сотрудник
Санкт-Петербург, Россия
Санкт-Петербург, Россия
Аннотация. Целью статьи являлась оценка изменения уровня структурной организации аминокислотного профиля корневых экзометаболитов различных по устойчивости генотипов гороха посевного под влиянием металл-индуцированного стресса. Методология и методы исследования. Растения выращивали в стерильных регулируемых условиях (климатической камере) при добавлении в питательную среду токсичных концентраций, кадмия, кобальта, цинка или ртути. Объектами для исследования послужили Cd-чувствительный генотип гороха посевного SGE, а также созданный на его основе уникальный Cd-устойчивый мутант SGECDt. Результаты. Установлено, что все солевые растворы металлов оказывают ингибирующее влияние на показатели роста растений. При этом, как и ожидалось, добавление в среду кадмия и кобальта в большей мере отразилось на снижении показателей биомассы дикой линии, чем мутантного генотипа. Последний больше реагировал на интродукцию в среду токсичной ртути. Что касается цинка, то здесь ингибирование биомассы обоих органов у двух генотипов было равноценным. Добавление в среду всех токсикантов привело к увеличению выхода суммарного всех аминокислот. У мутанта SGECDt это проявилось в большей степени, что связано с отдельными аспектами детоксикации металлов у данного генотипа в растительных тканях. Кластерный анализ позволил выделить соотношения аминокислотного профиля, полученного на цинке и ртути у обоих генотипов, в отдельную независимую группу. Результаты расчета с применением нейронной сети подтвердили устойчивость мутанта к ионам Cd и Co и чувствительность к Zn и Hg. У дикой линии обнаружена устойчивость к выбранной концентрации кобальта. Научная новизна. Математическая модель, спроектированная на основе собранного массива данных экссудации аминокислот, позволяет на основе матрицы корреляционных соотношений прогнозировать выход абсолютно сухой белковой биомассы растений и проводить первичный скрининг адаптационной лабильности различных сортов в условиях металл-индуцированного стресса.
горох посевной, SGECDt, тяжелые металлы, корневые выделения, аминокислоты, нейронная сеть, фракталы, индексы биокомпозиции
1. Daudert D. G. Exploring the Impact of Pretrained Bidirectional Language Models on Protein Secondary Structure Prediction. Michigan: Masters Theses, 2018. 65 p.
2. Розенберг Г. С. Фрактальные методы анализа структуры сообществ // Принципы экологии. 2018. № 4. С. 4-43.
3. Kawasaki A., Okada S., Zhang C. et al. A sterile hydroponic system for characterising root exudates from specific root types and whole-root systems of large crop plants // Plant Methods. 2018. Vol. 14. Article number 114. DOI:https://doi.org/10.1186/s13007-018-0380-x.
4. Драгавцев В. А. Новая система регуляции у растений и необходимость создания селекционного фитотрона в РФ // Журнал технической физики. 2018. № 88. С. 1331-1335.
5. Зеленков В. Н., Верник П. А., Бандурин В. В., Латушкин В. В., Новиков В. Б., Гаврилов С. В., Коршук В. А. Использование программно-аппаратного цифрового комплекса «Синерготрон» для разработки инновационных технологий выращивания растений // Международный академический вестник. 2019. № 7 (39). С. 37-40.
6. Латушкин В. В., Зеленков В. Н., Лапин А. А., Верник П. А., Гаврилов С. В., Новиков В. Б. Экспериментальное моделирование условий онтогенеза растений и биотехнологических методов их выращивания в закрытой экосистеме - синерготроне // Вестник РАЕН. 2021. Т. 21. № 1. С. 46-53.
7. Belimov A. A., Malkov N. V., Puhalsky J. V., Tsyganov V. E., Bodyagina K. B., Safronova V. I., Dietz K. J., Tikhonovich I. A. The Crucial Role of Roots in Increased Cd-tolerance and Cd-accumulation in the Pea (Pisum sativum L.) Mutant SGECDt // Plant Biology. 2018. Vol. 62. No. 3. Pp. 543-550.
8. Sharakshane A. An easy estimate of the PFDD for a plant illuminated with white LEDs: 1000 lx = 15 μmol/s/m2 // BioRxiv. 2018. DOI:https://doi.org/10.1101/289280.
9. Гафаров Ф. М., Галимянов А. Ф. Искусственные нейронные сети и приложения: учебное пособие. Казань: Изд-во Казан. ун-та, 2018. 121 с.
10. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. Москва: ДМК Пресс, 2018. 652 с.
11. Team Core R. A Language and Environment for Statistical Computing. Vienna: Statistical Computing, 2018. 1731 p.
12. Weinberg S., Harel D., Abramowitz S. Statistics Using R: An Integrative Approach. Cambridge: Cambridge University Press, 2020. 692 p.
13. Ghosh U. K., Islam M. N., Siddiqui M. N., Cao X., Khan M. A. R. Proline, a multifaceted signalling molecule in plant responses to abiotic stress: understanding the physiological mechanisms // Plant Biology. 2022. No. 24 (2). Pp. 227-239.
14. Siddique A., Kandpal G., Kumar P. Proline Accumulation and its Defensive Role Under Diverse Stress Condition in Plants: An Overview // Journal of Pure and Applied Microbiology. 2018. Vol. 12 (3). Pp. 1655-1659.
15. Ali S., Abbas Z., Seleiman M. F., Rizwan M., Yava Ş İ., Alhammad B. A., Shami A., Hasanuzzaman M., Kalderis D. Glycine Betaine Accumulation, Significance and Interests for Heavy Metal Tolerance in Plants // Plants. 2020. Vol. 9 (7). Article number 896. DOI:https://doi.org/10.3390/plants9070896.
16. Li Y., Fang Z., Zhou X, Gao J., Wang J., Huang L., Chen Y., Sun L., Deng Q., Gooneratne R. Threonine Facilitates Cd Excretion by Increasing the Abundance of Gut Escherichia coli in Cd-Exposed Mice // Molecules. 2023. Vol. 28 (1). Article number 177. DOI:https://doi.org/10.3390/molecules28010177.
17. Sadak M. S., Ramadan A. A. E. Impact of melatonin and tryptophan on water stress tolerance in white lupine (Lupinus termis L.) // Physiology and Molecular Biology of Plants. 2021. Vol. 27 (3). Pp. 469-481.
