荷斯坦牛新遗传缺陷单倍型HH7分子筛查

HH7(Holstein Haplotype 7)是在荷斯坦牛群中新发现的一种隐性遗传缺陷单倍型,由27号染色体上CENPU基因4个碱基缺失突变引起,隐性基因纯合时能引起胚胎早期流产,严重影响着奶牛养殖者的经济效益。本研究利用竞争性等位基因特异性PCR(KASP法)对随机抽取的166头荷斯坦公牛样本进行了检测分析,结果表明,在所检测的荷斯坦公牛中未发现HH7携带者个体。提示新缺陷单倍型HH7在北京地区的荷斯坦牛群中比例可能很低,但在全国牛群中的分布情况尚不清楚,建议继续开展相关研究,并在种牛遗传物质引进时重点关注,避免将新缺陷基因引入进来,造成有害基因的广泛传播。     

电子鼻技术在肉与肉制品检测中的研究进展和应用展望

电子鼻因具备操作简单、能够快速、无损检测的特点，满足人们对肉与肉制品安全指标高效和高精确度检测提出了更高的要求。本文阐述了电子鼻技术的检测原理和其在硬件和软件系统方面的发展；从肉与肉制品的新鲜度检测、掺假检测、风味评价、病原微生物污染检测四个方向，对近年来电子鼻技术在肉与肉制品检测的应用研究进展进行了分析，突出了电子鼻技术应用的可行性和先进性；指出电子鼻技术在肉与肉制品检测中面临的检测效果参差不齐，电子鼻仪器体积大、价格高昂，模型通用性和普及性不够等不足。最后，本文从硬件系统和软件系统两方面，对未来电子鼻技术的发展及其应用前景进行了展望，包括硬件系统方面提高电子鼻传感器阵列电极膜材料的性能，增强电子鼻耐用性和识别气味的灵敏度；软件系统方面不断探索引入新的模式识别算法，使电子鼻技术实现对气味更快、更准确的识别分析。     

松阳县古松树的松材线虫病现状调查与分析

古松树是历史的见证,是文化的承载,其保护工作具有重要意义,但因松材线虫的传播侵染,其生存状况不容乐观。本研究以松阳古松树为对象,基于分子检测技术,对其松材线虫病现状进行了调查与分析。结果表明,有12个乡镇近60%的古松树均已感病,疫情较为严重,需及时开展抗病保护工作。     

Assessing the effects of vegetation and precipitation on soil erosion in the Three-River Headwaters Region of the Qinghai-Tibet Plateau,China

Soil erosion in the Three-River Headwaters Region (TRHR) of the Qinghai-Tibet Plateau in China has a significant impact on local economic development and ecological environment. Vegetation and precipitation are considered to be the main factors for the variation in soil erosion. However, it is a big challenge to analyze the impacts of precipitation and vegetation respectively as well as their combined effects on soil erosion from the pixel scale. To assess the influences of vegetation and precipitation on the variation of soil erosion from 2005 to 2015, we employed the Revised Universal Soil Loss Equation (RUSLE) model to evaluate soil erosion in the TRHR, and then developed a method using the Logarithmic Mean Divisia Index model (LMDI) which can exponentially decompose the influencing factors, to calculate the contribution values of the vegetation cover factor (C factor) and the rainfall erosivity factor (R factor) to the variation of soil erosion from the pixel scale. In general, soil erosion in the TRHR was alleviated from 2005 to 2015, of which about 54.95% of the area where soil erosion decreased was caused by the combined effects of the C factor and the R factor, and 41.31% was caused by the change in the R factor. There were relatively few areas with increased soil erosion modulus, of which 64.10% of the area where soil erosion increased was caused by the change in the C factor, and 23.88% was caused by the combined effects of the C factor and the R factor. Therefore, the combined effects of the C factor and the R factor were regarded as the main driving force for the decrease of soil erosion, while the C factor was the dominant factor for the increase of soil erosion. The area with decreased soil erosion caused by the C factor (12.10×10³ km²) was larger than the area with increased soil erosion caused by the C factor (8.30×10³ km²), which indicated that vegetation had a positive effect on soil erosion. This study generally put forward a new method for quantitative assessment of the impacts of the influencing factors on soil erosion, and also provided a scientific basis for the regional control of soil erosion.     

微流控芯片在农产品安全检测中的应用

近年来,随着食品工业的迅猛发展,国内外食品安全事故也频繁发生。开发安全可靠、便携有效的检测方法对食品安全至关重要。微流控芯片集样品前处理、分离和检测等过程为一体,实现了样品前处理和检测分析的自动化、集成化、小型化、低消耗、高效率和便携化,满足了现场、实时检测的需求。本研究对微流控芯片在食品成分、农药残留、兽药残留、食品添加剂和重金属检测中的应用进行归纳总结,为农产品安全检测提供参考。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于原型网络的小样本禽蛋图像特征检测方法

机器视觉因具有检测速度快、稳定性高及成本低等优点，已发展成为禽蛋无损检测领域主流检测手段。使用该技术对禽蛋进行无损检测时，需要依赖大量禽蛋图像作为数据支撑才能取得较好的检测效果。由于养殖安全等限制，禽蛋图像数据的采集成本较高，针对该问题，提出了一种适应于小样本禽蛋图像检测的原型网络（Prototypical network）。该网络利用引入注意力机制的逆残差结构搭建的卷积神经网络将不同类别的禽蛋图像映射至嵌入空间，并利用欧氏距离度量测试禽蛋图像在嵌入空间的类别，从而完成禽蛋图像的分类。本文利用该网络分别验证了小样本条件下受精蛋与无精蛋、双黄蛋与单黄蛋及裂纹蛋与正常蛋的分类检测效果，其检测精度分别为95%、98%、88%。试验结果表明本文方法能够有效地解决禽蛋图像检测中样本不足的问题，为禽蛋图像无损检测研究提供了新的思路。     

山羊TNNT3基因可变剪切及其对骨骼肌细胞分化的作用

【目的】快速骨骼肌肌钙蛋白T（fast skeletal troponin T3,TNNT3）作为肌钙蛋白(troponin, Tn)家族成员,调节横纹肌收缩、参与骨骼肌的生长发育并影响家畜肉质性状。通过获得山羊TNNT3基因的可变剪切体,分析山羊TNNT3基因可变剪切的表达模式及其在肌细胞分化中的作用,深入解析TNNT3基因在山羊骨骼肌生长发育过程中的作用机制。【方法】基于NCBI已公布山羊TNNT3基因（NM_001314210.1）和牛TNNT3基因（XM_010821200）mRNA序列,使用软件Primer Premier 6.0设计引物,以简州大耳羊胚胎期和出生后7个阶段骨骼肌为试验材料,克隆测序获得山羊TNNT3基因的CDS区可变剪切体,利用软件ORF Finder、EditSeq、DNAMAN、ClustalW和MEGA_X_10.1.8等对序列进行生物信息学分析;进一步设计实时荧光定量（real-time PCR,RT-qPCR）及半定量引物,研究TNNT3基因剪切体在7个不同组织（背最长肌（longissimus dorsi muscle,LD）、半膜肌（semimembranosus muscle,SM）、心、肝、脾、肺、肾）和7个发育阶段（胚胎期E75、E90、E105和出生后B3、B45、B150、B300）肌肉组织（背最长肌和半膜肌）中表达模式;此外,对转录本TNNT3_3进行体外编码能力检测确定其具有编码蛋白的能力,并在山羊骨骼肌卫星细胞（skeletal muscle satellite cells,MuSCs）中过表达,观察细胞形态变化以及检测标志基因的表达变化,研究其对山羊MuSCs分化的作用。【结果】①TNNT3（NM_001314210.1）CDS区全序列主要含有18个外显子,其中外显子16/17相互排斥,转录后单一表达。克隆发现山羊TNNT3基因 5个新转录本（TNNT3_1—5）,其外显子数分别是15、15、20、16、14。②生物信息学分析结果显示山羊TNNT3基因核苷酸序列和氨基酸序列与绵羊、牛、猪等哺乳动物具有很高的一致性,而与鱼类和爬行类动物的一致性较低,说明TNNT3基因序列在哺乳动物高度保守。③TNNT3 mRNA在背最长肌、半膜肌、心、肝、脾、肺、肾7个组织中都有表达,其中在骨骼肌中高度富集(P < 0.01),心脏及肺次之,其余组织中较低;TNNT3 mRNA在背最长肌和半膜肌中的表达始终处于一个动态变化中,胚胎期TNNT3在半膜肌的表达量高于背最长肌（P<0.05）;出生后则背最长肌中高于半膜肌（P<0.05）。④山羊TNNT3基因转录本TNNT3_3重复出现保守的外显子9—11（138bp）,体外翻译实验显示其可编码蛋白且蛋白大小与预期基本相符（37 kD）;相较于对照组,在山羊MuSCs中过表达该转录本使肌分化标志基因Myomaker、MyoG和MyH4 mRNA极显著升高(P < 0.01)。【结论】获得了山羊TNNT3基因具有完整CDS区5个新可变剪切体,TNNT3主要在肌肉组织（背最长肌和半膜肌）中高表达,在哺乳动物中高度保守且促进成肌分化。初步表明TNNT3基因在动物肌肉生长发育中具有重要的生物学功能。     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。