Mетаболомный подход к оценке сортовой специфичности семян Brassica napus L.


https://doi.org/10.18699/VJ15.015

Полный текст:


Аннотация

Современные молекулярно-биологические исследования характеризуются применением совокупности методологических платформ, позволяющих изучать организмы как на геномном
и протеомном уровнях, так и на уровне метаболомов. Однако для обоснования возможности применения метаболомного анализа в селекции необходимо проведение исследований на широком спектре видов и сортов растений. В данной работе с использованием метода газовой хроматографии, сопряженной с масс-спектрометрией, проведена оценка содержания низкомолекулярных метаболитов в семенах разных сортов рапса, которые относились к одной репродукции.
В каждом метаболическом профиле было аннотировано по 168 соединений, из которых 52 идентифицировано. Идентифицированные соединения включали аминокислоты, органические и жирные кислоты, токоферолы, фитостеролы. Обработка полученных данных осуществлялась методами мультивариантной статистики: методом главных компонент (МГК), методом дискриминантного анализа проекций на латентные структуры (ПЛС-ДА) и методом множественного регрессионного анализа проекций на латентные структуры. Созданные МГК и ПЛС-ДА модели демонстрировали достоверные различия между метаболомами исследованных сортов рапса. Наиболее значимый вклад в формирование моделей вносили аминокислоты и органические кислоты. Суммарный процент объясненной информации для МГК и ПЛС-ДА моделей составил в среднем 65 %. Достоверность ПЛС-ДА модели, согласно перекрестной проверке по методу «венецианские жалюзи», составила 91,67 %. Таким образом, показано, что метаболомный подход может служить эффективным инструментом для идентификации сортовой принадлежности семян. Необходимым условием при этом является создание постоянно обновляемой базы метаболомных профилей, характерных для конкретных сортов. Применение дискриминантного анализа проекций на латентные структуры позволит сравнивать метаболомы неизвестных образцов семян с имеющимися в базе данных метаболомными профилями и на этой основе классифицировать новые образцы семян.


Об авторах

Г. Н. Смоликова
Федеральное государственное бюджетное образовательное учреждение высшего образования «Санкт-Петербургский государственный университет», Санкт-Петербург, Россия
Россия


А. Л. Шаварда
Санкт-Петербургский государственный университет, Санкт-Петербург, Россия; Ботанический институт им. В.Л. Комарова Российской академии наук, Санкт-Петербург, Россия
Россия


И. В. Алексейчук
Федеральное государственное бюджетное образовательное учреждение высшего образования «Санкт-Петербургский государственный университет», Санкт-Петербург, Россия
Россия


В. В. Чанцева
Федеральное государственное бюджетное образовательное учреждение высшего образования «Санкт-Петербургский государственный университет», Санкт-Петербург, Россия
Россия


С. С. Медведев
Федеральное государственное бюджетное образовательное учреждение высшего образования «Санкт-Петербургский государственный университет», Санкт-Петербург, Россия
Россия


Список литературы

1. Афонников Д.А., Миронова В.В. Системная биология. Вавиловский журнал генетики и селекции. 2014;18(1):175-192.

2. Ballabio D., Consonni V. Classification tools in chemistry. Part 1: Linear models. PLS-DA. Analytical Methods. 2013;5:3790-3798. DOI: 10.1039/c3ay40582f

3. Barker M., Rayers W. Partial Least Squares for Discrimination. J. Chemometrics. 2003;17:166-173. DOI: 10.1002/cem.785

4. Farag M.A., Gad H.A., Heiss A.G., Wessjohann L.A. Metabolomics driven analysis of six Nigella species seeds via UPLC-qTOF-MS and GC-MS coupled to chemometrics. Food Chem. 2014;151: 333-342. DOI: 10.1016/j.foodchem.2013.11.032

5. Harrigan G.G., Martino-Catt S., Glenn K.C. Metabolomics, metabolic diversity and genetic variation in crops. Metabolomics. 2007;3(3):259-272. DOI 10.1007/s11306-007-0076-0

6. Hollywood K., Brison D.R., Goodacre R. Metabolomics: current technologies and future trends. Proteomics. 2006;6(17):47164723. DOI: 10.1002/pmic.200600106

7. Jonsson P., Gullberg J., Nordstrom A., Kusano M., Kowalczyk M., Sjostrom M., Moritz T. A strategy for identifying differences in large series of metabolomic samples analyzed by GC/MS. Anal. Chem. 2004;76:1738-1745. DOI: 10.1021/ac0352427

8. Oliver S.G., Winson M.K., Kell D.B., Baganz R. Systematic functional analysis of the yeast genome. Trends Biotechnol. 1998;16: 373-378.

9. Pearson K. On lines and planes of closest fit to systems of points in space. Philos. Mag. 1901;2:559-572.

10. Pigott E.J., Roberts W., Ovenden S.P.B., Rochfort S., Bourne D.J. Metabolomic investigations of Ricinus communis for cultivar and provenance determination. Metabolomics. 2011. DOI: 10.1007/ s11306-011-0355-7

11. Röhlig R.M., Eder J., Engel K.-H. Metabolite profiling of maize grain: differentiation due to genetics and environment. Metabolomics. 2009;5(4):459-477. DOI: 10.1007/s11306-009-0171-5

12. Shulaev V. Metabolomics technology and bioinformatics. Briefings in bioinformatics. 2006;7(2):128-139. DOI: 10.1093/bib/bbl012


Дополнительные файлы

Просмотров: 203

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2500-0462 (Print)
ISSN 2500-3259 (Online)