仪器网（yiqi.com）欢迎您！

内容简介

      放射性示踪技术在生命科学的发展中起着重要作用。虽然发展了许多替代技术，但是在许多特定的条件下，放射性示踪仍然是shou选的GX、专一、可靠的实验方法。液闪计数分析，作为b射线检测的一种实验技术，在蛋白质的功能研究中起着重要的作用，尤其是上世纪70年代末为医药工业的高通量筛选建立的、近年来在基础研究的多个领域崭露头角的临近闪烁分析方法，对蛋白质功能研究提供了一些新思路，使得蛋白质功能的研究从分子到细胞成为可能。

      本期Webinar邀请到的主讲人张洪杰博士为ZG科学院生物物理研究所科学平台的同位素实验技术主管。其负责的放射性同位素实验室面向所内、所外提供技术支撑服务。目前实验室有3H、14C、32P、33P、35S、51Cr、125I等7种核素，经过近几年的改造、建设，同位素示踪实验平台已经基本形成了放射实验场所（辐射）清洁、放射操作安全防护配套、放射试剂许可剂量充足、放射废弃物处理规范、放射样品的制样设备和检测仪器齐全的开放共享的实验场所。目前该平台已助力两个实验室在Cell，多个实验室在nature子刊等影响因子大于10的学术期刊上发表研究成果。

      本期讲座主要以在中科院生物物理所同位素实验室完成的实验结果为基础，结合一些其它实验室发表的文献数据，对酶、转运蛋白的活性分析，配体和受体的结合分析以及蛋白质的体内代谢分析，介绍相关测试过程中的样品制备、测试信号选择中的一些注意事项，帮助大家理解液闪分析中的一些关键步骤，提高实验的成功率。

讲座题目：液体闪烁技术在蛋白质功能研究中的应用:从分子到细胞

讲座时间：2019年6月27日14：00-15:00

主讲人：张洪杰 博士（中科院生物物理研究所）

讲座形式：网络讲座，手机或PC即可参与（会议链接和如下报名链接相同）

主讲人简介

张洪杰博士，放射性同位素实验技术主管， 高级工程师，复旦大学化学系理学学士，中科院生物物理研究所分子生物学博士，在生物物理学和分子生物学领域从事过多年的研究工作，2012年开始负责放射性同位素的运行管理和实验技术指导，有着较为丰富的经验。近几年已经有20余篇和同位素技术支撑相关的被致谢的文章。

关于珀金埃尔默：

珀金埃尔默致力于为创建更健康的世界而持续创新。我们为诊断、生命科学、食品及应用市场推出独特的解决方案，助力科学家、研究人员和临床医生解决Z棘手的科学和YL难题。凭借深厚的市场了解和技术专长，我们助力客户更早地获得更准确的洞见。在，我们拥有12500名专业技术人员，服务于150多个国家，时刻专注于帮助客户打造更健康的家庭，改善人类生活质量。2018年，珀金埃尔默年营收达到约28亿美元，为标准普尔500指数中的一员，纽交所上市代号1-877-PKI-NYSE。

了解更多有关珀金埃尔默的信息，请访问www.perkinelmer.com.cn

写在前面的

① 水稻高产栽培是解决世界范围内日益增长的粮食需求的有效途径，而对高产水稻进行正确分类是育种的关键。

② 然而，在育种项目中人工测量耗时、成本高、产量低，这限制了在大规模现场表型的应用。

③ 因此，研究者开发了一种低成本、高通量表型分析和无损检测的方法，将无人机高光谱测量和深度学习相结合，以提高水稻育种效率。

研究背景

水稻是世界上主要的栽培作物之一，是许多国家的主要粮食来源。水稻的种植面积仅占耕地总面积的7%，却养育着21%的人口。近年来，粮食生产增长速度明显放缓，而世界一些地区的粮食需求却在增加。

在ZG，预计到2030年，对大米生产的需求将增加约20%，巨大的需求遇到了巨大的挑战，劳动力人口减少，耕地质量下降，水资源短缺，气候变化等。因此，选育高产水稻品种，提高单位产量，是解决粮食需求缺口的有效途径。

在水稻育种过程中，准确地预测产量是高产品种筛选的关键，而迄今为止，该工作很大程度上依赖于人为经验评估，存在主观随意性和不能规模化等限制。因此，高通量表型分型系统正在迅速发展，在许多育种项目中，遥感工具如RGB相机和多光谱、高光谱、荧光和热传感器都被用于数据采集。随着无人机技术和光谱成像技术的进步，基于无人机的高光谱相机在农业生产中的应用越来越广泛。

基于无人机的高光谱图像数据采集

近日，Plant Phenomics在线发表了宁夏农林科学院农作物研究所、福建农林大学林学中`心、中科院地理信息研究所合作的题为Classification of Rice Yield Using UAV-Based Hyperspectral Imagery and Lodging Feature的研究论文。

研究者首先按照亩产将13个宁夏北方区试中早粳中熟组水稻划分为高产、中产和低产三个类别。而后利用DJI M600 Pro无人机，配备GaiaSky-Vis&Nir高光谱相机采集高光谱图像，并结合水稻后期倒伏特征，借助机器学习算法(XGBoost)构建水稻产量类别检测模型。该模型对在试验区的13个水稻品种产量进行预测，结合实际的产量进行比较发现该模型对高产品种的识别具有极高的准确度。

▲试验区分布图

该高光谱相机的分辨率为960×1057像素，在飞行高度为90m时的空间分辨率为4.5cm，其波长范围从400到1000nm，光谱分辨率为3.5nm，每张图像的曝光时间为7s。水稻光谱曲线与周围土壤不同。在数据采集前，研究者们对农田进行了检查，确保稻田中只有水稻，没有其他杂草，避免干扰高光谱数据。

高光谱图像预处理工作流程包括数据校准、噪声，背景去除和ROI的选择。研究者还进行了随机非重复采样、植被指数计算和数据降维。将高光谱数据、植被指数和倒伏特征组合成一个数据库，ZH将数据分为训练库和测试库。

▲高光谱处理流程及各种分析策略的模型评估

由于倒伏标记对更好地估计产量有重要意义，本研究同时设计了基于深度学习的倒伏检测模型来对水稻的倒伏特征进行量化，并获得了较高的倒伏预测准确度。结果表明，利用深度学习技术实现水稻倒伏的自动识别是可行的。

▲利用微调技术自动识别水稻倒

Gaia-Vis&Nir作为针对植被、农作物（小麦、玉米）等理化、生理指标长期监测系统，采用了高灵敏度、高光谱分辨率、宽光谱范围的探测器。在ARM 系统下对探测器、温度传感器、制冷系统、采集系统、转镜结构、电子Shutter、辅助拍摄区域视频监控等功能的控制。

反射光谱测量的是植被生化组分等对入射光谱的吸收信息，能够反演植物群体的生化组分浓度信息。通过获取植被冠层在350nm- 1700nm范围内的反射光谱信息，可反映植被冠层的生长状态及生化组分信息。

例如，利用作物水分敏感波段960nm/1450nm处的反射率可判断作物叶片、冠层的含水量关系。综合考虑叶片内部结构、叶片水分含量以及干物质等的影响，利用1600nm与820nm的反射率比值建立与等效水厚度EWT（Equivalent Water Thickness）的相关性。

▲Gaia-Vis&Nir植被冠层可见&近红外反射光谱测试、太阳光诱导叶绿素荧光测试系