人工神经网络-紫外光谱法短串联重复序列基因分型检测

以STR基因座D16S539中的总核心重复串数相差较小的10-11,10-12,11-11和10-13基因型为研究对象,以紫外光谱为判别变量,建立了以人工神经网络(ANN)提取富信息变量为基础的ANN基因分型方法。在优化条件下,对4个基因型样本进行了聚合酶链式反应扩增,以扩增样本在200~310 nm范围内的检测光谱进行预处理和偶合的ANN-ANN网络优化。结果表明,提取富信息变量和基因分型的ANN的最优网络结构分别为391-50-391和50-6-4,该结构下的判别模型的校正相对均方根误差(RMS)和预测RMS分别是0.0279和0.0418,模型表现出了良好的稳健性和100%的基因型正确预测率。成功实现了基于紫外光谱对STR基因型的快速、简单和低成本检测。     

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。     

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.     

基于UV-Vis-SWIR漫反射光谱的土壤多属性同时快速测定

采用紫外-可见-短波近红外漫反射光谱(UV-Vis-SWIRDRS)结合化学计量学对土壤中有机质(SOM)、总氮(TN)、碱解氮(AN)、速效钾(AK)、缓效钾(SAK)、有效磷(AP)及pH共7种属性建立了快速同时低成本的定量分析方法。土壤样本共81个,其中50个分为校正集,另16个为验证集,剩余15个为测试集。对每种土壤属性,考察了多种光谱预处理,变量选择以及它们的组合方法处理土壤光谱后建立的PLSR模型预测效果,选择出了最佳的光谱数据处理方法及其对应的最佳PLSR预测模型,并以独立的测试集样本对最佳模型预测性能进行客观评价。对于有机质和总氮,测试集决定系数(R2t)分别为0.94和0.97,模型可用于准确定量分析;对碱解氮和pH,R~2t分别为0.76和0.66,模型定量预测结果良好;对于有效磷,速效钾及缓效钾,R~2t小于0.6,但模型的预测效果和以往报道中的预测效果相差不大。研究表明,利用UV-Vis-SWIR DRS对土壤多属性进行快速同时低成本定量分析是可行的,有望用于土壤信息检测。     

用人工神经网络-近红外光谱法测定冬虫夏草中的甘露醇

提出了用近红外漫反射光谱技术快速分析发酵冬虫夏草菌粉中甘露醇含量的新方法。采用比色法测定样品中的甘露醇，其含量范围为8．082％-14．548％。在7501．7-6097．8cm^-1与5453．7-4246．5cm^-1波段，分别采用PCR、PLSR和BP神经网络方法建立了样品近红外光谱的一阶微分光谱与其甘露醇含量之间的相关模型。BP神经网络模型的内部交叉验证误差均方根为0．475，预测误差均方根为0．608，均优于PCR和PLSR的处理结果。这表明，BP神经网络法对非线性检测对象具有较好的建模效果，可用于中药近红外光谱分析的非线性校正。     

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...     

基于近红外光谱法的定量分析模型快速预测蕨菜中总黄酮的含量

采用近红外光谱法结合偏最小二乘法构建蕨菜中总黄酮含量的快速无损测定方法。取蕨菜样品140份,采用傅里叶变换近红外光谱仪采集4 000～11 500 cm^-1波段内近红外光谱,以一阶导数预处理原始光谱,设置主因子数为10,在6 100～7 500 cm^-1和5 400～6 000 cm^-1波段内建模。结果表明：校正集定量分析模型的校正均方根误差(RMSEC)为0.078,交叉验证决定系数(R²)为0.991 9;验证集定量分析模型的预测均方根误差(RMSEP)为0.125,R²为0.984 1,说明所建模型性能较优。分别以定量分析模型和紫外-可见(UV-Vis)分光光度法分析完全外部验证集样品,预测回收率(预测值和测定值比值的百分数)接近100%,说明所建模型的预测准确度较高,可用于蕨菜中总黄酮的快速、准确测定。     

ZIF-8吸附材料对雪菊中木犀草苷的富集及在微型近红外光谱分析中的应用EI北大核心CSCD

制备了SiO;@ZIF-8吸附剂并用于吸附雪菊中微量的木犀草苷,建立了基于特征变量筛选的微型近红外光谱分析方法。以木犀草苷为对象,研究了吸附剂的质量、pH、振荡时间对吸附效果的影响;在最佳条件下对富集了木犀草苷的吸附剂直接进行检测,探讨分别采用竞争自适应加权采样算法(CARS)、蒙特卡罗-无信息变量消除法(MC-UVE)和随机青蛙算法(RT)进行变量筛选,并用偏最小二乘法建立定量校正模型。研究发现,当吸附剂质量为0.20 g, pH 7时振荡20 min,木犀草苷吸附率可达到92%;经3种变量筛选后最优模型为CARS,CWT方法光谱预处理后,木犀草苷校正模型参考浓度和预测浓度两者之间的相关系数达到最佳的0.9700,预测回收率在85%~120%。SiO_(2)@ZIF-8吸附剂可以有效的富集雪菊中的木犀草苷,在CARS变量筛选下,通过微型近红外光谱可以实现雪菊中微量木犀草苷的测定。