Search

Sâm cau (Curculigo orchioides), thuộc chi Curculigo, họ Hypoxidaceae, là một loài thảo dược quý và đã được người dân tin dùng để chăm sóc và bảo vệ sức khỏe. Hiện nay, nhu cầu trồng cây Sâm cau ngày càng tăng cao, nhưng các nghiên cứu dựa trên các chỉ thị DNA của Sâm cau nhằm phát triển chỉ thị để tránh nhầm lẫn trong quá trình thu mua nguyên liệu ở dạng khô vẫn chưa có nhiều. Trong nghiên cứu này, vùng gene trnL-trnF của 15 nguồn gene Sâm cau thu hái từ ba khu vực thuộc tỉnh Thừa Thiên Huế đã được giải trình tự và phân tích nhằm phục vụ cho công tác định danh, phân loại và phân tích sự tiến hoá. Kết quả cho thấy vùng gene trnL-trnF của các mẫu nghiên cứu có trình tự tương đồng 99% và độ bao phủ 100% so với trình tự NC 053892 của loài Curculigo orchioides. Chúng tôi đã xác định được năm loại haplotype tại tỉnh Thừa thiên Huế với hệ số đa dạng haplotype (Hd) 0,705 ± 0,088. Mức độ khác biệt di truyền giữa các quần thể dao động từ 0 đến 0,49%. Quần thể Sâm cau ở tỉnh Thừa Thiên Huế tiến hoá theo hướng chọn lọc cân bằng, trung tính và quần thể ngẫu nhiên do thiếu các allen hiếm xuất hiện trong quần thể.

Near-infrared (NIR) spectroscopy has become a popular technique for assessing food quality due to its advantages over complex chemical analysis methods. However, the application of NIR spectroscopy for evaluating fish quality based on urea content has not been extensively explored. This study investigates the use of NIR spectroscopy in combination with machine learning (ML) techniques to classify fish samples into two safety classes—Safe and Unsafe—based on their urea content. A comprehensive NIR dataset comprising 11,960 spectra collected from eight distinct positions within the fish body was obtained from 299 fish samples of mackerel, tuna, and pompano species. ML experiments were conducted to classify fish samples based on whether their urea content exceeded the permissible limit of 1000 ppm. To address class imbalance and optimize ML models, various data pre-processing and feature extraction techniques, as well as ML algorithms, were explored. The results demonstrated that utilizing NIR data specifically obtained from the outer skin of the stomach yielded superior models for fish safety classification. A feature extraction method employing pre-processed NIR spectra and their first derivatives, combined with an optimized convolutional neural network architecture, outperformed traditional ML classifiers, achieving an accuracy of up to 83.9%. [ABSTRACT FROM AUTHOR]

Near-infrared (NIR) spectroscopy has emerged as a popular technique for assessing food quality due to its advantages over complex chemical analysis methods. However, the application of NIR spectroscopy for evaluating fish quality based on histamine content has not been extensively explored. This study investigates the use of NIR spectroscopy in combination with machine learning (ML) techniques to classify fish samples into two safety classes, Safe and Unsafe, based on their histamine content. A comprehensive NIR dataset comprising 11,360 spectra collected at eight distinct positions within the fish body was obtained from 284 fish samples of mackerel, tuna, and pompano species. ML experiments were conducted to classify fish samples based on whether their histamine content exceeded the permissible limit of 100 ppm. To address class imbalance and optimize ML models, various data pre-processing and feature extraction techniques as well as ML algorithms were explored. The results demonstrated that utilizing NIR data specifically obtained from the tail's flesh, a specific location within the fish, yielded superior models for fish safety classification. A feature extraction method employing pre-processed NIR spectra and their second derivatives, combined with an optimized convolutional neural network architecture, outperformed traditional ML classifiers with an accuracy of approximately 93%. [ABSTRACT FROM AUTHOR]