不同倍性(2×、3×、4×)鸭梨基因组DNA甲基化水平与模式分析

以鸭梨(Pyrus.bretschneideri Rehd.cv.‘Yali')多倍体(2×、3×、4×)为材料,应用甲基化敏感扩增多态性(methylation sensitive amplified polymorphism,MSAP)技术研究不同倍性鸭梨基因组DNA甲基化水平及模式变化.共筛选22对引物,平均每对引物产生约50条带,统计100～500 bp的扩增带,共计954个位点.分析表明:鸭梨2×、3×、4×分别检测到831、886、852个位点,发生甲基化位点分别占15.5%、20.0%、16.8%,其中全甲基化占9.7%、11.9%、9.7%.分析这些位点甲基化模式表明:甲基化模式在三个倍性间类型相同的占所检测位点的69.2%,仅两种倍性相同的为25.4%,各不相同的占5.5%,其中三倍体41.4%甲基化位点发生改变,显示出独特的DNA甲基化特点.     

鸭梨授粉前后子房核酸和蛋白质代谢的变化

本文以微量分析法对鸭梨授粉前后子房中核酸、蛋白质、核酸降解酶、蛋白水解酶的动态进行了测定分析。结果显示，花后８日内经授粉的子房中的ＤＮＡ、ＲＮＡ含量、蛋白质含量明显高于未授粉子房；核酸降解酶、水解蛋白酶的活性显著增强。表明授粉、受精作用引起子房中核酸，慢白质的旺盛合成，以及活跃的转录，翻译过程。     

夏施~(15)N-尿素在鸭梨树体内的吸收分配规律及其去向的研究

1988～1989年,在田间微区内,研究了夏施~(15)N—尿素在鸭梨树体内的吸收分配规律及其去向。两年结果基本一致。树体吸收~(15)N很快,施肥后仅42d肥料利用率高达8.54％,但向上运转缓慢;当年果实速长期树体中35.9％的肥料氮(NDFF)分配在粗根中,分配到新生器官的仅有29.8％,果实的NDFF浓度为0.087mg/g.dw,比其他器官低得多;在果实生长后期NDFF仍在向果实中运转,长枝的NDFF分配率也持续不降。当年落叶休眠期,树体内的NDFF主要贮藏在多年生枝和粗根中,次年调运到新生器官,用于开花座果及枝叶生长。到次年果实速长期,历经十三个半月,新生器官NDFF的分配率和浓度仍较高。夏施氮肥损失率高达70％以上,微区内土壤残留率低,土壤中残留的NDFF可以上下移动,植株吸收利用率最高仅为8.47％(1988年处理)和14.60％(1989年处理)。     

近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定

高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此,提出采用竞争性自适应重加权算法(CARS)对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型(CARS-PLS)与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果,r2_pre,RMSEP和RPD分别为0.908 2,0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现,CARS不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,该方法能够有效地用于高光谱数据变量的选择。 结果表明,近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。     

质谱法研究鸭梨最佳施肥期肥料N的平衡及其效应

本实验利用质谱法探讨鸭梨最佳施肥期肥料N的平衡及其效应。数据分析表明,秋施肥较春施和夏施有利于植株吸收更多的肥料N;促进树体间的协调生长;能够最有效地提高土壤的供肥能力对于肥料N的损失最少。从秋施、春施、夏施三个施肥期的综合效果看,梨树施肥应以秋施为主、春施为辅。     

高光谱和集成学习的鸭梨黑斑病潜育期快速识别方法

鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小,肉眼难以观察,因此对其早期识别仍然是困难的。结合高光谱成像技术和Stacking集成学习算法,实现了鸭梨黑斑病的潜育期识别检测。首先,获取健康和不同腐败程度黑斑病鸭梨样品的原始高光谱图像,基于图像选取感兴趣区域(ROI),然后对提取的平均光谱数据进行一阶导数(FD)、二阶导数(SD)、标准正态变量变换(SNVT)及组合SNV-FD和SNV-SD预处理后,采用竞争性自适应权重取样法(CARS)提取特征波长的光谱信息。最后基于筛选出的特征信息分别建立最小二乘支持向量机(LS-SVM)、 K最邻近法(KNN)、随机森林(RF)和线性判别分析(LDA)分类模型。其中,预测效果最好的组合为SNV-FD-LSSVM,SNV-KNN和SNV-FD-RF,准确率分别达到94%, 88%和88%。四种算法建立的模型中,测试集准确率不低于85.00%的个数分别为5、 3、 2和0,因此优选出LS-SVM、 KNN和RF三个分类器用于后续的集成学习。为提高模型准确率,以优选出的LS-SVM、 KNN和RF三种模型作为基分类器构建Stacking学习框架,...     

可见-近红外光谱的鸭梨黑心缺陷在线检测AdaBoost集成模型研究

黑心病是鸭梨贮藏期间发生的生理病害,其病变初期表现在内部果核处出现褐色斑块,而在果实外观上与正常果几乎没有任何差异,严重影响鸭梨的贮藏时间和品质,亟需一种快速无损的检测方法为鸭梨质量保驾护航。采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别,结合平滑（Smoothing）、标准正态变量变换（SNV）、多元散射校正（MSC）、SG一阶导数（SG 1st-Der）以及小波变换（WT）预处理方法和主成分分析（PCA）、k近邻（kNN）、朴素贝叶斯（NBC）、支持向量机（SVM）以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。Adaboost集成了kNN、NBC和SVM三个独立学习器。将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价,采用训练集的查准率/查全率的调和平均值（F-measure）和正确识别率（Accuracy）对分类模型进行优化和评价。研究结果表明：不同属性（正常和黑心）鸭梨样品光谱的前三主成分分布图相互交错,很难直观地对黑心鸭梨进行区分。样品光谱经小波变换（小波基为“Haar”）预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%;经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%;经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%;经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。通过测试集对模型进行验证可知：光谱经小波变换预处理后建立的Adaboost分类模型最优,分类的F-measure达到90.91%,较WT-kNN,SG 1st-Der-NBC和WT-SVM模型分别提高了11.39%,15.23%和2.30%;Accuracy达到92.63 ％,分别提高了10.52%,11.58%和2.10%;模型对测试集样品预测时的计算时间约为0.12s,满足在线分选要求。可见-近红外光谱结合AdaBoost分类方法,可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。     

丙酸热水综合处理技术对采后河北鸭梨黑斑病发病率及贮藏品质的影响

探讨了45℃热水条件下分别使用一系列浓度丙酸(0,4 000,5 500,7 000,8 500mg/L)处理30min对采后鸭梨黑斑病菌的发病率和贮藏品质的影响.结果表明:与对照组相比,各浓度丙酸热水综合处理均可有效抑制采后鸭梨黑斑病的发病率,可降低鸭梨的呼吸速率(p0.05);对鸭梨的硬度、总酸度和可溶性总糖无显著性影响(p0.05);处理后测得的丙酸残留量远远低于国家限量标准;但8 500mg/L处理后的鸭梨果表药害已影响到鸭梨商品品质,达到处理极限浓度.