基于代謝組學(xué)的水產(chǎn)品物流相關(guān)技術(shù)研究.pdf

1、上海海洋大學(xué)博士學(xué)位論文 I 基于代謝組學(xué)的水產(chǎn)品物流相關(guān)技術(shù)研究 摘 要 本文將代謝組學(xué)技術(shù)成功應(yīng)用于水產(chǎn)品物流儲運(yùn)相關(guān)研究中。對于靶向代謝組學(xué)，本文將其應(yīng)用于典型海洋貝類生物-扇貝的半無水活體保藏條件優(yōu)化中。而對于非靶向代謝組學(xué)， 本文將其應(yīng)用于經(jīng)過 MS-222 麻醉運(yùn)輸?shù)啮a魚復(fù)蘇時間不足的判別方法的建立上。本研究將代謝組學(xué)技術(shù)這種新穎的研究方法的應(yīng)用擴(kuò)展到了水產(chǎn)品物流儲運(yùn)這個傳統(tǒng)研究領(lǐng)域。使得代謝組學(xué)技術(shù)在應(yīng)用上有了新的思路，

2、同時對水產(chǎn)品物流儲運(yùn)相關(guān)研究中常被忽視的方面帶來了更加深入和細(xì)節(jié)的視角。本研究的主要內(nèi)容包括以下 5 個部分： 1. 典型貝類海洋生物活體貯藏過程生存能力和能量貯備物質(zhì)的研究 目標(biāo)： 為了探究半無水活體儲藏過程中扇貝的存活能力， 探明扇貝的半無水活體保藏在實際的商用條件下能夠在經(jīng)濟(jì)上可接受的保藏時間，為下一步的靶向代謝組學(xué)研究的試驗設(shè)計提供了參考。同時對于扇貝在半無水活體保藏的條件下其生理情況的變化，特別是呼吸作用和能量儲備方面，進(jìn)行了

3、初步探索。 方法： 本研究對扇貝在 5℃下半無水保藏進(jìn)行了一系列天數(shù)的實驗， 直至其半數(shù)致死時間， 對保藏過程中扇貝的存活曲線進(jìn)行了測定。 對用于測定生存率的樣品，隨機(jī)抽取其中的部分個體， 測定了數(shù)個生化指標(biāo)， 包括糖原水平， 乳酸水平和蛋白質(zhì)水平 結(jié)果： 經(jīng)過每日的存活率檢測， 繪制了其存活曲線。 其中 10%致死時間作為商業(yè)可接受到保藏時間， 經(jīng)測定為 3 天。 而半數(shù)致死時間作為實驗終止的時間， 經(jīng)測定為 6 天。保藏過程中，扇貝

4、的糖原水平在每個時間點上相互之間沒有統(tǒng)計學(xué)顯著性差異。 每日檢測的扇貝乳酸水平， 第一天的乳酸水平相對其實和第二天， 其暫時性上升有著統(tǒng)計學(xué)顯著性。每日的蛋白質(zhì)水平?jīng)]有統(tǒng)計學(xué)顯著性差異。 結(jié)論： 扇貝在半無水儲藏條件下的生存能力優(yōu)秀。 糖原水平的維持可能是因為糖原異生作用作用的加強(qiáng)。乳酸水平的暫時升高表明了扇貝在逆向環(huán)境應(yīng)激的初始時間點上， 其無氧呼吸的代謝模式發(fā)生了從乳酸通路到琥珀酸通路的切換。 然而常規(guī)的生化指標(biāo)檢測只能提供非常有限

5、的信息，需要引入下一章節(jié)中的靶向代謝組學(xué)方法。 上海海洋大學(xué)博士學(xué)位論文 III 以及腎功能相關(guān)的血肌酐水平，由自動生化分析儀進(jìn)行測定。 結(jié)果： 所有的血漿樣品中 MS-222 的殘留量均低于檢測限。 對血漿生化指標(biāo)經(jīng)過單因素方差分析后，結(jié)果為，麻醉運(yùn)輸并復(fù)蘇 6 小時的鯽魚相比不麻醉進(jìn)行運(yùn)輸?shù)慕M中總蛋白的含量有統(tǒng)計學(xué)顯著意義的降低；麻醉運(yùn)輸并復(fù)蘇 6 小時的鯽魚與其他兩組相比較， 其血肌酐水平有統(tǒng)計學(xué)顯著的升高。 其他數(shù)據(jù)之間無統(tǒng)計學(xué)

6、顯著的差異。 結(jié)論：MS-222 在清水復(fù)蘇的環(huán)境下的清除時間遠(yuǎn)遠(yuǎn)短于法規(guī)所要求的復(fù)蘇時間， MS-222 殘留量無法用于復(fù)蘇時間不足的判別。 肌酐含量的變化意味著 MS-222會造成可逆的腎功能損害。 4. 基于非靶向代謝組學(xué)技術(shù)分析典型水生脊椎動物麻醉生理代謝特性的研究 目標(biāo)： 為了不依靠 MS-222 的殘留量來判別復(fù)蘇時間， 基于代謝組學(xué)結(jié)合支持向量機(jī)機(jī)器學(xué)習(xí)方法的判別模型。 為了減輕支持向量機(jī)模型的固有缺陷， 特征選擇步驟被用

7、來降低計算負(fù)擔(dān)，并且開發(fā)和實現(xiàn)了一種直觀呈現(xiàn)分類模型拓?fù)浣Y(jié)構(gòu)的可視化算法。 方法：基于硅烷化衍生化的氣相色譜-質(zhì)譜聯(lián)用，親水作用力高效液相色譜-質(zhì)譜聯(lián)用和反相高效液相色譜-質(zhì)譜聯(lián)用被選用于化學(xué)分析。三者的數(shù)據(jù)在處理后合并以輸入至機(jī)器模型的訓(xùn)練中。 隨機(jī)森林方法被用于特征選擇。 交叉驗證和測試集樣品被用于模型判別性能的驗證。自組織投射被用戶模型的可視化。recursive feature elimination 算法用于潛在生物標(biāo)記物的篩

8、選， 并根據(jù)篩選出的生物標(biāo)記物進(jìn)行通路分析。 結(jié)果： 從色-質(zhì)譜聯(lián)用數(shù)據(jù)中共挖掘出 1971 個特征變量， 再經(jīng)過特征選擇后維度數(shù)量減少到 135 個。經(jīng)過 grid search 方法訓(xùn)練和優(yōu)化的非線性支持向量機(jī)模型其 C 和 γ 值分別為 0.1574901 和 0.003100393， 其中支持向量數(shù)量為 37。 15 個測試樣品的分類準(zhǔn)確率達(dá)到 100%。 成功實現(xiàn)的可視化算法使支持向量機(jī)的拓?fù)浣Y(jié)構(gòu)能夠被直接觀察到。篩選并鑒定出