三角帆蚌细胞周期蛋白基因筛选及其表达分析

细胞周期蛋白(cyclin)对细胞生长繁殖起到关键的调节作用。该研究采用高通量测序技术,构建了三角帆蚌(Hyriopsis cumingii)转录组文库,进行了cyclins基因筛选与生物信息分析,通过qRT-PCR技术,探讨其在不同组织(闭壳肌、内脏团、外套膜、斧足、心脏、血液、鳃、性腺)与性别中的表达特征。转录组测序共得到257 457条unigene(N50为1 796 bp),注释率为86.7%;通过分析,cyclin A、cyclin D2、cyclin E被筛选出,且cyclin A、cyclin D2与cyclin E蛋白的氨基酸序列均与美洲牡蛎(Crassostrea virginica)、太平洋牡蛎(Crassostrea gigas)具有较高相似性。实时荧光定量分析结果表明,cyclin A、cyclin D2、cyclin E在三角帆蚌各组织中均有表达,且存在显著的组织差异:cyclin A、cyclin E基因在性腺中表达量显著高于其他组织(P<0.05),在斧足中表达量最低;cyclin D2基因在鳃中表达量最高(P<0.05),在血液中表达量最低。在同一组织的不同性别之间:cyclin A基因在性腺、闭壳肌、心脏、血液中表达存在显著性别差异(P<0.05);cyclin D2在外套膜、心脏、性腺中的表达具有显著(P<0.05)的性别差异;cyclin E在性腺、斧足、鳃、心脏中的表达具有显著(P<0.05)的性别差异;cyclin A、cyclin E基因在雌性心脏和性腺中表达量显著(P<0.05)高于雄性,而cyclin D2反之(P<0.05),cyclin D2基因在雌性外套膜表达量显著高于雄性(P<0.05),暗示cyclin A、cyclin E与性腺发育关系密切,cyclin D2可能与鳃损伤修复有关。本研究初步探究了三角帆蚌cyclin A、cyclin D2、cyclin E基因的功能,为建立三角帆蚌细胞系提供了分子基础。     

油梨不同组织挥发物成分差异比较

为了探明油梨不同组织挥发物成分及其含量的差异,本实验采用顶空-固相微萃取法(HS-SPME)和气相色谱-质谱(GC-MS)联用技术,对萃取最优条件进行分析,并测定油梨顶芽、果皮、果肉、种子、枝条和叶片的挥发物成分和含量。顶空固相微萃取最优参数为：50/30 μm DVB/CAR/PDMS固相微萃取头、萃取温度60℃、萃取时间40 min。各组织中包括19种萜烯类、5种醇类、14种醛类、4种酯类、4种酸类、10种芳香烃类和1种其它化合物,共有57种挥发物成分被检测出。在顶芽、果皮、果肉、种子、枝条和叶片中分别检测到22、15、21、18、18和19种挥发物成分。顶芽挥发物成分主要以萜烯和芳香烃类为主,占总含量的72.23%和12.07%；果皮挥发物成分主要以萜烯和醇类为主,分别占总含量的59.38%和30.23%；果肉挥发物成分主要以萜烯、醇类和醛类,分别占总含量的63.45%、18.55%和14.12%；种子挥发物成分主要以萜烯和醛类为主,分别占总含量的60.57%和27.55%；枝条挥发物成分主要以萜烯和芳香烃类为主,分别占总含量的58.06%和20.84%；叶片挥发物成分主要以萜烯和芳香烃类为主,分别占总含量的64.30%和15.87%。α-荜澄茄油烯、1-石竹烯、Z,Z,Z-1,5,9,9-四甲基-1,4,7-环十三碳三烯和橙花叔醇是油梨不同组织中主要的挥发物成分,但其对不同组织挥发性成分的贡献率亦不同。油梨不同组织挥发物成分及其含量存在较大差异。     

一种新型卷积神经网络植物叶片识别方法

为提高植物叶片识别的准确率及减少计算代价,在Pytorch框架下提出一种融合了深度卷积生成式对抗网络(DCGAN)和迁移学习(TL)的新型卷积神经网络叶片识别方法。首先,对植物叶片图像进行预处理,通过DCGAN对样本数据库扩充;其次,利用迁移学习将Inception v3模型应用于图像数据处理上,以提高植物叶片识别的准确率;最后,通过对比实验对该方法的有效性进行验证。结果表明:该方法可以获得96.57%的植物叶片识别精度,同时参数训练的迭代次数由4000次缩短到560次。     

陆川猪ANKRD1基因克隆及其表达差异分析

[目的]克隆陆川猪心肌锚蛋白重复域1基因(ANKRD1),并进行生物信息学及组织表达谱分析,为研究ANKRD1在陆川猪机体内的功能作用提供参考依据.[方法]根据NCBI已公布的野猪ANKRD1基因序列(NM_213922.1)设计特异性引物,采用TRIzol法提取陆川猪心脏、肝脏、脾脏、肺脏、肾脏、背最长肌和皮下脂肪的总RNA,反转录合成cDNA,并以此为模板进行ANKRD1基因克隆,通过MegAlign、Protaram、Protscale、MHMM Server和Sig-nalP等在线分析软件进行生物信息学分析,最后以实时荧光定量PCR检测ANKRD1基因在陆川猪各组织中的表达情况.[结果]陆川猪ANKRD1基因蛋白编码区(CDS)序列全长960 bp,编码319个氨基酸残基,与NCBI已公布野猪ANKRD1基因(NM_213922.1)的CDS序列存在4处碱基突变,但均为同义突变,二者的ANKRD1氨基酸序列同源性为99.6%.陆川猪ANKRD1基因编码蛋白分子量为36125.70 Da,理论等电点(pI)为7.09,属于稳定蛋白,其二级结构中α-螺旋占46.39%、无规则卷曲占39.81%、β-转角占9.09%、延伸链占4.70%;陆川猪ANKRD1蛋白不存在跨膜结构,也无信号肽,有多个磷酸化位点.陆川猪ANKRD1基因在其心脏、肝脏、脾脏、肺脏、肾脏、背最长肌和皮下脂肪等7个组织中均有表达,其中以心脏中的相对表达量最高,显著高于在其他组织中的相对表达量(P<0.05,下同),在脾脏中的相对表达量最低,显著低于在心脏、肝脏、肺脏和背最长肌中的相对表达量.[结论]ANKRD1基因在陆川猪的心脏、肝脏、脾脏、肺脏、肾脏、背最长肌和皮下脂肪等组织中均有表达,且存在明显差异,故推测ANKRD1基因在不同组织中发挥不同作用.     

常见有机磷农药响应值变化规律的气相色谱法研究

本研究使用配置有Agilent DB-1701色谱柱的气相色谱-火焰光度检测器系统对以丙酮为溶剂的17种常见有机磷农药混标每间隔10针样品的标样各组分峰面积进行了研究比对,得出了相应标样组分峰面积的变化规律。     

气相色谱-质谱联用测定奶牛血清中的β-羟丁酸

为了建立测定奶牛血清中代谢产物β-羟丁酸含量的气相色谱-质谱联用方法,为奶牛酮病的早期诊断提供新途径。将奶牛血清样品用甲醇除蛋白,上清液经氮气吹干,残渣进行硅烷化衍生后,用GC-MS仪全扫描方式进行检测。结果测定血清中β-羟丁酸的线性范围为0.05 mmol/L~8 mmol/L,相关系数R=0.9995,检测限为0.03 mmol/L,定量限为0.05mmol/L,相对标准偏差RSD=5.79%,样品加标回收率为95.10%~99.91%。表明该方法能简便、快速、有效地分离并定量检测血清中的β-羟丁酸,可以作为奶牛酮病的早期诊断依据。     

低温风干工艺下酱鸭加工过程中品质特性变化规律研究

为改善酱鸭的质地、色泽和风味,本试验在传统酱鸭加工工艺的基础上,引入低温风干工艺制备酱鸭,并研究其加工过程中理化特性(水分含量、色泽、剪切力值、质构特性)和挥发性风味成分的变化。结果表明,在加工过程中,酱鸭水分含量从76.55%降至58.27%(P0.05);与原料肉相比,L~*值在风干6 h显著降低,a~*值在腌制和风干结束下降,b~*值和咀嚼性在酱制阶段增加,杀菌阶段下降,硬度在酱制阶段升高,而弹性和内聚性均在杀菌阶段降低;与风干24 h相比,胶着性在杀菌阶段降低(P0.05),剪切力值先升高后下降。酱鸭挥发性风味成分分析显示,酱鸭成品有70种挥发性风味成分,主要为萜烯类、醛类、呋喃类、酮类、烃类和醇类;其中,莰烯、己醛和2-戊基呋喃是酱鸭成品主要的特征风味成分,分别占总相对含量的16.51%、10.44%和11.88%。本试验结果为低温风干工艺下酱鸭品质变化特征的研究提供了一定的理论依据。     

高脂诱导对小鼠血清中脂肪酸含量的影响

本试验采用气相色谱方法检测小鼠血清中脂肪酸的含量,研究高脂诱导对小鼠血清中脂肪酸含量的影响。实验小鼠随机分为野生型对照组(WT-ND)和野生型高脂组(WT-HFD),每组10只,采用高脂饲料连续饲喂6周后眼球采血收集血液,分离血清,皂化衍生后采用气相色谱检测脂肪酸含量。结果显示,与对照组相比,饲喂高脂后小鼠血清中C12∶0、C14∶0、C15∶0、C16∶0、C18∶0、C18∶1、C18∶2、C18∶3、C20∶1、C20∶2和C20∶3的含量呈上升趋势,而C17∶0、C20∶4和C22∶6呈下降趋势。结果表明,高脂诱导能使血清中脂肪酸含量发生明显变化,会加重脂肪酸代谢类疾病发展过程。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。