【摘 要】
：
从海洋样品中筛选产右旋糖酐酶新颖的菌株.采用透明圈法从近海海泥中筛选到一株产右旋糖酐酶的菌株G1,根据16S rDNA基因序列、形态学和生理生化指标,鉴定为Marinimicrobium s
【机 构】
：
江苏海洋大学海洋资源与环境重点实验室/海洋生物技术重点实验室,江苏省海洋生物产业技术协同创新中心,江苏连云港222005
论文部分内容阅读
从海洋样品中筛选产右旋糖酐酶新颖的菌株.采用透明圈法从近海海泥中筛选到一株产右旋糖酐酶的菌株G1,根据16S rDNA基因序列、形态学和生理生化指标,鉴定为Marinimicrobium sp..该菌产酶的最适碳源和氮源分别为蔗糖和鱼粉蛋白胨,在初始pH7.5、发酵温度30℃条件下发酵48 h产酶量最高.右旋糖酐酶的相对分子质量约为70 ku,最适温度为40℃,最适pH值为5.5;在5 mmol/L浓度条件下,Co2+、K+、Mn2+、Sr2+、Ca2+、Na+等离子对该酶活性有显著促进作用.经高效液相色谱(HPLC)检测,15 min的酶解产物中异麦芽三糖和异麦芽六糖的含量分别为43.8％和36.5％.检测了酶解产物的抗氧化活性,清除羟自由基的IC50为2 mg/mL,清除超氧阴离子IC50为10mg/mL.该酶在食品工业特别是益生元的生产中具有较好的应用潜力.
其他文献
芽孢杆菌是一类能产生内生芽孢的革兰氏阳性菌,广泛存在于土壤、牛舍及奶牛饲料中,对乳制品品质有不利影响。芽孢杆菌产生的休眠体芽孢是目前自然界发现最具耐受性的细胞,对各种极端环境都具有极强的抵御能力,能在乳制品贮藏过程中激活为营养体,恢复生长繁殖的能力,并迅速大量繁殖,造成乳制品的细菌污染。除此之外,芽孢杆菌产生的蛋白酶和脂肪酶能够水解蛋白质和脂肪,导致乳制品营养下降,液态乳出现凝胶、脂肪花纹、脂肪上浮甚至酸败变质等品质问题。随着人们对乳制品质量与安全重视程度的提高,对芽孢杆菌的研究也逐渐深入与细化。文章归纳
在自动驾驶场景中,对前车尾灯的检测是一个广泛且具有研究意义的问题。Darknet53是YOLOv3的特征提取网络,其使用5个残差单元对原始图像进行特征提取并采用三尺度的特征图进行融合预测,尺寸越小对大目标的特征表达能力越强。因为尾灯检测属于小目标检测,所以本文舍去Darknet53的最后一个残差单元,同时增加小尺度特征提取残差单元的重复次数。针对K-means聚类算法存在k值难以确定以及对初始聚类
为提高牛樟芝菌丝体产三萜类化合物的能力,通过筛选(Plackett-Burman,PB)试验和响应面法对牛樟芝固体培养基进行优化.在单因素试验的基础上,利用PB试验筛选得到3个显著影响因
目标检测算法因数据存在分辨率较低、噪声等干扰,不能有效利用特征图中目标的边缘纹理和语义信息,导致小目标检测效果较差。为此,本文提出一种基于SSD的小目标检测改进算法。首先,采用普通卷积和深度可分离卷积进行同步特征学习并融合,获得信息丰富的浅层特征。然后,在固有的5个尺度的特征层后添加通道和空间自适应权重分配网络,使得模型更关注通道和空间的重要特征信息。最后,将候选目标框进行非极大抑制筛选得到检测结
针对基于属性的访问控制模型中存在属性撤销后权限确定的问题,本文提出一种支持权限管理的高效属性撤销机制。该方案通过在访问控制机制中引入基于密文策略的属性加密机制CP-ABE来实现密文访问控制,将访问树用主析取范式来表示,主析取范式的每个子集即为访问主体访问资源所需满足的限定条件最小属性集。因此,当属性撤销时,通过判断最小属性集与被撤销属性的关系,来确定被撤销属性对主体的访问是否有影响,进而确定主体的访问权限。性能分析表明,该方案具有较高的安全性,不仅能够实现属性撤销后权限的确定,而且能够抵抗共谋攻击等。
研究了核反应堆弹簧材料用时效强化0Cr20Ni55Mo3Nb5Ti(Inconel-718)合金材料在350℃高温下的低周疲劳性能,并采用Manson-Coffin和郑修麟模型对加载应变水平和低周疲劳寿命之
项目选择长江南京段适宜种植植物的5个典型入江河道口作为项目的调查样地,采用样方及样线调查法统计各样地植物种类、习性、数量及生长情况,构建了南京地区入江河道植物名录.
根据Gleeble-3500热模拟试验机测量30CrNi3MoV钢的真应力-真应变曲线,系统研究了应变速率为0.01、0.1 s-1时钢材的动态再结晶行为,并构建了其动态再结晶模型.结果表明:30CrNi
采用粉末冶金法制备Ni-Al-W活性材料Ni37.5Al42.5W20,研究了材料中Ni-Al、Al-W、Ni-W 3种不同界面处的扩散动力学。结果表明:在400℃保温不同时间下该材料表观激活能变化不大;扩散层厚度Δx随时间t的增加而增加,且lnΔx与lnt呈线性关系,在3种不同界面处只发生了扩散而未产生金属间化合物。Ni-Al界面层厚度与保温时间关系式为ΔxNi-Al=4.52 10-8t~(1
人工智能目前在诸多领域均得到较好应用,然而通过对抗样本会使神经网络模型输出错误的分类。研究提升神经网络模型鲁棒性的同时如何兼顾算法运行效率,对于深度学习在现实中的落地使用意义重大。针对上述问题,本文提出一种基于条件对抗生成网络的对抗样本防御方法Defense-CGAN。首先使用对抗生成网络生成器根据输入噪声与标签信息生成重构图像,然后计算重构前后图像均方误差,对比选取重构图像馈送到分类器进行分类从而去除对抗性扰动,实现对抗样本防御,最后,在MNIST数据集上进行大量实验。实验结果表明本文提出的防御方法更加