大豆PAL2-3基因的克隆及转化研究

大豆异黄酮是苯丙氨酸代谢途径中合成的一类次级代谢产物,在苯丙氨酸代谢途径中,苯丙氨酸解氨酶(PAL)是关键酶和限速酶。本课题组前期研究发现PAL基因的相对表达量与大豆异黄酮含量具有明显的协同增减趋势,并且在PAL基因家族成员时空表达模式分析中发现,PAL2-3(XM_003542493)是PAL基因家族中相对表达量较高的主要表达成员之一。本试验首先通过克隆大豆中PAL2-3基因;然后构建pCAMBIA3301-GmPAL2-3植物过表达载体,将构建好的pCAMBIA3301-GmPAL2-3表达载体重组质粒转化到根癌农杆菌EHA105中;采用农杆菌介导的大豆子叶节转化体系获得转化植株,并对T1代转化植株进行PPT检测,外源标记基因Bar检测以及荧光定量PCR检测,对转基因阳性植株进行大豆籽粒异黄酮含量的测定。结果表明T_1代转基因植株中PAL2-3基因的表达量是对照的5.11~11.24倍,总异黄酮含量最高的(2 587.63μg·g~(-1))是对照(1 616.90μg·g~(-1))的1.6倍。因此在大豆中过量表达PAL2-3基因可以提高大豆籽粒中异黄酮含量。     

香蕉ROP1基因酵母双杂交体系的诱饵载体构建及毒性与自激活效应检测

用PCR技术获得香蕉ROP1基因片段,构建酵母双杂交系统表达载体pGBKT7-ROP1,测序正确后将重组质粒导入AH109酵母菌株,检测其表达产物对酵母细胞有无毒性作用及对报告基因有无激活作用.结果表明,用PCR技术获得了正确的ROP1基因片段,并正确构建了ROP1基因的酵母双杂交表达载体,并转化到AH109酵母菌株中,含诱饵载体的AH109在SD/-Trp营养缺陷平板上生长良好,说明表达产物对酵母细胞无毒性,含诱饵载体的AH109在His、Trp二重营养缺陷平板上不能生长,说明对报告基因无自激活作用,为下一步利用酵母双杂交系统筛选与ROP1蛋白相互作用的蛋白奠定基础.     

玉米弯孢叶斑病菌NADPH氧化酶生物信息学分析和ATMT敲除载体的构建

从JGI数据库玉米弯孢叶斑病菌(Curvularia lunata)基因组中获得2个编码NADPH氧化酶基因ClNox1和ClNox2。采用生物信息学方法对2个基因编码的蛋白质进行性质、结构和功能等方面的预测。结果表明,ClNox1和ClNox2的分子量分别为6.35和6.41 KD,等电点PI为8.87和8.93,不稳定指数为44.50和39.45;ClNox1是亲水性膜蛋白,包含6个明显的跨膜结构域;ClNox2也是膜蛋白,包含8个明显的跨膜结构域。在亚细胞水平上,ClNox1定位于线粒体上,而ClNox2定位于细胞质膜上;在氨基酸序列方面,ClNox1和ClNox2都含有多个苏氨酸、丝氨酸和酪氨酸激酶磷酸化位点;在功能方面,ClNox1和ClNox2都包含NADPH氧化酶特征结构域,并且与Cochliobolus heterostrophus的NADPH氧化酶基因具有较高的同源性。根据ClNox1和ClNox2序列设计特异性引物扩增目的片段,与标记基因NPTII和HphGFP分别连入骨架载体pPZP100,构建完成ClNox1和ClNox2基因的敲除载体pPZP100NPTIIClNox1和pPZP100HphGFPClNox2,为根癌农杆菌介导的遗传转化提供基础材料。     

Comparison of multivariate models and variable selection algorithms for rapid analysis of the chemical composition of field crops

This study evaluates the use of visible and near-infrared spectroscopy for rapid prediction of total carbon, total nitrogen, and total phosphorus concentrations in field crop samples. Two multivariate models (partial least squares regression and support vector machine regression) were compared. In addition, four spectral variable selection algorithms (competitive adaptive reweighted sampling, genetic algorithm, uninformative variable elimination, and variable importance for projection) were applied with support vector machine regression to determine the most accurate predictions. The results showed that support vector machine regression performed better than partial least squares regression for predicting the three chemical compositions. The combination of competitive adaptive reweighted sampling and support vector machine regression outperformed the other models for the predictions of total carbon and total nitrogen with high coefficients of determination of 0.91 and 0.90, respectively. For the determination of total phosphorus, the prediction accuracy of competitive adaptive reweighted sampling was comparable with the best result obtained from genetic algorithm with the coefficients of determination of 0.73 and 0.77, respectively. In conclusion, the support vector machine regression combined with competitive adaptive reweighted sampling has great potential to accurately determine the chemical composition of field crops using the visible and near-infrared spectroscopy.     

利用机器视觉与近红外光谱技术的皮蛋无损检测与分级

为了对优质蛋、次品蛋和劣质蛋这3种皮蛋进行检测及分级,该文应用机器视觉结合近红外光谱技术,研究利用皮蛋凝胶品质无损检测的分级方法。首先采集皮蛋透射光图像,提取18个图像颜色特征值,然后将所提取的18维特征利用主成分分析(principal component analysis,PCA)进行降维,对PCA降维后的3个主成分建立遗传算法优化支持向量机(genetic algorithm-support vector machine,GA-SVM)分级模型,把皮蛋样本分为两大类:可食用蛋(优质蛋与次品蛋)与不可食用蛋(劣质蛋),劣质蛋测试集识别率为100%。然后在机器视觉分类结果的基础上,利用近红外光谱技术获取可食用蛋(优质蛋与次品蛋)的原始光谱,并进行多元散射矫正(multiplicative scatter correction,MSC),利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)降维提取特征波长,基于支持向量机(support vector machine,SVM)对特征波长变量建立分级模型,区分出优质蛋与次品蛋,优质蛋测试集识别率为96.49%,次品蛋识别率为94.12%。研究结果表明:基于机器视觉和近红外光谱进行皮蛋凝胶品质无损检测分级是可行的。     

基于电子鼻传感器阵列优化的甜玉米种子活力检测

针对甜玉米种子活力传统检测方法操作繁琐、重复性差等不足,该研究利用电子鼻技术建立甜玉米种子活力快速检测方法。利用电子鼻获取不同活力甜玉米种子的气味信息,再结合主成分分析(PCA,principal component analysis)、线性判别分析(LDA,linear discriminant analysis)、载荷分析(loadings)和支持向量机(SVM,support vector machine)对气味信息进行提取分析,建立甜玉米种子活力的定性定量分析模型。结果显示:PCA和LDA分析均无法区分不同活力的甜玉米种子,而SVM的鉴别效果较好。全传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为97.10%和96.67%,建模时间为30.75 s,回归预测模型训练集和预测集决定系数R~2分别为0.993和0.913,均方差误差分别为2.23%和8.50%。经Loadings分析将10个传感器阵列优化为6个。优化后传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为98.55%和96.67%,建模时间为21.81 s,回归预测模型训练集和预测集决定系数R~2分别为0.982和0.984,均方差误差分别为3.80%和3.01%。结果表明:基于SVM的电子鼻技术可以实现对不同活力甜玉米种子的高效判别和预测,将传感器阵列优化为6个,判别和预测效果均有所提升。该研究为电子鼻技术应用于甜玉米种子活力检测提供理论依据。     

长江经济带产业—碳排放—土地协同发展研究

[目的] 研究长江经济带产业发展、土地利用及碳排放指数间的内在响应关系及作用机理,为区域协同发展提供思路。[方法] 基于GM (1,1)预测模型对产业发展、土地利用及碳排放指数进行灰色预测后进行耦合协调度分析,并运用PVAR模型探讨三者间的响应关系。[结果] ①区域各要素间的耦合度高于协调度,耦合协调状态呈增长趋势,而区域内部则呈现自下游至上游的降低趋势。②土地利用强度对于产业发展于前两期呈正向冲击,产业发展对碳排放为滞后2期内的先负而后转正冲击的倒V型波动趋势,土地利用对碳排放呈现明显的正相关脉冲响应。③三要素主要依赖于自身的发展路径,但产业发展对碳排放强度的解释力高于土地利用强度对其的解释力,而随着期数的增加,二者对碳排放的影响趋势均呈现增长趋势。[结论] 经济发展过程中产业结构调整及土地利用的配置和保障不可或缺,而碳排放作为未来发展中的重要制约因素也不可忽视,探索三者间的响应关系,能够更好地为区域协调发展提供依据。     

叶绿体型转昆虫抗冻蛋白基因烟草的耐寒性

根据已构建的大豆叶绿体表达载体pJY01,设计特异性引物,将昆虫抗冻蛋白基因MpAFP149插入此载体中构成叶绿体表达载体pJY01-MpAFP149,利用基因枪轰击法转化烟草,经壮观霉素筛选获得4株叶绿体型转抗冻蛋白基因烟草株系。PCR和PCR-Southern结果显示外源基因已整合至烟草叶绿体基因组中但同质化水平不高,RT-PCR结果也表明昆虫抗冻蛋白基因已发生了转录。将野生型烟草、叶绿体型转抗冻蛋白基因烟草及核转化T₁代转抗冻蛋白基因烟草(pCAMBIA1302- MpAFP149)于–1℃低温处理3 d,观察耐寒表型及测定相对电导率。结果表明, 叶绿体型转基因烟草的耐寒表型优于野生型烟草,但与核转化的T₁代转抗冻蛋白基因烟草无显著差异。处理3 d时,叶绿体型转基因烟草和T₁代转抗冻蛋白基因烟草的电导率分别为39.2%和38.2%,而野生型烟草已达73.7%。本实验获得的异质化转叶绿体抗冻蛋白基因烟草与转核基因烟草的耐寒力无差异。     

基于随机森林回归算法的小麦叶片SPAD值遥感估算

使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。     

基于MK—SVR模型的小麦叶面积指数遥感反演

提出了运用多核支持向量回归(MK-SVR)算法构建小麦叶面积指数(LAI)遥感监测模型。以2010—2013年试验样点小麦拔节、孕穗、开花3期的实测LAI数据为基础,同步获取我国自主研发的环境减灾卫星HJ-CCD对该研究区域的影像数据,分析了各生育期小麦LAI与8种植被指数间的相关性。以显著相关的植被指数作为输入参数,使用MK-SVR算法构建了每个生育期的小麦LAI反演模型,即MK-SVR-LAI模型。为了评价模型,每期使用单一核支持向量回归(SK-SVR)、偏最小二乘(PLS)回归算法构建了SK-SVR-LAI、PLS-LAI模型。将模型估算LAI值和田间观测LAI值进行比对,以决定系数(R2)和均方根误差(RMSE)为指标评价并比较了模型。结果表明:3个生育期MK-SVR-LAI模型的RMSE值均低于参比模型,拔节期为0.293 1,孕穗期为0.466 8,开花期为0.548 6,且该模型的R2也都最高,拔节期为0.762 4,孕穗期为0.801 8,开花期为0.668 9。