通过测序共获得106.92 Mb reads数据，各样本Reads数据在1 742 153～9 815 872之间，样本平均测序质量值Q30为95.91%；平均GC含量为39.16%。通过生物信息学分析，本研究获得406 599个SLAF标签，样本的平均测序深度为19.13倍，其中多态性的SLAF标签共有140 387个，共得到419 223个群体SNP标还有记。利用开发的SNP分子标记将30份紫苏种质资源分为2组，紫苏SNP分子标记的研究可为紫苏的遗传图谱构建、种质资源鉴定以及农艺性状的关联分析提供理论基础。
为了提高乳制品质量安全风险预警的精准性，尝试将遗传算法与BP神经网络结合，构建了基于遗传算法优化的BP神经网络乳制品质量安全风险预警模型，并运用2002～201www.selleck.cn/products/Lapatinib-Ditosylate.html7年的相关指标数据样本对网络模型进行训练和验证。研究结果显示：相较于传统BP网络预警模型，遗传优化的BP网络模型训练效果好，收敛速度快；在预警预测精度和泛化性能方面，BP模型预警预测的平均绝对百分误差MAPE为0.23%，拟合系数R~(2)为0.9409，而优化之后的BP网络预警预测的平均绝对百分误差MAPE和拟合系数R~(2)分selleck激酶抑制剂别0.20%和0.9918，预警的精度和网络模型的泛化能力都有所提高；说明将该模型用于乳制品质量安全风险预警是一种切实可行的方法。
以84个香椿（Toona sinensis (A. Juss.) Roem.）种质为材料，对其2个生长性状和18个叶部性状（包含6个质量性状和12个数量性状）进行了测定。结果显示，香椿6个叶部质量性状变异类型丰富，呈现出多态化特点，单一性状的主要表型多为1～2个。