Metode lama untuk menilai usia pelet rayap memakai tes hidrokarbon atau warna. Cara itu butuh mesin mahal atau bisa salah karena warna pelet berubah sesuai makanan rayap.
Studi dari University of California, Riverside melihat komunitas mikroba di pelet. Peneliti memberi rayap dua jenis kayu: natural hardwood dan Douglas fir. Mereka mengambil sampel saat pelet masih segar, lalu setelah tiga bulan, enam bulan, dan satu tahun.
Dengan PCR kuantitatif, peneliti mengukur DNA bakteri dan melihat penurunan besar seiring waktu. Mereka berharap cara ini bisa jadi tes cepat di lokasi untuk membantu profesional pengendalian hama.
Kata-kata sulit
- hidrokarbon — zat kimia yang mengandung karbon dan hidrogen
- pelet — gumpalan kecil dari kotoran atau bahan organikpelet rayap
- sampel — potongan kecil yang diambil untuk pemeriksaanmengambil sampel
- komunitas mikroba — kelompok organisme kecil seperti bakteri di satu tempat
- kuantitatif — berkaitan dengan ukuran atau jumlah yang diukurPCR kuantitatif
- pengendalian hama — upaya untuk mengurangi atau menghilangkan serangga perusak
Tips: arahkan kursor, fokus, atau ketuk kata yang disorot di dalam teks untuk melihat definisi singkat sambil membaca atau mendengarkan.
Pertanyaan diskusi
- Mengapa menurutmu tes cepat di lokasi penting untuk pengendalian hama?
- Pernahkah kamu melihat tanda-tanda rayap pada kayu di rumah atau lingkunganmu? Ceritakan singkat.
Artikel terkait
Molekul Baru Menyimpan Energi Surya untuk Panas Malam
Para peneliti UC Santa Barbara mengembangkan molekul organik bernama pyrimidone yang menangkap cahaya matahari, menyimpan energi dalam ikatan kimia, dan melepaskannya sebagai panas saat diperlukan. Material ini larut dalam air dan dapat dipompa melalui kolektor surya.
Model Fisika Baru untuk Meningkatkan Ketajaman MRI
Peneliti di Rice University dan Oak Ridge National Laboratory mengembangkan model fisika baru yang menghubungkan gerak molekul dengan sinyal MRI klinis. Studi ini menjelaskan relaksasi NMR dalam cairan dan diuji pada frekuensi MRI klinis.
Model Bahasa Mengubah Penilaian Berdasarkan Identitas Pengarang
Peneliti University of Zurich menemukan bahwa large language models mengubah penilaian teks ketika diberi tahu siapa pengarangnya. Tanpa sumber, model sering sepakat, tetapi menyebut pengarang memicu bias, termasuk bias anti-Cina.