基于深度学习的生物组织病理图像分析在海洋监测中的发展潜力及案例分析

生物组织病理指标可用于评价海洋生物健康,但在应用中存在效率低、成本高、主观性强等缺陷。将人工智能技术引入生物组织病理分析,可以发挥其高通量的图像分析优势,突破其在海洋生物健康评价和监测中的应用限制。该文通过对海洋生物组织健康评价指标、人工智能技术的图像分析应用以及利用人工智能开展组织病理图像处理的文献调研,提出基于深度学习的海洋动物组织病理图像分析思路,并以海洋贻贝作为模式生物进行技术开发。经过对贻贝鳃组织病理影像数据的训练、验证和预测等过程,确定Res-UNet深度学习模型可对贻贝在典型环境污染物胁迫下的病理损伤进行高效、准确定量,构建了一种能够自动化、高通量和弱主观性地分析海洋贻贝组织病理影像的工作流程,为海洋生物健康评价、海洋监测提供新思路与新技术。

定量微生物风险评估中的微生物溯源方法研究进展

由于粪便及其相关的病原微生物污染导致的公共卫生事件不断发生,病原微生物对人体健康的潜在风险日益受到关注。地表水体的病原微生物污染使人们意识到其带来的环境风险,因此明确水环境中病原微生物含量对于控制水媒传染病具有重要意义。微生物定量风险评估(quantitative microbial risk assessment,QMRA)作为目前较为前沿的风险评估建模方法可用于评估暴露于粪便污染地表水及相关病原微生物的健康风险。在水源病原微生物风险评估方面,特别是地表水体病原微生物领域存在数据不足,不确定性较大等缺陷,进展相对落后。微生物溯源(microbial source tracking,MST)标记基因可追溯点源或非点源的粪便污染。与依赖常规粪便指示微生物(FIB)相比,将MST标志物与QMRA结合应用可以量化MST标记基因与病原微生物之间的关系,确定地表水水体中MST标记基因水平对暴露人群的风险基准。通过量化MST标记基因与病原微生物衰变程度可进一步确定水体中MST标记基因的水平,病原微生物的命运和运输建模纳入QMRA模型参数和敏感度分析,有助于分析不同暴露途径的角色塑造。本综述对目前MST-QMRA结合的研究进行了回顾,总结目前研究现状并提出研究展望,为地表水、饮用水病原微生物的基准与标准制定及采取可行的健康干预决策提供有力支撑。

太湖水质与水生生物健康的关联性初探

分别利用内梅罗指数法和底栖动物完整性指数法评价2008～2012年太湖水质和水生生物健康状况．结果表明，太湖全湖水质受到污染，水生生物健康基本处于亚健康状态．水质评价和水生生物评价结果在较大的尺度上呈现相同的趋势：从全湖尺度上看，水质和水生生物评价都显示东太湖的水生态健康状况总体上好于太湖其他部分．从时间上看，2008～2012年太湖水质等级和水生生物健康状况均低于20世纪60年代的水平．两种评价结果在短时间尺度和某些点位间存在差异，这是由于：①两种评价方法关注的时间尺度有所差异；②水生生物健康不仅与水质有关，还与水体生境有关．有机污染物和过剩营养盐是影响太湖水质和水生生物健康状况的主要因素，因此降低太湖及其人湖河流中有机污染物和营养盐的浓度是改善太湖水质和水生态功能的有效方法．