基于UPLC-MS/MS探讨枳实中黄酮类化合物与辛弗林药动学的相互影响

目的:基于超高效液相色谱-三重四级杆串联质谱(UPLC-MS/MS),探讨枳实中黄酮类化合物与辛弗林药动学的相互影响,为引入黄酮类化合物作为枳实的质量定量控制指标提供科学依据。方法:取24只SD大鼠,随机分为6组(n=4),A组为辛弗林+6种黄酮类化合物(新橙皮苷、柚皮苷、芸香柚皮苷、橙皮苷、川陈皮素和野漆树苷),B组为辛弗林单独给药,C组为辛弗林+柚皮苷,D组为辛弗林+新橙皮苷,E组为6种黄酮类化合物单独给药,F组采用等体积的0.9%氯化钠溶液处理,均灌胃给药。取给药后不同时间点的血浆,测定血浆中柚皮苷、新橙皮苷和辛弗林含量,应用DAS 2.0软件计算药动学参数。利用UPLC-MS/MS方法测定血药浓度。结果:A组大鼠新橙皮苷清除率为(9337.88±8373.94)L/h·kg,显著高于E组的(2558.22±610.87)L/h·kg,差异有统计学意义(P<0.05)。A组、D组大鼠新橙皮苷的分布体积分别为(2549.72±1381.42)、(1668.41±394.73)L/kg,均明显低于E组的(23388.87±6089.53)L/kg,差异均有统计学意义(P<0.05)。A组大鼠辛弗林的平均停留时间为(2.50±0.63)h,较B组、C组和D组[(1.62±0.11)、(1.70±0.17)和(1.57±0.08)h]更长,差异均有统计学意义(P<0.05)。结论:辛弗林对新橙皮苷的消除率和分布影响较大,枳实中的黄酮类化合物可延长辛弗林的平均停留时间。

基于近红外光谱技术的食用油酸值和过氧化值定量分析研究

目的 建立基于傅里叶近红外光谱技术的定量分析模型,实现快速测定食用油中酸值和过氧化值含量,保证食用油的品质安全以及跟踪食用油储藏期间的品质变化。方法 首先采用傅里叶近红外光谱仪采集食用油样品漫反射光谱,接着采用归一化(Normalize)和标准正态变换(standard normal variate,SNV)对光谱数据进行预处理,降低原始光谱中噪声的影响;其次通过随机森林(random forest,RF)和引导软收缩(bootstrapping soft shrinkage,BOSS)算法提取特征波长;最后结合径向基函数(radial basis function,RBF)神经网络和极限学习机(extreme learning machine,ELM)建立食用油酸值和过氧化值的预测模型,并与全波段的模型进行对比分析。结果 经过BOSS算法所提取的特征波段建立的模型预测效果优于RF算法以及全波段模型,酸值模型的决定系数(determination coefficient,R2)达到0.98,均方根误差(root mean square error,RMSE)达到0.08;过氧化值模型的R2达到0.96,RMSE达到0.63。结论 BOSS算法有效的提取了食用油酸值和过氧化值的特征波段,BOSS-RBF模型能够适用于食用油中酸值和过氧化值含量的快速、无损检测。利用近红外光谱技术对食用油酸值和过氧化值进行定量分析是可行的,可通过该方法实现对食用油品质的分析研究。

鸡蛋中氟苯尼考残留的现状及思考

鸡蛋中氟苯尼考残留问题较为突出,用药习惯及偏好、非法添加处方外其他药物、使用中交叉污染、贩卖产蛋前期鸡蛋及违法违规滥用药物是造成其残留的主要原因。为规范氟苯尼考的使用,降低兽药残留风险,养殖主体要合理合规使用药物,定期对饲料加工车间进行清洁处理,严格实行凭兽医处方购买使用的规定,在执业兽医指导下正确使用氟苯尼考;在监管执法方面,有关部门要进一步完善氟苯尼考相关的兽药残留标准,明确监管权责,在不同环节、不同主体的生产、流通、经营、使用过程中实行有效监管。

鸡蛋中喹诺酮类兽药残留现状及对策建议

就鸡蛋中喹诺酮类兽药残留现状、残留危害、原因分析及对策建议进行综述,以期为养殖场(户)用药的规范、相关部门监管执法的开展、鸡蛋中喹诺酮类兽药残留的质量安全标准和评定程序的研究与制定提供参考。

浅谈自动扶梯与自动人行道制动器功能的全面检验

制动系统是自动扶梯与自动人行道重要的工作组成之一,关系到自动扶梯的安全运行。要想综合的检验自动扶梯的制动系统需要从零到整全面检验,首先分析其各零部件的工作状况和磨损情况,在对其整体的制动性能进行检验,尤其是带有附加制动器的自动扶梯还要进行更为全面的试验,才能综合的检验其整体性能。

细悟党课宣讲的“大小”之“道”

党课要出新出彩,就要以小见大,以“小人物”巧讲“大道理”、用“小创新”代替“大灌输”、从“小会场”走向“大现场”,让党课有滋有味、入脑入心,真正凝聚起党员干部攻坚克难、干事创业的强大精神力量。

基于THz-ATR技术的发芽葵花籽光谱分析研究

随着葵花籽发芽,其脂肪和蛋白质等营养物质的含量会减少,影响油脂产品的产量及品质。利用太赫兹时域光谱技术,分别结合支持向量机(Support vector machine,SVM)算法和极限学习机(Extreme learning machine,ELM)算法建立葵花籽发芽粒的定性识别模型,保障葵花籽的品质安全。实验过程首先对60粒葵花籽进行萌芽培养,之后从中随机选择30颗作为发芽粒样本,另选择30粒正常葵花籽样本,共计60粒实验样本。之后利用太赫兹衰减全反射技术采集0.3~3.6 THz范围内的实验样本光谱数据,经过快速傅里叶变换与加窗操作转换到频域中,通过提取光学常数得到样本的吸收系数光谱和折射率光谱,选取10~40 cm^(–1)和60~80 cm^(–1)2个特征波段的折射率进行归一化预处理,分别结合SVM算法和ELM算法建立定性识别模型。实验结果表明,基于联合特征波段-SVM算法的定性模型与基于联合波段-ELM建立的定性识别模型对发芽粒识别正确率、正常粒识别准确率均为100%。相比ELM模型,SVM模型识别速度更快。研究结果表明,利用太赫兹时域光谱技术分别结合SVM算法与ELM算法对葵花籽发芽粒进行识别检测均具有可行性,所建立模型可靠性很强,为贮藏、加工期间葵花籽发芽粒的监控监测提供方法参考。