基于偶合人工神经网络的近红外光谱对D5S818基因座的分型

本文基于近红外光谱结合化学模式识别中的偶合人工神经网络(ANN-ANN)法研究了一种快速、简单和低成本检测STR基因型的方法。选择STR基因座D5S818的差异较小的10-11、11-11、11-12与11-13基因型作为研究对象,将这四个基因型样本进行标准的PCR扩增并采集PCR产物的近红外光谱,以近红外光谱为判别变量,以其中一个ANN(rich-information-extracted ANN,RIE-ANN)用于提取建立判别模型的富信息变量,另一个ANN(discriminant-model-built ANN,DMB-ANN)即用于模型建立。ANN-ANN的网络结构为:338-30-338(RIE-ANN)和30-8-4(DMB-ANN)。对于校正集的校正均方根误差为0.0148,预测集为0.0127,预测准确率达到100%。成功实现了基于近红外光谱对STR基因型的快速、简单和低成本检测。     

基于主判别变量法的近红外光谱STR基因分型专家系统

基于近红外光谱结合主判别变量算法对短串联重复序列(STR)基因分型专家系统进行研究。选择STR基因座D16S539中6种总核心重复串数不同且出现频率较高的基因型9-9、9-11、9-12、10-10、10-11和11-11作为研究对象。6种基因型样本分别通过两次聚合酶链反应(PCR)平行扩增,以扩增产物的近红外光谱作为判别变量建立判别模型。最后,基于该基因座6种基因型的总核心重复序列数的差异来构建其基因分型专家系统。结果表明:方法适用于不同差异程度的基因型分型,预测准确率高且稳健性好,这为建立其他基因座的分型专家系统提供了可行性。     

基于紫外光谱-支持向量机对STR的基因分型

利用紫外光谱结合支持向量机(SVM)模式识别原理建立了短串联重复序列(STR)的分型方法.以D5S818基因座的10-10、11-13和13-13三个基因型为研究对象,优化了包含该多态性位点的DNA片段的聚合酶链反应(PCR)的扩增条件和紫外光谱检测条件,获得了优化条件下的待测样本紫外光谱.以该光谱为识别变量,建立了该...     

基于近红外光谱的人工神经网络研究STR基因座分型方法

以D16S539基因座的3种(9-9、9-11、11-11)基因型为例,设计引物扩增包含该多态性位点的1段DNA片段,获得了3种基因型建模样本各50个.基于近红外光谱(NIRS)结合误差反向传播人工神经网络(BPANN)建立了测定短串联重复序列(STR)基因型的判别模型,所建立的判别模型的校正均方根残差和预测集均方根误差分别为0.082 5、0.072 5,预测准确率均为100%.该方法不需任何前处理,只需一步PCR扩增和NIRS检测即可实现STR基因型判别,具有简单、快速、低成本等优点.     

近红外光谱结合支持向量机对STR基因座的化学模式识别分型

利用近红外光谱(NIRS)结合支持向量机(SVM)模式识别原理建立了微卫星(短串联重复序列,STR)的分型方法。以D16S539基因座的10-10、10-11和11-11 3种不同基因型为例,研究了包含该多态性位点的脱氧核糖核酸(DNA)片段的聚合酶链反应(PCR)扩增条件和NIRS检测条件,建立了标准化扩增条件和检测条件,以此条件获得了基因分型的标准物及其标准NIRS。以标准光谱为识别变量,建立该3类基因型的SVM判别模型,有效地克服了光谱共线性,并对少样本数表现出良好的稳定性,模型预测率100%。该方法不需任何检测前处理,而只需一步PCR扩增和NIRS检测即可实现STR分型,具有简单、快速、低成本等优点。     

基于克隆测序技术的人类白细胞抗原基因高分辨率分型方法的建立

运用优化的扩增和克隆测序技术,建立了人类白细胞抗原( HLA-B)基因的高分辨率分型方法。针对HLA-B基因保守区序列设计引物进行等位基因扩增,基于质粒不相容原理将杂合型等位基因有效克隆入质粒DNA中,经细菌培养后进行Sanger测序,根据测序结果经ClustalX2软件分析和IMTG/HLA数据库的BLAST比对即可完成HLA-B基因的高分辨率分型。利用建立的方法对7例临床样本进行了HLA-B基因分型,并且与第三方直接碱基序列分析基因分型技术( PCR-SBT)进行比对,结果完全一致。本方法无需专业分型软件,准确度高,成本低;采用通用引物进行等位基因的扩增和测序,无需传统方法中繁琐的引物设计和过程优化,实现了HLA-B基因的高分辨率分型。     

紫外光谱结合偏最小二乘法用于水样中化学需氧量的测定

结合紫外光谱法和化学计量学方法建立了水样中化学需氧量(COD)的测定方法。采集西宁市湟水河西钢桥至小峡段共42个样品,在190～400 nm波长范围内测定各样品的紫外光谱。用Monte Carlo采样法抽取70%的样本构成训练集,其余样本为独立测试集。分别考察了3种光谱预处理方法和4种特征筛选方法,最终确定COD分析方法为:采用SG-smoothing对光谱平滑后用无信息变量剔除法(UVE)筛选特征波长变量,最后用偏最小二乘法建立多元校正模型。结果在独立测试集上COD的预测误差均方根(RMSEP)为0. 8084,相关系数为0. 9924。紫外光谱法结合化学计量学方法可作为水样中COD测定的一种简洁、有用、快速的方法。     

近红外光谱对短串联重复序列的基因分型

短串联重复序列(STR)作为一类丰富的遗传标记而越来越受到人们的重视.与过去常用的RFLP和其它遗传标记相比,STR具有种类多、分布广、多态信息量大,杂合度高,片段较短,易于PCR扩增等优点,因而成为遗传学和医学研究中常用的遗传标记.如今对于STR的检测主要有聚丙烯酰胺凝胶电泳、毛细管电泳和微流控芯片电泳等方法.但是这些方法均需要对PCR产物进行预处理,比如预变性、荧光标记等,从而导致操作繁琐,分析周期较长且成本高.本研究建立的基于近红外光谱(NIRS)和主判别变量(PDV)算法的STR分型方法具有简单易行、快速及低成本的优点.     

马氏距离、Savitzky-Golay平滑求导、SIMPLS结合天麻紫外光谱分析天麻素含量

以主成分分析法结合马氏距离法对天麻紫外光谱奇异样本进行剔除,剔除样本11个.将样本分为5/6的校正集和1/6的检验集,紫外光谱经过Savitzky-Golay(SG)平滑求导(窗口参数F=3～25之间的奇数,拟合次数N=2、3、4、5、6,共有162种SG平滑求导模式)后,利用SIMPLS建立天麻素的紫外光谱分析优化模型.按照预测效果进行优选,得到最优模型为2阶导数、窗口参数F=5、拟合次数N=4,最优相关系数r =0.9102和预测标准偏差SEP=0.3907 g/L.结果表明:紫外光谱法结合主成分分析、马氏距离法、Savitzky-Golay平滑求导和SIM偏最小二乘法,对预测天麻中的药用有效成分天麻素的含量具有很大的改进作用.     

紫外光谱法结合化学计量学用于环境水样中2,4,6-三硝基甲苯及其分解物的同时测定

结合紫外吸收和偏最小二乘法建立了环境水样中2,4,6-三硝基甲苯及其分解物的分析方法,在不经过任何预先分离的情况下,实现了环境水样中2,4,6-三硝基甲苯(TNT)及其分解物2,4-二硝基甲苯(2,4-DNT)和2,6-二硝基甲苯(2,6-DNT)的快速准确测定.采用正交试验设计(OAD)配制了25个训练集样本和15个独立预测集样本,采用变量种群分析(VCPA)方法挑选特征变量以提高偏最小二乘法(PLS)模型的预测效果,预测集中每个物质的相关系数R2均达到0.99.将最优的VCPA模型用于真实水样中TNT以及DNT的检测,并采用HPLC方法进行了验证.实验结果显示,VCPA模型的回收率与HPLC法相近.紫外光谱法结合化学计量学方法可作为环境体系中多成分同时测定的一种简便、快速、有效的方法.