Informacja

Odpowiedni model do badania, czy zmienna środowiskowa jest istotna między dwoma gatunkami?

Odpowiedni model do badania, czy zmienna środowiskowa jest istotna między dwoma gatunkami?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Chcę wiedzieć, czy dana zmienna środowiskowa ma wpływ na zasięg dwóch gatunków/dwóch grup gatunków. W szczególności interesuje mnie testowanie, czy jeden gatunek ma „preferencję” dla wyższych/niższych zakresów w stosunku do drugiego (na przykład, czy niebieskie żaby wolą chłodniejsze temperatury niż czerwone żaby?). Mam dane o występowaniu mojego gatunku, a także dane środowiskowe w siatce na tym obszarze. Czy ktoś może wskazać mi właściwy kierunek?


Testy statystyczne: którego należy użyć?

Opublikowane 28 stycznia 2020 r. przez Rebeccę Bevans. Zaktualizowano 28 grudnia 2020 r.

Testy statystyczne służą do testowania hipotez. Mogą służyć do:

  • określić, czy zmienna predykcyjna ma statystycznie istotny związek ze zmienną wynikową.
  • oszacuj różnicę między dwiema lub więcej grupami.

Testy statystyczne zakładają hipotezę zerową o braku związku lub braku różnicy między grupami. Następnie określają, czy obserwowane dane wykraczają poza zakres wartości przewidywanych przez hipotezę zerową.

Jeśli już wiesz, z jakimi typami zmiennych masz do czynienia, możesz użyć schematu blokowego, aby wybrać odpowiedni test statystyczny dla swoich danych.


Wstęp

Zrozumienie obecnych i przewidywanie przyszłych rozmieszczeń gatunków ma kluczowe znaczenie dla ekologii i wdrażania środków ochrony różnorodności biologicznej i środków politycznych (np. Międzynarodowa Unia Ochrony Przyrody – wybór rezerwatów z czerwonych list IUCN). Jedną z najczęstszych metod stosowanych w celu uzyskania wglądu w rozmieszczenie gatunków i nisz środowiskowych jest modelowanie rozmieszczenia gatunków [1], które jest również określane jako modelowanie nisz ekologicznych (patrz dyskusje na temat terminologii w [2], [3], [4] , [5], [6]). SDM identyfikuje lokalizacje o odpowiednich (a)biotycznych warunkach dla występowania gatunków, na podstawie korelatów klimatologicznych, środowiskowych i/lub biotycznych [7]. Szeroki zakres algorytmów [8], [9] i platform (tj. BIOMOD, ModEco, OpenModeller, [10]–[12]) mogą być wykorzystane do dopasowania modeli, każdy z unikalnymi cechami, takimi jak różne techniki wyboru zmiennych lub metody wybierania (pseudo) nieobecności [13]–[16]. W konsekwencji, najlepiej dopasowany model zależy nie tylko od dostępnych danych o obecności, ale również silnie od podejścia do modelowania [17], [18]. SDM są wykorzystywane głównie do (1) uzyskania wglądu w ogólną dystrybucję gatunków (tj. [19], [20]), (2) uzyskaj przewidywane zdarzenia dla określonych lokalizacji (tj. [21], [22]) lub (3) rozumieją granice niszowe gatunków (tj. [4], [23]–[25]). Kilka badań wskazuje na potrzebę oceny i walidacji SDM oraz przeprowadzenia dogłębnej analizy wpływu wyboru algorytmu oraz spójności predykcji w ramach algorytmu w celu wygenerowania bardziej znaczących modeli [2], [26]. Na przykład, używając gatunków wirtualnych, Saupe et al. [25] stwierdzili, że dystrybucja danych gatunkowych wykorzystywanych do trenowania modeli w odniesieniu do dostępnych warunków środowiskowych wpływa na wyniki modelowania. Wisz i in. [27] wykazali, że dokładność modelu (wartości AUC) zależy od zastosowanego algorytmu, wzmacniając potrzebę oceny wydajności różnych technik modelowania [28], w tym metod konsensusowych (łączących predykcje kilku algorytmów) [29]. Wreszcie Zimmermann i in. [30] pokazali, w jaki sposób SDM można dostosować, aby spełnić różne cele i poprawić dokładność przewidywania. Jednak nasze badania przesiewowe ostatnich artykułów wykorzystujących SDM (patrz Tabela S1 w materiale uzupełniającym) pokazują, że badania modelujące pojedynczy gatunek zwykle wykorzystują jeden algorytm, podczas gdy badania modelujące wiele gatunków zwykle używają wielu algorytmów, generalnie bez jasnego wyjaśnienia przyczyn algorytmów Kryteria wyboru. 19 algorytmów wykorzystanych w zestawie 42 ostatnich prac (tabela S1) występuje zarówno w badaniach jedno-, jak i wielogatunkowych, przy czym dwa z najczęstszych to Maxent (maksymalna entropia) i GLM (uogólnione modele liniowe). Jednak żadne z tych badań nie analizuje zalet/wad wyboru jednego lub więcej algorytmów, nadal nie jest jasne, czy cechy specyficzne dla gatunku, takie jak poziom rzadkości, rozprzestrzenienie geograficzne lub połączenie obu, wpływają na dopasowanie modelu (ale patrz Tabela S1).

W tym miejscu badamy, które algorytmy modelowania rozmieszczenia gatunków działają najbardziej konsekwentnie, gdy: (1) oceniają ogólne dopasowanie modelu (2) oceniają prognozy przestrzenne występowania gatunków w skali płatowej, krajobrazowej i regionalnej oraz (3) identyfikują czynniki środowiskowe jako ważne korelaty występowania gatunków. Testujemy te trzy aspekty dla grupy dobrze dobranych gatunków bzygowów w Holandii, które zostały wybrane tak, aby obejmowały gatunki rzadkie do powszechnych i lokalne do szeroko rozpowszechnionych.


Ważne gatunki szkodników Spodoptera kompleks: Biologia, wymagania cieplne i strefowanie ekologiczne

W Ameryce Południowej, zwłaszcza w Brazylii, czterech członków Spodoptera złożony, albula Spodoptera (Wędrowiec, 1857), S. cosmioides (Wędrowiec, 1858), S. eridania (Stoll, 1782), oraz S. frugiperda (J.E. Smith, 1797) są ważnymi szkodnikami wielu upraw, w szczególności upraw kukurydzy, soi i bawełny. Spodoptera eridania oraz S. frugiperda niedawno najechały Afrykę i spowodowały poważne szkody w uprawach oraz S. frugiperda najechał Azję i Oceanię. W niniejszym badaniu zbadano wpływ zakresu siedmiu temperatur (18–34 °C) na te cztery Spodoptera gatunków jednocześnie, oceniając kilka zmiennych biologicznych. W oparciu o tolerancje termiczne uzyskane eksperymentalnie, zmapowano i porównano przestrzennie strefę ekologiczną każdego gatunku w Brazylii, zgodnie z kalendarzem upraw trzech ważnych upraw w różnych regionach (pierwszy i drugi zbiór kukurydzy, soja i bawełna). Nasze wyniki pokazały, że S. eridania miał najniższy próg temperatury (TT), tj. preferuje się go w regionach o bardziej umiarkowanych temperaturach i nie toleruje najcieplejszych temperatur, nie kończąc rozwoju w 34 °C. W przeciwieństwie, S. albula nie zakończyła swojego rozwoju w temperaturze 18 °C i może odnosić większe sukcesy w cieplejszych regionach. Ogólnie, S. frugiperda oraz S. cosmioides mogły rozwijać się w szerokim zakresie temperatur i S. frugiperda wykazał wyższy potencjał biologiczny we wszystkich ocenianych temperaturach. Nasze dane biologiczne i kod obliczeniowy są dostępne online. Wytworzone tutaj obszerne dane mogą pomóc innym entomologom w określeniu przestrzennego rozmieszczenia Spodoptera złożone i prognozowane ogniska tych szkodników.

To jest podgląd treści subskrypcji, dostęp za pośrednictwem Twojej instytucji.


Podejścia wielowymiarowe do określenia związku między strukturą zbiorowiska ryb a zmiennymi środowiskowymi w rzece Karatoya w Bangladeszu

Rzeka Karatoya jest ważnym systemem słodkowodnym, w którym żyją różne gatunki ryb. W niniejszej pracy zbadano wskaźniki sezonowej liczebności i różnorodności zgrupowania ryb oraz ich związek z parametrami fizykochemicznymi. Przez 12 miesięcy z czterech stacji rejestrowano pięćdziesiąt cztery gatunki ryb. Najwięcej ryb odnotowano w okresie pomonsunowym, a najmniej w sezonie monsunowym. Analiza podobieństwa wykazała istotną różnicę (P < 0,05) w liczebności gatunków w poszczególnych porach roku. Analiza procentu podobieństwa wykazała, że ​​ogólna średnia odmienność między trzema sezonami wynosiła 73,53%, a za tę różnicę odpowiadało sześć gatunków. Niemetryczny wielowymiarowy wykres ordynacji skalowania oparty na podobieństwie wykazał, że sezon monsunowy całkowicie różnił się od pozostałych dwóch sezonów (przed i po monsunie) pod względem liczebności ryb. Wartości różnorodności Shannona-Wienera, bogactwa Margalefa i wskaźników równości Pielou zmieniały się w zależności od pory roku. Analiza korespondencji kanonicznej została wykorzystana do zidentyfikowania najważniejszych parametrów jakości wody wpływających na sezonową zmienność struktury zbiorowiska ryb oraz do ujawnienia niezwykłej roli zasadowości, całkowitej zawartości rozpuszczonych ciał stałych, przewodności elektrycznej i rozpuszczonego tlenu w rzece Karatoya w Bangladeszu. Badanie to dostarcza podstawowych informacji na temat związku między parametrami środowiskowymi a różnorodnością ryb w siedliskach słodkowodnych w Bangladeszu.


Informacje o autorze

Afiliacje

Department of Environmental Systems Sciences, ETH Zürich, 8092, Zürich, Szwajcaria

Alejandra Rodríguez-Verdugo i Martin Ackermann

Zakład Mikrobiologii Środowiskowej, Eawag, 8600, Dübendorf, Szwajcaria

Alejandra Rodríguez-Verdugo i Martin Ackermann

Adaptacja do zmieniającego się środowiska, ETH Zürich, Zürich, Szwajcaria

Department of Ecology and Evolutionary Biology, University of California, Irvine, CA, 92697-2525, USA


Wyniki

w Keratella przeciw Brachionus eksperymentu, dynamika populacji w zlewkach kontrolnych wykazała, że ​​zarówno Keratella oraz Brachionus były w stanie utrzymać się podczas obu zabiegów zaopatrzenia w zasoby (ryc. 3a, b). W zlewkach konkursowych gdzie T=0, Brachionus został doprowadzony do wyginięcia w obu powtórzonych zlewkach konkurencyjnych w ciągu 14-18 dni (ryc. 3c, d). W warunkach większej zmienności podaży surowców (T=4), Brachionus utrzymywał się w jednej zlewce z powtórzeniami, chociaż w niskiej i malejącej liczebności (ryc. 3e), i wyginął w drugiej zlewce z powtórzeniami w ciągu 24 dni (ryc. 3f). Dynamika H′ na bazie biomasy ilustruje różnicę w dynamice konkurencyjnej w obu zabiegach. H′ spadało szybciej, gdy T=0 niż kiedy T=4 (rys. 4). Czas potrzebny do obniżenia się H′ do arbitralnej wartości 0,4 (przy zastosowaniu interpolacji liniowej między punktami czasowymi) wykorzystano jako wskaźnik szybkości utraty równości zbiorowisk. Ta wartość wzrosła, gdy T wzrosła z 0 do 4 (ryc. 5a), ale trend nie był istotny statystycznie (T-test, P= 0,35). Podsumowując, zwiększenie czasowej zmienności podaży zasobów poprzez zwiększenie T od 0 do 4 dni nie zmieniło wyniku konkursu (Keratella zawsze dominował) i nie pozwalał na współistnienie.

Dynamika populacji wrotków w okresie Keratella przeciw Brachionus eksperyment konkursowy. (a) i (b) pokazują liczebność (liczbę wrotków na zlewkę) w dwóch powtórzeniach zlewek kontrolnych (zawierających tylko jeden gatunek) dla dwóch zabiegów dodawania pokarmu (T=0 i 4 dni). (c) i (d) pokazują dynamikę w dwóch powtórzonych zlewkach konkursowych dla T=0. (e) i (f) pokazują dynamikę w dwóch powtórzonych zlewkach konkursowych dla T=4. Keratella obfitość = lewa oś pionowa, Brachionus obfitość=prawa oś pionowa.

Przebieg czasowy wskaźnika różnorodności Shannona opartego na biomasie (H′). Dla Keratella przeciw Brachionus eksperymentu pokazano indywidualne wartości H′ dla dwóch powtórzeń zlewek konkurencji dla każdego zabiegu dodawania pokarmu (T). Średnia ± SE (n=3 powtórzone zlewki) pokazano dla Keratella przeciw Synchaeta eksperyment SE nie jest pokazany, gdy tylko jedna zlewka zawierała oba gatunki.

(a) Wpływ okresu dostaw żywności (T) na czas potrzebny do spadku wskaźnika różnorodności Shannona opartego na biomasie (H′) do arbitralnej wartości 0,4. Dla jasności punkty danych na T=4 zostały przesunięte w poziomie. Skróty: b=Brachionus, K=Keratella, S=Synchaeta. (b) Wpływ T czasu potrzebnego na wykluczenie gubiących się gatunków (gęstość populacji wynosi zero). Średnia ± SE (gdzie SE jest większe niż rozmiar symbolu). Dla Keratella przeciw Brachionus tylko eksperyment T=0 jest wyświetlane, ponieważ Brachionus nie wyginął w jednej z replikowanych zlewek konkursowych, gdy T=4.

w Keratella przeciw Synchaeta W eksperymencie dynamika w zlewkach kontrolnych pokazuje, że oba gatunki były w stanie przetrwać przy trzech zabiegach zaopatrzenia w zasoby (ryc. 6a-c). Synchaeta wyginął we wszystkich zlewkach konkurencji, niezależnie od poziomu zmienności czasowej (ryc. 6d–l). Jednak zmienność czasowa zmieniła dynamikę konkurencji. Równość (H′) malała wolniej, gdy T=8 niż kiedy T=0 lub 4 dni (ryc. 4). Czas, w którym H′ spadła do 0,4 był najwyższy na T=8 (ryc. 5a) (jednoczynnikowa ANOVA, P <0,01). Ponadto wykluczenie konkurencyjne Synchaeta trwało dłużej w T=8 niż w T=0 lub 4 dni (ryc. 5b) (jednoczynnikowa ANOVA, P <0,01). Podsumowując, zwiększenie czasowej zmienności podaży zasobów poprzez zwiększenie T od 0 do 8 dni spowolniło tempo wykluczenia konkurencyjnego Synchaeta ale nie zmienił wyniku konkursu (Keratella zawsze wygrywał) i nie pozwalał na współistnienie.

Dynamika populacji wrotków w okresie Keratella przeciw Synchaeta eksperyment konkursowy. (a)–(c) pokazują liczebność (liczbę wrotków na zlewkę) w zlewkach kontrolnych (zawierających tylko jeden gatunek) dla trzech zabiegów dodawania pokarmu (T=0, 4 i 8 dni). (d)–(f) pokazują dynamikę w trzech powtórzeniach zlewek konkursowych dla T=0. (g)–(i) pokazują dynamikę w trzech powtórzeniach zlewek konkursowych dla T=4. (j)–(l) pokazują dynamikę w trzech powtórzeniach zlewek konkursowych dla T=8.


Informacja uzupełniająca

Surowe dane.

Projekt eksperymentalny prób polowych przeprowadzonych w 2016 i 2017 roku.

Poletka z różnymi zabiegami dla dwóch gatunków roślin strączkowych: alsike clover (AC) i black medic (BM) zostały ułożone w randomizowanym układzie kompletnych bloków (RCBD) z czynnikiem (1) trzech różnych zabiegów (DIV) AC: BM (100:0, 50:50 i 0:100), Współczynnik (2) reprezentuje trzy gęstości nasion (50%, 100% i 150% zalecanej gęstości nasion). Liczenie kiełkujących nasion przeprowadzono w 2016 r. (25 dni po siewie) oraz w 2017 r. (28 DAS) na powierzchni 0,5 z 24 sekcji w 2016 r. (8 rzędów × 3 bloki) i 48 sekcji w 2017 r. (12 rzędów × 4 bloki) ).

Kiełkowanie koniczyny alsike (AC) i black medic (BM) w monokulturach i mieszaninie 1:1 obu gatunków (Mix) w doświadczeniu laboratoryjnym 2.

Nasiona kiełkują w czterech intensywnościach suszy (100%, 75%, 50% i 25% WHC) w trzech poziomach temperatury (12°C, 20°C i 28°C). Zasiane nasiona to 24 skrzynie nasienne -1 .

Stosunek częściowego kiełkowania koniczyny alsike (PGRAC) i black medic (PGRBM) w mieszaninie 1:1 dwóch gatunków w różnych warunkach środowiskowych.

Różnokolorowe kółka reprezentują dwa eksperymenty polowe (pomarańczowe kółka 2016 i niebieskie kółka 2017), eksperyment doniczkowy (czerwone kółka), eksperyment laboratoryjny 1 (białe kółka) i eksperyment laboratoryjny 2 (zielone kółka). Ciągłe szare linie odpowiadają GR = 1, a przerywane zielone linie odpowiadają oczekiwanemu PGR dla mieszaniny. Gwiazdki nad niektórymi punktami danych reprezentują znaczący wzrost GR >gt1 (P < 0,05) zgodnie z testem t Welcha ** = P < 0,01, * = P < 0,05.


Wyniki

Analiza ilościowa określiła występowanie taksolu w P. chienii i różnice w taksoidach między P. chienii oraz T. yunnanensis

Do tej pory występowanie taksolu w P. chienii jest nieznany. Tutaj zastosowano docelowe podejście LC-MS w celu sprawdzenia występowania taksolu i innych taksoidów, takich jak 7-E-DAP, 10-DAB, BAC, DAP i 7-E-PTX, w P. chienii. Nasze dane wykazały, że wszystkie wybrane taksoidy zostały wykryte, potwierdzając występowanie taksoidów w P. chienii (rys. 1a). Analiza ilościowa wykazała zróżnicowanie zawartości taksoidów między P. chienii oraz T. yunnanensis. W szczególności 10-DAB, PTX i 7-E-PTX są silnie skumulowane w P. chienii. Nie zaobserwowano istotnych różnic w zawartości BAC, DAP i 7-E-DAP między P. chienii oraz T. yunnanensis (rys. 1b).

Oznaczanie zawartości taksoidów w P. chienii oraz T. yunnanensis. a Reprezentatywny chromatogram TIC sześciu taksoidów. 10-DAB: 10-deacetylobakatyna III BAC: bakatyna III DAP: 10-deacetylopaklitaksel PTX: paklitaksel 7-E-DAP: 7-epi 10-desacetylopaklitaksel 7-E-PTX: 7-epipaklitaksel. b Zawartość sześciu taksoidów w P. chienii oraz T. yunnanensis. A P wartość < 0,01 została uznana za statystycznie istotną i oznaczona jako „*”

Przegląd metabolitów

Nieukierunkowana analiza metabolomiczna zidentyfikowała 3387 metabolitów z adnotacjami (dodatkowy plik 1). Trzy parametry kontroli jakości, w tym chromatogramy jonów całkowitych, m/z Przetestowano szerokości i szerokości czasu retencji, wskazując, że dane wygenerowały wysoki stopień nakładania się, a analiza UPLC-MS/MS osiągnęła wymagane standardy (dodatkowy plik 2). PCA wykazało, że odsetek wyjaśnionych wartości PC1 i PC2 wynosił odpowiednio 42,12 i 18,63%, co wskazuje na wyraźne oddzielenie metabolomów od P. chienii oraz T. yunnanensis (Dodatkowy plik 3). Profilowanie metabolitów dwóch gatunków Taxaceae ujawniło duże różnice w ich metabolomach (ryc. 2a).

Różnice w obfitości metabolitów między P. chienii oraz T. yunnanensis. a Mapa cieplna metabolitów zidentyfikowanych w metabolomach P. chienii oraz T. yunnanensis (n = 10). Skala mapy ciepła waha się od − 2 do + 2 na a Dziennik2 skala. b Analiza KEGG wszystkich zidentyfikowanych metabolitów. C Analiza superklasy HMDB wszystkich zidentyfikowanych metabolitów

Zgodnie z ich adnotacjami, wiele metabolitów zostało przypisanych do różnych szlaków metabolicznych. Analiza wzbogacania KEGG wykazała, że ​​większość metabolitów należała do metabolizmu aminokwasów, metabolizmu węglowodanów, metabolizmu terpenoidów i poliketydów oraz metabolizmu kofaktorów i witamin (ryc. 2b). Analiza HMDB Super Class wykazała, że ​​311 metabolitów zostało zgrupowanych w 11 głównych kategoriach, takich jak „kwasy organiczne i pochodne” (161 metabolitów), „związki organoheterocykliczne” (31 metabolitów), „związki tlenowo-organiczne” (24 metabolity), „fenylopropanoidy i poliketydy”. ” (23 metabolity) oraz „nukleozydy, nukleotydy i analogi” (17 metabolitów) (ryc. 2c).

Przegląd transkryptomu

Przy użyciu podobnych próbek, sekwencjonowanie RNA dało 50,35 Gb danych sekwencyjnych, w tym 25,40 Gb z P. chienii i 24,95 Gb od T. yunnanensis (Dodatkowy plik 4). Czyste odczyty zebrano i wytworzono 133 507 transkryptów (N50: 1561), o średniej długości 513 pz i 61 146 unigenów (N50: 1606), o średniej długości 419 pz (dodatkowy plik 5). Analiza rozkładu wielkości wszystkich transkryptów wykazała, że ​​11,48% transkryptów 11,01% unigenów miało długość > 2000 pz (dodatkowy plik 5). W przypadku adnotacji 61 146 unigenów zostało opisanych w kilku wspólnych bazach danych (dodatkowy plik 5). Rozmieszczenie gatunków sugerowało, że większość unigenów wykazywała znaczące podobieństwa do znanych białek z Picea sitchensis, Amborella trichopoda, oraz Quercus suber (Dodatkowy plik 5).

Analiza DEG wykazała 4,215 T. yunnanensis wysoko wyrażone unigeny i 4845 P. chienii wysoce eksprymowane unigeny (ryc. 3a). Większość DEG została przypisana do różnych terminów GO należących do trzech głównych kategorii (ryc. 3b i plik dodatkowy 6). Analiza KEGG wykazała, że ​​34 szlaki KEGG zostały znacząco wzbogacone w DEG pomiędzy T. yunnanensis oraz P. chienii (Dodatkowy plik 7). Pokazano 20 najbardziej wzbogaconych szlaków KEGG, takich jak „biosynteza fenylopropanoidów”, „interakcja roślina-patogen” i szlaki „transdukcji sygnału hormonu roślinnego” (ryc. 3c).

Identyfikacja DEG pomiędzy P. chienii oraz T. yunnanensis. a Liczby P. chienii głównie wyrażane geny i T. yunnanensis głównie wyrażane geny. b Analiza GO wszystkich DEG pomiędzy P. chienii oraz T. yunnanensis. C Analiza KEGG wszystkich DEG pomiędzy P. chienii oraz T. yunnanensis

Różnice w metabolizmie pierwotnym i wtórnym między T. yunnanensis oraz P. chienii

Zgodnie z ich adnotacjami, duża liczba DEG była zaangażowana w metabolizm pierwotny i wtórny, a większość DEG została pogrupowana w 46 terminów KEGG należących do 11 głównych kategorii. Wartości istotności każdego terminu KEGG zostały obliczone i przedstawione w pliku dodatkowym 8. Szczegółowo, dwa szlaki związane z alkaloidami, pięć szlaków związanych z aminokwasami, dwa szlaki związane z flawonoidami, jeden szlak związany z hormonami, trzy szlaki związane z lipidami, jeden szlak związany z fenylopropanoidem, wszystkie trzy szlaki pigment/witaminy, trzy szlaki związane z sacharydami, jeden szlak związany z terpenoidami i jeden szlak związany z ubichinonem, wykazały znaczące różnice między T. yunnanensis oraz P. chienii (rys. 4a).

Analiza porównawcza DEG i DAM pomiędzy P. chienii oraz T. yunnanensis. a Analiza wzbogacania KEGG w DEG. Znaczący P wartość każdego terminu KEGG pomiędzy P. chienii oraz T. yunnanensis zostało pokazane na mapie termicznej. Wszystkie terminy KEGG zostały pogrupowane w 11 kategorii związanych z metabolizmem, które oznaczono różnymi kolorowymi paskami. b Względne obfitości metabolitów należących do różnych głównych kategorii metabolicznych. C Liczby P. chienii głównie nagromadzone i T. yunnanensis głównie nagromadzone metabolity w różnych kategoriach metabolicznych

Nieukierunkowana analiza metabolomiczna zidentyfikowała 313 różnie nagromadzonych metabolitów (DAM), z których 129 DAM przypisano do różnych pierwotnych i wtórnych kategorii metabolitów (ryc. 4b). Liczby RDK należących do poszczególnych kategorii przedstawiono na rys. 4c.

Odmiany prekursorów biosyntezy taksolu między T. yunnanensis oraz P. chienii

Szlak MEP dostarczył kluczowego prekursora, GGPP, do biosyntezy taksolu [35]. W oparciu o podobieństwo sekwencji do roślin modelowych, przewidywany szlak MEP pokazano na ryc. 5a. Nasze dane dotyczące transkryptomu ujawniły co najmniej jeden unigen kodujący jeden enzym, który jest zaangażowany w szlak MEP (dodatkowy plik 9). W ścieżce MEP trzy kody unigenowe DXS, jeden kod unigenowy DXR, jeden kod unigenowy MCT, jeden kod unigenowy CMK, dwa kody unigenowe MDS, dwa kody unigenowe HDS, jeden kod unigenowy HDR, jeden kod unigenowy GGPS i trzy kody unigenowe GGPPS , zostali zidentyfikowani. Większość genów związanych ze szlakiem MEP o wysokiej ekspresji w T. yunanensis, z wyjątkiem CMK, GGPPS1 oraz GGPPS2 (rys. 5b).

Zintegrowana analiza metabolomiczna i transkryptomiczna szlaku MEP. a Przegląd ścieżki MEP. Pomarańczowe tła wskazywały geny zidentyfikowane przez transkryptom, a czerwona czcionka wskazywała metabolity zidentyfikowane przez metabolom. b Zróżnicowana ekspresja kluczowych genów zaangażowanych w szlak MEP. Skala mapy ciepła waha się od − 4 do + 4 na a Dziennik2 skala. C Różnicowa akumulacja pośrednich metabolitów biorących udział w szlaku MEP. „*” oznacza znaczące różnice (P < 0,05)

Ponadto nasze dane dotyczące metabolomów pozwoliły zidentyfikować cztery pośrednie metabolity szlaku MEP, w tym 4-fosforan 2-C-metylo-D-erytrytolu, 2,4-cyklodifosforan 2-C-metylo-D-erytrytolu, difosforan geranylu (GPP) i GGPP. Wśród tych produktów pośrednich, 2-C-metylo-D-eryhritol 2,4-cyklodifosforan, GPP i GGPP silnie akumulowały się w T. yunnanensis (rys. 5c).

Różnice w szlaku biosyntezy taksolu między T. yunnanensis oraz P. chienii

Biosynteza taksolu obejmuje skomplikowany szlak metaboliczny składający się z kilku produktów pośrednich i ich enzymów katalizujących [9]. W naszym badaniu zidentyfikowano 20 unigenów kodujących dziewięć kluczowych enzymów biorących udział w szlaku biosyntezy taksolu, w tym jeden gen kodujący TS, cztery geny kodujące T5αH, trzy geny kodujące TAT, dwa geny kodujące T13αH, pięć genów kodujących T10βH, jeden gen kodujący TBT, jeden gen kodujący DBTNBT, jeden gen kodujący DBAT i dwa geny kodujące BAPT (ryc. 6a i plik dodatkowy 10). ten BAPT1/2, DBAT, T5αH1/3, T10βH1/2/3 geny o wysokiej ekspresji w P. chienii i TAT1/2/3, DBTNBT, T10βH4, T13αH1/2, TBT oraz TS geny silnie wyrażone w T. yunnanensis (rys. 6b).

Zintegrowana analiza metabolomiczna i transkryptomiczna szlaku biosyntezy taksolu. a Przegląd szlaku biosyntezy taksolu. Pomarańczowe tła wskazywały geny zidentyfikowane przez transkryptom, a czerwone czcionki wskazywały metabolity zidentyfikowane przez metabolom. b Zróżnicowana ekspresja kluczowych genów zaangażowanych w szlak biosyntezy taksolu. Skala mapy ciepła waha się od − 4 do + 4 na a Dziennik2 skala. C Zróżnicowana akumulacja metabolitów pośrednich biorących udział w szlaku biosyntezy taksolu. „*” oznacza znaczące różnice (P < 0,05)

Nasze dane dotyczące metabolomów zidentyfikowały sześć pośrednich metabolitów zaangażowanych w biosyntezę taksolu. Wśród tych metabolitów pośrednich, 10-deacetylo-2-debenzoilobakatyna i 10-deacetylobakatyna w dużym stopniu gromadziły się w P. chienii i octan 10β,14β-dihydroksytaksa-4(20),11(12)-dien-5α-ylu i 3′-n-debenzoiltaksol silnie akumulowany w T. yunnanensis (rys. 6c).

Zmienność ślepych metabolitów biosyntezy taksolu i 14-hydroksylowanych taksoidów między T. yunnanensis oraz P. chienii

Nasz transkryptom zidentyfikował geny kodujące T2αH i T7βH, które biorą udział w metabolizmie metabolitów podobnych do taksuzyny oraz gen kodujący T14βH, który bierze udział w biosyntezie taksuyunnaniny C, klasycznego 14-hydroksylowanego taksoidu (ryc. 7a i b) . ten T2αH gen o wysokiej ekspresji w P. chienii, podczas T7βH oraz T14βH geny wyrażane głównie w T. yunnanensis (rys. 7c). Ponadto w analizie metabolomicznej zidentyfikowano kilka ślepych metabolitów, takich jak (+)-taxusin, 2α-hydroxytaxusin, 7β-hydroxytaxusin i 2α, 7β-dihydroxytaxusin oraz jeden 14-hydroksylowany taksoid, taksuyunnanina C. Wyniki wykazały, że (+)-taxusin, 2α-hydroxytaxusin i 7β-hydroxytaxusin silnie akumulowały się w P. chienii. Brak istotnych różnic w poziomach 2α, 7β-dihydroksytaksusyny i taksuyunnaniny C pomiędzy P. chienii oraz T. yunnanensis zaobserwowano (ryc. 7d).

Zintegrowana analiza metaboliczna i transkryptomiczna gałęzi szlaku biosyntezy taksolu. Przegląd metabolizmu taksusyny (a) i metabolizm taksuyunnaniny C (b). Pomarańczowe tło wskazywało na geny zidentyfikowane przez transkryptom, a czerwona czcionka na metabolity zidentyfikowane przez metabolom. (C) Kluczowe geny o zróżnicowanej ekspresji zaangażowane w gałąź szlaku biosyntezy taksolu. Skala mapy ciepła waha się od -4 do +4 na log2 skala. (D) Różnicowa akumulacja metabolitów biorących udział w gałęzi szlaku biosyntezy taksolu. „*” oznacza znaczące różnice (P < 0,05)

Walidacja ekspresji kluczowych genów biorących udział w szlaku taksolowym

Aby zbadać różnice w poziomach ekspresji kluczowych genów zaangażowanych w szlak taksolowy, względne poziomy ośmiu losowo wybranych genów związanych ze szlakiem taksolowym określono za pomocą analizy qRT-PCR. TS, DBTNBT, ROBIĆ FRYWOLITKI, T13OH, T5OH geny wykazywały wysoką ekspresję w T. yunnanensis oraz TBT, CHRZEST, T10OH geny o wysokiej ekspresji w P. chienii (rys. 8).

Walidacja ekspresji kluczowych genów biorących udział w szlaku taksolowym. Znaczące różnice (P < 0,05) są oznaczone „*”, a słupki błędów przedstawiają średnią ± SD (n = 3)


Wniosek

To dopiero drugie badanie, w którym dokładnie zbadano wewnątrzgatunkową różnorodność mt w obrębie jednego gatunku drożdży. W porównaniu do tego, co zostało wcześniej znalezione, izolaty pobrane z L. termotolerancje zawierają zestaw genomów mt, które są zarówno syntetyczne, jak i wyjątkowo konserwatywne. Fakt, że różnorodność mtDNA w L. termotolerancje różni się od blisko spokrewnionych L. kluyveri, ale podobne na poziomie jądrowego DNA wskazuje, że presja selekcyjna działa różnie na te dwie linie. Jeśli rzeczywiście zajmują odrębne nisze, możliwe jest, że mają różne tempo oddychania, co może prowadzić do nierównej zależności od mitochondriów. Nisza ekologiczna, która L. termotolerancje siedliska mogą w rzeczywistości być również siłą napędową różnicy w rozbieżności między genomami mt i jądrowymi w obrębie tego gatunku. Co ciekawe, wcześniej wykazano, że środowisko zamieszkiwane przez organizm może wpływać na kompleksy genów mitojądrowych. Ponadto istnieją dowody na to, że zmiany temperatury mogą skutkować siłami selekcyjnymi działającymi na produkty genów o odmiennych właściwościach termicznych (Dowling et al. 2008). Ponadto rozbieżności w cyklu rozrodczym tych gatunków mogą również mieć wpływ na ewolucję genomu mt i jądrowego. Prawie wszystkie naturalne izolaty L. termotolerancje są haploidalne, podczas gdy wiele L. kluyveri szczepy wydają się być diploidalne lub nawet czasami triploidalne (dane nie pokazane). Widoczny jest brak danych dotyczących wewnątrzgatunkowej różnorodności genomów mt wśród linii drożdży. Nasze badanie ujawniło, że ewolucja genomów mt w L. termotolerancja, oraz L. kluyveri jest wyraźnie inny i wskazuje na znacznie niższy wskaźnik mutacji lub dramatycznie silniejszą selekcję oczyszczającą w L. termotolerancje. W przyszłości lepsze zrozumienie sił kierujących tego rodzaju presją selekcyjną może potencjalnie ujawnić, jak blisko spokrewnione linie rodzą się i ewoluują w czasie.