水稻间段失绿回复突变体特性分析

本文比较了GYBT突变体1103S与GYBT回复突变体96024的性状差异。结果表明:在自然变温及人工控温诱导下,1103S要表达间段失绿性状(Green-yellow band trait,GYBT),而96024不表达。两者的育性转换特性、多数农艺及谷粒性状无明显差异,但叶片性状存在显著差异。两者的正常绿叶的叶绿素含量及a/b值、叶片游离氨基酸组分及含量也无明显差异。当GYBT表达时,1103S叶绿素含量比96024低77.49%,叶绿素a/b值比96024高58.99%。1103S和96024是研究GYBT较为理想的近等基因系。

水稻温敏间断失绿性状表达机理的研究

水稻温敏突变系 110 3s是一个在特定变温条件下 ,叶片和叶稍部都出现间断失绿性状的叶绿素突变新类型。本文综述了对这一突变新类型的研究结果。

玉米抗纹枯病QTL定位

以玉米自交系R15（抗）×掖478（感）的229个F2单株为作图群体,构建了包含146个SSR标记位点的遗传连锁图谱,全长1666 cM,平均图距11.4 cM.通过麦粒嵌入法对F2：4群体进行人工接种纹枯病菌,并以相对病斑高为病级划分标准鉴定了玉米纹枯病的抗性.用复合区间作图法分析抗病QTL及遗传效应,共检测到9个抗性QTL,分布于第1、2、3、4、5、6和10条染色体上,单个QTL可解释表型方差的3.72%～7.19%,其中有2个QTL位于染色体6.01抗病基因簇附近.

火赤链游蛇卵孵化的进一步研究兼评孵化水环境的影响

用 2× 2四种温、湿度孵化火赤链游蛇 (Dinodonrufozonatum)卵 ,重点评估湿度及其与温度的相互作用对孵化成功率、胚胎利用卵内物质和能量及孵出幼体特征的影响。卵在孵化过程中净吸水导致重量增加 ,孵化温、湿度及其相互作用显著影响孵化卵的重量变化并导致卵内水环境的相应变化。同一湿度下 ,低温孵化卵的终末重量大于高温孵化卵 ;同一温度下 ,高湿度孵化卵的终末重量大于低湿度孵化卵。温度显著影响孵化期 ,湿度及其与温度的相互作用对孵化期无显著的影响。孵化温、湿度对孵化成功率和孵出幼体性别无显著的影响。2 4℃和 30℃中均有畸形幼体孵出 ,但畸形率与孵化温、湿度无关。孵化基质湿度显著影响孵出幼体的大小(snout ventlength ,SVL)、湿重和躯干干重 ,潮湿基质中孵出幼体的SVL和体重较大且躯干发育较好。孵化温度显著影响幼体剩余卵黄的干重和灰分含量以及幼体的能量和总灰分含量 ,30℃孵出幼体的剩余卵黄较大、总灰分含量和剩余卵黄灰分含量较高 ,但能量较低。在所有被检测的幼体特征中 ,孵化温、湿度相互作用仅影响剩余卵黄干重。各条件下孵出幼体的最大持续运动距离与其SVL无显著的相关性 ,孵化温、湿度及其相互作用对孵出幼体最大持续运动距离无显著的影响。孵化水环境虽然影响部分幼体特?

GF-1与Landsat8水体叶绿素a浓度协同反演——以太湖为例

不同空间分辨率、光谱分辨率和辐射分辨率传感器数据的协同反演,对于提高水体叶绿素a浓度反演精度具有重要作用。以GF-1 WFV和Landsat8 OLI数据为对象,分别以单波段替代、单波段融合和三波段融合的协同方法,分析空间分辨率和光谱分辨率在多源遥感数据协同反演过程中对于提高水体叶绿素a反演精度的主导特征;在此基础之上,进一步探索GF-1 WFV和Landsat8 OLI数据协同反演的最优组合方式,以提高叶绿素a浓度的反演精度。结果表明,在GF-1 WFV和Landsat8 OLI协同反演过程中,近红外波段光谱分辨率和辐射分辨率对精度的影响占据主导,近红外波段光谱分辨率的提高更有利于提高叶绿素a浓度的反演精度;在蓝光波段与红光波段,则是空间分辨率越高叶绿素a浓度反演精度越高;GF-1 WFV和Landsat8 OLI最优叶绿素a协同反演光谱指数组合因子为:Landsat8 OLI近红外波段、GF-1 WFV和Landsat8 OLI融合红光波段、GF-1 WFV和Landsat8 OLI融合蓝光波段。通过实测数据验证表明,协同前GF-1 WFV和Landsat8 OLI单独反演结果的平均相对误差分别为41.93%和38.37%,优化协同反演后平均相对误差降低到17.35%。

焦虑障碍高危人群脑电信号频域分析

目的通过对焦虑障碍高危人群、焦虑障碍患者和健康人群全频域自发脑电信号进行频域分析,探索可用于识别焦虑障碍的特征性频段。方法2019年12月10日至2020年5月7日选取焦虑障碍高危人群(焦虑高危组,n=19)、焦虑障碍患者(阳性对照组,n=14)、健康正常人(正常对照组,n=19)作为研究对象。使用焦虑状态-特质问卷(state-trait anxiety inventory,S-TAI)、军事应激反应性焦虑预测量表(military stress anxiety predictive scale,MSAPS)对所有被试进行评估,并在问卷评估过程进行脑电监测。统计分析使用SPSS20.0统计软件,三组间脑电功率差异分析采用单因素方差分析和两两比较。结果三组在Delta[(2.11±0.66)μV^2,(2.52±0.38)μV^2,(2.73±0.47)μV^2]、Theta[(1.31±0.43)μV^2,(1.52±0.28)μV^2,(1.67±0.35)μV^2]、Alpha[(1.05±0.44)μV^2,(1.29±0.25)μV^2,(1.45±0.55)μV^2]、Beta-1[(0.69±0.16)μV^2,(0.86±0.18)μV^2,(0.99±0.27)μV^2]、Beta-2[(0.55±0.15)μV^2,(0.67±0.18)μV^2,(0.75±0.20)μV^2]、Gamma频段[(0.31±0.09)μV^2,(0.40±0.14)μV^2,(0.45±0.16)μV^2]Cz电极处的脑电功率差异均有统计学意义(F=3.80~9.21,均P<0.05)。经Bonferroni校正后两两比较,Beta-1频段下,焦虑高危组与正常对照组之间的脑电功率差异有统计学意义(P=0.03)。结论焦虑障碍高危人群和焦虑障碍患者的脑电信号均在Cz处的Beta-1频段与健康人群有显著差异。这种脑电信号的差异可为焦虑高危人群的识别和焦虑障碍的诊断提供有利的客观支持。