CN111122579A - 一种生菜叶片黄酮总量测定方法 - Google Patents

一种生菜叶片黄酮总量测定方法 Download PDF

Info

Publication number
CN111122579A
CN111122579A CN202010053447.0A CN202010053447A CN111122579A CN 111122579 A CN111122579 A CN 111122579A CN 202010053447 A CN202010053447 A CN 202010053447A CN 111122579 A CN111122579 A CN 111122579A
Authority
CN
China
Prior art keywords
leaf
lettuce
total
flavone
measuring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010053447.0A
Other languages
English (en)
Inventor
杨晓
杨其长
章竞瑾
郑胤建
王峥
廖秋红
许亚良
王芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Institute of Urban Agriculture of Chinese Academy of Agricultural Sciences
Original Assignee
Shanghai Jiaotong University
Institute of Urban Agriculture of Chinese Academy of Agricultural Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University, Institute of Urban Agriculture of Chinese Academy of Agricultural Sciences filed Critical Shanghai Jiaotong University
Priority to CN202010053447.0A priority Critical patent/CN111122579A/zh
Publication of CN111122579A publication Critical patent/CN111122579A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N2021/8466Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种生菜叶片黄酮总量测定方法,涉及植物黄酮总量测定领域,生菜叶片黄酮总量测定方法包含如下步骤:步骤1、通过前期样品的叶片色彩参数与叶片黄酮总量的检测,建立所述叶片色彩参数与所述叶片黄酮总量的关系模型公式Y=f(X),其中,所述Y代表所述叶片黄酮总量,所述X代表所述叶片的选定区域的色彩参数;步骤2、测量待测叶片的X值;步骤3、通过所述关系模型公式Y=f(X)计算所述待测叶片的黄酮含量。本发明提供的方法是一种无损检测方式,具有方便,快捷的特点,不需要繁琐化学分析即可实现生菜叶片黄酮总量测定。

Description

一种生菜叶片黄酮总量测定方法
技术领域
本发明涉及植物黄酮总量测定领域,尤其涉及一种生菜叶片黄酮总量测定方法。
背景技术
黄酮是植物次级代谢产物之一,广泛存在于自然界的植物中,结构单元中以2-苯基色原酮为母核的水溶性色素。黄酮类化合物在植物体中通常与糖结合成苷类,小部分以游离态(苷元)的形式存在,其羟基衍生物多具黄色,在植物的生长、发育、开花、结实、抗菌防病等方面起着重要的作用。黄酮对人体健康也具有积极的作用。黄酮化合物具有抗氧化、抗癌、抗糖尿病、抗衰老、抗心血管疾病等功效。
目前测量黄酮含量的方法主要是化学分析法,主要包括紫外分光光度法和色谱法。紫外分光光度法测定黄酮总量主要通过提取植物黄酮后在三氯化铝作用下进行显色反应,然后用分光光度法计算黄酮总量,测定过程中需要破坏性采样、测定工作量大,操作复杂、存在随意性和不确定性,主观性强,一致性差。色谱法可以对黄酮化合物的各个单体分别进行定性和定量分析,测试结果准确,但化学标准品价格贵、成本高,设备采购价格高、维护难,方法繁琐且操作复杂、分析时间长,测定需要破坏性采样。
因此,本领域的技术人员致力于开发一种操作简单,省时省力,无需破坏性采样,且确定性强的生菜叶片黄酮总量测定方法。
发明内容
有鉴于现有技术存在的工作量大,操作复杂,需破坏性采样等缺陷,本发明所要解决的技术问题是提供一种操作简单,省时省力,无需破坏性采样,且确定性强的生菜叶片黄酮总量测定方法。
为实现上述目的,本发明提供一种生菜叶片黄酮总量测定方法,包含如下步骤:
步骤1、通过前期样品的叶片色彩参数与叶片黄酮总量的检测,建立所述叶片色彩参数与所述叶片黄酮总量的关系模型公式Y=f(X),其中,所述Y代表所述叶片黄酮总量,所述X代表所述叶片的选定区域的色彩参数;
步骤2、测量待测叶片的X值;
步骤3、通过所述关系模型公式Y=f(X)计算所述待测叶片的黄酮含量。
进一步地,所述步骤1的关系模型为:Y=aX+bX2+c,其中,对于同一种样品a、b、c是常数。
进一步地,所述步骤1的前期样品选定为生菜叶片,所述生菜叶片样品的数量为130个,其中100个用于叶片色彩参数与叶片黄酮总量的检测,建立所述关系模型公式,30个用于检验所述关系模型公式。
进一步地,按所述建立的模型公式画回归模型线和95%的置信区间,只要用于检验的样品的选定区域的色彩参数值的错误率不超过5%,就表示该模型公式成立。
进一步地,所述步骤1的测量所述生菜叶片样品的X值的具体步骤包括:
步骤1.1、确定需进行分析的所述生菜叶片样品的选定区域的色彩参数;
步骤1.2、用RGB视觉传感器采集所述选定区域的RGB图像,并计算所述色彩参数;
步骤1.3、计算所述选定区域的所述蓝色值与所述绿色值的比值。
进一步地,所述色彩参数包括:红、绿、蓝、色调、饱和度、强度。
进一步地,所述色彩参数采用SPSS统计法中的皮尔逊相关系数计算相关因子。
进一步地,通过黄酮含量测定仪测量所述步骤1的生菜叶片样品的所述Y值。
进一步地,所述黄酮含量测定仪为Dualex 4黄酮含量测定仪。
进一步地,所述步骤2的测量所述待测生菜叶片的所述X值包含如下步骤:
步骤2.1、选取整株所述待测生菜叶片;
步骤2.2、用所述RGB视觉传感器采集所述待测生菜叶片的所述RGB图像,并计算所述色彩参数;
步骤2.3、计算所述待测生菜叶片的所述2G-R-B值(两倍绿色值-红色值-蓝色值)。
进一步地,通过步骤1确定生菜的2G-R-B与黄酮含量关系模型公式,以后再要检测生菜的黄酮含量就不需要重复步骤1。即只测生菜叶片的2G-R-B值,就可以通过模型公式计算黄酮含量,这也说明本发明的方法是一种无损检测方法,非常便利。
进一步地,对于新的植物品种要检测黄酮含量,仍要做步骤1,要检测2G-R-B与黄酮含量,确定该品种的2G-R-B与黄酮含量的关系模型公式并验证,然后才能测该植物的叶片的2G-R-B值,按该公式计算该植物的叶片的黄酮含量。
本发明的有益效果为:本发明提供的方法是一种无损检测方式,基于机器视觉技术,通过颜色空间参数即可表征黄酮总量含量,方便,快捷,不需要繁琐化学分析。
以下将结合附图对本发明的构思及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的生菜叶片2G-R-B值和黄酮含量关系实验图。
具体实施方式
以下参考说明书附图介绍本发明的优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
如图1所示,生菜叶片2G-R-B值和黄酮含量关系实验图,实线表示回归模型,虚线表示95%的置信区间,2G-R-B错误率为3.3%,表明图像参数2G-R-B可用于预测黄酮含量。
实施过程如下:
1、生菜叶片图像获取
生菜(Lactuca sativa L.),品种罗莎和申选1号种子在育苗箱中培养11天后定植于温室中的花盆中栽培,栽培期间,日间平均温度为22℃,夜间均温为16℃。培养期间,利用图像采集平台(LemnaTec Scanalyzer PL,德国)采集130个植株的叶片图像。表型平台由人工光提供稳定光环境采集顶部图像。
2、黄酮含量测定
用Dualex 4黄酮测量仪(Dx4,FORCE-A,Orsay,法国)测量用于顶部成像的植株黄酮含量。一共采集130个样品,其中100个样品用于建立模型,30个样品用于检验模型。
3、模型的建立
用Matlab软件采集叶片的所选区域的图像特征的六个参数的数据:红(R)、绿(G)、蓝(B)、色调(H)、饱和度(S)、强度(I),采用SPSS统计法中的皮尔逊相关系数计算相关因子。
用曲线估计法建立黄酮含量与图像特征的关系模型。根据相关因子、非标准系数中的F检验的P值和T检验的P值,用二次方程Y=aX+bX2+c阐释黄酮含量与图像特征的关系,其中Y表示黄酮含量,x表示图像参数组合。
皮尔逊相关性分析的结果如下表1所示。
表1图像特征和黄酮含量的相关性分析
Figure BDA0002372012070000031
Figure BDA0002372012070000041
注:**表示在0.01水平(双侧)上显著相关。
从表1的数据可以看出,G、G/B、B/(R+G+B)、2G-R-B、2G-R、2G-B、H、G/(R+G+B)-B/(R+G+B)、G-R、G-B、(G-B)/(G+B)与黄酮含量的相关性较强(|r|>0.80),其中2G-R-B与黄酮总量的相关性最强(r为-0.878)。
根据表1的数据,选择G、G/B、B/(R+G+B)、2G-R-B、2G-R、2G-B、H、G/(R+G+B)-B/(R+G+B)、G-R、G-B、(G-B)/(G+B)建立与黄酮含量关系模型,并计算a、b、c和R2。结果如下表2所示。
表2图像参数和黄酮含量的关系式及决定系数
Figure BDA0002372012070000042
Figure BDA0002372012070000051
从表2的数据可以看出,2G-R-B的R2最高,线性回归R2为0.772,二次多项式R2为0.789。因此,基于二次多项式建立图像参数和黄酮含量的关系。
4、模型公式的检验
样品的图像参数和黄酮含量用于检验以上建立的模型公式。按公式画回归模型线(实线),虚线表示95%的置信区间。只要2G-R-B错误率不超过5%,就表明该样品的图像参数可用于预测黄酮含量,即该模型公式成立。
本实施例30个样品的图像参数和黄酮含量用于检验以上建立的模型公式。结果如图1所示。其中,实线表示回归模型,虚线表示95%的置信区间。2G-R-B错误率为3.3%,表明该模型公式成立,2G-R-B可用于预测黄酮含量。
5、待测生菜叶片的图像参数采集
选取整株叶片,获取RGB图像,采集其中图像参数。
6、计算待测生菜叶片的2G-R-B值,即X值。
7、将计算出的X值通过上述关系模型公式,计算出待测生菜叶片的黄酮总量。
通过前面步骤确定生菜的2G-R-B与黄酮含量关系模型公式,以后再要检测生菜的黄酮含量就按5、6、7条做就可以了。即只测生菜叶片的2G-R-B值,就可以通过模型公式计算黄酮含量,这也说明本发明的方法是一种无损检测方法,非常便利。
对于新的植物品种要检测黄酮含量,仍要按前面的1、2、3、4条,要检测2G-R-B与黄酮含量,确定该品种的2G-R-B与黄酮含量的关系模型公式并验证,然后才能测该植物的叶片的2G-R-B值,按该公式计算该植物的叶片的黄酮含量。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种生菜叶片黄酮总量测定方法,其特征在于,包含如下步骤:
步骤1、通过前期样品的叶片色彩参数与叶片黄酮总量的检测,建立所述叶片色彩参数与所述叶片黄酮总量的关系模型公式Y=f(X),其中,所述Y代表所述叶片黄酮总量,所述X代表所述叶片的选定区域的色彩参数;
步骤2、测量待测叶片的X值;
步骤3、通过所述关系模型公式Y=f(X)计算所述待测叶片的黄酮含量。
2.如权利要求1所述的生菜叶片黄酮总量测定方法,其特征在于,所述步骤1的关系模型为:Y=aX+bX2+c,其中,对于同一种样品a、b、c是常数。
3.如权利要求2所述的生菜叶片黄酮总量测定方法,其特征在于,所述步骤1的前期样品选定为生菜叶片,所述生菜叶片样品的数量为130个,其中100个用于叶片色彩参数与叶片黄酮总量的检测,建立所述关系模型公式,30个用于检验所述关系模型公式。
4.如权利要求3所述的生菜叶片黄酮总量测定方法,其特征在于,按所述建立的模型公式画回归模型线和95%的置信区间,只要用于检验的样品的选定区域的色彩参数值的错误率不超过5%,就表示该模型公式成立。
5.如权利要求1所述的生菜叶片黄酮总量测定方法,其特征在于,所述步骤1的测量所述生菜叶片样品的X值的具体步骤包括:
步骤1.1、确定需进行分析的所述生菜叶片样品的选定区域的色彩参数;
步骤1.2、用RGB视觉传感器采集所述选定区域的RGB图像,并计算所述色彩参数;
步骤1.3、计算所述选定区域的所述蓝色值与所述绿色值的比值。
6.如权利要求5所述的生菜叶片黄酮总量测定方法,其特征在于,所述色彩参数包括:红、绿、蓝、色调、饱和度、强度。
7.如权利要求5所述的生菜叶片黄酮总量测定方法,其特征在于,所述色彩参数采用SPSS统计法中的皮尔逊相关系数计算相关因子。
8.如权利要求1所述的生菜叶片黄酮总量测定方法,其特征在于,通过黄酮含量测定仪测量所述步骤1的生菜叶片样品的所述Y值。
9.如权利要求8所述的生菜叶片黄酮总量测定方法,其特征在于,所述黄酮含量测定仪为Dualex 4黄酮含量测定仪。
10.如权利要求1所述的生菜叶片黄酮总量测定方法,其特征在于,所述步骤2的测量所述待测生菜叶片的所述X值包含如下步骤:
步骤2.1、选取整株所述待测生菜叶片;
步骤2.2、用所述RGB视觉传感器采集所述待测生菜叶片的所述RGB图像,并计算所述色彩参数;
步骤2.3、计算所述待测生菜叶片的所述2G-R-B值(两倍绿色值-红色值-蓝色值)。
CN202010053447.0A 2020-01-17 2020-01-17 一种生菜叶片黄酮总量测定方法 Pending CN111122579A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010053447.0A CN111122579A (zh) 2020-01-17 2020-01-17 一种生菜叶片黄酮总量测定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010053447.0A CN111122579A (zh) 2020-01-17 2020-01-17 一种生菜叶片黄酮总量测定方法

Publications (1)

Publication Number Publication Date
CN111122579A true CN111122579A (zh) 2020-05-08

Family

ID=70489644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010053447.0A Pending CN111122579A (zh) 2020-01-17 2020-01-17 一种生菜叶片黄酮总量测定方法

Country Status (1)

Country Link
CN (1) CN111122579A (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1686258A (zh) * 2005-04-07 2005-10-26 上海交通大学 百蕊草总黄酮的制备方法
CN1740787A (zh) * 1998-03-19 2006-03-01 上海杏灵科技药业股份有限公司 测定银杏叶组合物中总黄酮含量的方法
US20070069153A1 (en) * 2005-09-28 2007-03-29 Vandita Pai-Paranjape Devices and methods capable of authenticating batteries
AU2009220650A1 (en) * 2008-03-04 2009-09-11 Toyota Jidosha Kabushiki Kaisha Gene that increases production of plant fat-and-oil and method for using the same
CN105136950A (zh) * 2015-08-04 2015-12-09 宋艳 一种猕猴桃茎黄酮类hplc指纹图谱建立及其指纹图谱
CN105651713A (zh) * 2015-12-30 2016-06-08 浙江工业大学 一种基于计算机图像分析的青菜叶片叶绿素定量检测方法
CN105699324A (zh) * 2016-04-06 2016-06-22 南京林业大学 一种快速检测青钱柳叶中黄酮含量的方法
CN105784635A (zh) * 2014-12-18 2016-07-20 乌鲁木齐华新分析测试高科技开发公司 罗布麻叶总黄酮近红外超快速检测方法
CN106124506A (zh) * 2016-06-16 2016-11-16 上海交通大学 一种测量叶片花青素含量的方法
CN106404689A (zh) * 2016-09-23 2017-02-15 广东食品药品职业学院 一种化橘红成分鉴定方法
CN106885782A (zh) * 2017-02-23 2017-06-23 浙江大学 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法
CN108088926A (zh) * 2017-12-16 2018-05-29 中国农业科学院蔬菜花卉研究所 一种检测牡丹叶片中类黄酮成分的方法
CN109157465A (zh) * 2018-08-08 2019-01-08 浙江大学 高纯竹叶碳苷黄酮纳米粒子及其制备方法和用途
EP3447488A1 (en) * 2017-08-25 2019-02-27 Smart Berries Sp. z o.o. Rapid assay for total phenol and polyphenol concentration in liquid food samples
CN109554434A (zh) * 2019-01-17 2019-04-02 程金生 一种金花茶中黄酮类物质对鼻咽癌作用有效位点的筛选方法
CN109740647A (zh) * 2018-12-21 2019-05-10 贵阳中医学院 一种小花清风藤叶的识别方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1740787A (zh) * 1998-03-19 2006-03-01 上海杏灵科技药业股份有限公司 测定银杏叶组合物中总黄酮含量的方法
CN1686258A (zh) * 2005-04-07 2005-10-26 上海交通大学 百蕊草总黄酮的制备方法
US20070069153A1 (en) * 2005-09-28 2007-03-29 Vandita Pai-Paranjape Devices and methods capable of authenticating batteries
AU2009220650A1 (en) * 2008-03-04 2009-09-11 Toyota Jidosha Kabushiki Kaisha Gene that increases production of plant fat-and-oil and method for using the same
CN105784635A (zh) * 2014-12-18 2016-07-20 乌鲁木齐华新分析测试高科技开发公司 罗布麻叶总黄酮近红外超快速检测方法
CN105136950A (zh) * 2015-08-04 2015-12-09 宋艳 一种猕猴桃茎黄酮类hplc指纹图谱建立及其指纹图谱
CN105651713A (zh) * 2015-12-30 2016-06-08 浙江工业大学 一种基于计算机图像分析的青菜叶片叶绿素定量检测方法
CN105699324A (zh) * 2016-04-06 2016-06-22 南京林业大学 一种快速检测青钱柳叶中黄酮含量的方法
CN106124506A (zh) * 2016-06-16 2016-11-16 上海交通大学 一种测量叶片花青素含量的方法
CN106404689A (zh) * 2016-09-23 2017-02-15 广东食品药品职业学院 一种化橘红成分鉴定方法
CN106885782A (zh) * 2017-02-23 2017-06-23 浙江大学 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法
EP3447488A1 (en) * 2017-08-25 2019-02-27 Smart Berries Sp. z o.o. Rapid assay for total phenol and polyphenol concentration in liquid food samples
CN108088926A (zh) * 2017-12-16 2018-05-29 中国农业科学院蔬菜花卉研究所 一种检测牡丹叶片中类黄酮成分的方法
CN109157465A (zh) * 2018-08-08 2019-01-08 浙江大学 高纯竹叶碳苷黄酮纳米粒子及其制备方法和用途
CN109740647A (zh) * 2018-12-21 2019-05-10 贵阳中医学院 一种小花清风藤叶的识别方法
CN109554434A (zh) * 2019-01-17 2019-04-02 程金生 一种金花茶中黄酮类物质对鼻咽癌作用有效位点的筛选方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHENG,HONG.ET: "Application of Artificial Neural Network (ANN) and Partial Least-Squares Regression (PLSR) to Predict the Changes of Anthocyanins, Ascorbic Acid, Total Phenols, Flavonoids, and Antioxidant Activity during Storage of Red Bayberry Juice Based on Fractal Anal", 《 JOURNAL OF AGRICULTURAL AND FOOD CHEMISTRY》 *
邹小波等: "不同生长阶段枇杷叶总黄酮含量的二维分布检测", 《天然产物研究与开发》 *
陈茜等: "基于CV-ANN技术的花椒色素类成分含量快速无损检测研究", 《中国调味品》 *

Similar Documents

Publication Publication Date Title
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
Sako et al. A system for automated seed vigour assessment
Ali et al. A new image processing based technique to determine chlorophyll in plants
Rajapakse et al. 15 methods for studying vesicular-arbuscular mycorrhizal root colonization and related root physical properties
CN104198396B (zh) 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
Wiwart et al. Early diagnostics of macronutrient deficiencies in three legume species by color image analysis
CN105651713B (zh) 一种基于计算机图像分析的青菜叶片叶绿素定量检测方法
CN105890764B (zh) 基于计算机图像处理的分辨植物花色深浅的方法
Giuffrida et al. A simple model for nondestructive leaf area estimation in bedding plants
CN102519886A (zh) 一种检测农作物叶片中叶绿素a和类胡萝卜素含量的方法
CN111751376A (zh) 一种基于冠层图像特征衍生的水稻氮素营养估算方法
CN117315490B (zh) 一种检测种子发芽率的方法、模型和存储介质及建模方法
CN111122579A (zh) 一种生菜叶片黄酮总量测定方法
CN105891130B (zh) 一种校正不同光谱信息确定物质信息误差的方法
CN105699304A (zh) 一种获得光谱信息所代表的物质信息的方法
CN113607734B (zh) 无损式估测植物叶绿素含量及分布的可视化方法
CN113466363B (zh) 一种鉴别硫磺熏蒸山楂的方法
CN106124506B (zh) 一种测量叶片花青素含量的方法
CN106442397B (zh) 一种基于光谱比例扣除的稻谷近红外光谱模型优化方法
Sivakumar Prediction of leaf area index in soya bean (Glycine max.(L.) Merrill)
Rahman et al. Detecting salinity and soil nutrient deficiencies using spot satellite data
CN112881309A (zh) 一种马铃薯叶片氮素检测模型的建立方法及马铃薯叶片氮素的检测方法
Grossmann et al. Variability of water quality in a spruce stand
CN105606548B (zh) 一种数据库与运算服务器的工作方法
Berzin et al. A non-destructive method for secondary metabolite determination in hairy root cultures

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination