黑醋栗汁的酶法提取和澄清

用含纤维素酶和半纤维素酶的果胶酶制剂提取和澄清黑醋栗汁。在果汁自然pH(2.6)条件下,酶可在广泛的温度范围内起作用。100g水果破碎物,加103u酶制剂,50℃处理120分钟,出汁75g。出汁率提高33%。过滤速度提高14倍。经酶澄清处理的果汁不含果胶,澄清度68%。稳定性试验中未出现雾样混浊。     

电化教育在动物学教学中的尝试

生物学学习的对象是研究自然界生活图的生物现象,使学生掌握它們的生活規律进一步控制它們向人类需要方向发展。因此,要将一个活动的生命放到课堂上来講解,除了依靠語言,实物标本,模型或掛图还怎样能解释得更深更透,更生动呢?自从电影配合课堂教学进行以后,使我体会到电影是提高生物教学的有效工具。现在把使用电影进行教学的方法,反应,效果和个人的体会提供大家参考:     

固定化青霉素酰化酶的研究

将巨大芽孢杆菌胞外青霉素酰化酶通过共价键连接到醋酸纤维素载体上,制成的固定化青霉素酰化酶的表观活力达2000 u／g左右(PDAB法)。水解lO％(w／v)的青霉素G钾盐落液,使用30批,保留活力70％以上。6-氨基青毒烷酸(6-APA)总收率平均达88．37％。固定化青霉素酰化酶水解青霉素G的最适pH为9．95,最适温度为55℃,表观米氏常数为1.093×10-2mol／L,在pH 5．8-10．7,温度45℃以下酶的活力稳定。     

中国蝾螈科动物的反捕行为(正文)

中国的蝾螈科(Family Salamandridae)动物演化出了卓越的,多种多样的特征,而这些特征往往伴随着强烈的皮肤毒腺存在来保护自己免受捕食者的侵害。这些反捕食行为机制分布列入表1,并以照片解释其反捕行为,来用于已创建的定义和术语是非常重要的。这些定义和术语与不同反捕行为是密切相关的。该科中大多数蝾螈都有鲜艳的腹部色型,有皮肤分泌物毒素存在以警告捕食者。有的蝾螈,象兰尾蝾螈Cynops cyanura和中国瘰螈Paramesotriton chinensis甚至向上翻转显示腹部颜色。     

黑胸木蜂天蛾的生物学特性及防治

黑胸木蜂大蛾SataspestagalicachinensiClark是南岭黄檀的重要食叶害虫之一。近年来,该虫在福建沙县南岭黄植林内发生较为严重,幼虫食叶量大,为害猖獗,严重影响紫胶生产,有关该虫的生物学特性,国内尚未见有报道。作者于1987～1990年对该虫的幼期形态,生物学特性进行了系统观察,现将结果整理如下。1寄生及分布黑胸木蜂天蛾的寄主有南岭黄檀、黄檀和葡萄属植物。国内已知分布于广东、福建（沙县、南平、武夷山）。国外分布于缅甸;印度;斯里兰卡;菲律宾[1]。2生物学特性2．1生活史黑胸木蜂大蛾在福建一年发生3代,以蛹在土里越冬。…     

南京紫金山现代植被表土孢粉的初步研究

 选择南京紫金山现代植被进行植被调查和表土孢粉分析。结合中国东部不同气候带下的几个地点表土孢粉分析,把孢粉百分含量、孢粉组合及孢粉优势种、标志种与植被的各项参数进行对比,找出植被与孢粉之间的关系。为恢复古植被、古生态和古气候提供科学依据。     

水库对投饵网箱养鱼的负荷力

本文用１８个１４．３ｍ￣３的围隔组成的围隔群,以鲤为材料,研究了水库对投饵网箱养鱼的负荷力。实验中观测了水温、透明度、ｐＨ值、溶氧、化学耗氧量、生化需氧量与非离子氨等环境因素的变化。结束时将这些变化与我国渔业水质标准相比较,查明该负荷力约为３０００ｋｇ·ｈａ￣（－１）,建议增加２５－３５％的安全储备,以最大载鱼量１８００－２３００ｋｇ·ｈａ￣（－１）作为推荐值。     

果树介壳虫寄生蜂资源的研究

介壳虫是果树的重要害虫,研究利用寄生蜂的自然控制作用是果树介壳虫生物防治和综合治理的重要途径。本论述了果树介壳虫寄生蜂资源的研究,报道了小蜂总科寄生蜂5科25属63种。     

康宁木霉CP88329纤维素酶产生条件的研究

从生霉棉布上分离出的康宁木霉ＣＰ８８１０５经诱变处理,获得一株高产纤维素酶的突变株ＣＰ８８３２９。在固体培养基上,２８℃培养７２小时,所产纤维素酶固体曲,以羧甲基纤维素钠为底物酶活力为４８８０ｕ／ｇ;以脱脂棉为底物酶活力为４８０ｕ／ｇ。产酶活力水平均为出发菌的３倍。酶在脱脂棉上作用最适条件为ｐＨ４．５－５．０,４５－５０℃;４５℃保温４ｈ,ｐＨ稳定范围为３．５－６．５;６０℃保温１ｈ,酶活力剩余２０％。酶可用于苎麻布抛光处理和牛仔服“石磨”处理。     

神经元图像大数据的弱监督自动识别技术

在介观尺度上，小鼠大脑图像的数据量可达到10 TB量级，人脑数据量则达到惊人的几十PB，从海量脑图像数据中识别和分析神经元的形态是一项复杂且具有挑战的任务。当前研究人员提出了基于传统机器学习和深度学习的神经元识别算法，其中传统机器学习方法存在迁移、泛化能力较差的问题，基于深度学习的算法虽然可以通过海量精确标注的训练数据提高模型的泛化性，但缺乏精确且丰富的图像标记数据集，因此同样存在过拟合和泛化能力弱等问题。本文提出了一种基于深度学习的弱监督神经元识别方案，仅需要少量有标注的数据，即可通过迭代策略获取海量神经元图像的精确识别结果，具备较强的泛化能力，并最大限度减少人工参与量。该方法在fMOST、BigNeuron等数据集上进行了实验，自动识别精度F1值分别为0.9247和0.8318，优于其他对比的神经元识别算法。