Метаболомы литоральных водорослей-макрофитов Белого моря
Водоросли литорали обитают в жёстких условиях, подвергаясь действию многочисленных абиотических факторов. В их число входят изменение солёности, оводнённости, температуры окружающей среды и освещённости. При этом на литорали обитают водоросли из различных эволюционных линий – зелёной, красной и бурой. Благодаря различному происхождению организмы разных таксонов могут иметь различные механизмы адаптации к этим экстремальным условиям, которые у прикреплённых организмов представлены изменением биохимического состава. В данной работе с помощью метаболомного анализа были исследованы водоросли 9 видов, Ulva intestinalis, Cladophora fracta, Cladophora rupestris, Palmaria palmata, Odonthalia dentata, Fucus serratus, Fucus disthicus, Ascophyllum nodosum и Pelvetia canalliculata, относящиеся к зелёным, красным и бурым линиям. С помощью различных методов кластеризации были показаны группы, в которые объединяются образцы по полученным данным, а также были выявлены метаболиты, содержание которых свойственно каждой из эволюционных групп.
Большая часть Земли покрыта морями. Условия этой среды весьма разнообразны и обеспечивают спектр экосистем с различным сочетанием солёности, интенсивности УФ излучения, температуры, давления. Одним из важнейших компонентов морских являются водоросли. Их роль состоит в продукции биомассы, кислорода, участии в пищевых сетях и образовании убежищ для других видов. По данным на начало 2010-ых годов, известно около 32000 видов водорослей (Guiry, 2012). Их число продолжает увеличиваться с каждым новым открытым видом.
Один из признаков, по которым можно разделить водоросли – прикреплённость. Часть водорослей способна к перемещению в пространстве, в то время как другая постоянно прикреплена к субстрату. Вторая группа интересна сравнительно большим количеством сформированных биохимических механизмов адаптации к изменению внешних условий, что вызвано отсутствием возможности избежать действия неблагоприятных факторов и изменить условия произрастания на более оптимальные.
Пожалуй, наибольшее число стрессовых факторов выявляется на литорали. Это связано с тем, что она находится на границе моря и периодически осушается. Из-за этого амплитуда действия многих стрессоров возрастает.
При этом водоросли вообще, и в частности водоросли-макрофиты, обитающие на литорали, являются очень разнородной группой, включающей в себя предположительно несколько эволюционных ветвей (Keeling, 2010). Благодаря различной эволюции организмы разных таксонов могут иметь различные механизмы адаптации к этим экстремальным условиям.
Исследование механизмов адаптации к абиотическим факторам весьма интересно по многим причинам. Во-первых, накапливаются знания об существующих способах переносить изменения окружающей среды. Во-вторых, сравнение близких эволюционных групп позволяет реконструировать ход эволюции. В-третьих, изучение возможных механизмов адаптационных изменений при действии экстремальных условий позволяет расширить практическое использования полученных данных при регуляции устойчивости, в том числе культурных растений. Значение исследования водорослей-макрофитов важно с прикладной точки зрения, так как многие из них используются как продукты питания благодаря их съедобности и наличию ценных питательных веществ (например, полиненасыщенных жирных кислот), содержат различные потенциально применимые в фармацевтике или исследованиях вещества (к примеру, фукоксантин и каиновая кислота). Всё это ведёт к росту числа исследований, посвящённых метаболическим адаптациям к абиотическим условиям среды водорослей(Jørgensen& Olesen, 2018).
Poolman, M. G., Miguet, L., Sweetlove, L. J., & Fell, D. A. (2009). A Genome-Scale Metabolic Model of Arabidopsis and Some of Its Properties. Plant Physiology, 151(3), 1570–1581. https://doi.org/10.1104/pp.109.141267
Förster, J., Famili, I., Palsson, B. O., & Nielsen, J. (2003). Large-scale evaluation of in silico gene deletions in Saccharomyces cerevisiae. Omics : A Journal of Integrative Biology, 7(2), 193–202. https://doi.org/10.1089/153623103322246584
Edwards, J. S., & Palsson, B. O. (2000). Robustness Analysis of the Escherichia coli Metabolic Network, 927–939.
Prigent, S., Collet, G., Dittami, S. M., Delage, L., Ethis de Corny, F., Dameron, O., … Tonon, T. (2014). The genome-scale metabolic network of Ectocarpus siliculosus (EctoGEM): a resource to study brown algal physiology and beyond. The Plant Journal, 80(2), 367–381. https://doi.org/10.1111/tpj.12627
Coyer, J. A., Hoarau, G., Pearson, G., Mota, C., Jüterbock, A., Alpermann, T., … Olsen, J. L. (2011). Genomic scans detect signatures of selection along a salinity gradient in populations of the intertidal seaweed Fucus serratus on a 12km scale. Marine Genomics, 4(1), 41–49.
Groisillier, A., Shao, Z., Michel, G., Goulitquer, S., Bonin, P., Krahulec, S., … Tonon, T. (2014). Mannitol metabolism in brown algae involves a new phosphatase family. Journal of Experimental Botany, 65(2), 559–570.
Tarver, J. E., Cormier, A., Pinzón, N., Taylor, R. S., Carré, W., Strittmatter, M., … Cock, J. M. (2015). microRNAs and the evolution of complex multicellularity: Identification of a large, diverse complement of microRNAs in the brown alga Ectocarpus. Nucleic Acids Research, 43(13), 6384–6398.
Brawley, S. H., Blouin, N. A., Ficko-Blean, E., Wheeler, G. L., Lohr, M., Goodson, H. V., … Prochnik, S. E. (2017). Insights into the red algae and eukaryotic evolution from the genome of Porphyra umbilicalis (Bangiophyceae, Rhodophyta). Proceedings of the National Academy of Sciences, 114(31), E6361–E6370. https://doi.org/10.1073/pnas.1703088114
Rahelivao, M. P., Gruner, M., Andriamanantoanina, H., Andriamihaja, B., Bauer, I., & Knölker, H. J. (2015). Red algae (Rhodophyta) from the coast of Madagascar: Preliminary bioactivity studies and isolation of natural products. Marine Drugs, 13(7), 4197–4216. https://doi.org/10.3390/md13074197
Rees, D. A., & Conway, E. (1962). The structure and biosynthesis of porphyran: a comparison of some samples. The Biochemical Journal, 84(1), 411–416.
Keeling, P. J. (2010). The endosymbiotic origin , diversification and fate of plastids, 729–748.
Sagert, S., & Schubert, H. (1995). Acclimation of the Photosynthetic Apparatus of Palmaria Palmata (Rhodophyta) To Light Qualities That Preferentially Excite Photosystem I or Photosystem Ii1. Journal of Phycology, 31(4), 547–554.
Holzinger, A., Lütz, C., Karsten, U., & Wiencke, C. (2004). The effect of ultraviolet radiation on ultrastructure and photosynthesis in the red macroalgae Palmaria palmata and Odonthalia dentata from arctic waters. Plant Biology, 6(5), 568–577.
Sturm, S., Engelken, J., Gruber, A., Vugrinec, S., Kroth, P. G., Adamska, I., & Lavaud, J. (2013). A novel type of light-harvesting antenna protein of red algal origin in algae with secondary plastids.
Cock, J. M., Sterck, L., Rouzé, P., Scornet, D., Allen, A. E., Amoutzias, G., … Wincker, P. (2010). The Ectocarpus genome and the independent evolution of multicellularity in brown algae. Nature, 465(7298), 617–621.
Škaloud, P., Kalina, T., Nemjová, K., De Clerck, O., & Leliaert, F. (2013). Morphology and Phylogenetic Position of the Freshwater Green Microalgae Chlorochytrium (Chlorophyceae) and Scotinosphaera (Scotinosphaerales, ord. nov., Ulvophyceae). Journal of Phycology, 49(1), 115–129.
Arriola, M. B., Velmurugan, N., Zhang, Y., Plunkett, M. H., Hondzo, H., & Barney, B. M. (2018). Genome sequences of Chlorella sorokiniana UTEX 1602 and Micractinium conductrix SAG 241.80: implications to maltose excretion by a green alga. The Plant Journal, 93(3), 566–586.
Bogen, C., Al-Dilaimi, A., Albersmeier, A., Wichmann, J., Grundmann, M., Rupp, O., … Kruse, O. (2013). Reconstruction of the lipid metabolism for the microalga Monoraphidium neglectum from its genome sequence reveals characteristics suitable for biofuel production. BMC Genomics, 14(1).
Guiry, M. D. (2012). HOW MANY SPECIES OF ALGAE ARE THERE? Journal of Phycology, 48(5), 1057–1063. https://doi.org/10.1111/j.1529-8817.2012.01222.x
Morrow, E. H. (2004). How the sperm lost its tail : the evolution of aflagellate sperm, 795–814.
Fisher, R. A. (1938). The statistical utilization of multiple measurements. Annals of Eugenics, 8(4), 376–386.
Saul, L. K., Ave, P., Park, F., & Roweis, S. T. (n.d.). An Introduction to Locally Linear Embedding, 1–13.
Pearson, Karl (1901). On Lines and Planes of Closest Fit to Systems of Points in Space, Philosophical Magazine, 6th Series, Vol. II, pp. 559–572.
Rao, C.R. (1948) The Utilization of Multiple Measurements in Problems of Biological Classification. Journal of the Royal Statistical Society: Series B, 10, 159-203.
R. Sibson (1973). SLINK: an optimally efficient algorithm for the single-link cluster method. The Computer Journal. British Computer Society. 16 (1): 30–34.:
Ester, M., Kriegel, H., Xu, X., & Miinchen, D.-. (1996). A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise.
Macqueen, J. (1967). SOME METHODS FOR CLASSIFICATION AND ANALYSIS OF MULTIVARIATE OBSERVATIONS. In 5-Th Berkeley Symposium on Mathematical Statistics and Probability, 233(233), 281–297.
Ho, T. K. (1995). Random Decision Forests Perceptron training.
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
5 (145 отзывов)
5 (14 отзывов)
4.2 (13 отзывов)
4.4 (59 отзывов)
4.2 (5 отзывов)
4.8 (30 отзывов)
4.8 (373 отзыва)
5 (18 отзывов)
4.6 (71 отзыв)
