Loading...
机构名称:
¥ 1.0

通过CTAB方法提取,这是一种获得高质量DNA的公认方案。量化DNA样品,以确保通过25 SSR引物扩增的一致模板浓度。PCR扩增,然后进行琼脂糖凝胶电泳,以分离和可视化SSR带模式,然后根据频带的存在或不存在二进制矩阵格式记录。在所使用的SSR引物中,有9个是多态性的,产生了13个可记分标记,突出了基因型之间的遗传变异性。跨SSR基因座的多态性信息含量(PIC)值,XTXP145基因座的最高PIC值为0.998,表明其在基因型之间区分的高歧视能力和信息性。遗传相似性指数,并通过使用算术平均值(UPGMA)方法对数据进行群集分析。所产生的树状图将基因型分为七个主要簇,以50%的相似性阈值分组,强调了所研究的高粱基因型中存在的遗传多样性。群集I包含单个基因型SVD-1272R,而群集II包括七个具有亚集群形成的基因型。群集III包括一个未分组的基因型SPV-486。群集IV包括八种基因型,而簇V,VI和VII均包含一个单一的未分组基因型。该树状图说明了高粱基因型之间的遗传多样性和关系,基于相似性指数。1。这项研究的结果证实了SSR标记在评估遗传多样性方面的功效,并强调了它们在旨在提高干旱耐受性的繁殖计划中的潜在效用。关键字:高粱; SSR;图片底漆;相似性指数。简介高粱[高粱双色(L.)Moench],被称为“小米之王”,其谷物尺寸较大,是Kharif(Rainy)和Rabi(Postrainy)季节种植的一种关键谷物作物。在印度,马哈拉施特拉邦,卡纳塔克邦和安得拉邦是产生高粱的主要国家,占国家产出的80%,占全球生产的约16%。尽管只有5%的高粱区域被灌溉,但毛毛高粱对于印度半岛的雨林地区至关重要。干旱应力对高粱的生理和生化过程产生负面影响,需要改善干旱耐受性特征,例如根生长,叶片发育和用水效率[2]。然而,由于谷物填充和圆锥花槽大小的应力程度相互作用,这些特征的表型选择是复杂的[3]。要应对这些挑战,评估高粱基因型的遗传多样性[4]和干旱耐受性至关重要[5]。栽培物种中的遗传多样性是提高作物生产率和质量以及发展耐药性品种的宝贵资源。分子标记物,尤其是简单的序列重复(SSR),为评估遗传变异和鉴定耐旱基因型提供了强大的方法[6]。SSR标记,由于其高可重现性和多重变化,对于基因组映射和标记 -

_____________________________________________________________________________________________________ *Corresponding author: E-mail: navyashreeshakti

_____________________________________________________________________________________________________ *Corresponding author: E-mail: navyashreeshaktiPDF文件第1页

_____________________________________________________________________________________________________ *Corresponding author: E-mail: navyashreeshaktiPDF文件第2页

_____________________________________________________________________________________________________ *Corresponding author: E-mail: navyashreeshaktiPDF文件第3页

_____________________________________________________________________________________________________ *Corresponding author: E-mail: navyashreeshaktiPDF文件第4页

_____________________________________________________________________________________________________ *Corresponding author: E-mail: navyashreeshaktiPDF文件第5页

相关文件推荐

2019 年

肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系,日本京都 B) 日本京都肾脏病学系,日本京都,京都,京都,京都,京都,京都,京都,日本 D) 京都大学医学院生物医学数据智能系,日本京都 E) 京都大学医院医学信息学和管理规划部,日本京都 F) 京都大学医学院诊断病理学系,日本京都 H) Rise,药物开发数据智能平台小组,日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能(AI)模型,但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里,我们开发了人工智能模型来对肾小球图像进行分类,以获得病理诊断所需的主要发现,并研究这些模型是否可以提高肾病科医生的诊断能力。方法

¥1.0