小浆果中食源性甲型肝炎病毒和诺如病毒流行状况及检测方法的研究进展

小浆果是食源性甲型肝炎病毒(hepatitis A virus,HAV)和诺如病毒(norovirus,NoV)感染爆发的重要传播载体,受到全世界的广泛关注。为及时了解小浆果产品的病毒污染情况,需要对不同类型小浆果中的食源性病毒进行准确检测。由于受污染的小浆果携带病毒含量较低,且自身质地脆弱并含有大量果胶、多酚、多糖、色素等反转录聚合酶链式反应(reverse transcription-polymerase chain reaction,RT-PCR)抑制物,容易产生大量的"假阴性"结果,给食源性病毒的监测带来困难。在广泛查阅文献的基础上,本文综述了HAV和NoV在小浆果中的流行状况,指出了小浆果中食源性病毒检测的改进方向,阐述了全程过程控制、分子过程控制和RT-PCR过程控制在食源性HAV和NoV检测中的应用情况,为加强HAV和NoV在小浆果中的防控能力提供方法学参考。

基于分子对接技术筛选中草药中潜在的H1N1病毒神经氨酸酶抑制剂

甲型H1N1流感病毒是一种高度接触性急性呼吸道传染病,给人类健康造成了极大威胁。作为一个已经被证明的抗流感药物靶点,神经氨酸酶在流感病毒复制和传播中发挥重要作用,并且其活性中心的氨基酸组成高度保守。本研究中,我们使用分子对接技术筛选从中草药小分子数据库中筛选神经氨酸酶潜在的抑制剂,结果得到4个亲和力高于奥司他韦(Osel-tamivir)的化合物,并确定了他们的中草药来源。为从草药中提取,设计以及实验合成新的神经氨酸酶抑制剂提供了一定的依据和指导。

利用MiSeq技术研究调味面制食品中优势菌群及细菌多样性分析

为研究调味面制食品中微生物菌群分布的多样性与结构特点,以期把握其特定的致病菌提供理论依据,该试验采用高通量测序技术,研究分析调味面制食品中微生物的多样性,通过GB 4789.2-2016《食品安全国家标准食品微生物学检验菌落总数测定》中的均质拍击法提取调味面制食品中的微生物基因组,并选择Illumina MiSeq测序平台以及可变区域V3-V4进行测序。结果表明,3种调味面制食品中的细菌菌群多样性虽不高,但菌群结构具有一定的相似性,优势菌属为芽孢杆菌属(Bacillus),同时还有铜绿假单胞菌属(Pseudomonas)、明串珠菌属(Leuconostoc)、泛菌属(Pantoea)等。为后续加强食品生产工艺流程卫生,防控微生物污染,保证食品质量安全提供了新思路和新方法。

食品中甲型肝炎病毒RNA提取方法的比较及应用

目的:对食品中甲型肝炎病毒的3种RNA提取方法进行综合比较,以优选出最佳的核酸提取方法,为各级实验室开展食源性甲型肝炎病毒核酸检验提供技术参考。方法:分别采用ABI AM1836、QIAGEN 74104和ROCHE11858882001三种商业化核酸提取试剂盒对人工污染甲型肝炎病毒的食品样品进行核酸提取,根据3种核酸提取方法的提取效率、抑制剂去除效率、检测灵敏度、综合应用指标进行病毒RNA的优化,且采用优化后的提取方法进行实际样品的检测。结果:综合病毒各项评价指标显示,ROCHE 11858882001在食品中提取甲型肝炎病毒RNA效果最优,其次为QIAGEN 74104和ABI AM1836。101份样品的检测结果显示,一份蓝靛果样品为甲型肝炎病毒核酸阳性,其余样品均为阴性。结论:ROCHE 11858882001是一种快捷有效的病毒RNA提取方法,适用于食品中甲型肝炎病毒的日常检测工作。

机器学习在MALDI-TOF MS鉴定微生物中的应用

基质辅助激光解吸/电离飞行时间质谱(matrix-assisted laser desorption/ionization time-of-flight mass spectrometry,MALDI-TOF MS)是一种新兴的高通量技术,已广泛应用于临床微生物、食品微生物和水产微生物的快速鉴定。如何进一步提高MALDI-TOF MS在微生物鉴定中的分辨率是该技术当前面临的一大挑战。为了高效处理大量高维微生物MALDI-TOF MS数据,各种机器学习算法得到了应用。本文综述了机器学习在微生物MALDI-TOFMS鉴定中的应用。首先,本文在介绍机器学习在微生物MALDI-TOF MS分类中的工作流程后,进一步对MALDI-TOF MS的数据特征、MALDI-TOF MS数据库、数据的预处理和模型的性能评估进行了描述。然后讨论了典型的机器学习分类算法和集成学习算法的应用。简单的机器学习算法很难满足微生物MALDI-TOF MS分类的高分辨率的需求,而组合不同机器学习算法和集成学习算法可以获得更好的微生物分类性能。在MALDI-TOF MS数据的预处理方面,小波算法和遗传算法的应用最广,它们结合分类算法可以有效提高MALDI-TOF MS的分类性能。随着微生物MALDI-TOF MS数据量的不断增加,在未来的研究工作中应更重视分类算法的改进、不同算法的选择或组合以及预处理算法的改进。