141516;1,078321169;1,07938305;0,737457343;1,014077364;1,424759871;;;;;;;;;;;
+J4;105,04;140;0;56,26;126,2;262,5;218,8;473,22;1485;0;5263;4873;4682;5656;5619;;0,470402456;0,412845526;0,384657389;0,528402131;0,522941602;0,463849821;0,781259937;0,677726532;0,627021711;0,885589753;0,875767353;;;;;;;;;;;
+K4;131,3;280;131,3;281,3;100,96;262,5;875,2;1190,22;994,95;0;25226;12011;11367;15445;11179;;3,416579347;1,466284922;1,371242197;1,973081067;1,343496805;1,914136867;6,08084293;2,572653317;2,401690463;3,484278223;2,351782053;;;;;;;;;;;
+L4;26,26;280;105,04;168,78;100,96;262,5;218,8;473,22;1485;0;15851;12079;13598;11573;13995;;2,032999306;1,476320489;1,700497351;1,401644062;1,759087354;1,674109712;3,592059152;2,590705295;2,993954635;2,456377339;3,099346332;;;;;;;;;;;
+M4;105;280;105;225;100;262,5;875;0;0;1050;2154;1842;1972;1834;2576;;0,011570419;-0,034475125;-0,015289482;-0,03565578;0,073849968;0;-0,044087131;-0,126913855;-0,09240272;-0,129037617;0,067941323;;;;;;;;;;;
+N4;105;280;105;225;100;262,5;875;1435;1485;1050;;8320;7586;9965;9535;;-0,306320932;0,921560236;0,813235142;1,164332413;1,100872209;0,738735814;-0,615910092;1,592802552;1,397947374;2,029501145;1,915348929;;;;;;;;;;;
+O4;105,04;350;52,52;168,78;100,96;262,5;1094;239,478;1485;524,8;33955;18673;24957;18835;29122;;4,7048215;2,449475346;3,376879824;2,47338361;3,991558317;3,399223719;8,398132914;4,341216253;6,009431428;4,384222437;7,115115101;;;;;;;;;;;
+P4;131,3;350;78,78;225,04;75,72;262,5;875,2;239,478;1232,55;524,8;40039;22726;18206;20739;23646;;5,602709603;3,04762467;2,380554613;2,754379492;3,183399991;3,393733674;10,01325403;5,417167256;4,217241637;4,88967783;5,661399904;;;;;;;;;;;
+A5;105,04;350;0;281,3;126,2;262,5;1094;239,478;1232,55;787,2;16102;10394;23978;16530;36582;;2,070042356;1,227645036;3,232397172;2,133207397;5,092519075;2,751162207;3,65869219;2,143387891;5,749536034;3,772313465;9,095523312;;;;;;;;;;;
+B5;26,26;280;105,04;225,04;100,96;262,5;656,4;239,478;994,95;787,2;31310;6651;15105;19980;10695;;4,314467451;0,675246093;1,922903231;2,642364852;1,272067179;2,165409761;7,695964051;1,149732672;3,394018331;4,688185896;2,223294442;;;;;;;;;;;
+C5;52,52;280;105,04;225,04;100,96;262,5;875,2;473,22;1232,55;1049,6;20783;9952;18015;16408;18000;;2,760873094;1,162413849;2,352366475;2,115202409;2,350152747;2,148201715;4,901358522;2,026050032;4,166536816;3,739926092;4,162554762;;;;;;;;;;;
+D5;0;140;131,3;168,78;50,48;262,5;875,2;473,22;1485;524,8;12269;14133;9970;11553;16798;;1,504361044;1,779453652;1,165070323;1,398692425;2,172759338;1,604067356;2,641144646;3,135981229;2,030828497;2,451067933;3,843459498;;;;;;;;;;;
+E5;105,04;280;78,78;225,04;25,24;262,5;1094;717;1232,55;787,2;11635;15985;12124;11270;16260;;1,410794138;2,052775277;1,482961673;1,356926755;2,093360292;1,679363627;2,472836496;3,627632168;2,602651457;2,375939847;3,700636493;;;;;;;;;;;
+F5;78,78;350;131,3;168,78;50,48;262,5;656,4;960,78;1485;524,8;18305;14360;11102;12800;14685;;2,395165218;1,812954737;1,332133001;1,582727018;1,860918845;1,796779764;4,243523194;3,19624298;2,331340842;2,78210936;3,282520818;;;;;;;;;;;
+G5;78,78;280;26,26;281,3;75,72;262,5;656,4;717;1232,55;787,2;15735;26582;7186;10871;22671;;2,015879809;3,616700365;0,754202394;1,298041589;3,039507667;2,144866365;3,561264601;6,440820616;1,291759266;2,27001721;5,402566391;;;;;;;;;;;
+H5;105,04;140;105,04;281,3;100,96;262,5;875,2;717;1232,55;1049,6;8793;12950;13792;6734;13631;;0,991366461;1,604864298;1,729128234;0,687495388;1,705367553;1,343644387;1,718369989;2,8219299;3,045455867;1,171766704;3,002715154;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+Autofluorescence / blank / Jove -;2075,6;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+Reference / Jove +;8851,5;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
\ No newline at end of file
diff --git a/tests/data/learner/calibrator/output/plate2-calibrated.xlsx b/tests/data/learner/calibrator/output/plate2-calibrated.xlsx
new file mode 100644
index 0000000..b1f7134
Binary files /dev/null and b/tests/data/learner/calibrator/output/plate2-calibrated.xlsx differ
diff --git a/tests/data/learner/calibrator/output/plate2-calibrated_control_points.csv b/tests/data/learner/calibrator/output/plate2-calibrated_control_points.csv
new file mode 100644
index 0000000..9c2190c
--- /dev/null
+++ b/tests/data/learner/calibrator/output/plate2-calibrated_control_points.csv
@@ -0,0 +1,11 @@
+Mg-glutamate,K-glutamate,Spermidine,3-PGA,NTP,HEPES,Amino acid,DNA 1,DNA 2,PEG-8000,Fluorescence Value 1,Fluorescence Value 2,Fluorescence Value 3,Fluorescence Value 4,Fluorescence Value 5,Yield Value 1,Yield Value 2,Yield Value 3,Yield Value 4,Yield Value 5,Calibrated Yield Value 1,Calibrated Yield Value 2,Calibrated Yield Value 3,Calibrated Yield Value 4,Calibrated Yield Value 5
+131.3,350,78.78,281.3,126.2,262.5,656.4,473.22,1485.0,524.8,23466.0,38819,26556,29480,32333,3.1568352543573552,5.4226597204799365,3.6128632358801047,4.0443926268097234,4.465443704895291,5.29688600743466,9.04973879921728,6.052198658161442,6.766934642214878,7.464315545944169
+52.52,210,26.26,281.3,75.72,262.5,1094.0,239.478,1232.55,787.2,18493.0,24519,16613,11931,16898,2.42291060966071,3.312238964565593,2.1454566920999425,1.4544783718767986,2.1875175253471864,4.081297071491524,5.554278959284272,3.6217540995283026,2.4772965491390475,3.6914188585759184
+26.26,350,105.04,281.3,50.48,262.5,218.8,717.0,1485.0,0.0,31844.0,11146,13644,7439,14240,4.393276169955283,1.3386266031080742,1.707286116973391,0.7915406071518175,1.7952449121149958,7.344785485683523,2.285412914569299,2.896018416677876,1.379282171448204,3.0417033163002585
+52.52,210,0.0,225.04,126.2,262.5,1094.0,960.78,1485.0,1312.0,11496.0,7977,8897,5788,9810,1.3902802579731106,0.8709396537729305,1.0067149751324547,0.5478829380598887,1.1414572233946783,2.3709661274347917,1.510789681510019,1.7356724124707439,0.9757154444741202,1.9588440791741593
+105.0,280,105.0,225.0,100.0,262.5,875.0,1435.0,1485.0,1050.0,,8320,7586,9965,9535,,0.9215602355406661,0.8132351421951327,1.164332413406337,1.100872208857864,,1.5946318301182023,1.4152145208517108,1.9967319305860203,1.891623697636986
+105.04,350,0.0,112.52,126.2,262.5,437.6,473.22,1485.0,262.4,11860.0,7439,5347,5779,6388,1.4440000590327484,0.7915406071518175,0.4827993329299429,0.5465547012205021,0.6364320606856654,2.459941468814905,1.379282171448204,0.8679183962635988,0.9735155047147218,1.12237809510068
+52.52,280,52.52,281.3,100.96,262.5,875.2,473.22,1485.0,787.2,35829.0,27790,15073,9463,22851,4.981389926061483,3.794979264747119,1.9181806106937824,1.0902463141427707,3.066072403665934,8.318869923594924,6.353834842950067,3.2453199629201324,1.8740241795617987,5.146556790542436
+105.0,280,105.0,225.0,100.0,262.5,875.0,0.0,0.0,1050.0,2154.0,1842,1972,1834,2576,0.011570418689768163,-0.034475125075635694,-0.015289481840050755,-0.03565578004397939,0.07384996826989774,0.08742865717925655,0.011164078853445461,0.04294098648920008,0.009208576845091326,0.1905813881199369
+78.78,140,105.04,281.3,126.2,262.5,875.2,239.478,1485.0,1312.0,31876.0,16844,28687,19286,35918,4.397998789828658,2.1795481043108667,3.927360203072655,2.539943033397778,4.994524712584306,7.352607493716939,3.6782192200195283,6.573095505636774,4.275136208069627,8.340624883437863
+26.26,210,52.52,281.3,75.72,262.5,875.2,239.478,1485.0,1312.0,36312.0,22874,16165,25485,36624,5.052671969775234,3.0694667866999223,2.079340013872696,3.4548030519930935,5.098717513540637,8.436933357349305,5.1521788588164545,3.5122459870604716,5.790405826793033,8.513197935675116
diff --git a/tests/data/learner/calibrator/output/plate2-calibration.png b/tests/data/learner/calibrator/output/plate2-calibration.png
new file mode 100644
index 0000000..3b94d12
Binary files /dev/null and b/tests/data/learner/calibrator/output/plate2-calibration.png differ
diff --git a/tests/data/learner/calibrator/output/plate3-calibrated.xlsx b/tests/data/learner/calibrator/output/plate3-calibrated.xlsx
new file mode 100644
index 0000000..dacb080
Binary files /dev/null and b/tests/data/learner/calibrator/output/plate3-calibrated.xlsx differ
diff --git a/tests/data/learner/calibrator/output/plate3-calibration.png b/tests/data/learner/calibrator/output/plate3-calibration.png
new file mode 100644
index 0000000..6335352
Binary files /dev/null and b/tests/data/learner/calibrator/output/plate3-calibration.png differ
diff --git a/tests/data/learner/extractor/input/plate1_initial_data.xlsx b/tests/data/learner/extractor/input/plate1_initial_data.xlsx
new file mode 100644
index 0000000..9be93c8
Binary files /dev/null and b/tests/data/learner/extractor/input/plate1_initial_data.xlsx differ
diff --git a/tests/data/learner/extractor/input/plate1_sampling.tsv b/tests/data/learner/extractor/input/plate1_sampling.tsv
new file mode 100644
index 0000000..f67242c
--- /dev/null
+++ b/tests/data/learner/extractor/input/plate1_sampling.tsv
@@ -0,0 +1,343 @@
+	Mg-glutamate	K-glutamate	Spermidine	3-PGA	NTP	HEPES	Amino acid	DNA 1	DNA 2	PEG-8000
+0	105.04000000000002	350.0	52.52000000000001	168.78	100.96	262.5	1094.0	239.478	1485.0	524.8000000000001
+1	131.3	350.0	78.78	225.04	75.72	262.5	875.2	239.478	1232.55	524.8000000000001
+2	52.52000000000001	210.0	131.3	112.52	50.48	262.5	1094.0	239.478	1485.0	524.8000000000001
+3	105.04000000000002	280.0	105.04000000000002	225.04	50.48	262.5	1094.0	960.78	1485.0	524.8000000000001
+4	105.04000000000002	210.0	105.04000000000002	281.3	126.2	262.5	1094.0	717.0	994.95	262.40000000000003
+5	52.52000000000001	350.0	131.3	168.78	50.48	262.5	875.2	473.22	1232.55	262.40000000000003
+6	105.04000000000002	350.0	105.04000000000002	168.78	75.72	262.5	1094.0	717.0	994.95	0.0
+7	52.52000000000001	280.0	105.04000000000002	225.04	100.96	262.5	875.2	473.22	1232.55	1049.6
+8	26.260000000000005	210.0	78.78	281.3	100.96	262.5	656.4	717.0	1485.0	262.40000000000003
+9	78.78	140.0	131.3	225.04	126.2	262.5	1094.0	960.78	994.95	262.40000000000003
+10	78.78	280.0	105.04000000000002	112.52	100.96	262.5	875.2	473.22	1232.55	787.1999999999999
+11	131.3	350.0	0.0	112.52	25.24	262.5	1094.0	1434.0	1485.0	787.1999999999999
+12	78.78	70.0	131.3	225.04	75.72	262.5	875.2	717.0	1232.55	524.8000000000001
+13	78.78	280.0	78.78	281.3	75.72	262.5	1094.0	717.0	994.95	787.1999999999999
+14	26.260000000000005	280.0	105.04000000000002	225.04	100.96	262.5	656.4	239.478	994.95	787.1999999999999
+15	131.3	210.0	0.0	281.3	0.0	262.5	875.2	473.22	1485.0	524.8000000000001
+16	105.04000000000002	70.0	52.52000000000001	281.3	100.96	262.5	656.4	717.0	1485.0	524.8000000000001
+17	78.78	140.0	78.78	281.3	126.2	262.5	218.8	473.22	1485.0	262.40000000000003
+18	131.3	210.0	0.0	281.3	50.48	262.5	875.2	239.478	994.95	524.8000000000001
+19	78.78	0.0	131.3	281.3	126.2	262.5	656.4	473.22	1485.0	524.8000000000001
+20	78.78	350.0	131.3	168.78	50.48	262.5	656.4	960.78	1485.0	524.8000000000001
+21	105.04000000000002	350.0	0.0	281.3	126.2	262.5	1094.0	239.478	1232.55	787.1999999999999
+22	52.52000000000001	350.0	78.78	225.04	0.0	262.5	875.2	239.478	1485.0	787.1999999999999
+23	105.04000000000002	280.0	78.78	225.04	25.24	262.5	1094.0	717.0	1232.55	787.1999999999999
+24	52.52000000000001	350.0	0.0	112.52	50.48	262.5	656.4	473.22	1485.0	0.0
+25	105.04000000000002	280.0	0.0	225.04	100.96	262.5	1094.0	1434.0	1485.0	1049.6
+26	105.04000000000002	140.0	105.04000000000002	281.3	100.96	262.5	875.2	717.0	1232.55	1049.6
+27	131.3	0.0	105.04000000000002	225.04	126.2	262.5	875.2	717.0	1485.0	787.1999999999999
+28	0.0	140.0	131.3	168.78	50.48	262.5	875.2	473.22	1485.0	524.8000000000001
+29	26.260000000000005	140.0	131.3	112.52	50.48	262.5	1094.0	473.22	1232.55	0.0
+30	131.3	140.0	131.3	112.52	126.2	262.5	1094.0	239.478	994.95	1049.6
+31	105.04000000000002	350.0	26.260000000000005	56.260000000000005	100.96	262.5	656.4	960.78	1485.0	262.40000000000003
+32	131.3	350.0	0.0	56.260000000000005	100.96	262.5	437.6	960.78	1485.0	787.1999999999999
+33	26.260000000000005	280.0	131.3	168.78	75.72	262.5	875.2	1190.22	1485.0	787.1999999999999
+34	131.3	350.0	131.3	168.78	75.72	262.5	1094.0	717.0	742.5	787.1999999999999
+35	78.78	350.0	131.3	56.260000000000005	100.96	262.5	437.6	473.22	1485.0	524.8000000000001
+36	78.78	280.0	26.260000000000005	281.3	75.72	262.5	656.4	717.0	1232.55	787.1999999999999
+37	131.3	350.0	52.52000000000001	0.0	75.72	262.5	875.2	473.22	1232.55	0.0
+38	131.3	210.0	0.0	225.04	100.96	262.5	1094.0	960.78	1232.55	524.8000000000001
+39	105.04000000000002	0.0	78.78	281.3	50.48	262.5	875.2	239.478	1232.55	524.8000000000001
+40	0.0	350.0	0.0	225.04	75.72	262.5	875.2	960.78	1485.0	1049.6
+41	78.78	350.0	131.3	168.78	126.2	262.5	1094.0	717.0	994.95	1049.6
+42	131.3	210.0	131.3	56.260000000000005	50.48	262.5	1094.0	960.78	1232.55	262.40000000000003
+43	52.52000000000001	280.0	52.52000000000001	225.04	126.2	262.5	875.2	1434.0	1485.0	787.1999999999999
+44	105.04000000000002	280.0	52.52000000000001	112.52	75.72	262.5	437.6	239.478	1485.0	1049.6
+45	131.3	0.0	52.52000000000001	225.04	50.48	262.5	875.2	473.22	1485.0	0.0
+46	105.04000000000002	280.0	131.3	112.52	50.48	262.5	1094.0	473.22	490.05	0.0
+47	131.3	140.0	78.78	168.78	100.96	262.5	437.6	717.0	1232.55	0.0
+48	26.260000000000005	210.0	78.78	225.04	100.96	262.5	1094.0	473.22	742.5	524.8000000000001
+49	131.3	210.0	105.04000000000002	225.04	50.48	262.5	875.2	1190.22	994.95	0.0
+50	105.0	280.0	105.0	225.0	100.0	262.5	875.0	0.0	0.0	1050.0
+51	105.0	280.0	105.0	225.0	100.0	262.5	875.0	1435.0	1485.0	1050.0
+52	130.0	140.0	130.0	280.0	100.0	262.5	1095.0	240.0	490.0	262.5
+53	25.0	140.0	52.5	55.0	100.0	262.5	1095.0	472.5	1232.5	0.0
+54	130.0	350.0	0.0	112.5	50.0	262.5	655.0	960.0	1485.0	1050.0
+55	52.5	210.0	130.0	225.0	75.0	262.5	1095.0	240.0	1232.5	525.0
+56	25.0	280.0	52.5	225.0	75.0	262.5	875.0	472.5	1232.5	262.5
+57	105.04000000000002	350.0	52.52000000000001	168.78	100.96	262.5	1094.0	239.478	1485.0	524.8000000000001
+58	131.3	350.0	78.78	225.04	75.72	262.5	875.2	239.478	1232.55	524.8000000000001
+59	52.52000000000001	210.0	131.3	112.52	50.48	262.5	1094.0	239.478	1485.0	524.8000000000001
+60	105.04000000000002	280.0	105.04000000000002	225.04	50.48	262.5	1094.0	960.78	1485.0	524.8000000000001
+61	105.04000000000002	210.0	105.04000000000002	281.3	126.2	262.5	1094.0	717.0	994.95	262.40000000000003
+62	52.52000000000001	350.0	131.3	168.78	50.48	262.5	875.2	473.22	1232.55	262.40000000000003
+63	105.04000000000002	350.0	105.04000000000002	168.78	75.72	262.5	1094.0	717.0	994.95	0.0
+64	52.52000000000001	280.0	105.04000000000002	225.04	100.96	262.5	875.2	473.22	1232.55	1049.6
+65	26.260000000000005	210.0	78.78	281.3	100.96	262.5	656.4	717.0	1485.0	262.40000000000003
+66	78.78	140.0	131.3	225.04	126.2	262.5	1094.0	960.78	994.95	262.40000000000003
+67	78.78	280.0	105.04000000000002	112.52	100.96	262.5	875.2	473.22	1232.55	787.1999999999999
+68	131.3	350.0	0.0	112.52	25.24	262.5	1094.0	1434.0	1485.0	787.1999999999999
+69	78.78	70.0	131.3	225.04	75.72	262.5	875.2	717.0	1232.55	524.8000000000001
+70	78.78	280.0	78.78	281.3	75.72	262.5	1094.0	717.0	994.95	787.1999999999999
+71	26.260000000000005	280.0	105.04000000000002	225.04	100.96	262.5	656.4	239.478	994.95	787.1999999999999
+72	131.3	210.0	0.0	281.3	0.0	262.5	875.2	473.22	1485.0	524.8000000000001
+73	105.04000000000002	70.0	52.52000000000001	281.3	100.96	262.5	656.4	717.0	1485.0	524.8000000000001
+74	78.78	140.0	78.78	281.3	126.2	262.5	218.8	473.22	1485.0	262.40000000000003
+75	131.3	210.0	0.0	281.3	50.48	262.5	875.2	239.478	994.95	524.8000000000001
+76	78.78	0.0	131.3	281.3	126.2	262.5	656.4	473.22	1485.0	524.8000000000001
+77	78.78	350.0	131.3	168.78	50.48	262.5	656.4	960.78	1485.0	524.8000000000001
+78	105.04000000000002	350.0	0.0	281.3	126.2	262.5	1094.0	239.478	1232.55	787.1999999999999
+79	52.52000000000001	350.0	78.78	225.04	0.0	262.5	875.2	239.478	1485.0	787.1999999999999
+80	105.04000000000002	280.0	78.78	225.04	25.24	262.5	1094.0	717.0	1232.55	787.1999999999999
+81	52.52000000000001	350.0	0.0	112.52	50.48	262.5	656.4	473.22	1485.0	0.0
+82	105.04000000000002	280.0	0.0	225.04	100.96	262.5	1094.0	1434.0	1485.0	1049.6
+83	105.04000000000002	140.0	105.04000000000002	281.3	100.96	262.5	875.2	717.0	1232.55	1049.6
+84	131.3	0.0	105.04000000000002	225.04	126.2	262.5	875.2	717.0	1485.0	787.1999999999999
+85	0.0	140.0	131.3	168.78	50.48	262.5	875.2	473.22	1485.0	524.8000000000001
+86	26.260000000000005	140.0	131.3	112.52	50.48	262.5	1094.0	473.22	1232.55	0.0
+87	131.3	140.0	131.3	112.52	126.2	262.5	1094.0	239.478	994.95	1049.6
+88	105.04000000000002	350.0	26.260000000000005	56.260000000000005	100.96	262.5	656.4	960.78	1485.0	262.40000000000003
+89	131.3	350.0	0.0	56.260000000000005	100.96	262.5	437.6	960.78	1485.0	787.1999999999999
+90	26.260000000000005	280.0	131.3	168.78	75.72	262.5	875.2	1190.22	1485.0	787.1999999999999
+91	131.3	350.0	131.3	168.78	75.72	262.5	1094.0	717.0	742.5	787.1999999999999
+92	78.78	350.0	131.3	56.260000000000005	100.96	262.5	437.6	473.22	1485.0	524.8000000000001
+93	78.78	280.0	26.260000000000005	281.3	75.72	262.5	656.4	717.0	1232.55	787.1999999999999
+94	131.3	350.0	52.52000000000001	0.0	75.72	262.5	875.2	473.22	1232.55	0.0
+95	131.3	210.0	0.0	225.04	100.96	262.5	1094.0	960.78	1232.55	524.8000000000001
+96	105.04000000000002	0.0	78.78	281.3	50.48	262.5	875.2	239.478	1232.55	524.8000000000001
+97	0.0	350.0	0.0	225.04	75.72	262.5	875.2	960.78	1485.0	1049.6
+98	78.78	350.0	131.3	168.78	126.2	262.5	1094.0	717.0	994.95	1049.6
+99	131.3	210.0	131.3	56.260000000000005	50.48	262.5	1094.0	960.78	1232.55	262.40000000000003
+100	52.52000000000001	280.0	52.52000000000001	225.04	126.2	262.5	875.2	1434.0	1485.0	787.1999999999999
+101	105.04000000000002	280.0	52.52000000000001	112.52	75.72	262.5	437.6	239.478	1485.0	1049.6
+102	131.3	0.0	52.52000000000001	225.04	50.48	262.5	875.2	473.22	1485.0	0.0
+103	105.04000000000002	280.0	131.3	112.52	50.48	262.5	1094.0	473.22	490.05	0.0
+104	131.3	140.0	78.78	168.78	100.96	262.5	437.6	717.0	1232.55	0.0
+105	26.260000000000005	210.0	78.78	225.04	100.96	262.5	1094.0	473.22	742.5	524.8000000000001
+106	131.3	210.0	105.04000000000002	225.04	50.48	262.5	875.2	1190.22	994.95	0.0
+107	105.0	280.0	105.0	225.0	100.0	262.5	875.0	0.0	0.0	1050.0
+108	105.0	280.0	105.0	225.0	100.0	262.5	875.0	1435.0	1485.0	1050.0
+109	130.0	140.0	130.0	280.0	100.0	262.5	1095.0	240.0	490.0	262.5
+110	25.0	140.0	52.5	55.0	100.0	262.5	1095.0	472.5	1232.5	0.0
+111	130.0	350.0	0.0	112.5	50.0	262.5	655.0	960.0	1485.0	1050.0
+112	52.5	210.0	130.0	225.0	75.0	262.5	1095.0	240.0	1232.5	525.0
+113	25.0	280.0	52.5	225.0	75.0	262.5	875.0	472.5	1232.5	262.5
+114	105.04000000000002	350.0	52.52000000000001	168.78	100.96	262.5	1094.0	239.478	1485.0	524.8000000000001
+115	131.3	350.0	78.78	225.04	75.72	262.5	875.2	239.478	1232.55	524.8000000000001
+116	52.52000000000001	210.0	131.3	112.52	50.48	262.5	1094.0	239.478	1485.0	524.8000000000001
+117	105.04000000000002	280.0	105.04000000000002	225.04	50.48	262.5	1094.0	960.78	1485.0	524.8000000000001
+118	105.04000000000002	210.0	105.04000000000002	281.3	126.2	262.5	1094.0	717.0	994.95	262.40000000000003
+119	52.52000000000001	350.0	131.3	168.78	50.48	262.5	875.2	473.22	1232.55	262.40000000000003
+120	105.04000000000002	350.0	105.04000000000002	168.78	75.72	262.5	1094.0	717.0	994.95	0.0
+121	52.52000000000001	280.0	105.04000000000002	225.04	100.96	262.5	875.2	473.22	1232.55	1049.6
+122	26.260000000000005	210.0	78.78	281.3	100.96	262.5	656.4	717.0	1485.0	262.40000000000003
+123	78.78	140.0	131.3	225.04	126.2	262.5	1094.0	960.78	994.95	262.40000000000003
+124	78.78	280.0	105.04000000000002	112.52	100.96	262.5	875.2	473.22	1232.55	787.1999999999999
+125	131.3	350.0	0.0	112.52	25.24	262.5	1094.0	1434.0	1485.0	787.1999999999999
+126	78.78	70.0	131.3	225.04	75.72	262.5	875.2	717.0	1232.55	524.8000000000001
+127	78.78	280.0	78.78	281.3	75.72	262.5	1094.0	717.0	994.95	787.1999999999999
+128	26.260000000000005	280.0	105.04000000000002	225.04	100.96	262.5	656.4	239.478	994.95	787.1999999999999
+129	131.3	210.0	0.0	281.3	0.0	262.5	875.2	473.22	1485.0	524.8000000000001
+130	105.04000000000002	70.0	52.52000000000001	281.3	100.96	262.5	656.4	717.0	1485.0	524.8000000000001
+131	78.78	140.0	78.78	281.3	126.2	262.5	218.8	473.22	1485.0	262.40000000000003
+132	131.3	210.0	0.0	281.3	50.48	262.5	875.2	239.478	994.95	524.8000000000001
+133	78.78	0.0	131.3	281.3	126.2	262.5	656.4	473.22	1485.0	524.8000000000001
+134	78.78	350.0	131.3	168.78	50.48	262.5	656.4	960.78	1485.0	524.8000000000001
+135	105.04000000000002	350.0	0.0	281.3	126.2	262.5	1094.0	239.478	1232.55	787.1999999999999
+136	52.52000000000001	350.0	78.78	225.04	0.0	262.5	875.2	239.478	1485.0	787.1999999999999
+137	105.04000000000002	280.0	78.78	225.04	25.24	262.5	1094.0	717.0	1232.55	787.1999999999999
+138	52.52000000000001	350.0	0.0	112.52	50.48	262.5	656.4	473.22	1485.0	0.0
+139	105.04000000000002	280.0	0.0	225.04	100.96	262.5	1094.0	1434.0	1485.0	1049.6
+140	105.04000000000002	140.0	105.04000000000002	281.3	100.96	262.5	875.2	717.0	1232.55	1049.6
+141	131.3	0.0	105.04000000000002	225.04	126.2	262.5	875.2	717.0	1485.0	787.1999999999999
+142	0.0	140.0	131.3	168.78	50.48	262.5	875.2	473.22	1485.0	524.8000000000001
+143	26.260000000000005	140.0	131.3	112.52	50.48	262.5	1094.0	473.22	1232.55	0.0
+144	131.3	140.0	131.3	112.52	126.2	262.5	1094.0	239.478	994.95	1049.6
+145	105.04000000000002	350.0	26.260000000000005	56.260000000000005	100.96	262.5	656.4	960.78	1485.0	262.40000000000003
+146	131.3	350.0	0.0	56.260000000000005	100.96	262.5	437.6	960.78	1485.0	787.1999999999999
+147	26.260000000000005	280.0	131.3	168.78	75.72	262.5	875.2	1190.22	1485.0	787.1999999999999
+148	131.3	350.0	131.3	168.78	75.72	262.5	1094.0	717.0	742.5	787.1999999999999
+149	78.78	350.0	131.3	56.260000000000005	100.96	262.5	437.6	473.22	1485.0	524.8000000000001
+150	78.78	280.0	26.260000000000005	281.3	75.72	262.5	656.4	717.0	1232.55	787.1999999999999
+151	131.3	350.0	52.52000000000001	0.0	75.72	262.5	875.2	473.22	1232.55	0.0
+152	131.3	210.0	0.0	225.04	100.96	262.5	1094.0	960.78	1232.55	524.8000000000001
+153	105.04000000000002	0.0	78.78	281.3	50.48	262.5	875.2	239.478	1232.55	524.8000000000001
+154	0.0	350.0	0.0	225.04	75.72	262.5	875.2	960.78	1485.0	1049.6
+155	78.78	350.0	131.3	168.78	126.2	262.5	1094.0	717.0	994.95	1049.6
+156	131.3	210.0	131.3	56.260000000000005	50.48	262.5	1094.0	960.78	1232.55	262.40000000000003
+157	52.52000000000001	280.0	52.52000000000001	225.04	126.2	262.5	875.2	1434.0	1485.0	787.1999999999999
+158	105.04000000000002	280.0	52.52000000000001	112.52	75.72	262.5	437.6	239.478	1485.0	1049.6
+159	131.3	0.0	52.52000000000001	225.04	50.48	262.5	875.2	473.22	1485.0	0.0
+160	105.04000000000002	280.0	131.3	112.52	50.48	262.5	1094.0	473.22	490.05	0.0
+161	131.3	140.0	78.78	168.78	100.96	262.5	437.6	717.0	1232.55	0.0
+162	26.260000000000005	210.0	78.78	225.04	100.96	262.5	1094.0	473.22	742.5	524.8000000000001
+163	131.3	210.0	105.04000000000002	225.04	50.48	262.5	875.2	1190.22	994.95	0.0
+164	105.0	280.0	105.0	225.0	100.0	262.5	875.0	0.0	0.0	1050.0
+165	105.0	280.0	105.0	225.0	100.0	262.5	875.0	1435.0	1485.0	1050.0
+166	130.0	140.0	130.0	280.0	100.0	262.5	1095.0	240.0	490.0	262.5
+167	25.0	140.0	52.5	55.0	100.0	262.5	1095.0	472.5	1232.5	0.0
+168	130.0	350.0	0.0	112.5	50.0	262.5	655.0	960.0	1485.0	1050.0
+169	52.5	210.0	130.0	225.0	75.0	262.5	1095.0	240.0	1232.5	525.0
+170	25.0	280.0	52.5	225.0	75.0	262.5	875.0	472.5	1232.5	262.5
+171	105.04000000000002	350.0	52.52000000000001	168.78	100.96	262.5	1094.0	239.478	1485.0	524.8000000000001
+172	131.3	350.0	78.78	225.04	75.72	262.5	875.2	239.478	1232.55	524.8000000000001
+173	52.52000000000001	210.0	131.3	112.52	50.48	262.5	1094.0	239.478	1485.0	524.8000000000001
+174	105.04000000000002	280.0	105.04000000000002	225.04	50.48	262.5	1094.0	960.78	1485.0	524.8000000000001
+175	105.04000000000002	210.0	105.04000000000002	281.3	126.2	262.5	1094.0	717.0	994.95	262.40000000000003
+176	52.52000000000001	350.0	131.3	168.78	50.48	262.5	875.2	473.22	1232.55	262.40000000000003
+177	105.04000000000002	350.0	105.04000000000002	168.78	75.72	262.5	1094.0	717.0	994.95	0.0
+178	52.52000000000001	280.0	105.04000000000002	225.04	100.96	262.5	875.2	473.22	1232.55	1049.6
+179	26.260000000000005	210.0	78.78	281.3	100.96	262.5	656.4	717.0	1485.0	262.40000000000003
+180	78.78	140.0	131.3	225.04	126.2	262.5	1094.0	960.78	994.95	262.40000000000003
+181	78.78	280.0	105.04000000000002	112.52	100.96	262.5	875.2	473.22	1232.55	787.1999999999999
+182	131.3	350.0	0.0	112.52	25.24	262.5	1094.0	1434.0	1485.0	787.1999999999999
+183	78.78	70.0	131.3	225.04	75.72	262.5	875.2	717.0	1232.55	524.8000000000001
+184	78.78	280.0	78.78	281.3	75.72	262.5	1094.0	717.0	994.95	787.1999999999999
+185	26.260000000000005	280.0	105.04000000000002	225.04	100.96	262.5	656.4	239.478	994.95	787.1999999999999
+186	131.3	210.0	0.0	281.3	0.0	262.5	875.2	473.22	1485.0	524.8000000000001
+187	105.04000000000002	70.0	52.52000000000001	281.3	100.96	262.5	656.4	717.0	1485.0	524.8000000000001
+188	78.78	140.0	78.78	281.3	126.2	262.5	218.8	473.22	1485.0	262.40000000000003
+189	131.3	210.0	0.0	281.3	50.48	262.5	875.2	239.478	994.95	524.8000000000001
+190	78.78	0.0	131.3	281.3	126.2	262.5	656.4	473.22	1485.0	524.8000000000001
+191	78.78	350.0	131.3	168.78	50.48	262.5	656.4	960.78	1485.0	524.8000000000001
+192	105.04000000000002	350.0	0.0	281.3	126.2	262.5	1094.0	239.478	1232.55	787.1999999999999
+193	52.52000000000001	350.0	78.78	225.04	0.0	262.5	875.2	239.478	1485.0	787.1999999999999
+194	105.04000000000002	280.0	78.78	225.04	25.24	262.5	1094.0	717.0	1232.55	787.1999999999999
+195	52.52000000000001	350.0	0.0	112.52	50.48	262.5	656.4	473.22	1485.0	0.0
+196	105.04000000000002	280.0	0.0	225.04	100.96	262.5	1094.0	1434.0	1485.0	1049.6
+197	105.04000000000002	140.0	105.04000000000002	281.3	100.96	262.5	875.2	717.0	1232.55	1049.6
+198	131.3	0.0	105.04000000000002	225.04	126.2	262.5	875.2	717.0	1485.0	787.1999999999999
+199	0.0	140.0	131.3	168.78	50.48	262.5	875.2	473.22	1485.0	524.8000000000001
+200	26.260000000000005	140.0	131.3	112.52	50.48	262.5	1094.0	473.22	1232.55	0.0
+201	131.3	140.0	131.3	112.52	126.2	262.5	1094.0	239.478	994.95	1049.6
+202	105.04000000000002	350.0	26.260000000000005	56.260000000000005	100.96	262.5	656.4	960.78	1485.0	262.40000000000003
+203	131.3	350.0	0.0	56.260000000000005	100.96	262.5	437.6	960.78	1485.0	787.1999999999999
+204	26.260000000000005	280.0	131.3	168.78	75.72	262.5	875.2	1190.22	1485.0	787.1999999999999
+205	131.3	350.0	131.3	168.78	75.72	262.5	1094.0	717.0	742.5	787.1999999999999
+206	78.78	350.0	131.3	56.260000000000005	100.96	262.5	437.6	473.22	1485.0	524.8000000000001
+207	78.78	280.0	26.260000000000005	281.3	75.72	262.5	656.4	717.0	1232.55	787.1999999999999
+208	131.3	350.0	52.52000000000001	0.0	75.72	262.5	875.2	473.22	1232.55	0.0
+209	131.3	210.0	0.0	225.04	100.96	262.5	1094.0	960.78	1232.55	524.8000000000001
+210	105.04000000000002	0.0	78.78	281.3	50.48	262.5	875.2	239.478	1232.55	524.8000000000001
+211	0.0	350.0	0.0	225.04	75.72	262.5	875.2	960.78	1485.0	1049.6
+212	78.78	350.0	131.3	168.78	126.2	262.5	1094.0	717.0	994.95	1049.6
+213	131.3	210.0	131.3	56.260000000000005	50.48	262.5	1094.0	960.78	1232.55	262.40000000000003
+214	52.52000000000001	280.0	52.52000000000001	225.04	126.2	262.5	875.2	1434.0	1485.0	787.1999999999999
+215	105.04000000000002	280.0	52.52000000000001	112.52	75.72	262.5	437.6	239.478	1485.0	1049.6
+216	131.3	0.0	52.52000000000001	225.04	50.48	262.5	875.2	473.22	1485.0	0.0
+217	105.04000000000002	280.0	131.3	112.52	50.48	262.5	1094.0	473.22	490.05	0.0
+218	131.3	140.0	78.78	168.78	100.96	262.5	437.6	717.0	1232.55	0.0
+219	26.260000000000005	210.0	78.78	225.04	100.96	262.5	1094.0	473.22	742.5	524.8000000000001
+220	131.3	210.0	105.04000000000002	225.04	50.48	262.5	875.2	1190.22	994.95	0.0
+221	105.0	280.0	105.0	225.0	100.0	262.5	875.0	0.0	0.0	1050.0
+222	105.0	280.0	105.0	225.0	100.0	262.5	875.0	1435.0	1485.0	1050.0
+223	130.0	140.0	130.0	280.0	100.0	262.5	1095.0	240.0	490.0	262.5
+224	25.0	140.0	52.5	55.0	100.0	262.5	1095.0	472.5	1232.5	0.0
+225	130.0	350.0	0.0	112.5	50.0	262.5	655.0	960.0	1485.0	1050.0
+226	52.5	210.0	130.0	225.0	75.0	262.5	1095.0	240.0	1232.5	525.0
+227	25.0	280.0	52.5	225.0	75.0	262.5	875.0	472.5	1232.5	262.5
+228	105.04000000000002	350.0	52.52000000000001	168.78	100.96	262.5	1094.0	239.478	1485.0	524.8000000000001
+229	131.3	350.0	78.78	225.04	75.72	262.5	875.2	239.478	1232.55	524.8000000000001
+230	52.52000000000001	210.0	131.3	112.52	50.48	262.5	1094.0	239.478	1485.0	524.8000000000001
+231	105.04000000000002	280.0	105.04000000000002	225.04	50.48	262.5	1094.0	960.78	1485.0	524.8000000000001
+232	105.04000000000002	210.0	105.04000000000002	281.3	126.2	262.5	1094.0	717.0	994.95	262.40000000000003
+233	52.52000000000001	350.0	131.3	168.78	50.48	262.5	875.2	473.22	1232.55	262.40000000000003
+234	105.04000000000002	350.0	105.04000000000002	168.78	75.72	262.5	1094.0	717.0	994.95	0.0
+235	52.52000000000001	280.0	105.04000000000002	225.04	100.96	262.5	875.2	473.22	1232.55	1049.6
+236	26.260000000000005	210.0	78.78	281.3	100.96	262.5	656.4	717.0	1485.0	262.40000000000003
+237	78.78	140.0	131.3	225.04	126.2	262.5	1094.0	960.78	994.95	262.40000000000003
+238	78.78	280.0	105.04000000000002	112.52	100.96	262.5	875.2	473.22	1232.55	787.1999999999999
+239	131.3	350.0	0.0	112.52	25.24	262.5	1094.0	1434.0	1485.0	787.1999999999999
+240	78.78	70.0	131.3	225.04	75.72	262.5	875.2	717.0	1232.55	524.8000000000001
+241	78.78	280.0	78.78	281.3	75.72	262.5	1094.0	717.0	994.95	787.1999999999999
+242	26.260000000000005	280.0	105.04000000000002	225.04	100.96	262.5	656.4	239.478	994.95	787.1999999999999
+243	131.3	210.0	0.0	281.3	0.0	262.5	875.2	473.22	1485.0	524.8000000000001
+244	105.04000000000002	70.0	52.52000000000001	281.3	100.96	262.5	656.4	717.0	1485.0	524.8000000000001
+245	78.78	140.0	78.78	281.3	126.2	262.5	218.8	473.22	1485.0	262.40000000000003
+246	131.3	210.0	0.0	281.3	50.48	262.5	875.2	239.478	994.95	524.8000000000001
+247	78.78	0.0	131.3	281.3	126.2	262.5	656.4	473.22	1485.0	524.8000000000001
+248	78.78	350.0	131.3	168.78	50.48	262.5	656.4	960.78	1485.0	524.8000000000001
+249	105.04000000000002	350.0	0.0	281.3	126.2	262.5	1094.0	239.478	1232.55	787.1999999999999
+250	52.52000000000001	350.0	78.78	225.04	0.0	262.5	875.2	239.478	1485.0	787.1999999999999
+251	105.04000000000002	280.0	78.78	225.04	25.24	262.5	1094.0	717.0	1232.55	787.1999999999999
+252	52.52000000000001	350.0	0.0	112.52	50.48	262.5	656.4	473.22	1485.0	0.0
+253	105.04000000000002	280.0	0.0	225.04	100.96	262.5	1094.0	1434.0	1485.0	1049.6
+254	105.04000000000002	140.0	105.04000000000002	281.3	100.96	262.5	875.2	717.0	1232.55	1049.6
+255	131.3	0.0	105.04000000000002	225.04	126.2	262.5	875.2	717.0	1485.0	787.1999999999999
+256	0.0	140.0	131.3	168.78	50.48	262.5	875.2	473.22	1485.0	524.8000000000001
+257	26.260000000000005	140.0	131.3	112.52	50.48	262.5	1094.0	473.22	1232.55	0.0
+258	131.3	140.0	131.3	112.52	126.2	262.5	1094.0	239.478	994.95	1049.6
+259	105.04000000000002	350.0	26.260000000000005	56.260000000000005	100.96	262.5	656.4	960.78	1485.0	262.40000000000003
+260	131.3	350.0	0.0	56.260000000000005	100.96	262.5	437.6	960.78	1485.0	787.1999999999999
+261	26.260000000000005	280.0	131.3	168.78	75.72	262.5	875.2	1190.22	1485.0	787.1999999999999
+262	131.3	350.0	131.3	168.78	75.72	262.5	1094.0	717.0	742.5	787.1999999999999
+263	78.78	350.0	131.3	56.260000000000005	100.96	262.5	437.6	473.22	1485.0	524.8000000000001
+264	78.78	280.0	26.260000000000005	281.3	75.72	262.5	656.4	717.0	1232.55	787.1999999999999
+265	131.3	350.0	52.52000000000001	0.0	75.72	262.5	875.2	473.22	1232.55	0.0
+266	131.3	210.0	0.0	225.04	100.96	262.5	1094.0	960.78	1232.55	524.8000000000001
+267	105.04000000000002	0.0	78.78	281.3	50.48	262.5	875.2	239.478	1232.55	524.8000000000001
+268	0.0	350.0	0.0	225.04	75.72	262.5	875.2	960.78	1485.0	1049.6
+269	78.78	350.0	131.3	168.78	126.2	262.5	1094.0	717.0	994.95	1049.6
+270	131.3	210.0	131.3	56.260000000000005	50.48	262.5	1094.0	960.78	1232.55	262.40000000000003
+271	52.52000000000001	280.0	52.52000000000001	225.04	126.2	262.5	875.2	1434.0	1485.0	787.1999999999999
+272	105.04000000000002	280.0	52.52000000000001	112.52	75.72	262.5	437.6	239.478	1485.0	1049.6
+273	131.3	0.0	52.52000000000001	225.04	50.48	262.5	875.2	473.22	1485.0	0.0
+274	105.04000000000002	280.0	131.3	112.52	50.48	262.5	1094.0	473.22	490.05	0.0
+275	131.3	140.0	78.78	168.78	100.96	262.5	437.6	717.0	1232.55	0.0
+276	26.260000000000005	210.0	78.78	225.04	100.96	262.5	1094.0	473.22	742.5	524.8000000000001
+277	131.3	210.0	105.04000000000002	225.04	50.48	262.5	875.2	1190.22	994.95	0.0
+278	105.0	280.0	105.0	225.0	100.0	262.5	875.0	0.0	0.0	1050.0
+279	105.0	280.0	105.0	225.0	100.0	262.5	875.0	1435.0	1485.0	1050.0
+280	130.0	140.0	130.0	280.0	100.0	262.5	1095.0	240.0	490.0	262.5
+281	25.0	140.0	52.5	55.0	100.0	262.5	1095.0	472.5	1232.5	0.0
+282	130.0	350.0	0.0	112.5	50.0	262.5	655.0	960.0	1485.0	1050.0
+283	52.5	210.0	130.0	225.0	75.0	262.5	1095.0	240.0	1232.5	525.0
+284	25.0	280.0	52.5	225.0	75.0	262.5	875.0	472.5	1232.5	262.5
+285	105.04000000000002	350.0	52.52000000000001	168.78	100.96	262.5	1094.0	239.478	1485.0	524.8000000000001
+286	131.3	350.0	78.78	225.04	75.72	262.5	875.2	239.478	1232.55	524.8000000000001
+287	52.52000000000001	210.0	131.3	112.52	50.48	262.5	1094.0	239.478	1485.0	524.8000000000001
+288	105.04000000000002	280.0	105.04000000000002	225.04	50.48	262.5	1094.0	960.78	1485.0	524.8000000000001
+289	105.04000000000002	210.0	105.04000000000002	281.3	126.2	262.5	1094.0	717.0	994.95	262.40000000000003
+290	52.52000000000001	350.0	131.3	168.78	50.48	262.5	875.2	473.22	1232.55	262.40000000000003
+291	105.04000000000002	350.0	105.04000000000002	168.78	75.72	262.5	1094.0	717.0	994.95	0.0
+292	52.52000000000001	280.0	105.04000000000002	225.04	100.96	262.5	875.2	473.22	1232.55	1049.6
+293	26.260000000000005	210.0	78.78	281.3	100.96	262.5	656.4	717.0	1485.0	262.40000000000003
+294	78.78	140.0	131.3	225.04	126.2	262.5	1094.0	960.78	994.95	262.40000000000003
+295	78.78	280.0	105.04000000000002	112.52	100.96	262.5	875.2	473.22	1232.55	787.1999999999999
+296	131.3	350.0	0.0	112.52	25.24	262.5	1094.0	1434.0	1485.0	787.1999999999999
+297	78.78	70.0	131.3	225.04	75.72	262.5	875.2	717.0	1232.55	524.8000000000001
+298	78.78	280.0	78.78	281.3	75.72	262.5	1094.0	717.0	994.95	787.1999999999999
+299	26.260000000000005	280.0	105.04000000000002	225.04	100.96	262.5	656.4	239.478	994.95	787.1999999999999
+300	131.3	210.0	0.0	281.3	0.0	262.5	875.2	473.22	1485.0	524.8000000000001
+301	105.04000000000002	70.0	52.52000000000001	281.3	100.96	262.5	656.4	717.0	1485.0	524.8000000000001
+302	78.78	140.0	78.78	281.3	126.2	262.5	218.8	473.22	1485.0	262.40000000000003
+303	131.3	210.0	0.0	281.3	50.48	262.5	875.2	239.478	994.95	524.8000000000001
+304	78.78	0.0	131.3	281.3	126.2	262.5	656.4	473.22	1485.0	524.8000000000001
+305	78.78	350.0	131.3	168.78	50.48	262.5	656.4	960.78	1485.0	524.8000000000001
+306	105.04000000000002	350.0	0.0	281.3	126.2	262.5	1094.0	239.478	1232.55	787.1999999999999
+307	52.52000000000001	350.0	78.78	225.04	0.0	262.5	875.2	239.478	1485.0	787.1999999999999
+308	105.04000000000002	280.0	78.78	225.04	25.24	262.5	1094.0	717.0	1232.55	787.1999999999999
+309	52.52000000000001	350.0	0.0	112.52	50.48	262.5	656.4	473.22	1485.0	0.0
+310	105.04000000000002	280.0	0.0	225.04	100.96	262.5	1094.0	1434.0	1485.0	1049.6
+311	105.04000000000002	140.0	105.04000000000002	281.3	100.96	262.5	875.2	717.0	1232.55	1049.6
+312	131.3	0.0	105.04000000000002	225.04	126.2	262.5	875.2	717.0	1485.0	787.1999999999999
+313	0.0	140.0	131.3	168.78	50.48	262.5	875.2	473.22	1485.0	524.8000000000001
+314	26.260000000000005	140.0	131.3	112.52	50.48	262.5	1094.0	473.22	1232.55	0.0
+315	131.3	140.0	131.3	112.52	126.2	262.5	1094.0	239.478	994.95	1049.6
+316	105.04000000000002	350.0	26.260000000000005	56.260000000000005	100.96	262.5	656.4	960.78	1485.0	262.40000000000003
+317	131.3	350.0	0.0	56.260000000000005	100.96	262.5	437.6	960.78	1485.0	787.1999999999999
+318	26.260000000000005	280.0	131.3	168.78	75.72	262.5	875.2	1190.22	1485.0	787.1999999999999
+319	131.3	350.0	131.3	168.78	75.72	262.5	1094.0	717.0	742.5	787.1999999999999
+320	78.78	350.0	131.3	56.260000000000005	100.96	262.5	437.6	473.22	1485.0	524.8000000000001
+321	78.78	280.0	26.260000000000005	281.3	75.72	262.5	656.4	717.0	1232.55	787.1999999999999
+322	131.3	350.0	52.52000000000001	0.0	75.72	262.5	875.2	473.22	1232.55	0.0
+323	131.3	210.0	0.0	225.04	100.96	262.5	1094.0	960.78	1232.55	524.8000000000001
+324	105.04000000000002	0.0	78.78	281.3	50.48	262.5	875.2	239.478	1232.55	524.8000000000001
+325	0.0	350.0	0.0	225.04	75.72	262.5	875.2	960.78	1485.0	1049.6
+326	78.78	350.0	131.3	168.78	126.2	262.5	1094.0	717.0	994.95	1049.6
+327	131.3	210.0	131.3	56.260000000000005	50.48	262.5	1094.0	960.78	1232.55	262.40000000000003
+328	52.52000000000001	280.0	52.52000000000001	225.04	126.2	262.5	875.2	1434.0	1485.0	787.1999999999999
+329	105.04000000000002	280.0	52.52000000000001	112.52	75.72	262.5	437.6	239.478	1485.0	1049.6
+330	131.3	0.0	52.52000000000001	225.04	50.48	262.5	875.2	473.22	1485.0	0.0
+331	105.04000000000002	280.0	131.3	112.52	50.48	262.5	1094.0	473.22	490.05	0.0
+332	131.3	140.0	78.78	168.78	100.96	262.5	437.6	717.0	1232.55	0.0
+333	26.260000000000005	210.0	78.78	225.04	100.96	262.5	1094.0	473.22	742.5	524.8000000000001
+334	131.3	210.0	105.04000000000002	225.04	50.48	262.5	875.2	1190.22	994.95	0.0
+335	105.0	280.0	105.0	225.0	100.0	262.5	875.0	0.0	0.0	1050.0
+336	105.0	280.0	105.0	225.0	100.0	262.5	875.0	1435.0	1485.0	1050.0
+337	130.0	140.0	130.0	280.0	100.0	262.5	1095.0	240.0	490.0	262.5
+338	25.0	140.0	52.5	55.0	100.0	262.5	1095.0	472.5	1232.5	0.0
+339	130.0	350.0	0.0	112.5	50.0	262.5	655.0	960.0	1485.0	1050.0
+340	52.5	210.0	130.0	225.0	75.0	262.5	1095.0	240.0	1232.5	525.0
+341	25.0	280.0	52.5	225.0	75.0	262.5	875.0	472.5	1232.5	262.5
diff --git a/tests/data/learner/extractor/output/plate1.csv b/tests/data/learner/extractor/output/plate1.csv
new file mode 100644
index 0000000..f258d70
--- /dev/null
+++ b/tests/data/learner/extractor/output/plate1.csv
@@ -0,0 +1,58 @@
+Mg-glutamate,K-glutamate,Spermidine,3-PGA,NTP,HEPES,Amino acid,DNA 1,DNA 2,PEG-8000,Fluorescence Value 1,Fluorescence Value 2,Fluorescence Value 3,Fluorescence Value 4,Fluorescence Value 5,Fluorescence Value 6,Fluorescence Average
+105.04000000000002,350.0,52.52000000000001,168.78,100.96,262.5,1094.0,239.478,1485.0,524.8000000000001,36140,6902,15845,54245,43873,55311,35386.0
+131.3,350.0,78.78,225.04,75.72,262.5,875.2,239.478,1232.55,524.8000000000001,8700,37686,23365,40813,49240,12430,28705.666666666668
+52.52000000000001,210.0,131.3,112.52,50.48,262.5,1094.0,239.478,1485.0,524.8000000000001,3278,12738,3958,13847,7719,6531,8011.833333333333
+105.04000000000002,280.0,105.04000000000002,225.04,50.48,262.5,1094.0,960.78,1485.0,524.8000000000001,20109,29187,13350,39574,20023,21574,23969.5
+105.04000000000002,210.0,105.04000000000002,281.3,126.2,262.5,1094.0,717.0,994.95,262.40000000000003,22265,3832,7063,22677,14288,19902,15004.5
+52.52000000000001,350.0,131.3,168.78,50.48,262.5,875.2,473.22,1232.55,262.40000000000003,22981,36101,34604,17483,13593,13016,22963.0
+105.04000000000002,350.0,105.04000000000002,168.78,75.72,262.5,1094.0,717.0,994.95,0.0,22786,3998,12503,8663,27532,15902,15230.666666666666
+52.52000000000001,280.0,105.04000000000002,225.04,100.96,262.5,875.2,473.22,1232.55,1049.6,27675,3701,47245,9018,14621,14842,19517.0
+26.260000000000005,210.0,78.78,281.3,100.96,262.5,656.4,717.0,1485.0,262.40000000000003,30810,13668,59960,14771,30380,33003,30432.0
+78.78,140.0,131.3,225.04,126.2,262.5,1094.0,960.78,994.95,262.40000000000003,16034,2093,9285,3575,2330,2766,6013.833333333333
+78.78,280.0,105.04000000000002,112.52,100.96,262.5,875.2,473.22,1232.55,787.1999999999999,22414,5276,3043,8105,4708,11716,9210.333333333334
+131.3,350.0,0.0,112.52,25.24,262.5,1094.0,1434.0,1485.0,787.1999999999999,5780,5314,3669,6026,2990,3937,4619.333333333333
+78.78,70.0,131.3,225.04,75.72,262.5,875.2,717.0,1232.55,524.8000000000001,9022,4509,4967,5066,10604,11422,7598.333333333333
+78.78,280.0,78.78,281.3,75.72,262.5,1094.0,717.0,994.95,787.1999999999999,15814,17225,5057,5453,3721,2150,8236.666666666666
+26.260000000000005,280.0,105.04000000000002,225.04,100.96,262.5,656.4,239.478,994.95,787.1999999999999,21552,11688,5880,4468,46172,32927,20447.833333333332
+131.3,210.0,0.0,281.3,0.0,262.5,875.2,473.22,1485.0,524.8000000000001,2652,5513,2182,7323,2265,2872,3801.1666666666665
+105.04000000000002,70.0,52.52000000000001,281.3,100.96,262.5,656.4,717.0,1485.0,524.8000000000001,11196,7737,5212,7669,10221,29061,11849.333333333334
+78.78,140.0,78.78,281.3,126.2,262.5,218.8,473.22,1485.0,262.40000000000003,18125,20552,12251,8258,16269,21473,16154.666666666666
+131.3,210.0,0.0,281.3,50.48,262.5,875.2,239.478,994.95,524.8000000000001,13258,8982,9923,3533,15310,1627,8772.166666666666
+78.78,0.0,131.3,281.3,126.2,262.5,656.4,473.22,1485.0,524.8000000000001,5226,3905,4105,3319,3831,4202,4098.0
+78.78,350.0,131.3,168.78,50.48,262.5,656.4,960.78,1485.0,524.8000000000001,15313,25078,4725,35079,7495,12072,16627.0
+105.04000000000002,350.0,0.0,281.3,126.2,262.5,1094.0,239.478,1232.55,787.1999999999999,21108,54417,9911,15819,34667,11366,24548.0
+52.52000000000001,350.0,78.78,225.04,0.0,262.5,875.2,239.478,1485.0,787.1999999999999,3385,2871,2493,2763,8311,2768,3765.1666666666665
+105.04000000000002,280.0,78.78,225.04,25.24,262.5,1094.0,717.0,1232.55,787.1999999999999,37022,5132,6616,11364,6381,38422,17489.5
+52.52000000000001,350.0,0.0,112.52,50.48,262.5,656.4,473.22,1485.0,0.0,23438,5435,15227,14312,13139,24264,15969.166666666666
+105.04000000000002,280.0,0.0,225.04,100.96,262.5,1094.0,1434.0,1485.0,1049.6,17481,5290,7182,7721,6107,25667,11574.666666666666
+105.04000000000002,140.0,105.04000000000002,281.3,100.96,262.5,875.2,717.0,1232.55,1049.6,25935,10397,6792,9857,2981,36945,15484.5
+131.3,0.0,105.04000000000002,225.04,126.2,262.5,875.2,717.0,1485.0,787.1999999999999,6322,4588,3837,4466,4105,4356,4612.333333333333
+0.0,140.0,131.3,168.78,50.48,262.5,875.2,473.22,1485.0,524.8000000000001,27304,8210,14500,14879,8220,34587,17950.0
+26.260000000000005,140.0,131.3,112.52,50.48,262.5,1094.0,473.22,1232.55,0.0,8048,4067,6508,5451,5387,16283,7624.0
+131.3,140.0,131.3,112.52,126.2,262.5,1094.0,239.478,994.95,1049.6,3780,5133,2149,4733,2940,2512,3541.1666666666665
+105.04000000000002,350.0,26.260000000000005,56.260000000000005,100.96,262.5,656.4,960.78,1485.0,262.40000000000003,23554,5453,3644,6347,6270,8051,8886.5
+131.3,350.0,0.0,56.260000000000005,100.96,262.5,437.6,960.78,1485.0,787.1999999999999,5965,4330,4628,5867,5592,3110,4915.333333333333
+26.260000000000005,280.0,131.3,168.78,75.72,262.5,875.2,1190.22,1485.0,787.1999999999999,9646,18936,4724,5587,6454,4690,8339.5
+131.3,350.0,131.3,168.78,75.72,262.5,1094.0,717.0,742.5,787.1999999999999,7498,3886,5149,4449,3192,7388,5260.333333333333
+78.78,350.0,131.3,56.260000000000005,100.96,262.5,437.6,473.22,1485.0,524.8000000000001,5456,9885,5500,10123,6592,6123,7279.833333333333
+78.78,280.0,26.260000000000005,281.3,75.72,262.5,656.4,717.0,1232.55,787.1999999999999,17492,52467,2590,13196,4949,5596,16048.333333333334
+131.3,350.0,52.52000000000001,0.0,75.72,262.5,875.2,473.22,1232.55,0.0,2873,3674,3389,3191,3883,3504,3419.0
+131.3,210.0,0.0,225.04,100.96,262.5,1094.0,960.78,1232.55,524.8000000000001,5196,47273,5795,10877,4668,6685,13415.666666666666
+105.04000000000002,0.0,78.78,281.3,50.48,262.5,875.2,239.478,1232.55,524.8000000000001,5160,4145,3482,3905,4164,4761,4269.5
+0.0,350.0,0.0,225.04,75.72,262.5,875.2,960.78,1485.0,1049.6,9321,8132,9793,9449,7733,10254,9113.666666666666
+78.78,350.0,131.3,168.78,126.2,262.5,1094.0,717.0,994.95,1049.6,3344,5979,13763,5181,3895,3792,5992.333333333333
+131.3,210.0,131.3,56.260000000000005,50.48,262.5,1094.0,960.78,1232.55,262.40000000000003,2510,2149,2456,2261,2753,2553,2447.0
+52.52000000000001,280.0,52.52000000000001,225.04,126.2,262.5,875.2,1434.0,1485.0,787.1999999999999,5881,5767,11856,12278,11019,10059,9476.666666666666
+105.04000000000002,280.0,52.52000000000001,112.52,75.72,262.5,437.6,239.478,1485.0,1049.6,9019,4699,7379,10451,7653,6517,7619.666666666667
+131.3,0.0,52.52000000000001,225.04,50.48,262.5,875.2,473.22,1485.0,0.0,4841,5252,4397,5488,6103,4730,5135.166666666667
+105.04000000000002,280.0,131.3,112.52,50.48,262.5,1094.0,473.22,490.05,0.0,3292,9790,4064,3639,4957,3000,4790.333333333333
+131.3,140.0,78.78,168.78,100.96,262.5,437.6,717.0,1232.55,0.0,32530,16336,9639,7253,9296,4295,13224.833333333334
+26.260000000000005,210.0,78.78,225.04,100.96,262.5,1094.0,473.22,742.5,524.8000000000001,5806,5606,6277,5625,3814,5031,5359.833333333333
+131.3,210.0,105.04000000000002,225.04,50.48,262.5,875.2,1190.22,994.95,0.0,17987,10872,5632,20528,5022,17835,12979.333333333334
+105.0,280.0,105.0,225.0,100.0,262.5,875.0,0.0,0.0,1050.0,2035,2121,2035,2287,2022,3024,2254.0
+105.0,280.0,105.0,225.0,100.0,262.5,875.0,1435.0,1485.0,1050.0,8456,10587,6288,3708,5467,7546,7008.666666666667
+130.0,140.0,130.0,280.0,100.0,262.5,1095.0,240.0,490.0,262.5,2769,7765,26971,15274,2130,5547,10076.0
+25.0,140.0,52.5,55.0,100.0,262.5,1095.0,472.5,1232.5,0.0,2079,6661,7051,4644,6330,7247,5668.666666666667
+130.0,350.0,0.0,112.5,50.0,262.5,655.0,960.0,1485.0,1050.0,5982,6252,6378,4912,7080,4929,5922.166666666667
+52.5,210.0,130.0,225.0,75.0,262.5,1095.0,240.0,1232.5,525.0,3394,10041,11931,23802,17023,10483,12779.0
+25.0,280.0,52.5,225.0,75.0,262.5,875.0,472.5,1232.5,262.5,4735,7146,11174,14050,17451,10527,10847.166666666666
diff --git a/tests/data/learner/extractor/output/plate1.xlsx b/tests/data/learner/extractor/output/plate1.xlsx
new file mode 100644
index 0000000..ec4ffa8
Binary files /dev/null and b/tests/data/learner/extractor/output/plate1.xlsx differ
diff --git a/tests/learner/test_extractor.py b/tests/learner/test_extractor.py
new file mode 100644
index 0000000..fa874dc
--- /dev/null
+++ b/tests/learner/test_extractor.py
@@ -0,0 +1,86 @@
+import unittest
+import pandas as pd
+import sys
+from os import path as os_path
+from icfree.learner.extractor import find_n_m, process_data, load_sampling_file, clean_sampling_file, process
+
+class TestDataExtractor(unittest.TestCase):
+
+    @classmethod
+    def setUpClass(cls):
+        cls.data_path = os_path.join(
+            # parent folder of the current file
+            os_path.dirname(
+                os_path.dirname(__file__)
+            ),
+            'data' , 'learner', 'data_extractor'
+        )
+        cls.initial_data_file = os_path.join(
+            cls.data_path, 'input',
+            "plate1_initial_data.xlsx"
+        )
+        cls.sampling_file = os_path.join(
+            cls.data_path, 'input',
+            "plate1_sampling.tsv"
+        )
+        cls.reference_output_file = os_path.join(
+            cls.data_path, 'output',
+            "plate1.csv"
+        )
+        cls.output_file = "output.csv"
+        
+    def test_find_n_m(self):
+        n, m = find_n_m(self.sampling_file)
+        self.assertIsInstance(n, int)
+        self.assertIsInstance(m, int)
+        # Update expected values based on the actual data
+        self.assertEqual(n, 57)  # Actual expected value from the data
+        self.assertEqual(m, 6)   # Actual expected value from the data
+        
+    def test_process_data(self):
+        df_reshaped, sheet_name = process_data(self.initial_data_file, 57, 6)
+        self.assertIsInstance(df_reshaped, pd.DataFrame)
+        self.assertIsNotNone(sheet_name)
+        # Update expected shape based on the actual reshaped data
+        self.assertEqual(df_reshaped.shape[1], 7)  # Example check, adjust based on actual reshaped data
+        # Compare df values with expected values
+        expected_values = df_reshaped.iloc[0, :].values.tolist()
+        actual_values = df_reshaped.iloc[0, :].values.tolist()
+        self.assertEqual(expected_values, actual_values)
+        
+    def test_load_sampling_file(self):
+        df_sampling = load_sampling_file(self.sampling_file, 57)
+        self.assertIsInstance(df_sampling, pd.DataFrame)
+        self.assertEqual(df_sampling.shape[0], 57)  # Assuming num_samples provided is 57
+        # Compare df values with expected values
+        expected_values = df_sampling.iloc[:, 1:].values.tolist()
+        actual_values = df_sampling.iloc[:, 1:].values.tolist()
+        self.assertEqual(expected_values, actual_values)
+        
+    def test_clean_sampling_file(self):
+        df_sampling = load_sampling_file(self.sampling_file, 57)
+        df_cleaned = clean_sampling_file(df_sampling)
+        self.assertIsInstance(df_cleaned, pd.DataFrame)
+        self.assertFalse(df_cleaned.isnull().values.any())
+        self.assertEqual(df_cleaned.shape[0], 57)  # Check number of samples after cleaning
+        # Compare df values with expected values
+        expected_values = df_cleaned.iloc[:, 1:].values.tolist()
+        actual_values = df_cleaned.iloc[:, 1:].values.tolist()
+        self.assertEqual(expected_values, actual_values)
+        
+    def test_process(self):
+        combined_df = process(self.initial_data_file, self.output_file, self.sampling_file, 57, 6, False)
+        self.assertIsInstance(combined_df, pd.DataFrame)
+        self.assertEqual(combined_df.shape[0], 57)  # Example check, adjust based on actual combined data
+        # Load reference output
+        df_reference_output = pd.read_csv(self.reference_output_file)
+        # Round all values at 10^-2 precision
+        combined_df = combined_df.round(2)
+        df_reference_output = df_reference_output.round(2)
+        # Compare df values with expected values from reference output
+        expected_values = df_reference_output.values.tolist()
+        actual_values = combined_df.values.tolist()
+        self.assertEqual(expected_values, actual_values)
+        
+if __name__ == "__main__":
+    unittest.main(argv=[''], verbosity=2, exit=False)
\ No newline at end of file