【摘 要】
：
G蛋白参与的信号转导途径是真核生物体内高度保守的信号通路,参与调控生物体内多种重要的生命活动。目前对于G蛋白的研究大多集中在动物中,植物中这一重要的信号通路的研究相对较少。水稻体内的异源三聚体G蛋白参与水稻体内多种重要的生物学功能,是水稻粒形调控的重要信号通路之一。已有的研究表明水稻异源三聚体G蛋白的三个典型亚基Gα（RGA1）、Gβ（RGB1）、Gγ（GS3和DEP1）均参与水稻体内的信号转导途
论文部分内容阅读
G蛋白参与的信号转导途径是真核生物体内高度保守的信号通路,参与调控生物体内多种重要的生命活动。目前对于G蛋白的研究大多集中在动物中,植物中这一重要的信号通路的研究相对较少。水稻体内的异源三聚体G蛋白参与水稻体内多种重要的生物学功能,是水稻粒形调控的重要信号通路之一。已有的研究表明水稻异源三聚体G蛋白的三个典型亚基Gα（RGA1）、Gβ（RGB1）、Gγ（GS3和DEP1）均参与水稻体内的信号转导途径。但目前对水稻G蛋白信号通路的研究仍不清楚。本研究利用IP-MS技术寻找水稻中典型的异源三聚体G蛋白亚基的互作蛋白。取得如下的主要结果:1.水稻G蛋白相关基因超表达株系的创建:在中花11背景下,成功创建G蛋白各亚基Gα（RGA1）、Gβ（RGB1）、Gγ（GS3和DEP1）的超表达融合标签的转基因材料,其中GS3超表达植株种子相比于野生型变短,DEP1、RGA1及RGB1超表达植株没有明显的表型。2.水稻G蛋白IP纯化和质谱鉴定:对已检测水稻G蛋白相关基因超表达植株,分交联和非交联,分别取阳性植株和阴性对照植株4-6cm幼穗样品并真空处理,后进行IP纯化蛋白,并送样进行质谱分析。送样结果包括基因RGA1、RGB1、GS3-1、GS3-4、DEP1和depl编码蛋白样品及其生物学重复和阴性对照共有34份,基本涵盖水稻G蛋白的α,β和γ亚基。3.水稻G蛋白相关基因IP-MS结果分析:通过质谱鉴定结果及查询已有数据库信息初步确定14个目标蛋白,其中主要包括GTP酶活化蛋白（GAP）、鸟苷酸交换因子（GEF）、鸟苷酸解离抑制因子（GDI）以及类受体蛋白激酶（RLK）。通过对比送样复合体鉴定结果,发现αβγ亚基均在同一复合体,说明G蛋白确实以三聚体形式传递信号。同时发现GS3、DEP1与Gαβ不同时存在于一个复合体中,表现为竞争性地与Gαβ结合,进一步说明IP-MS的数据可靠性强。
其他文献
随着进入大科学时代,投入产出庞大、多学科交叉的大科学装置成为了当代科学技术在前沿领域取得进步的基础设施。大科学装置占用资源庞大,但产出具有不稳定性,由此可能带来投入产出不平衡的“白象难题”,要解决“白象难题”,需要从大科学装置的两类主要产出成果:代表科学的基础研究与代表技术的应用研究入手,探究大科学装置的知识转移特征,减少知识转移过程中的粘滞知识,提升大科学装置知识转移效率,拓展大科学装置的产出效
随着现代技术的发展,数据获取技术以及数据存储能力都有了显著的升,这使得众多科学领域的函数型数据都更容易获得。函数型数据与我们的生活息息相关,在生活中也很常见,比如个人的心电图,个航班的经纬度数据,多普勒超声造影数据等等,都是函数型数据。由此可以看出对函数型数据进行研究的重要性以及必要性。自Ramsay出函数型数据以来,函数型数据一直都是研究的热点。随着研究的深入,非线性结构数据不断涌现,如脑机接口
现代科学研究和应用中经常会遇到碎片化数据,它是有着很高的数据缺失率和复杂的响应模式,这给数据填充和标签预测任务带来了很大的挑战。现有统计学方法在处理碎片化数据时能够提供有用的理论性质,但通常需要依赖于某些模型假设并且能够处理的数据类型不够灵活。另一方面,机器学习领域中基于生成对抗网络的方法要么没有理论保证,要么只考虑完全随机缺失机制的情况。并且它们大多将数据填充与标签预测两项任务分割开来,影响了标
随着我国老龄化程度加深、老年平均寿命延长,老年人群体的照护需求在不断增长。但是目前社会化养老服务体系存在着无法解决所有养老问题的局限性,家庭照料依然是养老的主要选择之一。但是承担照护家中老人责任的家庭护老者却面临着照护压力风险、照护能力提升限制、社会支持短缺的多重困境,家庭护老者生活质量下降,甚至照护悲剧频繁发生。因此本研究在压力过程理论、社会支持理论的指导下,聚焦家庭护老者主观生活质量如何提升的
鸭坦布苏病毒（Duck Tembusu virus,DTMUV）为黄病毒科黄病毒属成员,是严重危害当前养鸭业的重要病原,造成重大的经济损失。DTMUV引起的疾病肆虐流行,主要引起鸭体重减轻、食欲不振、产蛋率下降甚至死亡等特征,其免疫逃逸和致病机制目前仍不清楚。本研究首次克隆了鸭的MAVS基因并分析了其在鸭天然免疫反应中的作用,积累了鸭天然免疫信号通路的研究方法和技术手段,也完善了鸭天然免疫研究平台
深度强化学习是一种极具前景的技术,可用于解决现实场景中的各种复杂控制问题。然而,强化学习系统具有的三个特性使得验证工作变得十分困难,其中这三个特性分别是:（1）系统通常具有连续的状态空间;（2）系统的状态转移方程一般是非线性的;（3）部署在系统中的深度神经网络是不可解释的。因此,在缺乏有效的验证方法来确保可靠性的前提下,强化学习在安全攸关领域中的应用受到了一定的限制。为了缓解该现状,本文提出了一种
长久以来,序列推荐一直是推荐系统领域的研究热点。大多数序列推荐模型仅关注用户行为序列的顺序建模,忽略了有效利用序列中的时间信息、深入挖掘其中蕴含的语义知识,因此推荐性能受到制约。时间信息建模对于序列推荐意义深远。一方面,用户交互行为的时间戳包含丰富语义,各类待利用的时间信息对于理解用户真实意图进而实现精准推荐十分关键;另一方面,时间信息具有容易获取的独特优势,序列推荐能够利用时间信息有效缓解数据稀
强化学习是目前机器学习领域的热门方向,在游戏博弈,推荐系统等领域都有许多成功应用。强化学习通过与环境进行大量的交互获得反馈进行学习,根据与环境交互的行为策略与学习到的目标策略是否相同可分为on-policy和offpolicy方法,而后者是提高强化学习的样本利用效率的重要方法。本文研究off-policy强化学习算法如何根据行为策略收集的样本数据集学习一个新的具有良好表现性能的目标策略的问题。在以
近年来,移动互联网的发展带来了诸多基于群组通信的应用,如在线会议,社交网络等,为人类日常生活及工作提供了极大的便利。群组通信安全也日益受到人类社会的关注,成为了当下研究的一个热点问题。利用群密钥管理技术可以实现群组间安全通信信道的建立。由于应用场景的复杂多变性,群密钥管理技术也亟临诸多挑战。本文主要讨论了群密钥管理技术在移动自组织网络、分布式在线社交网络两个场景中的应用。移动自组织网络、分布式在线
伴随着互联网的快速普及与发展,全球上网人数不断增加,数据的生成量级也迎来爆炸性的增长,如何充分利用好海量的数据为人们提供智能化的信息服务一直以来都是计算机从业者所追求的目标。然而海量无结构的数据所提供的信息量是有限的或者说对于下游应用任务来说是不方便处理的,因此从无结构化的数据之中抽取出结构化的知识这一需求也日益迫切。关系抽取正是解决这一需求的重要任务,从纵向发展来看关系抽取是自然语言处理（信息抽