Jump to content
Forum Kopalni Wiedzy
Sign in to follow this  
KopalniaWiedzy.pl

Mięso żółwi niebezpieczne dla zdrowia

Recommended Posts

Gusta kulinarne części ludzi, którzy rozsmakowują się w żółwim mięsie, doprowadziły sporo gatunków morskich na skraj wyginięcia. Naukowcy z USA i Meksyku zgromadzili szereg doniesień z różnych stron świata, dotyczących niebezpieczeństw związanych z jedzeniem mięsa żółwi. Jednym z nich jest możliwość zatrucia się pałeczkami Salmonelli. Żółwie morskie kumulują również w swoich tkankach toksyny, pochodzące najprawdopodobniej ze zjadanych glonów. Od jakiegoś czasu w mediach można przeczytać o skażeniu tuńczyków metalami ciężkimi. Okazuje się jednak, że mięso żółwi morskich zawiera 3 razy więcej kadmu i aż do 10 razy więcej rtęci niż mięso tych ryb.

Podsumowanie analiz naukowców ukaże się we wrześniowym wydaniu pisma EcoHealth.

O zagrożeniach związanych ze zjadaniem mięsa żółwi niewiele wiadomo (ze względu na nielegalny charakter procederu odławiania lub brak uregulowań w tym zakresie), dlatego jeden ze współautorów raportu, Wallace Nichols z Kalifornijskiej Akademii Nauk, uważa, że powinno się rozpowszechniać takie informacje. Wyjdzie to na dobre tak ludziom (bogatym amatorom delikatesów i traktującym żółwie jako pożywienie grupom ludności, np. aborygenom), jak i zwierzętom.

Share this post


Link to post
Share on other sites
Guest zenek

Niezłym zbokiem trzeb być żeby żółwie jeść fuj

Share this post


Link to post
Share on other sites

Create an account or sign in to comment

You need to be a member in order to leave a comment

Create an account

Sign up for a new account in our community. It's easy!

Register a new account

Sign in

Already have an account? Sign in here.

Sign In Now
Sign in to follow this  

  • Similar Content

    • By KopalniaWiedzy.pl
      W sytuacji, gdy dochodzi do wykrycia uwolnienia substancji niebezpiecznych, najważniejsze jest szybkie i precyzyjne zlokalizowanie źródła uwolnienia oraz przewidzenie kierunku rozchodzenia się substancji. Używane obecnie modele dyspersyjne wymagają bardzo dużych zasobów obliczeniowych. Mogą jednak zostać zastąpione przez modele bazujące na Sztucznych Sieciach Neuronowych, SSN (ang. Artificial Neutral Networks, ANN), co pozwoli na monitorowanie skażenia w czasie rzeczywistym. W badaniu możliwości wykorzystania takich modeli uczestniczą naukowcy z Departamentu Układów Złożonych NCBJ.
      Obszar odpowiadający części centralnego Londynu, będący podstawą do przygotowania danych dla SSN, jak również wykorzystany w eksperymencie DAPPLE (skrzyżowanie Marylebone Road i Gloucester Place, 51.5218N 0.1597W)
      Od kilku lat w Centrum Analiz Zagrożeń MANHAZ prowadzone są prace nad algorytmami umożliwiającymi lokalizację źródła skażenia, w oparciu o, pochodzące z sieci detektorów, dane na temat stężeń uwolnionej substancji. Głównym zadaniem istniejących we wszystkich miastach grup reagowania kryzysowego, jest szybkie odpowiadanie na wszelkie zagrożenia dla ludzi i środowiska. Podstawowym czynnikiem decydującym o powodzeniu lub niepowodzeniu danego działania jest czas reakcji.
      Obecnie różne substancje chemiczne są używane w większości dziedzin przemysłu, co sprawia, że transport i przechowywanie materiałów toksycznych wiąże się z ciągłym ryzykiem uwolnienia ich do atmosfery i do zajścia skażenia. Dużym wyzwaniem są sytuacje, w których czujniki rozmieszczone na terenie miasta zgłaszają niezerowe stężenie niebezpiecznej substancji, której źródło nie jest znane. W takich przypadkach ważne jest, aby system był w stanie w czasie rzeczywistym oszacować najbardziej prawdopodobną lokalizację źródła zanieczyszczenia, wyłącznie w oparciu o dane o stężeniu, pochodzące z sieci czujników.
      Algorytmy, które radzą sobie z zadaniem można podzielić na dwie kategorie. Pierwszą są algorytmy opierające się na podejściu wstecznym, czyli analizie problemu zaczynając od jego ostatniego etapu, ale są one dedykowane obszarom otwartym lub problemowi w skali kontynentalnej. Drugą kategorię stanowią algorytmy, które bazują na próbkowaniu parametrów odpowiedniego modelu dyspersji (parametrów takich, jak lokalizacja źródła), aby wybrać ten, który daje najmniejszą różnicę między danymi wyjściowymi, a rzeczywistymi pomiarami stężeń, wykonywanymi przez sieć detektorów. Podejście to sprowadza się do wykorzystania algorytmów próbkowania, w celu znalezienia optymalnych parametrów modelu dyspersji, na podstawie porównania wyników modelu i detekcji zanieczyszczeń.
      Ze względu na efektywność zastosowanego algorytmu skanowania parametrów, każda rekonstrukcja wymaga wielokrotnych uruchomień modelu. Rekonstrukcja w terenie zurbanizowanym, która jest głównym przedmiotem zainteresowania badaczy, wymaga zaawansowanych modeli dyspersji, uwzględniających turbulencje pola wiatru wokół budynków. Najbardziej niezawodne i dokładne są modele obliczeniowej dynamiki płynów (ang. Computational Fluid Dynamics, CFD). Stanowią one jednak bardzo wymagające obliczeniowo wyzwanie. Musimy zdawać sobie sprawę z tego, że aby znaleźć najbardziej prawdopodobne źródło skażenia, model dyspersji trzeba uruchomić dziesiątki tysięcy razy. Oznacza to, że użyty model musi być szybki, aby można go było zastosować w systemie awaryjnym, pracującym w czasie rzeczywistym. Zakładając na przykład, że średni czas potrzebny na wykonanie samych obliczeń modelu dyspersji w terenie zurbanizowanym wynosi 10 minut, pełna rekonstrukcja z jego wykorzystaniem będzie trudna do przeprowadzenia w dopuszczalnie krótkim czasie.
      Rozwiązaniem tego problemu, nad którym pracuje dr Anna Wawrzyńczak-Szaban z Centrum Analiz Zagrożeń MANHAZ w NCBJ, przy współpracy z Instytutem Informatyki UPH w Siedlcach, jest wykorzystanie w systemie rekonstrukcji sztucznej sieci neuronowej, zamiast modelu dyspersji, w terenie zurbanizowanym. Chodzi o to, by sztuczna sieć neuronowa była skuteczna w symulacji transportu zanieczyszczeń w powietrzu, na terenie zurbanizowanym. Jeśli to się powiedzie, SSN może działać jako model dyspersji w systemie lokalizującym w czasie rzeczywistym źródło skażenia. Podstawową zaletą SSN jest bardzo krótki czas odpowiedzi – opisuje dr Anna Wawrzyńczak-Szaban. Oczywiście SSN musi być wytrenowana w stałej topologii miasta, przy użyciu rzeczywistych warunków meteorologicznych z wykorzystaniem odpowiedniego i zwalidowanego modelu dyspersji. Proces ten wymaga wielu symulacji, służących jako zestawy danych treningowych dla SSN. Proces uczenia sieci SSN jest kosztowny obliczeniowo, ale po przeszkoleniu, metoda byłaby szybkim narzędziem do szacowania stężeń punktowych dla danego źródła zanieczyszczenia.
      W pracy opublikowanej przez naukowców1) przedstawiono wyniki trenowania sieci neuronowej w oparciu o dane, uczące rozprzestrzeniania się toksyn w powietrzu w centrum Londynu, wykorzystując domenę testową eksperymentu polowego DAPPLE2). Dane uczące SSN wygenerowano za pomocą modelu dyspersji Quick Urban & Industrial Complex (QUIC). Przetestowaliśmy różne struktury SSN, czyli liczby jej warstw, neuronów i funkcji aktywacji. Wykonane testy potwierdziły, że wyszkolona SSN może w wystarczającym stopniu symulować turbulentny transport toksyn, unoszących się w powietrzu na obszarze silnie zurbanizowanym – objaśnia dr Anna Wawrzyńczak-Szaban. Ponadto pokazaliśmy, że wykorzystując SSN można skrócić czas odpowiedzi systemu rekonstrukcji. Czas wymagany, przez prezentowaną w pracy SSN, do oszacowania trzydziestominutowych stężeń gazu w 196 000 punktów sensorowych wyniósł 3 s W przypadku modelu QUIC, czas został oszacowany jako co najmniej 300 s, co daje nam 100-krotne przyspieszenie obliczeń. Biorąc to pod uwagę, czas rekonstrukcji w rzeczywistej sytuacji awaryjnej może być krótki, co skutkuje szybką lokalizacją źródła zanieczyszczenia.
      W trakcie badań okazało się, że zapewnienie trenowanej SSN pełnej informacji prowadzi czasami do pewnych wyzwań obliczeniowych. Na przykład w pojedynczej symulacji rozproszenia toksyn w powietrzu, na obszarze miejskim, nawet 90% odczytów z czujników może mieć wartość zerową. Prowadzi to do sytuacji, w której postać docelowa SSN obejmuje kilka procent wartości dodatnich i większość zer. W efekcie SSN skupia się na tym, czego jest więcej – na zerach, co sprawia, że nie dostosowuje się do szukanych elementów badanego problemu. Uwzględniając zerową wartość koncentracji w danych treningowych, musimy zmierzyć się z kilkoma pytaniami: jak uwzględnić zero? Jak przeskalować dany przedział, aby „ukryć” zera? Czy w ogóle uwzględniać zera? Czy ograniczyć ich liczbę? – podkreśla dr Wawrzyńczak-Szaban.

      « powrót do artykułu
    • By KopalniaWiedzy.pl
      Umieszczając w gniazdach żółwi morskich wydrukowane w 3D wyposażone w nadajniki GPS-GSM jaja-wabiki, można prześledzić całą siatkę nielegalnego handlu. Zespół z Uniwersytetu Kent i Paso Pacifico opublikował wyniki swoich badań w piśmie Current Biology.
      Naukowcy sprawdzali, jak makiety jaj się sprawdzają i czy są bezpieczne dla zagrożonych żółwi. Nasze badania pokazały, że umieszczenie sztucznych jaj w gnieździe nie uszkadza rozwijających się zarodków [...]. Zademonstrowaliśmy [również], że można śledzić losy nielegalnie pozyskanych jaj od plaży po odbiorcę końcowego; pokazała to nasza najdłuższa trasa, która ujawniła cały łańcuch dostaw o długości 137 km - opowiada główna autorka badań, Helen Pheasey z University of Kent.
      Jaja-makiety (nazywane InvestEggatorami) zostały opracowane przez Paso Pacifico. Organizacja chciała się zająć nielegalnym handlem w Ameryce Środkowej; jaja zagrożonych żółwi są tu wybierane z gniazd i sprzedawane jako sezonowe przysmaki do barów i restauracji. Makiety zaprojektowała powiązana z Paso Pacifico specjalistka - Kim Williams-Guillen. Finansowanie pozyskano dzięki Wildlife Crime Tech Challenge.
      Drukowane w 3D makiety umieszczono w 101 gniazdach na 4 kostarykańskich plażach. Jedną czwartą fałszywych jaj nielegalnie wybrano. Dzięki temu naukowcy mogli prześledzić losy jaj z 2 lęgów żółwia zielonego (Chelonia mydas) i 3 lęgów żółwia oliwkowego (Lepidochelys olivacea). Okazało się, że większość skradzionych jaj nie opuszcza lokalnego terenu.
      Jedno z jaj dotarło w pobliże posesji mieszkaniowej i "zamilkło". Drugie przebyło 2 km do baru. Makieta, która pokonała najdłuższą drogę, dotarła 137 km w głąb lądu; 2 dni trwało przetransportowanie jaja z plaży do strefy załadunku supermarketu, później trafiło ono do posesji mieszkaniowej. Biolodzy nie sądzą, by zostało ono sprzedane w markecie. Przemytnik przekazał je tam raczej sprzedawcy.
      Niektóre makiety zostały zdemaskowane. Jedno z jaj straciło łączność w obszarze mieszkalnym w pobliżu Cariari; Cariari to miasto położone 43 km od plaży, gdzie rozpoczął się eksperyment. Po 11 dniach dostaliśmy zdjęcia rozmontowanego InvestEggatora. Ze zdjęciami przesłano informacje, gdzie kupiono makietę i ile jaj podlegało transakcji. To pokazuje, że poza danymi GPS i GSM można też liczyć na pewną współpracę z lokalnymi społecznościami.
      Pheasey podkreśla, że wstępne ustalenia wskazują, że większość jaj nie opuszcza okolicznych rejonów. Potwierdza to podejrzenia naukowców i lokalne doniesienia, że gros handlu odbywa się niedaleko plaż z gniazdami. Wiedza, że większość jaj pozostaje w okolicznych rejonach, pozwala nam zaplanować działania ochronne. Możemy się skupić na zwiększeniu świadomości w lokalnych społecznościach [...].
      Pheasey dodaje, że z perspektywy egzekwowania prawa krytyczną kwestią jest zidentyfikowanie tych, którzy przemycają i sprzedają jaja.
      Naukowcy mają nadzieję, że makiety zostaną wykorzystane w innych projektach. Rzucą one nieco światła na różnice w handlu żółwimi jajami w poszczególnych krajach. Tymczasem zespół pracuje nad ulepszeniem technologii, chce też rozszerzyć jej zastosowanie na inne gatunki; Paso Pacifico i kostarykańscy uczeni chcieliby np. przystosować nadajnik do śledzenia dostaw rekinich płetw. Wspomina się również o monitorowaniu kradzieży jaj z gniazd papug.

      « powrót do artykułu
    • By KopalniaWiedzy.pl
      Młode dziewczyny, które stykają się z dymem papierosowym, mogą mieć w przyszłości problemy z poczęciem. Naukowcy z University of Newcastle wykazali bowiem na modelu mysim, że 3 związki z dymu papierosowego wpływają na geny uruchamiające apoptozę, czego skutkiem jest przedwczesne starzenie jajników i wytwarzanie dysfunkcyjnych jajeczek.
      Nasze [3-letnie] badania laboratoryjne wykazały, że wdychanie tych toksyn na wczesnych etapach życia może prowadzić do spadku jakości i liczby komórek jajowych u samic - podkreśla Eileen McLaughlin.
      Obecnie pani profesor ubiega się o fundusze na zbadanie kwestii, w jaki sposób palenie przez ciężarną wpływa na płodność przyszłych pokoleń. Sądzimy, że kontakt z tymi toksynami na etapie życia płodowego [także] zmniejsza jakość i liczbę oocytów, a obniżona płodność może być przekazywana z pokolenia na pokolenie. W odniesieniu do ludzi oznaczałoby to, że jeśli twoja babcia paliła, gdy była w ciąży z twoją matką lub w jej pobliżu, gdy ta była dzieckiem, ty i prawdopodobnie twoje dzieci możecie się znajdować w grupie podwyższonego ryzyka zmniejszonej płodności.
    • By KopalniaWiedzy.pl
      U wielu bakterii wykształciła się lekooporność. Tempo jej narastania jest wyższe od tempa opracowywania nowych antybiotyków. Naukowcy z University of Wisconsin–Milwaukee (UMW) opracowali jednak coś nowego: związek, który blokuje działanie występującego u Gram-ujemnych bakterii systemu sekrecji typu III (ang. type III secretion system, T3SS). Jego część przypomina żądło, za pomocą którego patogeny wprowadzają do komórek gospodarza białka efektorowe, np. toksyny. Eliminując wypustkopodobne filamenty, sprawiamy, że bakterie nie mają nam jak zagrozić.
      Prof. Ching-Hong Yang z UWM i prof. Xin Chen z Changzhou University przetestowali nowy związek na dwóch gatunkach bakterii atakujących rośliny i na pałeczkach ropy błękitnej, które jako bakterie oportunistyczne wywołują zakażenie u osób z obniżoną odpornością, np. pacjentów z nowotworami albo AIDS. Zauważyli, że jest skuteczny w odniesieniu do wszystkich 3 bakterii.
      Wynikami zespołu zainteresowały się dwie firmy, które prowadzą testy oryginalnej substancji i pochodnych w nadziei na ich komercjalizację.
      Z relacji prasowej uniwersytetu wynika, że naukowcy uzyskali więcej niż jeden tego typu związek. Omówiono jednak tylko ten działający na T3SS. Białka wchodzące w skład systemu można podzielić na 2 grupy: białka zakotwiczone w błonie i zewnątrzkomórkowe wypustkopodobne filamenty. Te ostatnie nazywa się niekiedy kanałem translokującym. Patogeny z T3SS są bardzo sprytne. Wytwarzają wąski wyrostek, który działa jak igła [...]. Komórka gospodarza nie umie rozpoznać igły patogenu dlatego mechanizmy obronne nie zostają uruchomione - wyjaśnia Yang.
      Mimo że Yang i Chen testowali swój związek tylko na 3 gatunkach bakterii, wierzą, że zadziała on na o wiele szersze spektrum. T3SS występuje bowiem u szeregu bakterii Gram-ujemnych, np. pałeczek z rodzaju Shigella, które wywołują zatrucia pokarmowe, E. coli czy chlamydii.
    • By KopalniaWiedzy.pl
      Specjaliści z University of Minnesota (U of M) odkryli i opatentowali naturalny lantybiotyk – antybiotyk peptydowy wytwarzany przez nieszkodliwe bakterie – który może być dodawany do produktów spożywczych i zabijać szkodliwe bakterie, np. z rodzaju Listeria, a także pałeczki salmonelli i okrężnicy (Escherichia  coli).
      Lantybiotyk U of M to pierwszy naturalny konserwant, który zabija bakterie Gram-ujemne. Ma chronić pokarmy/napoje przed szerokim spektrum chorobotwórczych bakterii – podkreśla prof. Dan O'Sullivan. Lantybiotyk można stosować do hamowania rozwoju szkodliwych bakterii w mięsach, przetworzonych serach, nabiale, produktach puszkowanych, owocach morza, fermentowanych napojach itp. Co istotne, lantybiotyk jest łatwo trawiony, nietoksyczny, nie wywołuje alergii, a niebezpieczne bakterie mają problem z wytworzeniem na niego oporności.
      Jak często w takich przypadkach bywa, O'Sullivan wpadł na trop lantybiotyku przez przypadek, badając genom bakterii. Obecnie naukowcy poszukują licencjobiorcy swojej technologii.
      Salmonella i E. coli (obie Gram-ujemne) odpowiadają za ponad połowę przypadków zwrotu towarów spożywczych w USA. Warto też przypomnieć ostatnią europejską epidemię zatruć szczepem bakterii E. coli z tzw. grupy STEC (Shiga toxin-producing Escherichia coli).
  • Recently Browsing   0 members

    No registered users viewing this page.

×
×
  • Create New...