• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

冬春季大口黑鲈溃疡症病原分离鉴定及病理形态学观察

黄泊文, 向菲, 田子琦, 耿毅, 欧阳萍, 黄小丽, 陈德芳, 阳涛

黄泊文, 向菲, 田子琦, 等. 冬春季大口黑鲈溃疡症病原分离鉴定及病理形态学观察[J]. 华南农业大学学报, 2023, 44(4): 549-555. DOI: 10.7671/j.issn.1001-411X.202208002
引用本文: 黄泊文, 向菲, 田子琦, 等. 冬春季大口黑鲈溃疡症病原分离鉴定及病理形态学观察[J]. 华南农业大学学报, 2023, 44(4): 549-555. DOI: 10.7671/j.issn.1001-411X.202208002
HUANG Bowen, XIANG Fei, TIAN Ziqi, et al. Pathogen isolation, identification and pathomorphological observation of ulcerative syndrome of largemouth bass in winter and spring[J]. Journal of South China Agricultural University, 2023, 44(4): 549-555. DOI: 10.7671/j.issn.1001-411X.202208002
Citation: HUANG Bowen, XIANG Fei, TIAN Ziqi, et al. Pathogen isolation, identification and pathomorphological observation of ulcerative syndrome of largemouth bass in winter and spring[J]. Journal of South China Agricultural University, 2023, 44(4): 549-555. DOI: 10.7671/j.issn.1001-411X.202208002

冬春季大口黑鲈溃疡症病原分离鉴定及病理形态学观察

基金项目: 四川省重点研发项目(2022YFN0012);四川省淡水鱼产业技术体系创新团队建设项目(SCCXTD-15)
详细信息
    作者简介:

    黄泊文,硕士研究生,主要从事水生动物病原与防治研究,E-mail: 2091783173@qq.com

    通讯作者:

    耿 毅,教授,博士,主要从事动物病原学与病理学研究,E-mail: gengyisicau@126.com

  • 中图分类号: S941.4

Pathogen isolation, identification and pathomorphological observation of ulcerative syndrome of largemouth bass in winter and spring

  • 摘要:
    目的 

    近年来,养殖大口黑鲈Micropterus salmoides在冬春季流行一种体表形成明显溃疡的疫病,本研究旨在明确其病因。

    方法 

    从眉山东坡区和洪雅县采集病料,采用病原学、病理学和分子生物学相结合的方法对患病鱼进行研究。

    结果 

    溃疡组织压片观察到大量直径10~30 μm、长丝状且分支较少的菌丝体;组织病理学上,肌纤坏死、溶解,炎性细胞浸润,病变组织中分布大量由上皮样细胞、纤维细胞及位于中央的菌丝体组成的霉菌性肉芽肿;六胺银染色(Periodic acid-silver metheramine,PASM)发现,霉菌性肉芽肿中央的菌丝体呈黑色。病变肌肉组织基于侵入丝囊霉菌Aphanomyces invadans ITS基因的特异性PCR检测为阳性。以葡糖糖/蛋白胨(Glucose and peotone,GP)琼脂分离培养得到的霉菌纯培养物(BW1、BW3)在灭菌池塘水过夜培养12 h后,形成原孢子囊,符合侵入丝囊霉菌属特征;两株分离霉菌ITS基因序列分析发现,其与侵入丝囊霉菌ITS基因的序列相似性分别为99.64%与99.46%,在系统发育树上与侵入丝囊霉菌聚类为一支。

    结论 

    确定大口黑鲈冬春季溃疡病是侵入丝囊霉菌感染所致。

    Abstract:
    Objective 

    In recent years, outbreak of an epidemic disease with significant ulcers on the pond-farmed largemouth bass (Micropterus salmoides) happen in winter and spring. This study aims to identify the underlying etiology.

    Method 

    To clarify its etiology, disease fish samples from Dongpo and Hongya District, Meishan were collected and analyzed using pathogenesis, pathology and molecular biology methods.

    Result 

    A large number of long filamentous and less-branched mycelia with 10−30 μm diameter were observed in the ulcerated tissues. Pathologically, we observed necrosis or lysed muscle fibers, inflammatory cell infiltration in the muscle tissue, and distribution of numerous fungal granulomas consisting of epithelioid cells, fibroblasts, and central located mycelia in the lesion tissues. By using periodic acid-silver metheramine (PASM) staining, the mycelia in the fungal granulomas center displayed black colour. We confirmed the infection of Aphanomyces invadans in the lesion muscle tissues by PCR using species-specific primers that target the ITS gene of A. invadans. The A. invadans (BW1 and BW3) pure cultures were isolated by glucose and peotone (GP) agar and then incubated in sterilized pond water. Prosporangium formation was observed in the culture after 12 h incubation period, which was consistent with the characteristics of Aphanomyces. Based on ITS gene sequencing of BW1 and BW3, their ITS genes were found to have 99.64% and 99.46% sequence similarities with A. invadans, and the two strains clustered with A. invadans in the phylogenetic tree.

    Conclusion 

    The ulcer disease of largemouth bass in winter and spring has been caused by A. invadans.

  • 作为茶叶的原产地之一,中国有着历史悠久的茶文化底蕴[1],茶鲜叶质量的优劣基本决定着茶叶品质的高低。随着劳动力的短缺以及劳动成本的提升,茶产业机械化、工业化进程的不断推进,茶鲜叶的机械化采摘技术和装备日趋成熟。但机采茶鲜叶混杂度高,包含有各种等级的茶叶,因此在制茶工艺中,分选成为了一道费工、费时且关键的工序。早期根据茶鲜叶的物理特性,研制出了滚筛、圆筛、风选等分选方法[2],虽然可以去除茶鲜叶中的杂物(如残叶、叶梗等),但难以对茶鲜叶进行精确的等级划分。

    近年来,随着机器视觉和机器学习技术的发展,茶叶的分类技术进入智能化时代。陈全胜等[3]利用颜色特征建立支持向量机(Support vector machines, SVM)分类模型,通过色泽来分辨茶叶品质的优次,模型的平均识别率达到95%左右;吴正敏等[4]以大红袍为例,通过提取夏秋季节茶叶各种形态特征参数,判断特征权重进行特征选择,并且设置不同的权重比来完成叶和梗的分离,最终识别准确率为93.8%;高震宇等[5]通过建立卷积神经网络,通过局部连接和权值共享等方法提高了网络的训练性能,最终识别的准确率不低于90%。余洪[6]通过RGB(Red, green, blue)和HIS(Hue, instensity, saturation)颜色模型提取颜色特征,通过统计矩和灰度共生矩提取纹理特征,共提取到12个颜色特征和22个纹理特征,建立基于主成分分析、遗传算法和BP神经网络的茶叶品质分级模型,识别准确率达到92.5%。

    本研究应用随机森林分类模型,以3种不同品质的茶鲜叶图像作为依据,分别提取茶鲜叶样本图像的颜色特征和边缘特征,并且将2种特征同时输入到分类模型中,以期实现对3种不同品质茶鲜叶的精确识别和分类。

    试验研究对象是绿茶中的都匀毛尖,于春季在贵州省黔西南州采摘,共采集到茶鲜叶样本叶片906个,其中包括单芽299个、一芽一叶302个、一芽二叶305个。拍摄环境为实验室,拍照设备为手机荣耀20 (后置四摄4800万+1600万+200万+200万像素);为了突出茶鲜叶的颜色特征和边缘特征,拍照背景选择A4白纸以提高对比度;并用普通白炽灯照射,减弱周围其他光源的影响;拍摄方式为垂直俯拍,并用支架固定手机拍摄位置,手机与样本之间的距离为30 cm左右。采集的部分样本图像如图1所示。

    图  1  不同等级茶鲜叶样本图像
    Figure  1.  Representative images of different grades of fresh tea leaves

    图像采集过程中避免不了外界因素的干扰,为了便于后续特征提取的方便,需要对获得的图像数据集进行预处理。其中包括区域裁剪、尺寸归一化和噪声去除[7]。具体操作流程如图2所示。

    图  2  图像预处理流程图
    Figure  2.  Flow chart of image preprocessing

    由于拍摄条件的限制,茶鲜叶在图像中的显示位置会有差异,RGB图像也不能保持一致。因此需要对茶鲜叶的图像进行区域裁剪。区域裁剪的目的是将研究以外的区域去除,保留图像中心区域的茶鲜叶图像作为感兴趣区域(Region of interest,ROI);对区域裁剪处理后的图像进行尺寸归一化,使各个指标处于同一个数量级,处理后的图像分辨率为 $ 256\times 256 $ 像素,如图2b所示。

    图像中存在的噪声会对茶鲜叶叶片的特征提取产生不利的影响,因此需要消除图像中的噪声干扰。采用中值滤波算法对图像进行预处理,在去除噪声的同时保留完整的叶片信息,并且能够很好地保护图像的边缘信息,使图像中茶鲜叶的边缘更加平滑,便于后续边缘特征的提取。得到的滤波后图像如图2c所示。

    颜色作为一种全局特征[8-10],是图像中最简单直接的一种特征,直方图作为一种简单有效的基于统计特性的特征描述,能描述图像中颜色的全局分布。本文将RGB颜色空间和HSV(Hue,saturation,value)颜色空间[11]配合使用来区分不同等级的茶鲜叶颜色特征。HSV是根据颜色的直观特性创建的一种颜色空间,更接近实际人类的视觉特征,手机拍摄获得的图像为RGB格式,需要转化为HSV格式,RGB坐标系向HSV空间转化的公式为:

    $$ H=\mathrm{arccos}\frac{2R-G-B}{2\sqrt{{\left(R-G\right)}^{2}+(R-B)(G-B})}, $$ (1)
    $$ S=1-\frac{3}{R-B-G}{(R,G,B)}_{\mathrm{min}}, $$ (2)
    $$ V=\frac{(R+G+B)}{3}, $$ (3)

    式中:(RGB)min表示三者中的最小值;H代表色调,用角度度量,取值范围为[0°,360°],从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°;S代表饱和度,表示颜色接近光谱色的程度;V代表明度,表示颜色明亮的程度,通常取值为0%(黑)~100%(白);RGB分别表示红、绿、蓝通道。

    对经过中值滤波处理后的图像进行颜色特征的提取,3种不同等级的茶鲜叶的RGB空间的直方图和HSV空间的HSV通道的直方图像素分布情况如图3~图6所示。

    图  3  3种等级茶鲜叶的颜色空间直方图
    Figure  3.  Color space histogram of three grades of fresh tea leaves
    图  4  单芽茶鲜叶的HSV通道直方图
    Figure  4.  H, S, V channel histogram of fresh tea leaf with single bud
    图  5  一芽一叶茶鲜叶的HSV通道直方图
    Figure  5.  H, S, V channel histogram of fresh tea leaf with one bud and one leaf
    图  6  一芽二叶茶鲜叶的HSV通道直方图
    Figure  6.  H, S, V channel histogram of fresh tea leaf with one bud and two leaves

    对多个茶鲜叶的直方图的像素进行统计得出,在RGB空间中单芽图像的像素主要分布区间为[134,184],一芽一叶图像的像素主要分布区间为[43,96]和[147,186],一芽二叶图像的像素主要分布区间为[41,197]。在HSV空间中3种等级的茶鲜叶图像H通道像素主要分布区间为[0,70],S通道像素主要分布区间为[0,200],V通道像素主要分布区间为[40,200]。为了加强不同等级茶鲜叶像素之间的差异,分别对HSV三通道像素进行非等间隔的量化,其中色调H空间分为8份,饱和度S和亮度V空间各划分为3份,以提高分类器的构建效率和识别的准确率。

    图像的边缘特征主要针对物体的外边界[12-14]。Canny算法是一种多级边缘检测算法,在实际操作中,Canny算法使用一个低阈值和一个高阈值来确定哪些点属于轮廓,低阈值主要包括所有属于明显图像轮廓的边缘像素;高阈值是定义所有重要轮廓的边缘,最后组合低阈值和高阈值两幅边缘图生成最优的轮廓图。图像的边缘可以指向不同的方向,因此经典Canny算法用4个梯度算子来计算水平、垂直和对角线方向的梯度[15]。本文采用梯度算子中的Sobel算子计算水平和垂直方向的差分 $ {G}_{x} $ $ {G}_{y} $ ,由这2个条件便可计算梯度模和方向,如式(4)、式(5)所示。

    $$ G=\sqrt{{G}_{x}^{2}+{G}_{y}^{2}}\;, $$ (4)
    $$ \theta =\mathrm{arctan}({G}_{y}/{G}_{x})\;, $$ (5)

    式中,角度 $ \theta $ 范围为[−π,π], $ {G}_{x}{\text{、}} {G}_{y} $ 是1对卷积阵列,梯度方向近似到4个可能的角度(0°、45°、90°、135°)。经过Canny算法处理后的边缘特征如图7所示。

    图  7  边缘特征图像
    Figure  7.  Edge feature image

    随机森林(Random forest,RF)[16-19]属于并行集成学习中Bagging(Bootstrap AGGregatING)算法的一种扩展变体,是在以决策树为基学习器构建Bagging集成的基础上,进一步在决策树的训练过程中引入随机属性选择。它将多种弱分类器集成,形成新的分类器模型,决策树决定了输出分类,无需特征筛选也能得到较高的正确率,对特征具有较好的鲁棒性。与传统的分类器相比,随机森林需要很少的参数调整,并且在准确率方面有很大的优势。随机森林拥有其独特的特点,能够处理很高维度(特征较多)的数据,不需要降维,训练速度较快,容易做成并行化方法,由于随机性的引入,使得其很少出现过拟合的现象,随机森林算法流程如图8所示。

    图  8  随机森林流程图
    Figure  8.  Flow chart of random forest

    随机森林的模型训练是通过随机采样(Bootstrap)方法随机有放回地抽取 $ k $ 个样本,并进行 $ {N}_{\rm{tree}} $ 次采样,生成 $ {N}_{\rm{tree}} $ 个训练集,分别训练 $ {N}_{\rm{tree}} $ 个决策树模型的过程。对于单个决策树模型,每次分裂时根据信息增益和信息熵选择最好的特征进行分裂。对没有抽中的样本作为袋外数据(Out of bag,OOB)。

    针对分类问题,随机森林的输出采用多数投票法。利用随机森林模型对测试集样本进行分类判别,过程就是让每棵决策树进行投票抉择,最终输出最多的那个类别作为分类结果,输出判别式如式(6)所示。

    $$ H\left( x \right) = {\rm{arg}}\mathop {\max }\limits_Y \mathop \sum \limits_{i = 1}^k I\left( {{h_i}\left( x \right) = Y} \right), $$ (6)

    式中: $ {\mathrm{argmax}} $ 表示函数取得最大值时的参数值; $ H\left(x\right) $ 表示随机森林的最终分类结果; $ {h}_{i}\left(x\right) $ 表示单一决策树模型分类结果; $ I\left(\right) $ 为示性函数(所谓示性函数是指一个函数使得当集合内有此数时值为1,当集合内无此数时值为0)[18] $ Y $ 表示输出变量(或称目标变量)。

    本试验在Pycharm环境下进行操作,所用电脑操作系统为Win10(64位),运行内存4 G,处理器为酷睿i5-6200u,主频2.30 GHz,进行图像处理为OpenCV2库。通过sklearn.ensemble调用RandomForestClassifier分类模块。随机森林中决策树的数目( $ {N}_{\rm{tree}} $ )对最终分类结果有着及其重要的影响,RandomForestClassifier模块中通过n_estimators进行调节。

    多次试验证明,当 $ {N}_{\rm{tree}} $ 取值较小时,随机森林的分类误差会较大,当 $ {N}_{\rm{tree}} $ 的值逐渐增大时,随机森林分类的精确度会有明显的提升,但最终会趋于稳定,甚至会有所下降。但当 $ {N}_{\rm{tree}} $ 的数量越大时,占用的内存与训练和预测的时间也会相应增加,且边际效益是递减的,所以要在可承受范围内尽可能地选取合适的数量。

    为了进一步选择合适的决策树数量,在固定其他参数不变、仅改变n_estimators参数的情况下,对茶鲜叶数据集进行多次分类试验,观察分类精确度随着决策树数目的变化。

    图9显示了分类准确率随着 $ {N}_{\rm{tree}} $ 变化而变化的曲线。考虑到内存和训练时间,本试验的 $ {N}_{\rm{tree}} $ 选择为35。

    图  9  分类准确率随决策树数目( ${{\boldsymbol{N}}}_{\boldsymbol{{\rm{tree}}}}$ )的变化
    Figure  9.  Classification accuracy varied with the number of decision trees ( ${{\boldsymbol{N}}}_{\boldsymbol{{\rm{tree}}}}$ )

    试验时针对上述构建好的随机森林分类器模型,将预处理之后得到的906张图像(单芽图像299张,一芽一叶图像302张,一芽二叶图像305张)按照4∶1的比例划分后进行试验,其中训练集724张,测试集182张。识别准确率(Accuracy)是分类器性能判断的重要指标之一,另外,精确率(Precision)、召回率(Recall)以及综合评价指标(F1-score)在最终分类阶段也作为常用的指标。4种评价指标公式如式(7)~式(10)所示。

    $$ {\text{准确率}}=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{FP}+\mathrm{FN}+\mathrm{TN}}\times 100{\text{%}}, $$ (7)
    $$ {\text{精确率}}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}\times 100{\text{%}}, $$ (8)
    $$ {\text{召回率}}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}\times 100{\text{%}}, $$ (9)
    $$ {\text{综合评价指标}}=\frac{2\mathrm{TP}}{2\mathrm{TP}+\mathrm{FP}+\mathrm{FN}}\times 100{\text{%}}, $$ (10)

    式中:TP(True positive)为真阳性,表示实际类别为正,算法输出类别也为正;FP(False positive)为假阳性,表示实际类别为负,样本输出类别为正;TN(False negative)为假负性,表示实际类别为负,算法输出类别也为负;FN(False negative)为假阴性,表示实际类别为正,算法输出类别为负。

    为了验证本文方法的有效性,分别将2个单一特征和融合特征输入到随机森林分类模型中,根据式(7)~(10),得到准确率、精确率、召回率和综合评价指标等结果数值,分别列于表1~表3

    表  1  颜色特征分类结果
    Table  1.  Color feature classification results %
    茶鲜叶等级
    Grade of fresh tea leaf
    精确率
    Precision
    召回率
    Recall
    综合评价指标
    F1-score
    准确率
    Accuracy
    单芽 Single bud 96.23 96.23 96.23
    一芽一叶 One bud and one leaf 92.06 87.88 89.92
    一芽二叶 One bud and two leaves 89.39 93.65 91.67
    平均值 Average 92.56 92.59 92.61 92.31
    下载: 导出CSV 
    | 显示表格
    表  2  边缘特征分类结果
    Table  2.  Edge feature classification results %
    茶鲜叶等级
    Grade of fresh tea leaf
    精确率
    Precision
    召回率
    Recall
    综合评价指标
    F1-score
    准确率
    Accuracy
    单芽 Single bud 100 95.59 97.74
    一芽一叶 One bud and one leaf 81.36 87.27 84.21
    一芽二叶 One bud and two leaves 87.93 86.44 87.18
    平均值 Average 89.96 89.77 89.71 90.11
    下载: 导出CSV 
    | 显示表格
    表  3  融合特征分类结果
    Table  3.  Fusion feature classification results %
    茶鲜叶等级
    Grade of fresh tea leaf
    精确率
    Precision
    召回率
    Recall
    综合评价指标
    F1-score
    准确率
    Accuracy
    单芽 Single bud 100 100 100
    一芽一叶 One bud and one leaf 98.21 100 99.10
    一芽二叶 One bud and two leaves 100 98.31 99.15
    平均值 Average 99.40 99.44 99.42 99.45
    下载: 导出CSV 
    | 显示表格

    表1可知,颜色特征的识别准确率为92.31%,对单芽的分类结果最好,精确率、召回率和综合评价指标都为96.23%,主要原因在于单芽的直方图像素区间较小,比较集中;一芽一叶和一芽二叶的颜色特征综合评价指标为90%左右,因为大多数一芽一叶的直方图像素区间为2个,但2个区间的像素数量并不是绝对为0,所以一芽一叶和一芽二叶容易造成混淆。

    表2可知,边缘特征的识别准确率为90.11%,比颜色特征低2.2个百分点,主要原因也在于一芽一叶和一芽二叶之间的混淆,例如:测试集混淆矩阵中,一芽一叶55张,有7张识别为一芽二叶;一芽二叶59张,有8张识别为一芽一叶。

    表3可知,颜色和边缘特征融合识别的准确率为99.45%,比颜色特征和边缘特征的识别准确率分别高7.14,9.34个百分点,该方法取2个特征识别时的交集,避免了单一特征识别时的局限性,提高了识别准确率,证明了该方法的可行性。

    为了进一步说明本文方法的有效性,将本文方法同传统的机器学习方法K最近邻(K-nearest neighbor, KNN)[20]和SVM分类器[21-22]进行对照试验。其中K最近邻算法中K设置为3,SVM分类器中惩罚系数C设置为10,核函数系数gamma为0.0001,试验结果如表4所示。

    表  4  不同模型的平均分类结果
    Table  4.  Average classification results of different models %
    模型
    Model
    精确率
    Precision
    召回率
    Recall
    综合评价指标
    F1-score
    准确率
    Accuracy
    K最近邻 KNN 83.05 83.00 83.02 84.07
    SVM 93.81 93.90 93.82 93.96
    随机森林 Random forest 99.40 99.44 99.42 99.45
    下载: 导出CSV 
    | 显示表格

    表4可以看出,针对茶鲜叶等级的分类问题,随机森林模型明显优于K最近邻和SVM分类器,在准确率上分别高出15.38和5.49个百分点,精确率、召回率和综合评价指标也有明显的优势。以上结果表明,在茶鲜叶的分类中,随机森林模型的分类性能最优,SVM次之,K最近邻效果最差。作为机器学习中最常用的一种算法,SVM需要对参数进行不断的优化,以提高分类的准确率和防止过拟合问题的出现,相较于随机森林模型需要耗费更多的时间和精力。作为最简单的算法之一,K最近邻算法原理简单,容易理解,但需要对样本的特征进行量化,才能获得较好的分类结果。

    本文以春季的都匀毛尖作为研究对象,利用随机森林分类模型,提出了一种颜色特征和边缘特征融合的方法,对3种不同等级的茶鲜叶进行识别和分类。根据准确率、精确率、召回率和综合评价指标进行判定。首先对茶鲜叶图像进行区域裁剪、尺寸归一化和噪声去除等预处理,提取RGB空间的彩色直方图并转移到HSV空间中,计算HSV三通道像素区间,获得茶鲜叶图像的颜色特征。利用Canny边缘检测算法提取图像的边缘特征,将2种特征融合作为茶鲜叶的识别特征。为了判断本文方法的有效性,将单一特征和融合特征后的分类结果进行对照,并且将随机森林模型同K最近邻和SVM分类器进行对照试验。试验结果表明,特征融合随机森林模型的分类准确率、精确率、召回率和综合评价指标分别达99.45%、99.40%、99.44%和99.42%,明显高于单一特征的分类结果,并且随机森林模型的分类性能最优。该方法也能快速应用到其他类型的茶鲜叶分选,为茶鲜叶分选的智能化进程提供了一定的依据。

  • 图  1   自然感染大口黑鲈临床症状及压片观察

    A:体表溃疡与红斑;B:头部溃疡伴随颅骨破损;C:尾柄基部溃疡;D:溃疡压片组织中的菌丝体

    Figure  1.   Clinical symptoms of naturally infected Micropterus salmoides and squashing tissue observation

    A: Ulceration and red spot on the body surface; B: Head ulcer with skull breakage; C: Ulceration at the base of the tail fin; D: Mycelia in the squashing tissue

    图  2   大口黑鲈组织病理学变化

    A:肌肉坏死,红框表示肌纤维内大量炎症细胞浸润,左上角插入图为坏死肌纤维高倍数图,HE染色;B:皮肤真皮结缔组织中大量霉菌性肉芽肿(箭头标记),HE染色;C:肌肉组织中大量霉菌性肉芽肿(箭头标记),HE染色;D:真皮与肌肉中的霉菌性肉芽肿,中心为黑色菌丝体(箭头标记),PASM染色;图B、C、D左上角插入图为肉芽肿高倍数图

    Figure  2.   Histopathological lesions of Micropterus salmoides

    A: Necrosis of muscle fibers, the red box indicates massive infiltration of inflammatory cells in the muscle fibres, insert at the upper left corner shows high magnification of necrotic muscle fibres, HE stained; B: Massive fungal granulomas in dermal connective tissue (marked by arrow), HE stained; C: Massive fungal granulomas in muscle tissue (marked by arrow), HE stained; D: Fungal granulomas in dermis and muscle, with black mycelia in the center (marked by arrow), PASM stained; Inserts at the upper left corners of figure B, C and D show enlarged granulomas

    图  3   侵入丝囊霉菌ITS基因PCR扩增电泳图

    M:2 000 bp marker;1:阳性对照;2:阴性对照;3,4:两养殖场患病鱼溃疡组织;5,6:分离霉菌BW1和BW3

    Figure  3.   Electropherogram of the PCR amplification product of Aphanomyces invadans ITS gene

    M: 2 000 bp marker; 1: Positive control; 2: Negative control; 3 and 4: Ulcer organization of diseased fish in two farms; 5 and 6: Isolated fungi BW1 and BW3

    图  4   侵入丝囊霉菌形态观察

    A:琼脂块压片;B:纯培养物(箭头标记处为原孢子囊)

    Figure  4.   Morphology of Aphanomyces invadans

    A: Squashing agar block; B: Pure culture (prosporangium is marked by arrow)

    图  5   基于ITS基因的分离霉菌BW1和BW3的系统进化分析

    Figure  5.   Phylogenetic tree of the isolated fungal strains BW1 and BW3 based on ITS gene sequences

  • [1]

    SIBANDA S, PFUKENYI D M, BARSON M, et al. Emergence of infection with Aphanomyces invadans in fish in some main aquatic ecosystems in Zimbabwe: A threat to national fisheries production[J]. Transboundary and Emerging Diseases, 2018, 65(6): 1648-1656. doi: 10.1111/tbed.12922

    [2]

    PARIA A, DEV A K, PRADHAN P K, et al. Evaluation of therapeutic potential of selected antifungal chemicals and drugs against Aphanomyces invadans[J]. Aquaculture, 2020, 529: 735643. doi: 10.1016/j.aquaculture.2020.735643

    [3]

    SOSA E R, LANDSBERG J H, KIRYU Y, et al. Pathogenicity studies with the fungi Aphanomyces invadans, Achlya bisexualis, and Phialemonium dimorphosporum: Induction of skin ulcers in striped mullet[J]. Journal of Aquatic Animal Health, 2007, 19(1): 41-48. doi: 10.1577/H06-013.1

    [4]

    IBERAHIM N A, TRUSCH F, VAN WEST P. Aphanomyces invadans, the causal agent of epizootic ulcerative syndrome, is a global threat to wild and farmed fish[J]. Fungal Biology Reviews, 2018, 32(3): 118-130. doi: 10.1016/j.fbr.2018.05.002

    [5]

    KAR D, SINGHA R, DAS B K, et al. Preliminary epidemiological studies on epizootic ulcerative syndrome (EUS) in freshwater fishes of assam[J]. International Journal of Scientific Research in Science, Engineering and Technology, 2015, 1: 256-263.

    [6]

    IBERAHIM N A, SOOD N, PRADHAN P K, et al. The chaperone Lhs1 contributes to the virulence of the fish-pathogenic oomycete Aphanomyces invadans[J]. Fungal Biology, 2020, 124(12): 1024-1031. doi: 10.1016/j.funbio.2020.09.003

    [7] 常藕琴, 石存斌, 王亚军, 等. 鳢流行性溃疡综合征病原分离鉴定与病理形态学观察[J]. 中国水产科学, 2019, 26(6): 1213-1220.
    [8] 全国水产技术推广总站. 2019水产新品种推广指南[M]. 北京: 中国农业出版社, 2019: 3-15.
    [9] 夏焱春, 曹铮, 蔺凌云, 等. 大口黑鲈主要病害研究进展[J]. 中国动物检疫, 2018, 35(9): 72-76. doi: 10.3969/j.issn.1005-944X.2018.09.019
    [10]

    GRIZZLE J M, ALTINOK I, FRASER W A, et al. First isolation of largemouth bass virus[J]. Diseases of Aquatic Organisms, 2002, 50(3): 233-235.

    [11]

    OIE. Manual of diagnostic tests for aquatic animals[M]. Paris: Office International des Épizooties, 2010: 188-199.

    [12] 陈绮梨, 常藕琴, 张德峰, 等. 加州鲈源弗氏柠檬酸杆菌的分离鉴定及耐药性分析[J]. 南方农业学报, 2021, 52(2): 465-474. doi: 10.3969/j.issn.2095-1191.2021.02.023
    [13] 赵武义. 加州鲈源维氏气单胞菌的鉴定与分析[D]. 雅安: 四川农业大学, 2018.
    [14]

    ZHU Q, WANG Y, FENG J. Rapid diagnosis of largemouth bass ranavirus in fish samples using the loop-mediated isothermal amplification method[J]. Molecular and Cellular Probes, 2020, 52: 101569. doi: 10.1016/j.mcp.2020.101569

    [15]

    SONGE M M, HANG OMBE M B, PHIRI H, et al. Field observations of fish species susceptible to epizootic ulcerative syndrome in the Zambezi River Basin in Sesheke District of Zambia[J]. Tropical Animal Health and Production, 2012, 44(1): 179-183.

    [16]

    YADAV M K, PRADHAN P K, SOOD N, et al. Innate immune response of Indian major carp, Labeo rohita infected with oomycete pathogen Aphanomyces invadans[J]. Fish & Shellfish Immunology, 2014, 39(2): 524-531.

    [17]

    DAS M K, DAS R K. A review of the fish disease epizootic ulcerative syndrome in India[J]. Environment and Ecology, 1993, 11(1): 134-145.

    [18]

    PAGRUT N, GANGULY S, JAISWAL V, et al. An overview on epizootic ulcerative syndrome of fishes in India: A comprehensive report[J]. Journal of Entomology and Zoology Studies, 2017, 5: 1941-1943.

    [19]

    LEI X, ZHAO R, GENG Y, et al. Nocardia seriolae: A serious threat to the largemouth bass Micropterus salmoides industry in Southwest China[J]. Diseases of Aquatic Organisms, 2020, 142: 13-21. doi: 10.3354/dao03517

    [20]

    LILLEY J H, CALLINAN R B, CHINABUT S, et al. Epizootic ulcerative syndrome (EUS) technical handbook[J]. Bangkok: The Aquatic Animal Health Research Institute, 1998.

    [21]

    VERMA D K, PERUZZA L, TRUSCH F, et al. Transcriptome analysis reveals immune pathways underlying resistance in the common carp Cyprinus carpio against the oomycete Aphanomyces invadans[J]. Genomics, 2021, 113(1): 944-956.

    [22]

    KANBUTRA P, HANJAVANIT C, HORIUCHI E, et al. The in vitro antifungal effects of chlorine dioxide on water molds[J]. Aquaculture Science, 2010, 58(2): 219-224.

    [23]

    CHOONGO K, HANG’OMBE B, SAMUI K L, et al. Environmental and climatic factors associated with epizootic ulcerative syndrome (EUS) in fish from the Zambezi floodplains, Zambia[J]. Bulletin of Environmental Contamination and Toxicology, 2009, 83(4): 474-478. doi: 10.1007/s00128-009-9799-0

    [24]

    BORISUTPETH M, KANBUTRA P, WEERAKHUN S, et al. In vitro antifungal activity of Cassia fistula L. against selected pathogenic water molds[J]. International Journal of Phytomedicine, 2014, 6(2): 237.

    [25]

    SHANTHI MARI L S, JAGRUTHI C, ANBAZAHAN S M, et al. Protective effect of chitin and chitosan enriched diets on immunity and disease resistance in Cirrhina mrigala against Aphanomyces invadans[J]. Fish & Shellfish Immunology, 2014, 39(2): 378-385.

  • 期刊类型引用(8)

    1. 杨玉超,籍颖,李敬蕊,宫彬彬,高洪波. 基于热成像处理技术的生菜水分胁迫检测模型研究. 中国农机化学报. 2025(01): 131-137 . 百度学术
    2. 李宏星,樊鑫,金慷鹏,陈威,蓝启明. 基于集成学习的空气质量评估. 长江信息通信. 2024(03): 115-117 . 百度学术
    3. 张钰霆,张瑞瑞,潘非斐,潘友浩,李聪,林华,陈仕玺,穆景利. 三沙湾大黄鱼野生和养殖群体的幽门盲囊微生物群落结构比较分析. 海洋学报. 2024(01): 77-87 . 百度学术
    4. 段宇飞,孙记委,董庚,卢周成,霍俊,王焱清. 油茶果壳籽实时分选系统设计与试验. 农机化研究. 2024(10): 79-86 . 百度学术
    5. 李帅彪. 基于TPOC识别与检测人工智能生成内容的研究与探讨. 科技传播. 2024(12): 18-22 . 百度学术
    6. 庞文媛,孙意岚,王芹,陈杰博,沈朝增,周一鸣,庞杰. 机器学习在花果茶生产加工中的应用进展. 食品安全质量检测学报. 2023(11): 181-189 . 百度学术
    7. 陈裕锋,冯佩雯,凌金生,张书琪,余振鹏,熊琳琳,刘洪,谢家兴. 基于无人机多光谱图像的水稻品种鉴定. 南京农业大学学报. 2023(05): 995-1003 . 百度学术
    8. 汪瑞,魏利胜. 基于特征融合与半监督协同训练随机森林的包装袋缺陷识别. 安徽工程大学学报. 2022(05): 36-41+58 . 百度学术

    其他类型引用(15)

图(5)
计量
  • 文章访问数:  114
  • HTML全文浏览量:  5
  • PDF下载量:  12
  • 被引次数: 23
出版历程
  • 收稿日期:  2022-07-31
  • 网络出版日期:  2023-09-03
  • 发布日期:  2023-05-24
  • 刊出日期:  2023-07-09

目录

/

返回文章
返回