刚地弓形虫GRA3基因的克隆与表达

采用PCR方法扩增弓形虫GRA3基因,将扩增产物与pMD18-T Simple载体连接,重组质粒经PCR、双酶切鉴定后测序;构建pGEX-4T-1／GRA3表达载体,经IPTG诱导表达后,进行SDS-PAGE、Western blot分析。结果显示,克隆的GRA3基因片段长687bp,含有1个669bp的开放阅读框,编码222个氨基酸,与GenBank中UK株（AF414079）的同源性为99．8％;表达的融合蛋白为50Ku,能被弓形虫阳性血清识别;表明该融合蛋白具有较好的免疫反应活性。     

猪链球菌2型人源分离株EF单克隆抗体的制备与鉴定

为了解猪链球菌2型（SS2）菌株毒力相关因子的致病机理,建立高效的免疫学检测方法,将SS2胞外因子（EF）抗原性强的区域通过基因克隆、原核表达,经亲和层析纯化的EF蛋白免疫BALB/c小鼠,采用B淋巴细胞杂交瘤技术将免疫细鼠脾细胞与SP2/0骨髓瘤细胞融合,建立了4株分泌抗EF蛋白单克隆抗体（McAb）的杂交瘤细胞系2G1、5H7、3H4和1F2。间接ELISA测定杂交瘤细胞培养上清的效价为1∶128～1∶512,诱生腹水的抗体效价为1∶104～1∶105。4株McAb腹水的Western blot鉴定表明McAb能特异性的识别EF。以2G1单抗腹水与和EF多克隆抗血清建立的夹心ELISA可特异地检测EF。     

如何识别放心肉、劣质肉、病害肉

1．放心肉 放心肉是指经当地政府确定的定点屠宰厂（场）宰杀，并经过宰前检疫、宰后检验，确认健康无病的畜禽肉。鲜猪肉皮肤呈乳白色，脂肪洁白且有光泽。肌肉呈均匀红色，表面微干或稍湿，但不粘手，弹性好，指压凹陷立即复原，具有猪肉固有的鲜、香气味。正常冻肉呈坚实感，解冻后肌肉色泽、气味、含水量等均正常无异味。     

如何识别“不放心肉”

所谓"放心肉"不是简单地指有检验检疫合格证明的无传染病和寄生虫病侵袭、无有害药物残留的畜禽肉;还应包括肉中无注水、无以次充好和掺杂使假(如以骡马和驴肉充当牛肉销售,因牛肉价格高)、无外源性污染、不良气味。这里的药物残留是指用于预防和治疗疾病、提高饲料利用率及生产性能的兽药、激素、疫苗、添加剂在动物产品中的残留;在农药和工业"三废"污染的水源、饲料、饲草等环境中生长的     

伽马能谱录井技术及其应用

随着钻井工艺的发展和非常规勘探开发的深入,对录井技术的发展提出了更高的要求,需要开发、推广新的录井技术识别和评价非常规储层。伽马能谱录井技术可测量岩屑中的铀(u)、钍(Th)、钾(K)的含量,能够辅助识别岩性,判识储层中的粘土矿物类型,定量计算泥质含量,为录井非常规储层的评价提供了依据,具有较好地应用前景。     

细胞因子对哺乳动物黄体功能的影响

黄体(Corepus Luteum,CL)是由排卵后的卵泡形成的一种功能性内分泌器官,它主要通过分泌孕激素(P)而在妊娠识别、建立和妊娠维持过程中发挥作用.如果没有妊娠建立,过一段时期黄体即自动消失.近年来大量的研究发现:在哺乳动物的卵巢黄体上存在一些细胞因子及其受体,这些细胞因子主要通过自分泌或(和)旁分泌作用而与其黄体上的受体相结合,进而对黄体的机能产生影响.     

射频识别技术在动物食品安全追溯中的应用

介绍了基于射频识别技术的动物食品安全追溯系统的基本构成,对动物食品安全中的相关内容进行了阐述,概述了射频识别技术在动物食品安全追溯中的应用。     

基于深度学习的玉米拔节期冠层识别

为了满足田间玉米植株快速识别与检测的需求,针对玉米拔节期提出了基于深度学习的冠层识别方法,比较并选取了适于玉米植株精准识别和定位的网络模型,并研制了玉米植株快速识别和定位检测装置。首先拍摄玉米苗期和拔节期图像共计3 000张用于训练深度学习模型,针对拔节期玉米叶片交叉严重的问题,提出了以玉米株心取代玉米整株对象的标记策略。其次在Google Colab云平台训练SSDLite-MobileDet网络模型。为了实现田间快速检测,开发了基于树莓派4B+Coral USB的玉米冠层快速检测装置。结果表明,田间玉米冠层识别模型精度达到91%,检测视频的帧率达到89帧/s以上。研究成果可为田间玉米高精度诊断和精细化作业管理奠定基础。     

基于小波变换与神经网络的上倾管流型识别方法

为实现上倾管气液两相流流型的智能识别,提出了基于小波变换与概率神经网络的流型识别方法。采用中国石油大学(华东)室内小型环道试验装置进行气液两相流试验,采集上倾管流型以及相应的持液率信号。运用小波变换对持液率信号进行5级分解,并对分解后的信号提取标准差作为概率神经网络的输入参数,对试验中获得的分层流、气泡流、段塞流、严重段塞流流型进行识别。结果表明:该方法对4种流型的识别效果较好,其整体识别率为96.5%,其中分层流和严重段塞流的识别率高达98%。基于小波变换与概率神经网络的上倾管流型识别方法能够有效克服传统识别方法中主观因素的影响,不仅显著提高了流型识别的准确率,而且识别过程更加智能。(图5,表3,参22)