
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,502 |
تعداد مشاهده مقاله | 8,645,622 |
تعداد دریافت فایل اصل مقاله | 8,243,322 |
تعیین غلظت بهینه سه آنزیم آنتی اکسیدان برای افزایش مقاومت به خشکی ماش (Vigna radiata L.) با استفاده از الگوریتم ژنتیک | ||
مجله تولید گیاهان زراعی | ||
مقاله 9، دوره 10، شماره 4، اسفند 1396، صفحه 137-147 اصل مقاله (396.55 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/ejcp.2018.12511.1971 | ||
نویسندگان | ||
شمس الدین اسکندر نژاد1؛ منوچهر قلی پور* 2؛ حسن مکاریان3 | ||
1دانشجوی دکتری | ||
2عضو هیأت علمی دانشگاه صنعتی شاهرود | ||
3دانشگاه صنعتی شاهرود | ||
چکیده | ||
سابقه و هدف: در اثر تنش خشکی، میزان رادیکالهای آزاد افزایش یافته و گیاه دچار تنش اکسیداتیو میگردد. گیاه با تغییر فعالیت آنزیمهای آنتیاکسیدانی مثل کاتالاز، سوپراکسید دیسموتاز و گایاکول پراکسیداز (متغیرهای مستقل یا تأثیرگذار؛ Xs) رادیکالهای آزاد را خنثی کرده و خود را از آسیب محافظت میکند (مقاومت به تنش اکسیداتیو ناشی از خشکی). تأثیر این محافظت، در صفاتی مثل رشد و تولید دانه (به ترتیب عملکرد بیولوژیکی و شاخص برداشت؛ متغیرهای وابسته یا تأثیرپذیر؛ Ys) منعکس میشود. با حداکثر نمودن تابع Ys نسبت به Xs، میتوان ترکیبی از Xsها را بهدست آورد که بالاترین مقدار ممکن Ys حاصل گردد. اساس این بهینه-سازی، روابط مبتنی بر تغییرات ایجاد شده در Xs و Ys بر اثر تنش خشکی میباشد. به لحاظ اینکه تعداد Ys در اینجا بیش از یک می-باشد، رابطه موجود از نوع چند متغیره بوده و از پیچیدگیهای بالایی برخوردار است به ویژه اینکه بین متغیرهای Ys، همبستگی مثبتِ قوی (همبستگی بزرگتر از 95/0+) بدست نیامد. در این شرایط، استفاده از الگوریتم ژنتیک میتواند بر فایق آمدن بر این پیچیدگی کمک نماید. خروجی این الگوریتم میتواند مورد استفاده متخصصان اصلاح نباتات قرار بگیرد. به بیان دیگر، اصلاحگران میتوانند با دستکاری ژنتیکی گیاه در جهت فعالیت بهینه Xs، مقاومت به خشکی را افزایش دهند. هدف از این آزمایش، انجام بهینهسازی مذکور در ماش بود. مواد و روشها: به منظور دقت آزمایش در اعمال تنش خشکی و از طرف دیگر افزایش تعمیم پذیری نتایج به شرایط مزرعه، در این بررسی از آزمایش گلدانی در هوای آزاد استفاده شد. گنجایش گلدانها پنج کیلوگرم خاک بود که در هر کدام، پنج عدد بذر ماش (لاین VC1973a) کشت شد. پس از تنک کردن، دو گیاه در هر گلدان باقی ماند. پس از محاسبه ظرفیت زراعی خاک با استفاده از روش وزنی، چهار سطح کم آبیاری با سه تکرار شامل 80% (شاهد)، 65%، 50% و 35% ظرفیت زراعی اعمال گردید. در زمان گلدهی، غلظت آنزیمهای کاتالاز، سوپراکسید دیسموتاز و گایاکول پراکسیداز (Xs) برآورد گردید. بعد از رسیدگی گیاه، شاخص برداشت و عملکرد بیولوژیکی (Ys) اندازهگیری شدند. برای حداکثر کردن تابع، ابتدا تابع مطلوبیت جزئی محاسبه گردید. سپس تابع مطلوبیت کل بهدست آورده شد. با استفاده از نرمافزار متلب و در قالب الگوریتم ژنتیک، مقادیری از Xs که برای آن، بالاترین Ys حاصل میگردد، محاسبه شد. یافتهها: نتایج نشان داد که تابع برخوردار از هفت مؤلفه از ضریب تبیین بالایی برخوردار بود و توانست بهخوبی ارتباط Ys را با Xs پیشبینی نماید. ضریب رگرسیونی استاندارد بدست آمده برای کاتالاز مثبت بود. این امر نشاندهنده آن است که با افزایش فعالیت این آنزیم، مقاومت به خشکی (شاخص برداشت و عملکرد بیولوژیکی) نیز بیشتر میشود. همانند کاتالاز، تأثیر گایاکول پراکسیداز بر مقاومت به خشکی، افزایشی بود. ولی با توجه به ضرایب استاندارد شده، این تأثیر کمتر از کاتالاز بهدست آمد. به لحاظ منفی شدن ضریب رگرسیونی استاندارد برای آنزیم سوپر اکسید دیسموتاز میتوان گفت که با افزایش فعالیت این آنزیم، مقاومت ماش به تنش خشکی افزایش نمییابد. نتیجهگیری: غلظت بهینه آنزیمهای کاتالاز، سوپراکسید دیسموتاز و گایاکول پراکسیداز برای حصول حداکثر مقاومت به خشکی ماش به ترتیب برابر با μmol H2O2 g−1 FW 956/0، AU g−1 FW 23/24، و AU g−1 FW 23/21 بود. شایان ذکر است که این غلظتهای بهینه، همه در دامنه غلظتهای مشاهده شده بودند. به علاوه اینکه طبق گزارشها، از لحاظ فعالیت آنزیمهای آنتیاکسیدان در ماش، تنوع ژنتیکی (پیشنیاز انجام امور اصلاحی در جهت غلظتهای بهینه) وجود دارد. | ||
کلیدواژهها | ||
بهینهسازی؛ کاتالاز؛ سوپراکسید دیسموتاز؛ گایاکول پروکسیداز | ||
مراجع | ||
1. Arora, A., Sairam, R.K., and Srivastava, G.C. 2002. Oxidative stress and antioxidative system in plants. Curr. Sci., 82: 1227–38. 2. Cavalcanti, F.R., Oliveira, J.T.A., Martins-Miranda, A.S., Viégas, R.A., and Silveira, J.A.G. 2004. Superoxide dismutase, catalase and peroxidase activities do not confer protection against oxidative damage in salt-stressed cowpea leaves. New Phytol., 163: 563– 571. 3. Derringer, G., and Suich, R. 1980. Simultaneous optimization of several response variables. J. Qual. Technol., 12: 214-219. 4. Ghamsari, L., Keyhani, E., and Golkhoo, S. 2007. Kinetics properties of guaiacol peroxidase activity in Crocus sativus L. corm during rooting. Iran. Biomedical J. 11: 137-146. (In Persian) 5. Gholipoor, M., Emamgholizadeh, S., Hassanpour, H., Shahsavani, D., Shahoseini, H., Baghi, M., and Karimi, A. 2012. The optimization of root nutrient content for increased sugar beet productivity using an artificial neural network. Int. J. Plant Prod., 6: 429-442. 6. Gratao, P.L., Polle, A., Lea, P.J., and Azevedo, R.A. 2005. Making the life of heavy metalstressed plants a little easier. Functional Plant Biol., 32: 481–494. 7. Halliwell, B., and Gutteridge, J.M.C. 1989. Free Radicals in Biology and Medicine. Oxford: Clarendon Press. 8. Harrington, E.J.R. 1965. The desirability function. Industrial Qual. Control., 21: 494-498. 9. Haupt, R., and Haupt, S.E. 1998. Practical Genetic Algorithms. John Wiley and Sons. 10. Havir, E.A., and McHale, N.A. 1987. Biochemical and developmental characterization of multiple forms of catalase in tobacco leaves. Plant Physiol., 84: 450–455. 11. Hirt, H., and Shinozaki, K. 2004. Plant Responses to Abiotic Stress. Springer, Vienna, Austria. 12. Khuri, A.I., and Conlon, M. 1981. Simultaneous optimization of multiple responses represented by polynomial regression functions. Technometrics., 25: 199-204. 13. Klute, A. 1986. Water Retention: Laboratory Methods. In: C.A. BLACK (Ed.). Methods of Soil Analysis. I. Physical and Mineralogical Methods. Madison: ASA, SSSA., Pp: 635-662. 14. Manivannan, P., Abdul-Jaleel, C., Kishorekumar, A., Sankar, B., Somasundaram, R., Sridharan, R., and Panneerselvam, R. 2007. Changes in antioxidant metabolism of Vigna unguiculata L. Walp. by propiconazole under water deficit stress. Colloids and Surfaces Biointerfaces., 57: 69–74. 15. Mohammadi, S., Heidari, M., Dahmarde, M., and Asgharipour, M.R. 2016. Effect of nitrogen and arsenic on photosynthetic pigments, antioxidant enzyme activities and nutrient content in safflower (Carthamus tinctorius L.). Electronic J. Crop Prod., 8: 105-120. (In Persian) 16. Nassourou, M.A., Njintang, Y.N., Noubissié, T.J., Nguimbou, R.M., and Bell, J.M. 2016. Genetics of seed flavonoid content and antioxidant activity in cowpea (Vigna unguiculata L. Walp.). Crop J., 27: 105-116. 17. Noctor, G., Veljovic-Jovanovic, S.D., Driscoll, S., Novitskaya, L., and Foyer, C.H. 2002. Drought and oxidative load in wheat leaves. A predominant role for photorespiration? Ann. Bot., 89: 841–850. 18. Peltzer, D., Dreyer, E., and Polle, A. 2002. Temperature dependencies of antioxidative enzymes in two contrasting species. Plant Physiol. Biochem., 40: 141–50. 19. Pignatiello, J.J. 1993. Strategies for robust multi-response quality engineering. IIE Trans., 25: 5-15. 20. Salehzadeh, H., Gholipoor, M., Abbasdokht, H., and Baradaran, M. 2016. Optimizing plant traits to increase yield quality and quantity in tobacco using artificial neural network. Int. J. Plant Prod., 10: 97-108. 21. Sivakumar, T., Manavalan, R., and Valliappan, K. 2007. Global optimization using derringer's desirability function: Enantioselective determination of ketoprofen in formulations and in biological matrices. Acta Chromatographica., 19: 29-47. 22. Van Rossun, M.W.P.C., Alberda, M., and Van Der Plas, L.H.W. 1997. Role of oxidative damage in tulip bulb scale micropropagation. Plant Sci., 130: 207–216. 23. Villalobos, M.A., Bartels, D., and Iturringa, G. 2004. Stress tolerance and glucose insensitive phenotypes in Arabidopsis over expressing the CpMYB10 transcription factor gene. Plant Physiol., 135: 309-324. 24. Vinning, G.G. 1998. A compromise approach to multi-response optimization. J. Qual. Technol., 30: 309-313. 25. Xu, P.L., Guo, Y.K., Bai, J.G., Shang, L., and Wang, X.J. 2008. Effects of long-term chilling on ultrastructure and antioxidant activity in leaves of two cucumber cultivars under low light. Physiologia Plantarum., 132: 467–478. 26. Zadbood, A., Noghondarian, K., and Zadbood, Z. 2013. Multiresponse surface optimization via harmony search algorithm. Int. J. Industrial Engineering and Prod. Res., 24: 131-136. 27. Zhang, J., and Kirkham, M.B. 1994. Drought-stress-induced changes in activities of superoxide dismutase, catalase, and peroxidase in wheat species. Plant Cell Physiol., 35: 785-791. | ||
آمار تعداد مشاهده مقاله: 661 تعداد دریافت فایل اصل مقاله: 551 |