核磁共振技术在植物代谢探究中应用

《核磁共振技术在植物代谢探究中应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、核磁共振技术在植物代谢探究中应用摘要基于核磁共振技术(NuclearMagneticResonance,NMR)和模式识别技术的代谢组学研究是近几年发展起来的一种新的组学技术。该文简要综述核磁共振技术用于植物代谢研究的实验设计、图谱的获取、模式识别技术及其最新应用。关键词核磁共振植物代谢组学模式识别技术代谢组学是定量研究生物体内源性代谢物整体及其变化规律的科学，它与基因组和基因组学、转录组和转录组学、蛋白组和蛋白组学等一起构成系统生物学(systemsbiology),是整体系统生物学(globalsystemsbiology)的重要组成部分。植物代谢组学是代谢组学的一个重要分支，很多研究集

2、中在细胞代谢组学这个相对独立的分支。与传统植物化学研究不同，它是从整体出发，系统地、全面地研究植物中代谢产物的成分、结构、合成途径及相关的基因功能，判断基因表达水平的变化，从而推断基因的功能及其对代谢流的影响［1］。核磁共振技术作为研究代谢组学中结构分析的一种有利工具，已经有20多年的历史，广泛应用于植物代谢、微生物代谢、药物毒性和疾病诊断中［2〜5］。该方法对样品无损伤，不破坏样品的结构和性质，无辐射损伤；可在一定的温度和缓冲液范围内选择实验条件，能够在接近生理条件下进行实验；可研究化学交换、扩散及内部运动等动力学过程,给出丰富的有关动态特性信息［6］。同时，混合物中不同代谢物的核磁共振响

3、应系数一致，属于无偏向检测技术。由于植物代谢要比微生物、药物等的代谢复杂，尤其是水生植物代谢研究很少，本文就核磁共振技术在植物代谢研究中的最新应用及所面临的主要问题进行综述。1代谢组分析技术与模式识别方法1.1代谢组核磁共振技术的分析过程代谢组学研究一般包括4个步骤：（1）确定研究对象，给予研究对象一定的刺激，如基因的改变，体内生物过程的催化或抑制，致病或致病物质的引入，以及各种环境因素的改变和刺激时间、强度的变化等等；（2）样品的前处理，前处理方法将依赖代谢物提取方法进行选择，如氯仿提取、酸提取、水提取、甲醇提取等［7〜9］；（3）用核磁共振分析手段测定其中代谢物的种类、含量等数据并对这些

4、数据进行预处理，包括滤噪、重叠峰解析、峰对齐、峰匹配、标准化和归一化等，将这些元数据转变为适合多变量分析的数据形式，使相同的代谢产物在生成的数据矩阵中由同一个变量表示，所有样品具有相同的变量数；（4）采用模式识别和多维统计分析等方法进行数据分析，建立代谢物时空变化与生物体特性的关系，达到从不同层次和水平上阐述生物体对相应刺激响应目的。1.2核磁共振分析原理核磁共振波谱是一种基于具有自旋性质的原子核在核外磁场作用下，吸收射频辐射而产生能级跃迁的谱学技术。原子核能级的变化不仅取决于外部磁场强度的大小及不同种类的原子核，而且取决于原子核外部电子环境。在照射频率确定时，同种核因在分子中的化学环境不同

5、而显示吸收峰位移变化。根据不同基团中核化学位移在各自特定的区域内出现的特点，可以确定化合物分子中官能团的种类。邻近基团之间的耦合作用会导致谱峰裂分，利用这种裂分裂距的大小与形状可以进一步确定分子内部基团的连接关系，最后便可推断分子的化学结构[10]O1H-NMR是目前研究最充分的波谱，由于氢谱灵敏度最高且所累积的数据最丰富，核磁共振的绝大部分研究工作都集中于氢谱。核磁共振氢谱能提供重要的结构信息：化学位移、耦合常数及峰的裂分情况、峰面积等。此外，核磁共振13C、31P、15N等也是近年来研究的重点。1.3模式识别分析方法代谢组学数据组是多变量数据集，这就需要可视化软件、生物信息学和模式识别方

6、法来对这些数据进行分析和处理，进而发现和确定相关生物标志物及代谢通路的变化规律。模式识别(patterrecognition)是化学计量学重要组成部分，是数据信息挖掘的主要方法之一。目前，最常用的分析方法有主成分分析法［11］(principalcomponentanalysis,PCA)和偏最小二乘法［12］(partialleastsquares,PLS)OPCA方法是采用线性投影将原来多个变量空间转换转化成一组新的正交变量统计分析方法。这些相互正交新变量称为“主成分”，是原始变量的线性组合。PCA方法主要应用于对高维数据空间进行降维，从而降低问题复杂性，在尽可能保留原有信息的基础上将高

7、维空间中的样本投影到较低维的主成分空间中［13］,以提取基本代谢物信息，实现对数据的可视化、样本的分类聚集和异常样品的剔除。使用PCA分析可以从数学上简化这些变量，目的就是用较少的综合性变量替代原来众多的相关性变量。PLS本质上是一种基于特征向量的回归方法［14］。在化学计量学中主要用于回归建模(PLS-R),在很大程度上可取代多元线性回归和主成分回归。它在克服自变量多重相关性的情况下，将从样品中得到的包含独