This dataset contains experimental data from a one-month aquarium-based bleaching experiment conducted on Large Benthic Foraminifera (Amphistegina lobifera) from 16 November to 16 December 2022 at the Marine Experimental Facility of the Leibniz Centre for Tropical Marine Research (ZMT), Bremen, Germany. The aim of the experiment was to obtain symbiont-free A. lobifera individuals for future re-inoculation studies and symbiont switching experiments. The foraminifera were originally collected in May 2022 at the Interuniversity Institute for Marine Sciences (IUI) in Eilat, Israel (29°30'07.8N, 34°55'04.9E) and maintained in culture in Germany until the start of the experiment. To assess the effectiveness of two chemical agents—menthol and 3-(3,4-dichlorophenyl)-1,1-dimethylurea (DCMU)—in disrupting symbiosis, photosynthetic efficiency (measured as maximum quantum yield, Fv/Fm) was recorded every other day during the first week of the experiment using a Pulse-Amplitude-Modulated (PAM) fluorometer. Fv/Fm measurements were discontinued after the first week due to complete inhibition of photosynthesis. Symbiont coverage (%) was assessed on day one and then weekly until week four using Confocal Laser Scanning Microscopy (CLSM).
Abweichend von konventionellen Standardverfahren zur Regelung von Wärmeerzeuger sollen in dem Projekt eine Vielzahl von internen und externen Eingangsgrößen zur Regelung verwendet werden. Hierbei handelt es sich unter anderem um Wetterdaten, Strompreise, Stromerzeugung und Korrelationsgrößen für die Belegung. In die Entscheidungsfindung zur Regelung fließen nicht nur aktuelle Zustandsgrößen ein, sondern auch zukünftige Werte. Es erfolgt somit eine prädiktive und vorausschauende Regelung anstelle einer reaktiven Standardregelung. Für solch eine Optimierungsaufgabe mit einer Vielzahl an Eingangsgrößen und einem längeren Betrachtungshorizont eigenen sich Methoden des maschinellen Lernens wie z.B. dem Reinforcement Learning. Der Vorteil dieser Methode ist eine bedarfsgenaue und wirtschaftliche Wärmebereitstellung. Mit Hilfe von Simulationsmodellen kann eine Vielzahl von Szenarien nachgebildet und als Trainingsdaten verwendet werden. Ziel des Forschungsprojektes ist es, die Optimierung von sektorübergreifenden Energiesystemen zu automatisieren und mit Hilfe von maschinellem Lernen und Metadaten die Anlagenparameter kontinuierlich anzupassen. Durch Transfer Learning können Messdaten anderer Gebäude als Trainingsdaten verwendet werden. Der Heizenergiebedarf wird mit Hilfe von neuronalen Netzen prognostiziert. Die entwickelten Prognose- und Regelungsmodelle werden in Kombination mit der Kommunikationsschnittstelle bei mehreren Gebäuden angewendet. Hierdurch sollen Generalisierungsmöglichkeiten gefunden werden, durch die das Trainieren bei neuen Gebäuden schneller erfolgen kann. Das Alleinstellungsmerkmal der Projektidee ist die Symbiose der Algorithmenentwicklung und ihre unmittelbare Validierung im Praxiskontext. Der Arbeitsschwerpunkt für Green Fusion liegt hierbei in der Entwicklung einer modularen Simulationsbibliothek des Energiesystems im Gebäude sowie der Anbindung der Objekte an die Kommunikationsschnittstelle durch die Cloud.
Abweichend von konventionellen Standardverfahren zur Regelung von Wärmeerzeuger sollen in dem Projekt eine Vielzahl von internen und externen Eingangsgrößen zur Regelung verwendet werden. Hierbei handelt es sich unter anderem um Wetterdaten, Strompreise, Stromerzeugung und Korrelationsgrößen für die Belegung. In die Entscheidungsfindung zur Regelung fließen nicht nur aktuelle Zustandsgrößen ein, sondern auch zukünftige Werte. Es erfolgt somit eine prädiktive und vorausschauende Regelung anstelle einer reaktiven Standardregelung. Für solch eine Optimierungsaufgabe mit einer Vielzahl an Eingangsgrößen und einem längeren Betrachtungshorizont eigenen sich Methoden des maschinellen Lernens wie z.B. dem Reinforcement Learning. Der Vorteil dieser Methode ist eine bedarfsgenaue und wirtschaftliche Wärmebereitstellung. Mit Hilfe von Simulationsmodellen kann eine Vielzahl von Szenarien nachgebildet und als Trainingsdaten verwendet werden. Ziel des Forschungsprojektes ist es, die Optimierung von sektorübergreifenden Energiesystemen zu automatisieren und mit Hilfe von maschinellem Lernen und Metadaten die Anlagenparameter kontinuierlich anzupassen. Durch Transfer Learning können Messdaten anderer Gebäude als Trainingsdaten verwendet werden. Der Heizenergiebedarf wird mit Hilfe von neuronalen Netzen prognostiziert. Die entwickelten Prognose- und Regelungsmodelle werden in Kombination mit der Kommunikationsschnittstelle bei mehreren Gebäuden angewendet. Hierdurch sollen Generalisierungsmöglichkeiten gefunden werden, durch die das Trainieren bei neuen Gebäuden schneller erfolgen kann. Das Alleinstellungsmerkmal der Projektidee ist die Symbiose der Algorithmenentwicklung und ihre unmittelbare Validierung im Praxiskontext. Der Arbeitsschwerpunkt für Green Fusion liegt hierbei in der Entwicklung einer modularen Simulationsbibliothek des Energiesystems im Gebäude sowie der Anbindung der Objekte an die Kommunikationsschnittstelle durch die Cloud.
Mykorrhizen sind in der Lage, das Wachstum der Bäume durch erhöhte Aufnahme von Nährstoffen zu verbessern. Im Gegensatz zu Phosphat und Nitrat, ist nur wenig über die Bedeutung der Mykorrhiza für die Aufnahme und den Metabolismus von Schwefel bekannt, obwohl schwefelhaltige Stoffe eine wichtige Rolle bei Rhizobiumwurzel Symbiose spielen, die in vielen Aspekten ähnlich zu Mykorrhizierung ist. Ziel des Projekts ist es, Gene des Schwefelhaushalts von Wurzeln zu identifizieren, die bei der Wechselwirkung Wurzelpilz eine Rolle spielen, und deren Expression und Regulation zu analysieren. Als Modellsystem soll dabei die Pappel und der Pilz Amanita muscaria eingesetzt werden. In diesem Modellsystem soll die Hypothese überprüft werden, dass der Pilz die Sulfatversorgung der Pflanze durch eine erhöhte Aufnahme sowie einen intensiven Austausch mit der Wurzel verbessert und, in Analogie zu Rhizobien, dem Pilz von der Pflanze reduzierter Schwefel in Form von Glutathion zur Verfügung gestellt wird. In der ersten Phase wird der Einfluss der Schwefel- und Stickstoffernährung auf die Expression der Gene des Schwefel-Metabolismus in Pappel und im Pilz untersucht. Weiterhin soll der Einfluss der Modulation des Schwefelhaushalts in Pappeln durch genetische Manipulation auf die Wechselwirkung im Schwefelhaushalt zwischen Wurzel und Pilz analysiert werden.
Die landwirtschaftliche Pflanzenproduktion ist ein ressourcenintensiver Prozess, der durch den Klimawandel zunehmend beeinträchtigt wird. Lösungen für eine nachhaltigere und widerstandsfähigere Art der Pflanzenproduktion sind daher dringend erforderlich. Pflanzenwurzeln sind ein Lebensraum für hochkomplexe mikrobielle Gemeinschaften, und Pflanzen profitieren von intimen Interaktionen mit diesen Mikroben. Einige Mikroben vermitteln nicht nur die Toleranz gegenüber Klimastress, sondern können auch die Pflanzenernährung verbessern. Während es den Nutzen von Mikroben für die Aufrechterhaltung der Pflanzenproduktion anzeigt, erfüllen Feldanwendungen mit einzelnen nützlichen Mikroben oft nicht ihre nützlichen Aktivitäten, die unter Laborbedingungen beobachtet werden. In vorangegangenen gemeinsamen Studien haben wir festgestellt, dass das knötchenbildende Bakterium Sinorhizobium meliloti WSM1022 die Leguminose Medicago truncatula in verschiedenen Bodentypen sehr effizient mit Stickstoff (N) versorgt. Darüber hinaus haben wir herausgefunden, dass WSM1022 das Wurzelmikrobiom modulieren können, um ein Mini-Mikrobiom zu bilden, das wir zusammen mit WSM1022 als N-Biom definiert haben. Zusätzlich zur Unterstützung der N-Fixierung scheint das N-Biom weitere nützliche Effekte auf M. truncatula zu übertragen. In diesem Projekt wollen wir die Robustheit des N-Bioms und der Symbiose von M. truncatula unter verschiedenen N-Regimen und Trockenheit als vorherrschenden Klimastress im Gewächshaus mit Ackerboden evaluieren. Wir werden die Effizienz der Knötchenbildung und N-Fixierung, des Pflanzenwachstums und der Pflanzenentwicklung sowie die Expression von Symbiose- und Trockenstress-Markergenen quantifizieren, um die funktionelle Robustheit der N-Biom-M. truncatula-Symbiose zu bewerten. Darüber hinaus werden wir genomweite Assoziationsstudien durchführen, um genetische Merkmale von M. truncatula zu identifizieren, die die Etablierung des N-Bioms unter Trockenstress unterstützen. Alle Experimente werden von Wurzelmikrobiomanalysen begleitet, um die Integrität des N-Bioms oder eventuell der Erweiterung seiner Funktion durch die Rekrutierung zusätzlicher nützlicher Mikroben unter diesen sich verändernden Umgebungen zu bestimmen. Unser Projekt hat zum Ziel, das N-Biom als biologische Applikationseinheit für zukünftige Feldanwendungen zu entwickeln.