Fever is a systemic inflammatory response of the body to pyrogens. Nuclear factor κB (NF-κB) is a central signalling molecule that causes the excessive secretion of various proinflammatory factors induced by pyrogens. This study explored the feasibility of a novel reporter gene assay (RGA) for pyrogen detection using RAW 264.7 cells stably transfected with the NF-κB reporter gene as a pyrogenic marker. Pyrogen was incubated with the transgenic cells, and the intensity of the fluorescence signal generated by luciferase secreted by the reporter gene was used to reflect the degree of activation of NF-κB, so as to quantitatively detect the pyrogens. The RGA could detect different types of pyrogens, including the lipopolysaccharide (LPS) of gram-negative bacteria, the lipoteichoic acid (LTA) of gram-positive bacteria, and the zymosan of fungi, and a good dose-effect relationship was observed in terms of NF-κB activity. The limits of detection of the RGA to those pyrogens were 0.03 EU/ml, 0.001 μg/ml, and 1 μg/ml, respectively. The method had good precision and accuracy and could be applied to many biological products (e.g., nivolumab, rituximab, bevacizumab, etanercept, basiliximab, haemophilus influenzae type b conjugate vaccine, 23-valent pneumococcal polysaccharide vaccine, and group A and group C meningococcal conjugate vaccine). The results of this study suggest that the novel RGA has a wide pyrogen detection spectrum and is sufficiently sensitive, stable, and accurate for various applications.

This study addresses the challenges in plant pest and disease prediction within the context of smart agriculture, highlighting the need for efficient data processing techniques. In response to the limitations of existing models, which are characterized by slow training speeds and a low prediction accuracy, we introduce an innovative prediction method that integrates gene expression programming (GEP) with support vector machines (SVM). Our approach, the gene expression programming-support vector machine (GEP-SVM) model, begins with encoding and fitness function determination, progressing through cycles of selection, crossover, mutation, and the application of a convergence criterion. This method uniquely employs individual gene values as parameters for SVM, optimizing them through a grid search technique to refine genetic parameters. We tested this model using historical data on wheat blossom midges in Shaanxi Province, spanning from 1933 to 2010, and compared its performance against traditional methods, such as GEP, SVM, naive Bayes, K-nearest neighbor, and BP neural networks. Our findings reveal that the GEP-SVM model achieves a leading back-generation accuracy rate of 90.83%, demonstrating superior generalization and fitting capabilities. These results not only enhance the computational efficiency of pest and disease prediction in agriculture but also provide a scientific foundation for future predictive endeavors, contributing significantly to the optimization of agricultural production strategies.