摘要。由病原体链球菌引起的链球菌病是淡水养殖养殖中的一个严重问题。这项研究旨在使用多草药成分来刺激鱼类免疫系统的改善,以抵抗致病性细菌S. agalactiae的感染。该研究是在FKIP化学实验室,FKP的鱼类孵化场和繁殖实验室以及吉隆坡Syiah Syiah Medicinate的实验室进行的。使用的测试鱼是罗非鱼的长度为7-8 cm。研究方法是使用由5种处理和3种复制组成的完全随机设计进行实验进行的,即A(阴性对照),B(阳性对照),C(添加C. gigantea),D(添加了M. oleivera),E(添加了C. alata L)。使用方差分析对测试结果数据进行分析。与未经浸入提取物中没有浸泡的人相比,在血液参数(白细胞,血红蛋白,血细胞比容)中观察到的血液参数(白细胞,血红蛋白,血细胞比容)中观察到的免疫反应的研究结果表明,免疫反应的增加,血液参数(白细胞,血红蛋白,血细胞比容)和更高的存活率增加。在83.33%的10 ppm叶片叶提取物处理10 ppm时获得了最高的存活率。
前副主任研究(生物学)扩大的鼓励和道德支持,普里亚尼·塞内维拉特(Priyani Seneviratne)博士是不可估量的,她特别感激她。过去的植物病理学家和同事,尤其是C.K.博士Jayasinghe,R。Jayarathne博士,W.P.K。 Silva和K.E.博士 Jayasuriya因了解Hevea橡胶的植物保护活动所做的巨大贡献而受到认可。 O.S.博士的一个特别的感激之情。 Peiris,A。DeS. Liyanage博士和(夫人)N.I.S. liyanage对橡胶种植园行业的重大贡献。 大多数照片是由Priyantha Peiris先生W. Amaratunge先生或植物病理学和微生物学部门的前任工作人员制作的,他们的宝贵投入和服务也得到了承认。 感谢植物病理学和微生物学系的所有工作人员,特别是Dilshari,Champaka,Najith,Nadeeshani和Akila,感谢他们提供的专门且不懈的服务。 创意输入,在整个期间设计页面和专用支持时,由Madushani Lanka女士打算设置,也值得赞赏。Jayasinghe,R。Jayarathne博士,W.P.K。Silva和K.E.博士 Jayasuriya因了解Hevea橡胶的植物保护活动所做的巨大贡献而受到认可。 O.S.博士的一个特别的感激之情。 Peiris,A。DeS. Liyanage博士和(夫人)N.I.S. liyanage对橡胶种植园行业的重大贡献。 大多数照片是由Priyantha Peiris先生W. Amaratunge先生或植物病理学和微生物学部门的前任工作人员制作的,他们的宝贵投入和服务也得到了承认。 感谢植物病理学和微生物学系的所有工作人员,特别是Dilshari,Champaka,Najith,Nadeeshani和Akila,感谢他们提供的专门且不懈的服务。 创意输入,在整个期间设计页面和专用支持时,由Madushani Lanka女士打算设置,也值得赞赏。Silva和K.E.博士Jayasuriya因了解Hevea橡胶的植物保护活动所做的巨大贡献而受到认可。O.S.博士的一个特别的感激之情。Peiris,A。DeS. Liyanage博士和(夫人)N.I.S. liyanage对橡胶种植园行业的重大贡献。 大多数照片是由Priyantha Peiris先生W. Amaratunge先生或植物病理学和微生物学部门的前任工作人员制作的,他们的宝贵投入和服务也得到了承认。 感谢植物病理学和微生物学系的所有工作人员,特别是Dilshari,Champaka,Najith,Nadeeshani和Akila,感谢他们提供的专门且不懈的服务。 创意输入,在整个期间设计页面和专用支持时,由Madushani Lanka女士打算设置,也值得赞赏。Peiris,A。DeS. Liyanage博士和(夫人)N.I.S.liyanage对橡胶种植园行业的重大贡献。大多数照片是由Priyantha Peiris先生W. Amaratunge先生或植物病理学和微生物学部门的前任工作人员制作的,他们的宝贵投入和服务也得到了承认。感谢植物病理学和微生物学系的所有工作人员,特别是Dilshari,Champaka,Najith,Nadeeshani和Akila,感谢他们提供的专门且不懈的服务。创意输入,在整个期间设计页面和专用支持时,由Madushani Lanka女士打算设置,也值得赞赏。
林邦叶(Solanum torvum)含有酚类、黄酮类、三萜类和皂苷类的次生代谢产物化合物。这种次级代谢产物化合物可以在钢表面形成一层保护层,从而发挥腐蚀抑制剂的作用。本研究旨在确定 rimbang 叶提取物在 1 M HCl 介质中作为低碳钢腐蚀抑制剂的能力。使用甲醇溶剂浸渍获得 Rimbang 叶提取物,并使用重量损失法、紫外可见分光光度法、傅里叶变换红外 (FTIR)、原子吸收光谱法 (AAS)、光学显微镜分析和接触角进行测试。根据研究结果,在30℃温度下,当林邦叶提取物浓度为8g/L时,林邦叶提取物的最高抑制效率为91.30%。失重法测量表明,随着萃取物浓度的增加和温度的降低,腐蚀速率降低,缓蚀效率提高。林邦叶提取物的吸附遵循朗缪尔吸附等温线。林邦叶提取物的吸附属于混合型吸附,但根据热力学参数计算的结果,趋向于物理吸附。使用 FTIR 和 UV-Vis 进行的分析表明,rimbang 叶提取物和钢表面之间存在相互作用。使用光学显微镜进行的表面分析表明,添加和不添加 rimbang 叶提取物后,钢材表面的形态存在差异。在 SSA 方法中,HCl 介质中溶解铁的含量随着 rimbang 叶提取物浓度的增加而降低。测量接触角l得出加入萃取液的钢材表面在滴上水后就变得疏水了,从而可以减缓腐蚀反应。
统计计算很大程度上由概率的加权总和或积分组成。贝叶斯推论和频繁统计之间的关键实际差异之一是,在将这些竞争性的方法解决相同问题的情况下出现了巨大不同类型的积分类型(Loredo 1992)。例如,考虑到某些观察到的数据d,估计某些模型的参数m;用θ共同表示参数。在贝叶斯和频繁的积分中出现的关键数量是假设模型为真的数据并假定要知道的参数的概率,p(d |θ,m)。被认为是数据的函数,这称为采样分布;作为参数的函数,它称为可能性函数,它将缩写为l(θ)。该方法之间的基本实际差异是,频繁计算需要在数据维度(样本空间)上进行此数量的积分,而贝叶斯计算需要在参数空间上进行积分。基于通过参数空间进行求和或集成在试图使用样品空间中计算的概率进行推断的概率的概率上的推断。在这里的简短空间中,对这些优势的重要讨论是不可能的。必须提及两个具有巨大实际实用性的积极优势。在贝叶斯推理中,可以直接消除滋扰参数,同时简单地通过在φ上整合(ψ,φ)的关节分布来解决它们的不确定性。首先,在绝大多数的实际应用中,参数空间可以分为两个部分θ=(ψ,φ),其中兴趣集中在ψ上,并且φ由对数据建模但不感兴趣的“滋扰”参数组成(例如,背景强度)。没有完全的SAT-
2.2供应链集成供应链集成的定义为“组织内的所有活动及其供应商,客户和其他供应链成员的活动的程度”(Narasimhanet。al。,1998)。SCM具有其原始规模的三个自变量,它们是:内部,供应商和客户集成。有些人还考虑了两个级别的集成:内部集成和外部集成(Tutuncu&Kucukusta,2008)。Stevens(1989)将供应链集成分为三个级别,从功能集成到内部集成和外部集成。但是,本研究仅着重于内部和外部整合,因为功能集成是所有公司实施和实现内部集成的先决条件(Otchere等人al。,2013年)。主要的信念是,供应链整合是提高各种企业绩效措施的有用方法(Wiengarten等人al 2010; Otchere等。al。,2013年)。因此,可以通过合作,协作,信息共享,信任,伙伴关系,共享技术以及从管理单个功能流程到管理流程综合链的基本转变来表征集成的基础(Kahn 1998; Pagell 2004)。
目的:利用 Morris 水迷宫 (MWM) 测试研究橄榄叶提取物 (OLE) 对链脲佐菌素 (STZ) 诱发的糖尿病大鼠学习和记忆能力的影响。方法:将 32 只雄性 Wistar 白化大鼠随机分为四组:对照组 (第 1 组)、STZ 诱发的糖尿病组 (第 2 组)、STZ + OLE (第 3 组)、OLE + STZ (第 4 组)。治疗组 (第 3、4 组) 口服 0.5 g/kg OLE,持续六周。进行 MWM 测试以评估找到平台的潜伏期、游泳总距离和平均速度。检查海马组织以测量酶活性(丙二醛(MDA)、过氧化氢酶(CAT)、超氧化物歧化酶(SOD)和谷胱甘肽过氧化物酶(GPx)。在研究前和手术前记录血糖水平。结果:对照组和治疗组到达平台的潜伏期较短,对照组和OLE+STZ组的减少最为显著。在第5天,OLE+STZ组游泳距离最短。随着时间的推移,第2组和治疗组的游泳距离显著减少。各组之间平均速度差异仅在第1天显着。第2组的MDA水平高于对照组,但治疗组的MLA降低,尤其是OLE+STZ组。与第2组相比,所有组的CAT水平均升高。与第2组相比,对照组和OLE+STZ组的GPx和SOD水平升高。OLE+STZ组的GPx和SOD水平高于STZ+OLE组。与第 2 组相比,对照组和治疗组的血糖水平下降,其中 OLE + STZ 组的下降幅度最大。讨论:OLE 降低了糖尿病大鼠的氧化应激并改善了学习和记忆能力,在 STZ 给药前接受 OLE 的组效果更明显。
量子贝叶斯计算 (QBC) 是一个新兴领域,它利用量子计算机的计算优势,为贝叶斯计算提供指数级加速。我们的论文以两种方式丰富了文献。首先,我们展示了如何使用冯·诺依曼量子测量来模拟机器学习算法,例如马尔可夫链蒙特卡罗 (MCMC) 和深度学习 (DL),这些算法是贝叶斯学习的基础。其次,我们描述了实现量子机器学习所需的数据编码方法,包括传统特征提取和核嵌入方法的对应方法。我们的目标是展示如何将量子算法直接应用于统计机器学习问题。在理论方面,我们提供了高维回归、高斯过程 (Q-GP) 和随机梯度下降 (Q-SGD) 的量子版本。在经验方面,我们将量子 FFT 模型应用于芝加哥住房数据。最后,我们总结了未来研究的方向。
我们介绍了基于快速贪婪的等效搜索算法,通过合并本地学到的贝叶斯网络来学习基因调节网络的结构的新方法,用于学习基因调节网络的结构。该方法在Matthews相关系数方面与艺术的状态具有竞争力,该系数既考虑到精度和召回率,同时也可以在速度方面进行改进,扩展到数万个变量,并能够使用有关基因调节网络拓扑结构的经验知识。为了展示我们的方法扩展到大规模网络的能力,我们使用来自不同大脑结构的样本(来自艾伦人脑大脑图书馆)的数据来学习全人类基因组的基因调节网络。此外,这种贝叶斯网络模型应以专家的清晰度来预测基因之间的相互作用,遵循当前可解释的人工智能的趋势。为了实现这一目标,我们还提出了一种新的开放式可视化工具,该工具促进了大规模网络的探索,并可以帮助寻找感兴趣的体验测试节点。