跳到主要內容

小朋友都OK的洋菜凝膠電泳!

洋菜凝膠電泳 - Agarose Gel Electrophoresis


BP:
恰巧買了新相機,順便幫最近實驗做個教學筆記,
沒想到圖拍太多太仔細,連小朋友看了也會做,
不知道是為了拍照在拍照還是為了作筆記在拍照:P。
希望小朋友們看了也會做分生!

I. MATERIAL
 1. Agarose Powser
 2. 10X TBE (Tris-Borate-EDTA) Buffer Solution
 3. Ethidium Bromide (EtBr)
 4. DNA Samples
 5. DNA Marker
 6. ddH2O
 7. 鑄膠模 (Gel Rack)
 8. 齒梳 (Comb)
 9. 電子秤 (Electric Scale)
 10. 電源供應器 (Power Supply) 
 11. 微波爐 (Microwave Oven)
 12. UV照相儀 (UV Camera)

II. PRAPARATION
 1. Gel Percentages: Resolution Of Linear Dna On Agarose Gels
 (Ref: Promega Corporation)











Recommended
% Agarose


Optimum Resolution for Linear DNA
(Size of fragments in base pairs)


0.5


1,000–30,000


0.7


800–12,000


1.0


500–10,000


1.2


400–7,000


1.5


200–3,000


2.0


50–2,000



 2. Agarose Gel ( 2% Agarose ) : 100ml
  a. Agarose Powder : 2g
  b. 1X TBE : ~100 ml
  (加入2g Agarose後,加入1X TBE至100ml)

 3. Agarose Gel Electrophoresis Running Buffer ( 1X TBE ) : 500 ml
  a. 10X TBE : 50 ml
  b. ddH2O : 450 ml

III. PROCEDURE

1. 調配1X TBE 500ml:加入10X TBE 50ml 及 ddH2O 450 ml
clip_image002 clip_image004

2. 取出Ararose Powder 2g
clip_image006 clip_image008

3. 混合2g Ararose Powder與 1X TBE至100ml後(2% Agarose gel),以保鮮膜包覆瓶口
clip_image010 clip_image012

4. 將瓶口保鮮膜穿洞後置入微波爐,並以中微波(Medium)微波 4分鐘
clip_image014 clip_image016

5. 取出Agarose Gel 溶液,並確保溶液中無尚未溶解之殘留物。若仍有殘留則繼續微波加熱。(此時需注意高溫膠液外溢)
clip_image018
 clip_image020

6. Agarose Gel鑄膠模備製 (鑄膠模及齒梳)
clip_image022 clip_image024

7. 待Agarose Gel Solution降溫至室溫後,倒入已裝備齒梳之鑄膠模中。
clip_image026 clip_image028

8. 膠體倒入需注意不可高於齒梳縫隙上端以避免每個loading槽相通。而膠體凝固時將逐漸改變為灰白色狀。
clip_image030
 clip_image032

9. 膠體凝固後移除齒梳,其產生之槽孔即為樣本loading處,拿起膠座即可見灰白色塊狀膠體。
clip_image034 clip_image036

10. 將膠體連同膠座一併置入電泳槽內(左為負極右為正極),並加入1X TBE做為Running Buffer
clip_image038 clip_image040

11. Running Buffer液面需蓋過膠體,並利用針筒衝洗每個Loading槽孔
clip_image042 clip_image044

12. 取出樣本並進行Loading
clip_image046 clip_image048

13. Loading完成圖、側面圖示,loading過程中可用針統沖去溢出樣本
clip_image050 clip_image052

14. 接上電極於電泳槽上(左為負極右為正極),並施以100V電壓
clip_image054 clip_image056

15. 電泳過程與結果(120分鐘),條帶向正極移動。兩條色帶分別為bromophenol blue 及 xylene cyanol
clip_image058 clip_image060

16. 置入EtBr溶液中進行染色30分鐘,隨後取出並進行退染30分鐘
clip_image062 clip_image064

17. 啟動UV照相儀,並將膠體置入UV照相儀中
clip_image066 clip_image068

18. 調整膠體位置,開啟UV進行攝影調整(焦距、焦段及快門時間)並拍攝
clip_image070 clip_image072

19. Agroses Gel 拍攝圖
clip_image074

就這樣! 簡單又有趣!
大家一起動手做分生吧。

                BP 2008.07.16 

留言

這個網誌中的熱門文章

醫學健康跨領域合作的開始:資料工程

一直都很喜歡在會議上與跨領域的專家、醫師、學者分享我們在數據工程與分析應用上的發展經驗。 許多的專家學者,對於大數據應用的認知都仍侷限在一個超大型結構化資料集的子集合應用,在規劃好的條件設定下,針對特定的目標(疾病、行為)進行篩選,將數據narrow down到可以被個人電腦或是單一伺服器架構處理的小型資料集。 這樣的半手工處理方式,對於專一(Specific)領域主題的資料追蹤計算或許已經十分足夠,但當中倘若資料清理方式有改變、篩選條件增減,所有的數據都要從raw重新處理,不僅造成大量的時間與人力浪費,對於專案計畫進度的延宕更是麻煩。這些還不包含

Google 資料庫方案–Spreadsheet–(1)資料呈現

HEMiDEMi 的標籤: Google , Google SpreadSheet , 雲端 早在規劃『 教育,意義! 』project時, 便有打算將整個網站建立過程撰寫一篇教學,讓有興趣以google 服務為基礎進行開發的朋友參考。 沒想到這個想法擺著就拖了好幾個月, 好在學生提出了問題,就趁這機會寫一寫吧。 基本上『 教育,意義! 』網站的架構完全建立在Google提供的服務, 廣義來說也是個雲端的系統, 所有的資料是分散在不同的服務架構下,再用GAE, Javascrript將服務資訊串接起來, 由Blogspot 統一呈現。 省了租主機的費用,或架站的硬體、電費, 最好的地方在於不用管理主機維運的問題, 只要專心做我的創意、嘗鮮就好了!!   多棒! 若將『 教育,意義! 』網站依功能層次來分類,可以分為三層結構, 當中的層次與使用技術大致如下: UI 介面層 服務 : Blogspot (網站介面) , Picasa (相簿空間), Google Apps 技術 : Javascript , AJAX ( JQuery ) App應用層  服務 : Google App Engine (GAE) 技術 : Java, Java Server Page (JSP) 資料層 服務 : Google Docs (文件), Google Spreadsheet (試算表) 技術/函式庫 : Java, Google Data APIs 本篇文章將著重在介紹以Google Spreadsheet 做為雲端資料庫, 其他主題將會陸續推出。 若對Google API 與 Google App Engine 初步建置有興趣, 可以參考之前文章: 佛心來著的 Google Data API – for JAVA 雲端的開始:Netbeans 無痛 Google App Engine Java 服務開發 Google Spreadsheet 做為資料庫系統 對於小型的資料系統來說, 採用Google Spreadsheet做為應用程式資料庫(如問卷調查或線上系統) 也算堪用, 目前的儲存限制為 : 40 萬個儲存格 每張工作表最多...

當咒術成真 - 文字生成的虛擬世界

  2024/02  這幾天灌爆各大ai社群的,不外乎就是文字生成高清畫質影像的OpenAI Sora , 讓人驚艷的細膩表現,自動化的場景生成與運鏡效果,縱使這個概念並不是多創新的模式,但Open AI始終很懂得抓住大家眼球  (Sora的各種生成影片: https://openai.com/sora  ) 關於Sora 的技術與介紹,不妨看看chatGPT 對它的描述: OpenAI Sora文字-視訊生成模型 在視頻數據上進行大規模訓練生成模型,具體而言,OpenAI聯合訓練了文本條件擴散模型,處理不同持續時間、解析度和長寬比的視頻和圖像。利用了一種在視頻和圖像潛碼的時空塊上操作的轉換器架構。受到Srivastava等人(2015年)在使用LSTMs進行視頻表示學習的無監督學習的啟發,OpenAI的最大模型Sora擴展了這些概念,能夠生成一分鐘的高保真度視頻。此外,Chiappa等人(2017年)描述的循環環境模擬器方法與我們的方法論框架相一致,表明擴大視頻生成模型的規模是建立通用物理世界模擬器的一條有希望的道路。 一、技術創新 OpenAI 的 Sora 模型在技術創新上主要融合了 diffusion models 與 transformer models 的特點,這一結合代表著從文字描述到視覺內容生成的一大進步。根據 Goodfellow et al. (2014) 的研究,Generative Adversarial Nets (GANs) 開創了使用機器學習生成圖像的新方法,而 diffusion models 則透過逆向的擴散過程從隨機噪聲中逐步建構出有意義的圖像,提供了一種不同於傳統 GANs 的新途徑。另一方面,Vaswani et al. (2017) 提出的 transformer 模型,通過其自注意力機制有效處理長距離依賴關係,已廣泛應用於語言模型中。Sora 模型的創新之處在於將這兩種技術融合應用,實現了從簡單文本提示生成高質量視覺內容的能力,這不僅展示了機器學習技術的新高度,也為未來的影像生成、自然語言處理和人機交互開啟了新的可能性。 二、物理現象與現實世界的模擬 Sora 的另一大進步是在模擬現實世界物理現象方面的表現。雖然現有模型如 Raissi et al. (2019) 所提出的 Physi...