XiaoMi-AI文件搜索系统
World File Search Systemtomato
在实验室和番茄的营养测试条件下，针对Meloidogyne Hapla的微生物的主要筛查（Chitwood，1949）
摘要：根系的高度适应性义务内寄生虫，root-nematodes（meloidog- yne spp。），对农作物造成极大的破坏。我们的研究旨在评估拮抗剂真菌和细菌菌株对俄罗斯南部最占地的根管线虫的有效性。通过分子遗传鉴定，发现在俄罗斯南部，Meloidogyne Hapla Chitwood物种，1949年，Meloidogyne Incognita（Kofoid and White，1919年）Chitwood，1949年，在开放式和温室的根源和温室中。在实验室进行了对第二阶段少年（J2）M。Hapla的筛查。在实验结束时，分离出了两种淡莫莫克斯少量BK-6和metarhizium arisopliae bk-2的液体真菌培养物，它们的nematicidal活性达到100.0和70.2％，并超过了生物标准（Nemotafagagin-Mikopro）的值，并超过38.4％和8.4％。在植入番茄之前，在植入番茄之前，在引入土壤中时，在淡紫色BK-6，M。AnisopliaeBK-2和Arthrobotrys conoides bk-8的液体培养物中发现了最高的生物效率。与对照组相比，根部形成的胆囊数量较低，为81.0％，75.5％和74.4％。
开发苹果，蜂蜜，橄榄油，橙色和番茄食品矩阵中农药的高分辨率MRM定量方法
监管组织，例如环境保护署（EPA），欧盟（EU），食品和农业组织（FAO）和世界卫生组织（WHO），已确定了最大残留水平（MRLS），以为所有农产品制定食品或动物饲料的所有农产品的共同评估计划。一般默认的MRL为10 µg/kg的MRL适用于未提及农药的地方。欧盟Sante 11312/2021 V2指南已应用于使用LC-MS/MS QTOF的不同类型的食品基团对一组农药的定量分析，并采用优化的片段离子方法来帮助增强敏感性和选择性。2。材料和方法
矮化和自剪枝的基因组编辑可快速赋予适合植物工厂的特性，同时保留番茄的有用特性
采用人工光照的植物工厂比露天种植受作物栽培环境因素的影响更小，作为解决世界粮食问题的解决方案之一而受到关注。然而，植物工厂的栽培成本高于露天种植，目前，工厂化种植的有利可图的作物品种仅限于那些体型较小或生长期较短的品种。番茄是世界各地主要消费作物之一，但由于其株高和株宽较大，尚不适合在植物工厂中大规模生产。本研究利用 CRISPR–Cas9 方法对 GABA 超积累番茄品种#87-17 的 DWARF( D ) 和 SELF-PRUNING( SP ) 基因进行基因组编辑，以生产矮化番茄植株。在 T 1 基因组编辑代中获得了所需性状，果实性状与原始品种几乎相同。另一方面，含有 d 和 sp 突变的 #87-17 与 Micro-Tom 之间的 F 2 杂交品种矮化，但果实表型是两个品种性状的混合。这表明使用 CRISPR–Cas9 对这两个基因进行基因组编辑可以有效地赋予适合植物工厂化栽培的性状，同时保留原始品种的有用性状。
SLGH3.15，GH3基因家族的成员，通过调节番茄中的生长素稳态来调节横向根的发育和重力反应
多个Gretchen Hagen 3（GH3）基因通过其在维持激素稳态中的作用而与植物生长和发育的一系列过程有关。但是，关于GH3基因在番茄（Solanum lycopersicum）中的功能的研究有限。在这项工作中，我们研究了番茄GH3基因家族成员SLGH3.15的重要功能。SLGH3.15的过表达导致该植物的上述和地下部分的严重矮人，伴随着自由IAA含量的大幅降低，并降低了SLGH3.9的表达，SLGH3.9（SLGH3.15）的表达。IAA的外源供应对原始根的伸长产生了负面影响，并部分恢复了SLGH3.15 -ERCORTEXPRYSE线中的重力缺陷。 虽然在SLGH3.15 RNAi线中未观察到表型变化，但SLGH3.15和SLGH3.9的双基因敲除线对使用生长素极性转运抑制剂的处理敏感不太敏感。 总的来说，这些发现揭示了SLGH3.15在IAA稳态中的重要作用，并且是自由IAA积累和番茄中侧根形成的负调节剂。IAA的外源供应对原始根的伸长产生了负面影响，并部分恢复了SLGH3.15 -ERCORTEXPRYSE线中的重力缺陷。虽然在SLGH3.15 RNAi线中未观察到表型变化，但SLGH3.15和SLGH3.9的双基因敲除线对使用生长素极性转运抑制剂的处理敏感不太敏感。总的来说，这些发现揭示了SLGH3.15在IAA稳态中的重要作用，并且是自由IAA积累和番茄中侧根形成的负调节剂。
比较蛋白质组学揭示了番茄在有益和致病微生物相互作用过程中的不同生物标志物、蛋白质网络和防御反应
此预印本的版权所有者此版本于 2025 年 1 月 26 日发布。；https://doi.org/10.1101/2025.01.23.634544 doi：bioRxiv preprint
生物肥料速率对菠菜的生长和发育的影响（Spinacia oleracea L.）
摘要。印度东北地区拥有多种营养和健康促进的当地蔬菜。其中之一是索拉尼姆·阿西奥皮（Solanum aethiopicum l），具有丰富的营养和生物活性化学物质的来源。它具有多种药理益处，并用于土著医学来治疗各种疾病。尽管如此，农作物在短暂的保质期（3-5天）中非常易腐烂，这显着造成了后票的损失。用于延长作物的保质期的技术是冷冻，干燥和制冷的。该作物可以在低温下储存约10-12 o的C.果实在穿孔的聚乙烯袋中的水平最长。重要的材料包括聚乙烯，聚丙烯和聚苯乙烯通常使用，并且可以涂层以提高作物的保质期。农作物在制造诸如泡菜，脱水产品等增值产品等产品方面具有巨大的潜力。然而，由于缺乏意识和市场有限的市场，与作物的研究很少，因此与作物的产生相关的问题并没有得到平等的关注。考虑到农作物具有许多优势，该作物的普及至关重要，但是适应水果的苦味和风味对消费者来说可能具有挑战性。消费者的态度，观点和愿意支付经过特定收获后程序的产品需要进一步调查。超越这些障碍需要适当的培养技术，加工，增值和营销。
研究与发展趋势签约了2023年的项目（海外趋势和相交领域的趋势）
来源：cordis“氮化的血浆激活水，一种无与伦比的植物喂养系统” -content/uploads/2022/03/新闻通讯1- witterfluid in-usda--由有机-tomato clutivation.pdf等创建
通过顶空气相色谱法
摘要：在这项研究中，它旨在通过经过验证的静态静态顶空气体色谱法（GC-MS）方法研究番茄酱，胡椒粉，番茄酱，蛋黄酱，蛋黄酱和烧烤酱样品中的苯甲酸（BA）和丝氨酸（SOA）浓度。水杨酸（SALA）用作内标，测量值分别在BA和SOA的宽线性浓度范围内进行，分别为2.5-5000和12.5-5000。确定检测限为1.5和4.5 mg/kg，而BA和SOA的定量极限（LOQ）分别为2.5 mg/kg。在开放的番茄酱样品中发现BA和SOA的平均回收％值分别为98.5％和98.7％，而在蛋黄酱样本中，这些值分别为98.7％和100.3％。确认了所提出的方法的准确性。在实际样品中，发现合适的番茄酱和工业酱样品的结果，但在某些番茄和胡椒粉产品中以传统或自制的名称出售，尽管禁止在糊剂中使用保留剂。对于公共卫生来说，防止在土耳其美食以及在世界上普遍消费的糊状物中掺假，这是必不可少的。因此，由于其可靠性和消耗较小的毒性化学试剂，因此提出的方法可用于食品控制实验室。
接种微生物菌群可增加土壤微生物多样性，改善缺水缺氮条件下番茄的农艺性状
微生物刺激素可作为生物和非生物胁迫保护剂和生长促进剂，在气候变化的背景下，在农业中也变得越来越重要。寻找能够在各种田间条件下帮助减少化学投入的新产品是新的挑战。在这项研究中，我们测试了两种具有互补作用模式的微生物生长促进剂（Azotobacter chroococcum 76A 和 Trichoderma afroharzianum T22）的组合是否可以帮助番茄适应最佳水和氮需求减少 30% 的情况。在最佳水和营养条件下，微生物接种物可提高番茄产量 (+48.5%)。此外，微生物应用提高了胁迫条件下的叶片水势 (+9.5%)，降低了叶片整体温度 (-4.6%)，并增加了地上部鲜重 (+15%)，表明该组合可在有限的水和氮供应下充当植物水分关系的积极调节剂。在胁迫条件下施用 A. chroococcum 76A 和 T. afroharzianum T22 可显著增加根际微生物种群，这表明这些接种物可增强土壤微生物丰度，包括本地有益微生物的丰度。采样时间、有限的水和氮状况以及微生物接种均会影响根际土壤中的细菌和真菌种群。总体而言，这些结果表明，所选微生物群落可作为植物生长促进剂和胁迫保护剂，可能通过土壤微生物多样性和相对丰度的功能性变化触发适应机制。
基于机器学习的番茄 ( Solanum lycopersicum ) 植物疾病分类 = 基于机器学习的番茄 ( Solanum lycopersicum )植物疾病分类
在孟加拉国，番茄种植面临重大挑战，因为它易受各种微生物、寄生虫和细菌感染。通常，这些疾病的早期症状首先出现在根部和叶子中，使及时检测变得复杂。这项研究解决了及时准确检测番茄植株疾病的挑战，这对于有效的植物保护管理至关重要。传统的人工检查方法既耗时又主观，导致实施必要的保护措施的延误。因此，使用图像处理技术和机器学习算法快速可靠地检测番茄植株叶片中的疾病，旨在简化化学应用反应的检测过程。在不同光强度、视线角度和距离下捕获了一个包含 250 张番茄植株叶片图像的数据集。应用图像增强技术来增加数据集，共得到 529 张图像。这些图像被转换为 LAB 彩色图像，然后使用 OTSU 算法分割叶片图像并估计受影响患病区域的百分比。还从分割的叶片图像中提取了各种纹理特征以创建训练数据集。机器学习算法，包括支持向量机 (SVM)、K 近邻 (KNN) 和决策树，都使用该数据集进行训练和评估，以将图像分类为健康或患病。二次 SVM 算法为该数据集提供了 97.7% 的最高测试准确率。这种非破坏性处理对于提高疾病检测效率和减少番茄生产损失有着巨大的希望，无论是在孟加拉国当地还是全球。