鸡肌苷酸性状候选标记的筛选

本研究旨在探讨鸡肌苷酸性状候选遗传标记以及在不同品种中的遗传效应。以国内外11个鸡群体和红色原鸡为实验材料,采用MALDI-TOF-MS方法对1号染色体上影响肌苷酸性状的候选基因(ADSL、GARSGART-AIRS)进行多态性检测和单倍型分析。结果表明:在2个基因中共发现4个SNP位点,12种主要单倍型,各种SNP位点及单倍型在世代群体中遗传稳定;其中,H4(TCGAT)、H11(CCGAC)单倍型可能是胸肌肌苷酸性状中优势和劣势单倍型。结果提示,ADSL、GARS-GART-AIRS可以作为鸡肌肉肌苷酸性状的候选标记,H4单倍型作为优势单倍型值得关注。

运动能力候选基因标记研究进展

基因多态性的战略性研究越来越多地受到生命科学家的重视。基因选材通过检测与运动相关的基因,可提高运动员科学选材的质量,还可以节省大量人力和物力,也是运动选材的重要组成部分。在候选基因研究方法的基础上,从核DNA和线粒体DNA两方面综述了可能作为运动能力候选基因标记的研究进展,以期为教练员科学选材和相关科研人员提供参考。

猪瘟弱毒标记疫苗候选株RecC-M1对猪的安全性研究

为探究猪瘟弱毒标记疫苗候选株RecC-M1(将牛病毒性腹泻病毒1型E^(rns)和猪瘟病毒基因2型流行株E2高变区分别置换弱毒疫苗C株对应区域构建而成)对猪的安全性,本实验以2.0×10^(5)FAID_(50)(50%荧光抗体感染剂量)高剂量的RecC-M1株经颈部肌肉注射接种12头35日龄猪瘟病毒(CSFV)抗体阴性仔猪,另设生理盐水对照组6头。接种后观察各组猪的临床症状,并于接种后不同时间(0、1 d、3 d、5 d、7 d、14 d、28 d和42 d)采血用于细胞计数;接种后7 d和42 d各取6头猪(包括第42 d对照组6头猪),剖杀后观察各组织剖检病变,并取各组织制作切片观察组织病变,采用qPCR检测病毒在各组猪各组织中的分布。根据qPCR结果,选择阳性组织样品(扁桃体、肾脏和淋巴结)的病理切片采用免疫组化法检测RecC-M1株在猪上述各组织中的分布。于接种后0~7 d、14 d、28 d和42 d分别采集各组猪的鼻拭子和肛拭子样品以及不同时间采集的血液,均采用qPCR检测各组猪的病毒血症及排毒;采用间接ELISA分别检测各组猪血清中分别针对BVDV及CSFV相应抗原的抗体水平。结果显示,RecC-M1组猪在42 d的观察期内均未出现临床症状,体温、白细胞数和淋巴细胞数与阴性对照组猪均无明显差异,且均在正常范围内;剖检及组织病变观察结果显示,接种后7 d和42 d猪的各组织均未见淤血或出血;扁桃体、淋巴结、脾、肾、膀胱、回盲瓣等CSFV嗜性组织均未见明显的病理学变化;各组织样品的qPCR结果显示,接种后7 d所有6头猪的肾脏和扁桃体样品和2头猪的淋巴结样品中均检出CSFV核酸,而接种后42 d所有猪的组织样品均为阴性;免疫组化结果显示,接种后7 d猪扁桃体和肾脏样品中CSFV抗原均呈阳性,接种后42 d猪的所有组织样品则均转为阴性;病毒血症和排毒的qPCR结果显示,接种后14 d内部分猪血液、鼻拭子和肛拭子样品中检出CSFV核酸,接种后28 d和42 d所有猪血液、鼻拭子和肛拭子则均为阴性。间接ELISA结果显示,接种后14 d针对BVDV1 E^(rns)抗体开始上升,而针对CSFV E2的抗体则在接种后7 d开始上升,此后两种抗体水平均随时间的推移呈持续上升趋势。阴性对照组猪各组织均未见明显剖检及组织病变,各组织CSFV抗原,各组织、血液及拭子样品均为阴性,也未产生针对相应病毒抗原的抗体。上述结果表明,高剂量的RecC-M1株对猪是安全的,本研究为RecC-M1株作为猪瘟弱毒标记疫苗的产业化开发奠定实验基础。

偏标记学习研究综述

在弱监督信息条件下进行学习已成为机器学习领域的热点研究课题。偏标记学习作为一类重要的弱监督机器学习框架,适于多种实际应用问题的学习建模。在该框架下,每个对象在输入空间由单个示例(属性向量)进行刻画,而在输出空间与一组候选标记相关联,其中仅有一个为其真实标记。本文将对偏标记学习的研究现状进行综述,首先给出该学习框架的定义以及与相关学习框架的区别与联系,然后重点介绍几种典型的偏标记学习算法以及作者在该方面的初步工作,最后对偏标记学习进一步的研究方向进行简要讨论。

非消歧偏标记学习

偏标记学习是一类重要的弱监督机器学习框架.在该框架下,每个对象在输入空间由单个示例进行刻画,在输出空间与一组候选标记相对应,其中仅有一个标记为其真实标记.利用有歧义性的样本进行建模,直观的策略是对候选标记集合进行消歧,然而该策略会受到伪标记的影响,因此有必要考虑从非消歧的角度解决偏标记学习问题.本文将围绕基于消歧、非消歧策略的偏标记学习算法对该领域进行综述.首先,给出偏标记学习的定义以及其与其他相关学习框架的关系.然后对现有几种代表性基于消歧策略的偏标记学习算法进行介绍.接下来重点介绍我们提出的两种基于非消歧策略的偏标记学习算法.最后对本文进行总结并简要讨论进一步的研究方向.