No abstract

Colorectal cancer is among the most common malignancies and can develop from high-risk colon polyps. Colonoscopy remains the gold-standard investigation for colorectal cancer screening. The procedure could benefit greatly from using AI models for automatic polyp segmentation, which provide valuable insights for improving colon polyp dection. Additionally, it will support gastroenterologists during image analysation to correctly choose the treatment with less time. In this paper, the framework of polyp image segmentation is developed by a deep learning approach, especially a convolutional neural network. The proposed framework is based on improved Unet architecture to obtain the segmented polyp image. We also propose to use the transfer learning method to transfer the knowledge learned from the ImageNet general image dataset to the endoscopic image field. This framework used the Kvasir-SEG database, which contains 1000 GI polyp images and corresponding segmentation masks according to annotation by medical experts. The results confirmed that our proposed method outperform the state-of-the-art polyp segmentation methods with 94.79% dice, 90.08% IOU, 98.68% recall, and 92.07% precision.

The fractionation of sugarcane bagasse using formic acid allowed removing lignin and hemicellulose, obtaining a material containing up to 90 % cellulose. The material can be easily hydrolyzed into glucose to serve as materials to produce high value added products such as biofuel, chemicals, pharmaceuticals, food additives, and the likes. The hydrolysate of fractionated bagasse was easily fermented with a (ethanol) fermentation yield attained 91.08 ± 2.02 %, showing no significant inhibition to the yeast in the hydrolysate. In this study, a process of simultaneous hydrolysis and fermentation (SSF) was performed to convert fractionated sugarcane bagasse at 20 % consistency to ethanol. The process with 6h pre-hydrolysis at 50 0 C then SSF at 37 0 C could attain a high ethanol concentration of 82.46 ± 3.42 g/L in the fermentation with the ethanol recovery yield of 81.66±1.88%; which was15.37 ± 1.06 % higher than that of the separate hydrolysis and fermentation (SHF) process (70.78 ± 0.25 %). In addition, in the SSF, the process time was shorten to 4 days instead of 7 days in the SHF.

Applicability of PCR-DGGE (Polymerase Chain Reaction-Denaturing Gel Gradient Eletrophoresis) technique to analyze microbial community is based on the V3 gene fragments in the rice straw sample (R) and after composting rice straw samples (Rn). Besides clonning method combined with analyzing Rn samples and comparing the results of microbial community analysis with PCR-DGGE method had the same reuslts is the main goal in this study. Results obtained from PCR-DGGE technique of R sample had 5 the V3 gene fragments (R1, R2, R3, R4 and R5) and Rn had 4 the V3 genes fragments (Rn1, Rn2, Rn3 and Rn4). Comparison of bacterial groups in R and Rn samples showed that bacteria in R samples including Agrobacterium, Clostridium, Bacteroidetes, Thermopolysporasa and Bacillus species, but in the Rn sample after incubation, the remaining bacterial results of 2 main species are Agrobacterium and Clostridium. Using Clonning method of Rn sample also gave 4 positions and gene fragment sizes corresponding to the positions of Rn1, Rn2, Rn3 and Rn4 from representatives of about 30 samples collected from the Clonning products. Based on the comparison of the similarity among the sequence of V3 gene fragments in PCR-DGGE and Clonning with reference to the data base in NCBI gene bank the results that Rn1 and Rn4 genes are similar to Agrobacterium species, about 96%, Rn2 and Rn3 are similar to Clostridium about 99%. In summary the results of microbial community analysis in the R sample show that the diversity of bacteria in the R sample is larger than in the Rn sample. Summarize the results of microbial community analysis in the R sample show the diversity of bacteria but less stable than the Rn sample. In addition, cloning and PCR-DGGE produced similar results on the sample Rn.

(1) Viện Sinh học nhiệt đới, Viện Khoa học và Công nghệ Việt Nam, ( * ) ngoduy007@yahoo.com (2) Trường đại học Kỹ thuật công nghệ tp Hồ Chí Minh TÓM TẮT: Trong nghiên cứu này, chúng tôi sử dụng kỹ thuật điện di DGGE nhằm phân tích sự tồn tại của cộng đồng vi sinh vật trong phân ủ. Từ 10 mẫu phân ủ đã ly trích, tách chiết và thu nhận bộ gen, nhân bản đoạn 16S rDNA trên cặp mồi 27F và 907R. Và sau đó chọn mẫu số 6 cho việc phân tích DGGE trên vùng V3 với cặp mồi 517F-GC và 357R, 517F và 357R, kết quả có 9 trình tự gen thuộc vùng V3 như sau: 6a1, 6a2, 6a3, 6a4, 6d1, 6d2, 6d3, 6e1 và 6e2. Phân tích và so sánh sự tương đồng với các dự liệu trên Ngân hàng Gen theo Accession number như sau: 6a1, 6a2 tương đồng 99% với JF987387.1 và JF828759.1, JF 989848.1 tương đồng 93% với 6a4 và 88% 6a3, 6d1 tương đồng 82% với AB206012.1, 6d2 tương đồng 95% với JF429206.1, 6d3 tương đồng 86% với FN781411.1, 6e1 tương đồng 99% với JF176784.1 và FJ516783.1 tương đồng 87% với 6e2.Từ khóa: Cây phát sinh loài, DGGE, PCR, vùng V3 và 16S rDNA MỞ ĐẦUDenaturing Gradient Gel Electrophoresis (DGGE) là kỹ thuật sinh học phân tử cơ bản, được công bố lần đầu đầu tiên bởi Fischer và Lerman [3], phương pháp này dựa trên sự thay đổi và biến đổi về nucleotide trong cấu trúc mạch DNA. Phương pháp DGGE đã ứng dụng nhiều trong việc xác định sự thay đổi hệ vi sinh vật trong môi trường thích ứng với các điều kiện sinh thái khác nhau. Do vậy, ưu điểm của phương pháp này có thể kiểm chứng và đánh giá sự hiện diện và quá trình thay đổi hệ vi sinh vật tồn tại trong mẫu vật và môi trường cần khảo sát.Hiện nay rất nhiều công trình nghiên cứu sử dụng phương pháp DGGE, X. Lai (2006) đã sử dụng phương pháp DGGE phân tích thành phần vi sinh vật trong trầm tích biển sâu của vùng biển phía Nam Trung Quốc [16]. S. Salet (2007) đã khảo sát sự đa dạng hệ vi sinh vật trong biểu mô dạ cỏ [11]. Muyzer (1999) đã sử dụng phương pháp DGGE/TGGE xác định các gene vi sinh vật từ hệ sinh thái tự nhiên [7]. Knapp đã sử dụng phương pháp DGGE xác định phức hợp chính đa hình tính tương hợp mô trong tế bào thực vật. Okada phân tích cộng đồng tuyến trùng từ đất bằng DGGE [8]. Jun Wang và cs thì phân tích cộng đồng vi sinh vật trong hồ chứa dầu nhiệt độ cao [5]. Watanabe dùng DGGE phân tích đoạn 16S rDNA cộng đồng vi sinh vật cổ sinh khí methan từ đất ruộng [14]. Điều này chứng minh sự đa dạng của việc ứng dụng phương pháp DGGE trong nghiên cứu.Các nghiên cứu được công bố trong nước về việc ứng dụng sinh học phân tử trong lĩnh vực xác định loài sau khi đã phân lập, tách chiết, thu nhận và định danh vi sinh vật đã được thuần chủng. Và bên cạnh đó các sản phẩm phân bón từ phân ủ không xác định thành phần chính yếu vi sinh vật có lợi và gây hại ban đầu, mà chủ yếu là thêm các chủng loại vi sinh vật vào làm phân bón; phân vi sinh cố định đạm (Rhizobium sp., Bradyrhizobium sp.), phân vi sinh kháng nấm (Trichoderma sp.)... Do vậy, nghiên cứu này bước đầu ứng dụng phương pháp DGGE nghiên cứu trực tiếp cộng đồng vi sinh vật trong phân ủ.