CN113673090B - 检测产麻痹性贝类毒素微藻细胞密度的模型的建立方法 - Google Patents

检测产麻痹性贝类毒素微藻细胞密度的模型的建立方法 Download PDF

Info

Publication number
CN113673090B
CN113673090B CN202110837176.2A CN202110837176A CN113673090B CN 113673090 B CN113673090 B CN 113673090B CN 202110837176 A CN202110837176 A CN 202110837176A CN 113673090 B CN113673090 B CN 113673090B
Authority
CN
China
Prior art keywords
algae
model
paralytic shellfish
microalgae
fluorescence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110837176.2A
Other languages
English (en)
Other versions
CN113673090A (zh
Inventor
江天久
苟偲钰
江涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan University
Original Assignee
Jinan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinan University filed Critical Jinan University
Priority to CN202110837176.2A priority Critical patent/CN113673090B/zh
Publication of CN113673090A publication Critical patent/CN113673090A/zh
Application granted granted Critical
Publication of CN113673090B publication Critical patent/CN113673090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种检测产麻痹性贝类毒素微藻细胞密度的模型及其建立方法与应用。本发明通过提取产麻痹性贝毒的藻类或不产麻痹性贝毒的藻类在不同环境条件下的三维荧光光谱信息，通过Db7小波函数提取产毒藻密度的特征谱，并以此为基础，采用逐步回归分析的方法，建立产麻痹性贝毒藻定量模型。该荧光特征标准谱库可用于对产麻痹性贝类毒素微藻细胞密度定量分析。本发明以Db7小波函数第二尺度和第三尺度分量荧光特征谱，用逐步回归分析的方法，建立产麻痹性贝毒藻定量模型，当有毒甲藻为优势种与非产毒甲藻混合时，处于高、中和低浓度的有毒甲藻密度测试的准确率分别为98％、67％和90％，实现了对产毒藻细胞密度定量分析的目的。

Description

检测产麻痹性贝类毒素微藻细胞密度的模型的建立方法
技术领域
本发明属于有毒微藻识别防治领域，具体涉及一种检测产麻痹性贝类毒素微藻细胞密度的模型及其建立方法与应用。
背景技术
赤潮是指水中的微生物由于水体环境及气候等原因大量繁殖导致水体变色的现象。近些年我国沿海的赤潮发生次数及面积有持续增加的趋势，经济损失严重。
根据赤潮的毒性特点，通常把赤潮分为三类，分别为无毒赤潮、鱼毒性赤潮和有毒赤潮。三类赤潮中，无毒赤潮发生的比例最高，这类赤潮不产毒素，鱼毒性赤潮产生的毒素只对鱼类造成影响，海洋中的其它生物通常不会对其富集，而有毒赤潮产生的毒素可以通过生物富集作用对人或动物的健康造成危害。有毒赤潮主要为浮游或底栖的藻类所造成。近年来，在我国的东海和长江口，多次发生大规模有毒藻赤潮，近岸海产贝类的食用安全风险增加。
有毒赤潮产生的毒素主要有麻痹性贝毒(Paralytic Shellfish Poisoning，PSP)、腹泻性贝毒(Diarrhetic Shellfish Poisoning，DSP)、记忆缺失性贝毒(AmnesicShellfish Poisoning，ASP)、神经性贝毒(Neurotoxic Shellfish Poisoning，NSP)和西加鱼毒(Ciguatera Fish Poisoning，CFP)等。
在所有的赤潮毒素中，麻痹性贝毒由于其分布广，毒性强而成为危害最大的生物毒素之一。产麻痹性贝毒的藻类主要集中在甲藻门，如膝沟藻属(Gonyaulax)、亚历山大藻属(Alexandrium)、裸甲藻属(Gymnodinium)。除了甲藻之外，其它门类的少数藻类也可以产PSP，如淡水藻中的蓝绿藻属，红藻和一些细菌。亚历山大藻属中的塔玛亚历山大藻(A.tamarense)、链状亚历山大藻(A.catenella)、微小亚历山大藻(A.minutum)是产PSP的主要藻类。
目前有一些检测PSP的方法，如生物检测法、免疫法、化学分析法，但这些方法要么检测对象单一，要么受制于准确性、灵敏性、重复性差的缺陷，无法广泛应用。
发明内容
本发明的首要目的在于提供一种检测产麻痹性贝类毒素微藻细胞密度的模型。
本发明的另一目的在于提供上述模型的建立方法。
本发明的再一目的在于提供一种检测产麻痹性贝类毒素微藻细胞密度的方法，使用上述模型实现。
本发明的目的通过下述技术方案实现：
一种检测产麻痹性贝类毒素微藻细胞密度的模型，为Db7Ca2模型1或Db7Ca2模型1；
Db7Ca2模型1：Y＝3.042+5.195x44-1.374x39-6.99x50-1.113x102；
Db7Ca3模型2：Y＝3.262+1.219x59-1.756x54-0.508x62。
上述模型的建立方法，通过提取产麻痹性贝毒的藻类在不同环境条件(温度、光照强度、盐度)下、不同生长期以后和不同比列的非产麻痹性贝类毒藻类混合的三维荧光光谱信息，运用Db7小波函数提取实验藻类的特征峰，再用逐步回归分析方法，建立产麻痹性贝毒藻定量模型；具体包括如下步骤：
(1)测定产麻痹性贝毒微藻在不同温度、不同盐度、不同光照强度下以及与不同比例的非产麻痹性贝类毒藻类的不同生长期的三维荧光，激发波长为400～600nm，发射波长为650～750nm，得到微藻细胞的三维荧光数据；；
(2)将步骤(1)获得的微藻细胞的三维荧光数据转换成TXT文件格式，采用Delaunay三角内插值法消除三维荧光光谱的瑞利散射；再将三维荧光光谱最大归一化，然后对其三维荧光光谱进行Db7小波分析，选取荧光特征谱；
(3)使用逐步回归分析的方法对步骤(2)处理后的藻类所有荧光光谱进行分析，建立产麻痹性贝毒藻定量分析模型。
步骤(1)中所述的生长期包括对数期、稳定期和衰亡期。
步骤(1)中所述的产麻痹性贝毒微藻的株数优选为3株以上。
所述的产麻痹性贝毒微藻优选为微小亚历山大藻(Alexandrium minimum)AMSYC4、太平洋亚历山大藻(Alexandrium pacificum)APQD TIO855和链状裸甲藻(Gymnodiniumcatenatum)GCFC01。
步骤(1)中所述的非产麻痹性贝毒微藻的株数优选为2株以上。
所述的非产麻痹性贝毒藻类优选为东海原甲藻(Prorocentrum donghaiense)PDEC、中肋骨条藻
(Skeletonema costatum)SCEC。
步骤(1)中所述的三维荧光数据优选为通过使用荧光分光光度计扫描获得，激发波长范围为400～600nm，发射波长范围为650～750nm，步长设置为5nm，狭缝宽度设置为10nm，扫描速度设置为30000nm/s，信号积分时间为0.004s，生长期隔天测一次。
步骤(1)中所述的光照强度优选为60μmol m-2s-1～200μmol m-2s-1；更优选为60μmol m-2s-1、120μmol m-2s-1和200μmol m-2s-1。
步骤(1)中所述的温度优选为16℃～28℃；更优选为16℃、22℃和28℃。
步骤(1)中所述的盐度优选为25‰～35‰；更优选为25‰、30‰、35‰。
步骤(2)中所述的采用Delaunay三角内插值法消除三维荧光光谱的瑞利散射优选通过MATLAB处理软件实现。
步骤(2)中所述的最大归一化的处理方法如下：
X*＝[Xn-Xmin]/[Xmax-Xmin]；
Xn：各个频点的荧光强度；
Xmax：荧光强度最大值；
Xmin：荧光强度最小值；
X*：归一化所得荧光光谱的相对强度值。
步骤(2)中所述的Db7小波函数通过MATLAB编程软件实现。
步骤(2)中所述的荧光特征谱优选为使用第2、3尺度分量和2、3小波分量的藻类荧光特征谱。
步骤(3)中所述的逐步回归分析方法通过SPSS分析软件实现。
步骤(3)中所述的建立产麻痹性贝毒藻定量分析模型的具体步骤如下：培养已知是否产麻痹性贝毒的藻类，调整到已知浓度，进行三维荧光测定，将得到的三维荧光光谱数据通过步骤(2)的处理；将处理后的三维荧光光谱数据进行分析藻细胞密度和荧光强度的相关性，挑选与藻细胞密度显著相关的特征参数点，进行逐步回归统计。
所述的相关性分析优选为通过统计软件分析，使用皮尔逊相关系数双尾检验后，得到与藻细胞密度显著相关的特征参数点。。
所述的统计软件优选为SPSS；更优选为SPSS 19.0。
所述的显著相关的特征参数点通过如下步骤得到：将Db7小波分析后得到第二层尺度分量Ca2、第三层尺度分量Ca3的频点信息输入SPSS软件，将波长点的归一化后的荧光强度作为自变量x，将藻密度的对数作为因变量y；首先进行自变量与因变量之间的相关性分析，经Wilk’s Lambda检验，剔除y与x变量之间的显著水平p>0.05的波长点的相对荧光强度，与因变量极显著相关(p<0.05)的自变量为显著相关的特征参数点。
所述的建立方法，还包括如下步骤：
(4)对得到的模型进行评估：对实验藻细胞密度进行定量，利用评价性能指标评估模型的准确度以及精确度。
所述的实验藻根据其生长周期，选取第16天左右的微小亚历山大藻，第15天左右的太平洋亚历山大藻，第30天左右的链状裸甲藻，稀释和浓缩获得102～104个细胞/mL范围内的活体藻样本，用于三维荧光测定。
所述的评价性能指标优选为模拟密度的均方根误差(RMSEP)、相对误差(RE)以及密度回收率(AR)。
一种检测产麻痹性贝类毒素微藻细胞密度的模型，通过上述构建方法得到。所述的不同环境下产麻痹性贝毒藻类的微藻的定量分析模型函数如下：
Db7Ca2模型1：Y＝3.042+5.195x44-1.374x39-6.99x50-1.113x102；
Db7Ca3模型2：Y＝3.262+1.219x59-1.756x54-0.508x62。
是结合第二尺度分量及第三尺度分量，最后选定激发波长段512-558nm、发射波长684nm-726nm，即选择第二尺度的特征数据点第39-52、第90-119。同理选择Db7第三尺度分量的数据点第23-31、54-71，建立统一的产麻痹性贝毒藻新模型。
所述的检测产麻痹性贝类毒素微藻细胞密度的模型在检测产麻痹性贝类毒素微藻细胞密度中的应用；优选包括如下步骤：检测待测微藻的三维荧光，将得到的三维荧光光谱数据按上述步骤(2)进行处理；将处理后的三维荧光光谱数据代入上述模型中，得到产麻痹性贝类毒素微藻细胞密度。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明提供的定量分析方法是通过分析了不同培养条件下处于生长对数期的不同密度藻株的三维荧光光谱，通过Db7小波函数提取产毒藻密度的特征谱，并以此为基础，采用逐步回归分析的方法，建立产麻痹性贝毒藻定量模型；
(2)本发明通过逐步回归技术选取了与产PST藻密度显著相关的荧光波长点，对比不同模型的波长点，提示产PST甲藻的密度与其叶绿素c和多甲藻黄素的相对荧光强度有关，因此可通过三维荧光光谱对藻类进行定量分析，这为藻类浓度定量分析提供了新思路；
(3)本发明在不同温度、光照和盐度培养环境的扰动下，Db7Ca2的AMSY定量模型、APQD定量模型和GCFC定量模型，Db7Ca3的AMSY模型、APQD模型和GCFC模型表现出更强的稳定性，且对AMSY、APQD和GCFC浓度测试的正确率分别可达89％、75％和87％，分析效果相对较高；
(4)本发明在有毒甲藻为优势种与非产毒甲藻混合时，处于高、中和低浓度的有毒甲藻密度测试的准确率分别为98％、67％和90％；当非产毒甲藻为优势种，对高、中和低浓度产毒藻密度测试准确率分别为95％、57％和52％。当有毒甲藻为优势种与非产毒硅藻混合时，对高、中和低的有毒藻测试的准确率分别为90％、67％和78％；当非产毒硅藻为优势种时，对高、中和低浓度的产毒藻密度测试的准确率分别为81％、43％和48％，对高浓度产毒藻测试的正确率较高，实用性强。
具体实施方式
下面结合实施例对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
一、实验方法
1、藻类的培养
实验所用的3株产麻痹性贝类毒素藻类在过滤后的天然海水，盐度28‰，pH 8，于高压蒸汽灭菌锅内121℃、15psi下灭菌20min，用f/2改良配方配制培养基培养。接种后将藻液置于温度25℃，光照强度100μmol m2s-1，光暗循环L:D＝12:12的人工气候培养箱中培养。每株藻3个平行样，每日固定时间取样1mL，用鲁格液固定后，在显微镜下用0.1mL浮游植物计数框进行细胞计数。取对数生长期的实验藻液活体样品，用相对应的灭菌后的f/2培养基，按照一定倍数稀释到一定范围内，黑暗条件培养15min，等待测量三维荧光。稀释所用的培养基需要提前一天放置于对应温度培养箱中。
2、麻痹性贝毒的HPLC检测
分别收集AMSY、GCFC、APQD的实验藻细胞各90mL，每个样品3个平行样，在4℃、7200g的条件下离心10min，弃掉上清液，随后用0.05mol/mL的醋酸溶液重新悬浮并定容至3mL。将藻液反复冻融，利用组织研磨仪，90s、60Hz的条件下，加入2-3粒小号钢珠，1粒大号钢珠研磨。在4℃、11000g离心机离心10min，取上清液，用10000道尔顿滤膜孔径超滤离心管离心10min，条件设置为4℃、7200g，取超滤液，于-20℃保存，用于HPLC分析。
3、藻类的三维荧光测定
将稀释后的活体藻液样本避光15min后，利用Hitachi F4600荧光分光光度计测量样本的三维荧光光谱。设定激发波长扫描范围为400～600nm，扫描间隔5nm，发射波长扫描范围为650～750nm，扫描间隔为5nm，激发和发射狭缝设为10nm，扫描速度30000nm/s，信号积分时间0.004s，700v。为使荧光光谱稳定和准确，需预热半小时后开始使用，用f/2培养基调零后测量。
4、藻类原始三维荧光光谱数据处理方法
将扫描得到的文件转换成txt格式，每个活体藻的三维荧光光谱由11×21的矩阵组成，利用Delaunay三角倒插法对原始光谱去散射，去除瑞利散射后的数据进行最大归一化处理，然后利用MATLAB的小波分析，选择Db7小波提取藻类的特征谱。将藻类特征谱波长点的荧光强度与藻密度的对数进行相关性分析，利用线性逐步回归建立麻痹性贝类毒素藻类荧光强度与藻密度的线性关系。
5、活体藻的三维荧光光谱散射区域的去除
采用Delaunay三角内插值法，将杂峰区域荧光强度强制归0，利用三角内插值法对杂峰区域进行线性拟合，最后得到去除杂峰后的光谱图，该方法只针对已知的散射区域，对该区域进行拟合，最大程度地保证了其他区域的光谱不受影响，提高数据与结果的准确性，且去除杂峰后，各藻类的荧光峰得到凸出表现。
6、归一化处理数据
不同变量及观测参数之间的数据，差异性极大，不具备可比性，利用数据归一化处理，可以消除差异性，该算法将荧光强度的影响限制在一定的范围内，通常选择在0-1之间，保证了数据在MATLAB中的运行速度。归一化这个过程也称为数据标准化。常用的方法有面积归一化、统计标准化、方差归一化、长度归一化和最大值归一化这5种。根据实验要求以及藻密度、藻类属性等的差异性，采用最大归一化来消除差异，计算方法：
X*＝[Xn-Xmin]/[Xmax-Xmin]；
Xn：各个频点的荧光强度；
Xmax：荧光强度最大值；
Xmin：荧光强度最小值；
X*：归一化所得荧光光谱的相对强度值。
7、小波分析
首先将原始一维向量分解，分别产生第一层尺度分量Ca1和第一层小波分量Da1，随后再从频域和时域出发，分解Ca1及Da1得到第二层尺度分量Ca2和第二层小波分量Da2。以此类推，得到第五层尺度分量及小波分量。尺度分量又称为低频分量，反映的是样本数据上较多的频点信息，较大尺度反映样本信息，而小波分量称为高频分量，主要是反应一些精细信息，从细节反应频点信息。噪声具有高频的特性，所以小波分量容易受噪声污染，因此，滤除高频分量有利于抑制噪声对光谱信息的影响。本文选取尺度分量作为主要的特征选取手段，实现对麻痹性贝类毒素藻的定量识别的目的。可以看出与原始光谱图相比，尺度分量在Ca1层分量上噪声污染严重，Ca2、Ca3两层尺度分量去噪适度，Ca4和Ca5平滑过度，重要荧光信息也被当作噪声处理，相对而言，选取第二、第三层尺度分量能够较为明显的反映出样本的特征差异。最终经过Db7小波函数分解后，选取Ca2、Ca3两层尺度分量对3种麻痹性贝类毒素藻类密度分别进行多元线性回归预测。
8、逐步回归变量分析
将小波分析后得到第二层尺度分量Ca2、第三层尺度分量Ca3的频点信息输入SPSS软件，将波长点的归一化后的荧光强度(又称相对荧光强度)作为自变量x，将藻密度的对数作为因变量y。首先进行自变量与因变量之间的相关性分析，经Wilk’s Lambda检验，剔除y与x变量之间的显著水平p>0.05的波长点的相对荧光强度，只选择与因变量极显著相关(p<0.05)的自变量进行线性逐步回归，建立定量模型，实现对产麻痹性贝类毒素藻的定量。
9、模型评价方法
对实验藻细胞密度进行定量，根据算法的合适度，利用一些评价性能指标反应测量模型的准确度以及精确度。本文根据实际要求，选择模拟密度的均方根误差(RMSEP)，相对误差(RE)以及密度回收率(AR)等参数评估所建立的定量模型。
(1)相对误差RE＝(测试值-真实值)/真实值，即RE越小，则相对误差越小，说明结果越准确。本实验设定测试值与真实值相对误差在0.45以内，则该样本正确。REm指测试值与真实值相对误差正确样本数占总测试集样本数的百分比。
(2)浓度回收率(AR)是指已知密度A，模拟密度B，则AR＝A/B×100％，用来衡量预测密度的准确度大小，当回收率越接近100％，则说明密度预测值与实际值越接近；一般的回收率的理想范围是在80％-150％。本文回收率处于75％—140％之间，该测试样本即为正确，ARm指测试正确的样本数占总测试集样本数的百分率。
(3)模拟值均方根误差(RMSEP)是用来表示预测值的精确度，RMSEP越小，则说明模型精确度越高，对实际测量出现的较大或较小误差越灵敏。本实验认为RMSEP在0.3以下即为可接受范围。
其中，ci为第i个样本的模拟密度值，为第i个样本的实际密度值，n为样本数。
将计数后的藻密度(y0)结果代入logit曲线中，即y＝log(y0)，将y值作为因变量，进行线性回归。计算出的预测值y，转化成藻密度，即y0＝10y，进行随后的模型评价。
二、实验材料
实验所用的3株产麻痹性贝类毒素藻类分别为微小亚历山大藻(Alexandriumminimum)AMSY(C4)、太平洋亚历山大藻(Alexandrium pacificum)APQD(TIO855)、链状裸甲藻(Gymnodinium catenatum)GCFC(GCFC01)，2株非产麻痹性贝毒藻类(东海原甲藻(Prorocentrum donghaiense)PDEC、中肋骨条藻(Skeletonema costatum)SCEC)，来源于暨南大学赤潮与海洋生物学研究中心藻种室，申请人可向公众提供。
三、实验过程
(1)测定微藻细胞在不同温度、不同盐度、不同光照强度和与不同浓度非产麻痹性贝毒藻混合下的不同生长期的三维荧光，得到微藻细胞的三维荧光数据；其中，微藻细胞来源于上述产麻痹性贝毒微藻和不产麻痹性贝毒微藻；
(2)将步骤(1)获得的微藻细胞的三维荧光数据转换成TXT文件格式，采用Delaunay三角内插值法消除三维荧光光谱的瑞利散射；再将三维荧光光谱最大归一化，然后对其三维荧光光谱进行Db7小波分析，分别用第二尺度和第三尺度分量，提取其特征光谱；
(3)利用SPSS对小波分析后数据点进行藻细胞密度和荧光强度的相关性分析，经皮尔逊相关系数双尾检验后，挑选与藻细胞密度显著相关的特征参数点，剔除不显著特征数据点，将剩余的数据点输入SPSS选择逐步回归统计，并建立模型；
(4))根据回收率和相对误差进行评估后，对第二尺度和第三尺度的单种特定的产毒藻筛选，最终选出效果最好的模型
四、实验结果
1、Db7小波函数进行分解的尺度分量的选择
将归一化和去瑞利散射后的荧光数据导入MATLAB软件中，用Db7小波函数进行分解，经过Db7小波分解，荧光光谱信息被分到不同的尺度分量上，对尺度分量的选择标准是尽量使判别样品和参照样品在该尺度分量上有一定的差异性，从而提高判别效率。实验结果显示，以微小亚历山大藻(AMSY)为例，尺度分量在Ca1层分量上噪声污染严重，Ca2、Ca3两层尺度分量去噪适度，Ca4和Ca5平滑过度，重要荧光信息也被当作噪声处理，相对而言，选取第二、第三层尺度分量能够较为明显的反映出样本的特征差异。最终经过Db7小波函数分解后，选取Ca2、Ca3两层尺度分量对3种麻痹性贝类毒素藻类密度分别进行多元线性回归预测。
将小波分析后得到第二层尺度分量Ca2、第三层尺度分量Ca3的频点信息输入SPSS软件，将波长点的归一化后的荧光强度(又称相对荧光强度)作为自变量x，将藻密度的对数作为因变量y。首先进行自变量与因变量之间的相关性分析，经Wilk’s Lambda检验，剔除y与x变量之间的显著水平p>0.05的波长点的相对荧光强度，只选择与因变量极显著相关(p<0.05)的自变量进行线性逐步回归，建立定量模型，实现对产麻痹性贝类毒素藻的定量。表1为模型自变量(x)与因变量(y)的显著性差异。
表1因变量(Y)的系数
2、利用Db7Ca2筛选建立产毒藻藻定量模型
经过Db7小波处理后得到的第二层尺度分量的联合荧光识别谱中1-67的数据点代表激发波长(Ca2-Ex)；68-134的数据点代表发射波长(Ca2-Em)。为了探索实验藻的相对荧光强度与藻密度间的关系，利用SPSS对上述134个数据点进行藻细胞密度和荧光强度的相关性分析，经皮尔逊相关系数双尾检验后，挑选与藻细胞密度显著相关的特征参数点，剔除不显著特征数据点共26个，将剩余的108个数据点输入SPSS选择逐步回归统计(经T检验，y与x变量之间的显著水平p<0.05则进入函数，自变量p>0.1则去除，处于两者之间先保留，进入模型)，并对每种藻建立模型(具体如下)：
为了提高测量的精准性，评价回归方程性能指标，对每种藻类建立的模型利用均方根误差(RMSEP)、相对误差(RE)和密度回收率(AR)来评价模型准确性，如表2、3、4所示，随后选择模型准确率最高的作为藻最适环境下(盐度28‰、25℃、光照100μmol m2s-1)的定量模型。
表2微小亚历山大藻Db7Ca2定量模型评估结果
表3太平洋亚历山大藻Db7Ca2定量模型评估结果
表4链状裸甲藻Db7Ca2定量模型评估结果
注：AR回收率为75％-140％为正确；RE相对误差在0.45以内，预测值即为正确。
利用Db7Ca2筛选建立模型的共同波段根据回收率和相对误差对建立的定量模型进行评估后，筛选的的单种特定产毒藻模型如下：
(1)AMSY：
Y2＝3.193-4.744x39+0.501x97 (1-1b)；
Y3＝3.487-3.452x39+0.694x97-0.287x47 (1-1c)；
Y5＝3.597-2.889x39+0.326x97-1.46x47+0.687x93+0.969x79(1-1e)；
Y6＝3.621-1.603x39+0.549x97-1.498x47+0.687x93+1.006x79-1.042x76(1-1f)；
Y8＝3.665+0.589x97-1.539x47+1.112x93+1.054x79-1.232x76-1.877x113(1-1h)。
(2)APQD
Y5＝3.253-2.314x28-8.239x61+3.242x12-3.344x68+2.682x27(1-2e)；
Y6＝3.263-9.541x61+2.049x12-3.583x68+3.97x27 (1-2f)。
(3)GCFC：
Y1＝2.14+1.16X20 (1-3a)；
Y5＝2.857-6.682x39+6.695x118-1.624x16 (1-3e)。
经过Db7小波处理后得到的第二层尺度分量(134个波长点)，其联合荧光识别谱的1-67数据点代表激发波长400-600nm；68-134的数据点代表发射波长650-750nm。根据模型自变量可以看出，3株产毒藻模型重叠的特征波长点范围在激发波长445nm-481nm、514nm、538nm；发射波长在范围694nm-725nm。
3、利用Db7第三层尺度分量建立产毒藻定量模型
第3层尺度分量的产毒藻在最适条件下对数期的联合荧光识别谱中1-40的数据点代表激发波长(Ca3-Ex)；40-80的数据点代表发射波长(Ca3-Em)。利用80个特征参数与藻细胞密度进行相关性分析，剔除不显著(P>0.01)数据点18个，对剩余的62个特征数据点进行逐步回归统计。为了提高测量的精准性，评价回归方程性能指标，对每种藻类建立的模型利用均方根误差(RMSEP)、相对误差(RE)和密度回收率(AR)来评价模型准确性，如表5、6、7所示，随后选择模型准确率最高的作为藻最适环境下(盐度28‰、25℃、光照100μmol m2s-1)的定量模型。
表5微小亚历山大藻Db7Ca3定量模型评估结果
表6太平洋亚历山大藻Db7Ca3定量模型评估结果
表7链状裸甲藻Db7Ca3定量模型评估结果
利用Db7Ca3建立模型的共同波段筛选根据回收率和相对误差进行评估后，对单种特定的产毒藻筛选的模型如下：
(1)AMSY：
Y3＝3.614+2.08x28+0.457x60-4.594x75 (1-4c)；
Y4＝3.628+1.794x28+0.983x60-4.38x75-1.025x15 (1-4d)。
(2)APQD：
Y2＝3.142+0.712x60-1.929x46 (1-5b)；
Y4＝2.678+1.759x60-1.611x46-3.041x28-2.203x55 (1-5d)。
(3)GCFC：
Y2＝2.464+2.126x16-1.978x66 (1-6a)；
Y5＝2.522+1.976x16-3.576x66+1.806x9+1.563x31-0.456x32 (1-6e)。
经过Db7小波处理后得到的第三尺度分量，提取80个特征参数，其联合荧光识别谱的1-40的数据点代表激发波长400-600nm；41-80的数据点代表发射波长650-750nm。根据模型自变量可以看出，3株产毒藻模型重合的特征波长点范围在激发波长471nm-477nm、537nm-558nm发射波长在范围697nm-714nm。
利用Db7第二、三尺度分量的数据点进行逐步回归，成功建立定量模型。根据建立的模型对AMSY预测浓度的回收率与相对误差的正确样本数，最后得到7个在最适环境下(盐度28‰、25℃、光照100μmolm-2s-1)正确率最高的模型。同样根据回收率与相对误差的正确率筛选出APQD的定量模型4个，GCFC定量模型筛选出了4个。根据AMSY模型对测试集检验的结果可以看出，利用Db7Ca2筛选出的5个模型更加适合对低浓度AMSY的预测，浓度回收正确率达到85％以上。Db7Ca2的APQD定量模型对测试集预测后发现，模型5和模型6更有利于高浓度APQD藻密度预测，浓度回收的正确率达到70％以上效果较好。
汇总如下：
(1)选定Db7第二尺度分量激发波长段
表8Db7第二尺度分量
注:第1-67数据点代表激发波长(Ca2-Ex)；第68-134数据点代表发射波长(Ca2-Em)。
(2)选定Db7第三尺度分量激发波长段
表9Db7第三尺度分量
注：每个数据点对应为波长段，如第三尺度分量第80数据点，表示发射波长748-750nm附近波长点。(第1-40数据点代表Ca3-Ex；第41-80数据点代表Ca3-Em)。
(3)利用Db7第二层尺度分量建立产毒藻定量模型
1)AMSY
Y1＝3.577-5.435x39 (1-1a)；
Y2＝3.193-4.744x39+0.501x97 (1-1b)；
Y3＝3.487-3.452x39+0.694x97-0.287x47 (1-1c)；
Y4＝3.539-1.98x39+0.429x97-0.64x47+0.578x93 (1-1d)；
Y5＝3.597-2.889x39+0.326x97-1.46x47+0.687x93+0.969x79 (1-1e)；
Y6＝3.621-1.603x39+0.549x97-1.498x47+0.687x93+1.006x79-1.042x76 (1-1f)；
Y7＝3.681+0.619x97-1.52x47+1.045x93+0.802x79-1.419x76 (1-1g)；
Y8＝3.665+0.589x97-1.539x47+1.112x93+1.054x79-1.232x76-1.877x113 (1-1h)；
Y9＝3.641-0.714x39-1.527x47+0.561x97+1.111x79-1.089x76+0.998x93-1.625x113(1-1i)。
2)APQD
Y1＝3.134-5.118x28 (1-2a)；
Y2＝3.229-3.65x28-6.318x61 (1-2b)；
Y3＝2.833-5.158x28-7.286x61+2.395x12 (1-2c)；
Y4＝3.39-5.749x28-7.306x61+4.625x12-2.616x68 (1-2d)；
Y5＝3.253-2.314x28-8.239x61+3.242x12-3.344x68+2.682x27 (1-2e)；
Y6＝3.263-9.541x61+2.049x12-3.583x68+3.97x27 (1-2f)；
Y7＝3.162-10.797x61+1.593x12-2.612x68+5.411x27-2.32x104 (1-2g)；
Y8＝3.315-9.825x61+3.926x12-1.783x68+4.167x27-2.991x104-3.284x17 (1-2h)。
3)GCFC
Y1＝2.14+1.16X20 (1-3a)；
Y2＝2.79+0.659x20-2.652x39 (1-3b)；
Y3＝2.625+0.163x20-4.559x39+3.643x118 (1-3c)；
Y4＝2.709-5.23x39+4.189x118 (1-3d)；
Y5＝2.857-6.682x39+6.695x118-1.624x16 (1-3e)；
Y6＝2.591+0.793x20-4.777x39+6.378x118-3.137x16 (1-3f)；
Y7＝2.892+1.016x20-4.194x39+6.501x118-3.361x16-0.504x57 (1-3g)；
Y8＝3.044+1.969x20-4.167x39+6.191x118-2.944x16-0.576x57 (1-3h)；
Y9＝3.087+1.936x20-4.206x39+5.894x118-3.249x16-0.756x57-2.114x21+2.54x49(1-3i)。
(4)利用Db7第三层尺度分量建立产毒藻定量模型
1)AMSY
Y1＝4.048+4.347x28 (1-4a)；
Y2＝3.439+3.414x28+0.286x60 (1-4b)；
Y3＝3.614+2.08x28+0.457x60-4.594x75 (1-4c)；
Y4＝3.628+1.794x28+0.983x60-4.38x75-1.025x15 (1-4d)。
2)APQD
Y1＝2.186+0.77x60 (1-5a)；
Y2＝3.142+0.712x60-1.929x46 (1-5b)；
Y3＝2.834+0.94x60-2.644x46-1.906x28 (1-5c)；
Y4＝2.678+1.759x60-1.611x46-3.041x28-2.203x55 (1-5d)。
3)GCFC
Y1＝2.017+1.476x16 (1-6a)；
Y2＝2.464+2.126x16-1.978x66 (1-6b)；
Y3＝2.384+2.224x16-4.086x66+1.979x9 (1-6c)；
Y4＝2.095+2.113x16-4.182x66+1.777x9+1.148x31 (1-6d)；
Y5＝2.522+1.976x16-3.576x66+1.806x9+1.563x31-0.456x32 (1-6e)；
Y6＝2.529+1.927x16-3.747x66+1.666x9+1.825x31-1.148x32+1.103x58 (1-6f)。
4、不同环境条件下产麻痹性贝类毒素藻类定量结果
在不同的温度、光照和盐度扰动下，第二层尺度分量的AMSY定量模型3(1-1c)和模型8(1-1h)、APQD定量模型5(1-2e)和GCFC定量模型5(1-3e)。第三尺度分量的AMSY模型3(1-4c)、APQD模型4(1-5d)和GCFC模型5(1-6e)表现出更强的稳定性，且对AMSY预测浓度的相对误差在0.45以内的正确率达到89％，对APQD浓度预测的正确率最高达到75％，对GCFC浓度预测的相对误差在0.45以内的正确率最高达到87％。
上述模型选取特征波长点，即激发波长512-558nm，发射波长684-726nm对环境因子变化不敏感，与PST藻密度存在显著相关性，推断有毒甲藻的藻密度与多甲藻黄素的相对荧光强度有关。利用共有特征波长段的荧光强度，进行逐步回归建立了统一的产PST藻定量新模型如下：
Db7Ca2：3.042+5.195x44-1.374x39-6.99x50-1.113x102；
Db7Ca3：3.262+1.219x59-1.756x54-0.508x62。
5、产麻痹性贝毒藻与非产麻痹性贝毒藻混合的定量分析
混合藻液中有毒藻密度范围分别为3×102～7×102(低浓度)、1.5×103～4×103(中)、8×103～1.5×104(高)个细胞·ml-1。GCFC不设置高浓度组。采用Db7小波分别建立的3株产毒藻定量模型的自变量重合波段，利用相同方法，建立产麻痹性贝类毒素藻定量模型：
Db7Ca2：Y＝3.042+5.195x44-1.374x39-6.99x50-1.113x102(模型1)；
Db7Ca3：Y＝3.262+1.219x59-1.756x54-0.508x62(模型2)。
当有毒甲藻为优势种与非产毒甲藻混合时，Db7Ca3模型2相较Db7Ca2模型1有较高的测试准确率。其中模型2对高浓度和低浓度产毒藻的测试准确率达90％以上，对中浓度的正确率在67％以上。当非产毒甲藻为优势种时，对高浓度产毒藻密度测试的正确率在95％，但对中低浓度的测试正确率只有52～57％。当有毒甲藻为优势种与非产毒硅藻混合时，模型2相较模型1也有较高的测试准确率，对高浓度产毒藻的测试准确率达90％以上，对中低浓度产毒藻的的测试正确率在67～78％之间。当非产毒硅藻为优势种时，对高浓度产毒藻密度测试的正确率在81％，但对中低浓度的测试正确率为43～48％。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种检测产麻痹性贝类毒素微藻细胞密度的模型的建立方法，其特征在于：通过提取产麻痹性贝类毒素的藻类在不同环境条件下、不同生长期以后和不同比例的非产麻痹性贝类毒藻类混合的三维荧光光谱信息，运用 Db7 小波函数提取实验藻类的特征峰，再用逐步回归分析方法，建立产麻痹性贝类毒素微藻定量模型；具体步骤如下：
（1）测定产麻痹性贝类毒素微藻在不同温度、不同盐度、不同光照强度下处于不同生长期的三维荧光，以及产麻痹性贝类毒素微藻与不同比例的非产麻痹性贝类毒藻类混合的三维荧光，激发波长为 400～600 nm，发射波长为650～750 nm，得到微藻细胞的三维荧光数据；
（2）将步骤（1）获得的微藻细胞的三维荧光数据转换成TXT 文件格式，采用Delaunay三角内插值法消除三维荧光光谱的瑞利散射；再将三维荧光光谱最大归一化，然后对其三维荧光光谱进行 Db7小波分析，选取荧光特征谱；
（3）使用逐步回归分析的方法对步骤（2）处理后的藻类所有荧光光谱进行分析，建立产麻痹性贝类毒素微藻定量分析模型；
（4）对得到的模型进行评估：对实验藻细胞密度进行定量，利用评价性能指标评估模型的准确度以及精确度；
所述的模型为Db7Ca2模型1或Db7Ca3模型2；
Db7Ca2模型1：Y=3.042+5.195x44-1.374x39-6.99x50-1.113x102；
Db7Ca3模型2：Y=3.262+1.219x59-1.756x54-0.508x62。
2.根据权利要求1所述的模型的建立方法，其特征在于还包括如下步骤：
所述的实验藻根据其生长周期，选取第16天的微小亚历山大藻，第15天的太平洋亚历山大藻，第30天的链状裸甲藻，稀释和浓缩获得102～104 个细胞/mL范围内的活体藻样本，用于三维荧光测定；
所述的评价性能指标为模拟密度的均方根误差、相对误差以及密度回收率。
3.根据权利要求1所述的模型的建立方法，其特征在于：
步骤（1）中所述的生长期包括对数期、稳定期和衰亡期；
步骤（1）中所述的产麻痹性贝类毒素微藻的株数为3株以上；
步骤（1）中非产麻痹性贝类毒素藻类的株数为2株以上；
步骤（1）中所述的三维荧光数据为通过使用荧光分光光度计扫描获得，激发波长范围为 400～600 nm，发射波长范围为 650～750 nm，步长设置为 5 nm，狭缝宽度设置为 10nm，扫描速度设置为 30000 nm/s，信号积分时间为 0.004 s，生长期隔天测一次；
步骤（1）中所述的光照强度为60µmol m-2s-1～200µmol m-2s-1；
步骤（1）中所述的温度为 16℃～28℃；
步骤（1）中所述的盐度为 25‰～35‰。
4.根据权利要求3所述的模型的建立方法，其特征在于：
所述的产麻痹性贝类毒素微藻为微小亚历山大藻AMSY C4、太平洋亚历山大藻APQDTIO855和链状裸甲藻GCFC01；
所述的非产麻痹性贝类毒素藻类为东海原甲藻PDEC、中肋骨条藻SCEC；
步骤（1）中所述的温度为16℃、22℃和28℃；
步骤（1）中所述的盐度为25‰、30‰和35‰。
5.根据权利要求1所述的模型的建立方法，其特征在于：
步骤（2）中所述的采用Delaunay 三角内插值法消除三维荧光光谱的瑞利散射通过MATLAB 处理软件实现；
步骤（2）中所述的最大归一化的处理方法如下：
X*=[Xn-Xmin]/[Xmax-Xmin]；
Xn：各个频点的荧光强度；
Xmax：荧光强度最大值；
Xmin：荧光强度最小值；
X*：归一化所得荧光光谱的相对强度值；
步骤（2）中所述的Db7小波函数通过MATLAB 编程软件实现；
步骤（2）中所述的荧光特征谱为使用第2、3 尺度分量和2、3 小波分量的藻类荧光特征谱；
步骤（3）中所述的逐步回归分析方法通过SPSS分析软件实现。
6.根据权利要求1所述的模型的建立方法，其特征在于：
步骤（3）中所述的建立产麻痹性贝类毒素微藻定量分析模型的具体步骤如下：培养已知是否产麻痹性贝类毒素的藻类，调整到已知浓度，进行三维荧光测定，将得到的三维荧光光谱数据通过步骤（2）的处理；将处理后的三维荧光光谱数据进行分析，分析藻细胞密度和荧光强度的相关性，挑选与藻细胞密度显著相关的特征参数点，进行逐步回归统计。
7.根据权利要求1所述的检测产麻痹性贝类毒素微藻细胞密度的模型的建立方法，其特征在于：所述的检测产麻痹性贝类毒素微藻细胞密度的模型在检测产麻痹性贝类毒素微藻细胞密度中应用。
CN202110837176.2A 2021-07-23 2021-07-23 检测产麻痹性贝类毒素微藻细胞密度的模型的建立方法 Active CN113673090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110837176.2A CN113673090B (zh) 2021-07-23 2021-07-23 检测产麻痹性贝类毒素微藻细胞密度的模型的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110837176.2A CN113673090B (zh) 2021-07-23 2021-07-23 检测产麻痹性贝类毒素微藻细胞密度的模型的建立方法

Publications (2)

Publication Number Publication Date
CN113673090A CN113673090A (zh) 2021-11-19
CN113673090B true CN113673090B (zh) 2023-08-18

Family

ID=78540251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110837176.2A Active CN113673090B (zh) 2021-07-23 2021-07-23 检测产麻痹性贝类毒素微藻细胞密度的模型的建立方法

Country Status (1)

Country Link
CN (1) CN113673090B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104316505A (zh) * 2014-11-14 2015-01-28 深圳市朗诚实业有限公司 用于识别鱼毒性藻类的三维荧光标准光谱库的构建和应用
CN108037104A (zh) * 2017-12-12 2018-05-15 南通大学 基于脂溶性量子点的微藻含油量快速检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012036758A1 (en) * 2010-09-19 2012-03-22 Alex Yuan Aquaculture biocide methods and compositions

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104316505A (zh) * 2014-11-14 2015-01-28 深圳市朗诚实业有限公司 用于识别鱼毒性藻类的三维荧光标准光谱库的构建和应用
CN108037104A (zh) * 2017-12-12 2018-05-15 南通大学 基于脂溶性量子点的微藻含油量快速检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
鱼毒性藻类及其溶血活性的三维荧光光谱识别研究;桓清柳等;光谱学与光谱分析(02);第399-402页 *

Also Published As

Publication number Publication date
CN113673090A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
Dubelaar et al. Flow cytometry as a tool for the study of phytoplankton
Loiselle et al. The optical characterization of chromophoric dissolved organic matter using wavelength distribution of absorption spectral slopes
Jakob et al. Estimation of chlorophyll content and daily primary production of the major algal groups by means of multiwavelength-excitation PAM chlorophyll fluorometry: performance and methodological limits
Jakobsen et al. FlowCAM: sizing cells and understanding the impact of size distributions on biovolume of planktonic community structure
Dubinsky The functional and optical absorption cross-sections of phytoplankton photosynthesis
CN104316505B (zh) 用于识别鱼毒性藻类的三维荧光标准光谱库的构建和应用
Ríos et al. Chemical composition of phytoplankton and particulate organic matter in the Ría de Vigo (NW Spain)
Martsenyuk et al. Multispectral control of water bodies for biological diversity with the index of phytoplankton
Alpine et al. Differences in in vivo fluorescence yield between three phytoplankton size classes
Lee et al. In vivo fluorometric method for early detection of cyanobacterial waterblooms
Simis et al. In vivo mass‐specific absorption spectra of phycobilipigments through selective bleaching
CN111289489B (zh) 一种基于拉曼光谱的微生物单细胞生长检测方法
CN110174365A (zh) 基于紫外-可见光谱的复杂溶液中微生物含量的检测方法
Stelmakh et al. Carbon-to-chlorophyll-a ratio in the phytoplankton of the Black Sea surface layer: variability and regulatory factors
CN113673090B (zh) 检测产麻痹性贝类毒素微藻细胞密度的模型的建立方法
CN112414979B (zh) 用于识别产麻痹性贝类毒素微藻的荧光特征标准谱库及其构建方法与应用
CN111912824B (zh) 三维荧光光谱法在识别产麻痹性贝类毒素微藻中的应用
CN102608085A (zh) 一种检测藻类溶血毒素活性的方法与应用
Solovchenko Seeing good and bad: Optical sensing of microalgal culture condition
CN104237200A (zh) 基于蛋白核小球藻拉曼信号的草甘膦浓度检测方法
CN208476785U (zh) 一种适用于水产品重金属检测的激光诱导击穿光谱检测装置
Liu et al. Effects of irradiance on pigment signatures of harmful algae during growth process
CN115855893A (zh) 一种银纳米簇在草甘膦检测中的应用、植物中草甘膦的检测方法及动态监测方法
CN111549076B (zh) 一种荧光银纳米团簇探针的制备方法与应用
CN114018862A (zh) 一种检测养殖贻贝体内纤维状微塑料的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant