CN111418383B - 基于根系发育参数的污染暴露下化学调控剂的筛选方法 - Google Patents
基于根系发育参数的污染暴露下化学调控剂的筛选方法 Download PDFInfo
- Publication number
- CN111418383B CN111418383B CN202010300904.1A CN202010300904A CN111418383B CN 111418383 B CN111418383 B CN 111418383B CN 202010300904 A CN202010300904 A CN 202010300904A CN 111418383 B CN111418383 B CN 111418383B
- Authority
- CN
- China
- Prior art keywords
- target
- screened
- chemical
- regulating agent
- crop
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
- A01G7/06—Treatment of growing trees or plants, e.g. for preventing decay of wood, for tingeing flowers or wood, for prolonging the life of plants
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Forests & Forestry (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Cultivation Of Plants (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Wood Science & Technology (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明公开了一种基于根系发育参数的污染暴露下化学调控剂的筛选方法,先选取待筛选化学调控剂,并以作物幼苗根系发育特征参数为基础,对作物幼苗在待筛选化学调控剂以及污染条件下进行短期暴露实验,确定靶向目标;然后选取临界阈值分别对待筛选化学调控剂对作物幼苗根系的每项靶向目标的调节作用进行分类,得到临界阈值集;并确定各靶向目标的贡献度,得到靶标贡献度集;接着得出每项靶向目标的每类调节作用的分段函数;将每项靶向目标的每类调节作用的分段函数的计算结果组成单靶标不确定性矩阵;将靶标贡献度集与靶标不确定性矩阵相乘,并根据两者相乘的结果选取合适的化学调控剂。解决了现有化学调控剂筛选方法的效果不理想的问题。
Description
技术领域
本发明属于作物化学调控技术领域,涉及一种基于作物幼苗根系发育参数的污染暴露条件下的化学调控剂的筛选方法。
背景技术
随着世界人口和工业的发展,环境问题所导致的粮食安全问题日益凸显。作物化学调控剂是指人们为了使作物朝着预期方向或目标生长而采取的一系列调控手段。传统农业生产激素通常通过水、肥、光、热等条件提升农产品品质,而作物化学调控则更加注重内在因素的刺激,如植物激素调控。
化学调控被广泛施用于污染的耕地,以降低作物对污染物的吸收,缓解污染物对作物产生的毒性,提高作物品质和产量。在污染耕地上应用化学调控剂,需要进行大量土培试验,并通过视觉感知来观察植物对环境胁迫的生理反应(如参数的增加或降低),将多个化学调控剂进行一一对比对比和优选,并以某几个参数为依据选择效果较好的化学调控剂,由于生理反应的复杂性,通过这种方法筛选出的化学调控剂在实际应用时效果不理想,费时费力,筛选效率低且成本较高。
发明内容
本发明实施例的目的在于提供一种基于根系发育参数的污染暴露下化学调控剂的筛选方法,以解决现有化学调控剂筛选方法的效果不理想的问题,以及现有化学调控剂筛选方法费时费力、筛选效率低、成本高的问题。
本发明实施例所采用的技术方案是,基于根系发育参数的污染暴露下化学调控剂的筛选方法,按照如下步骤进行:
步骤S1、选取待筛选化学调控剂,并以作物幼苗根系发育特征参数为基础,运用植物毒理学研究方法,对作物幼苗在待筛选化学调控剂以及污染条件下进行短期暴露实验,并选取能够反应待筛选化学调控剂对作物幼苗根系发育影响程度的根系发育特征参数作为靶向目标;
步骤S2、结合步骤S1的短期暴露实验数据,选取临界阈值分别对待筛选化学调控剂在污染条件下对作物幼苗根系的每项靶向目标的调节作用进行分类,得到临界阈值集;并根据待筛选化学调节剂对靶向目标的影响大则该靶向目标贡献度大的原则,确定各靶向目标的贡献度,得到靶标贡献度集;
步骤S3、将步骤S1的短期暴露实验数据中作物幼苗根系的每项靶向目标的指标值,和与该靶向目标对应的每类调节作用在临界阈值集中对应的临界阈值进行比对,并根据比对结果对每项靶向目标的每类调节作用进行分段表示,得出每项靶向目标的每类调节作用的分段函数;
步骤S4、先将每项靶向目标的每类调节作用的分段函数的计算结果组成一个n行m列的矩阵,得到单靶标不确定性矩阵,其中,单靶标不确定性矩阵中每个元素表示第i个靶向目标的第j类调节作用的分段函数计算结果,n与靶向目标数对应一致,m与调节作用类别数对应一致;
步骤S5、将靶标贡献度集与单靶标不确定性矩阵相乘,并根据两者相乘的结果得出待筛选化学调控剂在污染暴露条件下对作物幼苗根系发育的调节结果,并依据该调节结果从待筛选化学调控剂中选取合适的化学调控剂。
进一步的,所述步骤S1的具体实现过程如下:
首先选取待筛选化学调控剂,并分别将作物幼苗暴露于含有污染物以及一种待筛选化学调控剂的溶液中3天,然后分析作物幼苗根系发育特征参数,确定待筛选化学调控剂对作物幼苗根系各发育特征参数的影响程度;
然后依据短期暴露实验中待筛选化学调控剂对作物幼苗根系各发育特征参数的影响程度,选取能够反应待筛选化学调控剂对作物幼苗根系发育影响程度的根系发育特征参数,并将其作为靶向目标。
进一步的,所述步骤S2中选取临界阈值对待筛选化学调控剂在污染条件下对作物幼苗根系的每项靶向目标的调节作用进行分类的实现过程如下:
首先,选取对照组作物幼苗,并将对照组作物幼苗在污染条件下进行短期暴露实验,将对照组作物幼苗暴露于含有污染物的溶液中3天后测量每棵对照组作物幼苗根系的每项靶向目标的指标值,并将所有对照组作物幼苗根系的每项靶向目标的指标值的平均值作为对照组作物幼苗根系的每一项靶向目标的指标值Control,同时依据所有对照组作物幼苗根系的每项靶向目标的指标值计算得出对照组作物幼苗根系的每一项靶向目标的指标值标准差SD;
最后,采用Control+SD、Control、Control-SD分别作为临界阈值对待筛选化学调控剂在污染条件下对作物幼苗的每项靶向目标的调节作用进行分类,得到临界阈值集。
进一步的,所述步骤S3中将待筛选化学调控剂在污染条件下对作物幼苗的每项靶向目标的调节作用分为存在消极调节作用、无调节作用、存在积极调节作用三类,具体实现过程如下:在步骤S1的短期暴露实验数据中,如果待筛选化学调控剂作用下作物幼苗根系的靶向目标的指标值<Control-SD,则认为污染暴露条件下该待筛选化学调控剂对作物幼苗根系发育存在消极调节作用;如果待筛选化学调控剂作用下作物幼苗根系的靶向目标的指标值=Control,则认为污染暴露条件下该待筛选化学调控剂对作物幼苗根系发育无调节作用;如果待筛选化学调控剂作用下作物幼苗根系的靶向目标的指标值>Control+SD,则认为污染暴露条件下该待筛选化学调控剂对作物幼苗根系发育存在积极调节作用,进而得到临界阈值集,临界阈值集中每个元素表示第i个靶向目标的第j类调节作用的临界阈值。
进一步的,所述待筛选化学调控剂作用下作物幼苗根系的靶向目标的指标值大于Control-SD且小于Control时,以及其大于Control且小于Control-SD时,均认为污染暴露条件下当前待筛选化学调控剂对作物幼苗根系发育无调节作用。
进一步的,所述步骤S3中各靶向目标的贡献度按照下式计算:
其中,为第i个靶向目标的贡献度,;W i 为第i个靶向目标的初始贡献
度;U i 为第i个靶向目标对应的平均临界阈值,U i,j 为第i个靶向目标的第j类调节作用对应
的临界阈值, m=3;I i 表示第i个靶向目标的响应值超过其平均临界阈值的倍数,为所
有靶向目标的响应值超过其平均临界阈值的倍数之和;C i 为第i个靶向目标的响应值,即待
筛选化学调控剂作用作物幼苗后第i个靶向目标的实际靶向目标的指标值;
分别对n个靶向目标的贡献度进行计算,得到一个1×n阶的靶向目标靶标贡献集A=(w 1, w 2,…,w i …,w n )。
进一步的,所述步骤S4建立了如下分段函数,得到靶向目标的服从度:
消极调节作用的分段函数,即j表示消极调节作用:
无调节作用的分段函数,即j表示无调节作用:
积极调节作用的分段函数,即j表示积极调节作用:
其中,r i,j 为第i个靶向目标第j类调节作用的服从度,其为一个m维的行向量。
进一步的,所述步骤S5中的单靶标不确定性矩阵,是用所有靶向目标的服从度组成一个n维的列向量得到的n行m列的矩阵,其与靶标贡献度集相乘得到不确定性参考向量B;
所述步骤S5根据靶标贡献度集与单靶标不确定性矩阵相乘的结果得出待筛选化学调控剂在污染暴露条件下对作物幼苗根系发育的调节结果,是先识别出不确定性参考向量B的最大值,并依据临界阈值集得出该最大值对应的调节作用类别,并将该调节作用作为当前待筛选化学调控剂在污染暴露条件下对作物幼苗根系发育的调节结果,最后依据该调节结果从待筛选化学调控剂中选取所需的化学调控剂。
进一步的,所述待筛选化学调控剂对作物幼苗根系发育影响程度的靶向目标包括作物幼苗根系的长度、分叉数、表面积和体积四个根系发育特征参数。
本发明实施例的有益效果是,以作物幼苗根系发育特征参数为基础,运用经典植物毒理学研究方法,将作物幼苗在污染条件下进行短期暴露,选择暴露时间为3天,且是将作物幼苗置于烧瓶中,在培养箱条件下进行实验分析,省时省力且成本低,达到了批量、快速的评价、筛选化学调控剂的目的,解决了现有化学调控剂筛选方法费时费力、筛选效率低、成本高的问题。通过短期暴露实验确定出能够反应待筛选化学调控剂对作物幼苗根系发育影响程度的作物幼苗根系的长度、分叉数、表面积和体积作为靶向目标,并建立靶向目标的临界阈值集、靶向目标贡献集和分段函数,并根据靶向目标的临界阈值集、靶向目标贡献集和分段函数,得出了待筛选化学调控剂对污染物胁迫下水稻根系发育的调节结果,科学的筛选得到了污染环境下的化学调控剂,解决了现有化学调控剂筛选方法的效果不理想的问题。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种基于根系发育参数的污染暴露下化学调控剂的筛选方法,以工业废水典型污染物硫氢化物(SCN-)为测试污染物,以水稻幼苗根系发育特征参数为基础,运用经典植物毒理学研究方法对化学调控剂进行评价,然后根据评价结果筛选合适的化学调控剂。首先,根据毒理学研究方法进行暴露实验时,分为急性毒性、亚急性毒性和慢性毒性,而短期暴露则指的是对生物进行急性毒性测试。本实施例采用短期暴露对水稻幼苗进行试验,具体以硫氢化钾(KSCN)作为测试污染物,对基于根系发育参数的污染暴露下化学调控剂的筛选方法进行说明,具体按照以下步骤进行:
步骤S1、选取待筛选化学调控剂,并对作物(水稻)幼苗进行短期暴露实验,将能够反应待筛选化学调控剂对作物幼苗根系发育影响程度的作物幼苗根系发育特征参数作为靶向目标,具体实现过程如下:
首先选取待筛选化学调控剂,本实施例选取了IAA(生长素,吲哚-3-乙酸)、JA(茉莉酸)和NaHS三种化学调控剂,得到IAA+ KSCN、JA+ KSCN以及NaHS+ KSCN三组处理,IAA、JA和NaHS属于三种不同的信号传导物质,作用于不同的生理代谢过程,它们均参与植物根系生长发育的调控。
然后采用经典植物毒理学研究方法,对作物(水稻)幼苗进行短期暴露实验,分别将作物(水稻)幼苗暴露于含有污染物(KSCN以及待筛选化学调控剂的溶液中3天,然后分析作物(水稻)幼苗根系发育特征参数的数值即指标值,确定待筛选化学调控剂对作物(水稻)幼苗根系发育的影响程度。以KSCN胁迫浓度为0 mg SCN/L、24 mg SCN/L、96 mg SCN/L、300mg SCN/L为例,IAA、JA和NaHS对水稻根系发育特征参数的影响如表1~4所示。
表1 KSCN胁迫下IAA、JA和NaHS对水稻根系发育特征参数的影响(0 mg SCN/L)
表2 KSCN胁迫下IAA、JA和NaHS对水稻根系发育特征参数的影响(24 mg SCN/L)
表3 KSCN胁迫下IAA、JA和NaHS对水稻根系发育特征参数的影响(96 mg SCN/L)
表4 KSCN胁迫下IAA、JA和NaHS对水稻根系发育特征参数的影响(300 mg SCN/L)
一般土培实验的周期远远大于水培实验,大规模种植时耗费大量人力物力,也需要大量的土壤,而本实施例的短期暴露试验选择暴露时间为3天,且是将作物幼苗置于50mL三角烧瓶中,在培养箱条件下进行实验分析,省时省力且成本低,同时避免了自然条件下数据的不稳定性,以达到批量、快速的评价、筛选化学调控剂的目的。
最后依据短期暴露实验中待筛选化学调控剂对作物(水稻)幼苗根系发育特征参数的影响程度,选取能够反应待筛选化学调控剂对作物(水稻)幼苗根系发育影响程度的根系发育特征参数,并将其作为靶向目标。本实施例选取了能够反映IAA、JA和NaHS对水稻幼苗根系发育影响的水稻幼苗根系的总长度(cm, TRL)、分叉数(个, RBN)、表面积(cm2,RSA)和体积(cm3, RV)四项根系发育特征参数作为靶向目标。
步骤S2、结合步骤S1的短期暴露实验数据,选取临界阈值分别对待筛选化学调控剂在污染条件下对作物幼苗根系的每项靶向目标的调节作用进行分类,得到临界阈值集;并根据待筛选化学调节剂对靶向目标的影响大则该靶向目标贡献度大的原则,确定各靶向目标的贡献度,得到靶标贡献度集。
选取对照组作物幼苗,并将对照组作物幼苗在污染条件下进行短期暴露实验,将对照组作物幼苗暴露于含有污染物的溶液中3天后测量每棵对照组作物幼苗根系的每项靶向目标的指标值,并将所有对照组作物幼苗根系的每项靶向目标的指标值的平均值作为对照组作物幼苗根系的每一项靶向目标的指标值Control,同时依据所有对照组作物幼苗根系的每项靶向目标的指标值计算得出对照组作物幼苗根系的每一项靶向目标的指标值的标准差SD。然后Control为依据,以Control、Control+SD、Control-SD分别作为临界阈值,对待筛选化学调控剂IAA、JA或NaHS在污染条件下对作物幼苗的每项靶向目标的调节作用进行分类,将待筛选化学调控剂在污染条件下对作物幼苗的每项靶向目标的调节作用分为存在消极调节作用、无调节作用、存在积极调节作用三类,进而得到临界阈值集。添加IAA、JA或NaHS后,如果IAA、JA或NaHS作用下作物(水稻)幼苗根系的靶向目标的指标值<Control-SD,则认为污染暴露条件下该待筛选化学调控剂IAA、JA或NaHS对作物(水稻)根系发育存在消极调节作用;如果IAA、JA或NaHS作用下作物(水稻)幼苗根系的靶向目标的指标值=Control,则认为污染暴露条件下该待筛选化学调控剂IAA、JA或NaHS对作物(水稻)根系发育无调节作用;如果IAA、JA或NaHS作用下作物(水稻)幼苗根系的靶向目标的指标值>Control+SD,则认为污染暴露条件下该待筛选化学调控剂IAA、JA或NaHS存在积极调节作用,缓解了污染物对植物的毒性。最后得到的临界阈值集如表5~8所示,临界阈值集中每个元素表示第i个靶向目标的第j类调节作用的临界阈值:
表5 IAA、JA和NaHS对水稻幼苗根系发育的临界阈值集 (0 mg SCN/L)
表6 IAA、JA和NaHS对水稻幼苗根系发育的临界阈值集 (24 mg SCN/L)
表7 IAA、JA和NaHS对水稻幼苗根系发育的临界阈值集 (96 mg SCN/L)
表8 IAA、JA和NaHS对水稻幼苗根系发育的临界阈值集 (300 mg SCN/L)
同样,当待筛选化学调控剂作用下作物幼苗根系的靶向目标的指标值大于Control-SD且小于Control时,以及其大于Control且小于Control-SD时,均认为污染暴露条件下当前待筛选化学调控剂对作物幼苗根系发育无调节作用。
然后依据临界阈值集,采用超标倍数法确定靶向目标的靶标贡献度,得到靶向目标靶标贡献集:
根据IAA、JA和NaHS对靶向目标的影响大则该靶向目标贡献度大的原则,确定各靶向目标的靶标贡献度大小,其计算公式为:
其中,为第i个靶向目标的贡献度,;W i 为第i个靶向目标的初始贡献
度;U i 为第i个靶向目标对应的平均临界阈值,U i,j 为第i个靶向目标的第j类调节作用对应
的临界阈值,本发明实施例中m=3;I i 表示第i个靶向目标的响应值超过其平均临界阈值的
倍数,为所有靶向目标的响应值超过其平均临界阈值的倍数之和;C i 为第i个靶向目标
的响应值,即待筛选化学调控剂作用作物幼苗后第i个靶向目标的实际靶向目标的指标值;
分别对n个靶向目标的贡献度进行计算,得到一个1×n阶的靶向目标靶标贡献集A=(w 1, w 2,…,w i …,w n ),n为靶向目标个数,本发明实施例中n=4。计算得到IAA、JA和NaHS的靶向目标贡献集如表9~12所示。
表9 IAA、JA和NaHS的靶向目标贡献集 (0 mg SCN/L)
表10 IAA、JA和NaHS的靶向目标贡献集 (24 mg SCN/L)
表11 IAA、JA和NaHS的靶向目标贡献集 (96 mg SCN/L)
表12 IAA、JA和NaHS的靶向目标贡献集 (300 mg SCN/L)
步骤S3、将步骤S1的短期暴露实验数据中作物幼苗根系的每项靶向目标的指标值,和与该靶向目标对应的每类调节作用在临界阈值集中对应的临界阈值进行比对,并根据比对结果对每项靶向目标的每类调节作用进行分段表示,得出每项靶向目标的每类调节作用的分段函数,得到靶向目标的服从度:
消极调节作用的分段函数,即j表示消极调节作用:
无调节作用的分段函数,即j表示无调节作用:
积极调节作用的分段函数,即j表示积极调节作用:
其中,r i,j 为第i个靶向目标对应的j类调节作用的服从度,其为一个m维的行向量。
以污染物胁迫浓度为0 mg SCN/L为例,IAA+KSCN处理对水稻幼苗根系的总长度TRL为例计算其三级分段函数:
根据公式(8)~(10)可计算出污染物胁迫浓度为0 mg SCN/L的IAA+KSCN处理组中水稻幼苗根系生长的总长度TRL的服从度为[0,0.81,1.18],同理可以求出IAA+KSCN处理组中其它靶向目标的服从度以及其他处理组的靶向目标的服从度。
步骤S4、先将每项靶向目标的每类调节作用的分段函数的计算结果组成一个n行m列的矩阵,得到单靶标不确定性矩阵,其中,单靶标不确定性矩阵中每个元素表示第i个靶向目标的第j类调节作用的分段函数计算结果,n与靶向目标数对应一致,m与调节作用类别数对应一致。
由于每个靶向目标的服从度为一个m维的行向量,用每个处理组的所有靶向目标
的服从度组成一个n维的列向量,得到一个n行m列的矩阵,即得到单靶标不确定性矩阵R,污
染物胁迫浓度为0 mg SCN/L时,分别对应将IAA+KSCN处理组的单靶标不确定性矩阵记为,将JA+KSCN处理组的单靶标不确定性矩阵记为,将NaHS+KSCN处理组的
单靶标不确定性矩阵记为:
步骤S5、将靶标贡献度集与单靶标不确定性矩阵相乘,并根据两者相乘的结果得出待筛选化学调控剂在污染暴露条件下对作物幼苗根系发育的调节结果,并依据该调节结果从待筛选化学调控剂中选取合适的化学调控剂。
把1×n阶的靶向目标贡献集A分别与每一个单靶标不确定性矩阵R相乘,得到当前待筛选化学调试剂IAA、JA以及NaHS的不确定性参考向量B,最终计算得到,污染物胁迫浓度为0 mg SCN/L时,IAA+KSCN处理组的不确定性参考向量B=[0.595,0.729,0.404],JA+KSCN处理组的不确定性参考向量B=[0.966,0.380,0],NaHS+KSCN处理组的不确定性参考向量B=[0.119,0.90,1.311],然后对待筛选化学调试剂IAA、JA以及NaHS的不确定性参考向量B进行识别,得出待筛选化学调控剂在污染暴露条件下对作物幼苗根系发育的调节结果。识别分为直接识别方法和间接识别方法,直接识别方法包括最大服从度原则、阈值原则和贴近度等判断方法;间接识别方法有则近原则等,本发明实施例采用作为评语集的最大服从度识别方法对三组处理的不确定性参考向量B进行识别,即选择不确定性参考向量B中的最大值对应的调节作用类别作为当前待筛选化学调控剂在污染暴露条件下对作物幼苗根系发育的调节结果。
因此,得到胁迫浓度为0 mg SCN/L下IAA、JA和NaHS对水稻幼苗根系发育的调节结果,如表13所示。
表13 IAA、JA和NaHS对KSCN胁迫水稻幼苗根系发育的调节结果(0 mg SCN/L)
同理,可以得到24 mg SCN/L、96 mg SCN/L和300 mg SCN/L胁迫下,IAA、JA和NaHS对KSCN胁迫水稻幼苗根系发育的调节结果,如表14~16所示。
表14 IAA、JA和NaHS对KSCN胁迫水稻幼苗根系发育综合评价结果(24 mg SCN/L)
表15 IAA、JA和NaHS对KSCN胁迫水稻幼苗根系发育综合评价结果(96 mg SCN/L)
表16 IAA、JA和NaHS对KSC胁迫水稻幼苗根系发育综合评价结果(300 mg SCN/L)
根据各待筛选化学调试剂在污染暴露条件下对作物幼苗根系发育的调节结果,筛选合适的即所需的化学调试剂:
分析表13~16可以得出,在0 mg SCN/L胁迫下,NaHS对水稻幼苗根系发育的调节作用最大,属于积极调节作用;类似地,24 mg SCN/L胁迫下,NaHS对水稻幼苗根系发育也具有较好的调节作用(积极调节作用)。而在中高浓度KSCN胁迫下,IAA,JA和NaHS对KSCN胁迫水稻幼苗根系发育均有一定的调节作用,属于积极调节作用。综合以上,我们认为NaHS对KSCN胁迫水稻幼苗根系发育的调控效果是最好的。从0mg SCN/L胁迫下的靶标贡献度分析来看,NaHS能够有效调分叉数(RBN)、根生长(TRL)和根体积(RV),而IAA和JA仅能分别调节根生长(TRL)和根体积(RV)。从不同KSCN浓度的靶标贡献度结果来看,也能得到类似的结果。以上结果说明本发明实施例的方法能够客观的筛选污染环境下的化学调控剂。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (5)
1.基于根系发育参数的污染暴露下化学调控剂的筛选方法,其特征在于,按照如下步骤进行:
步骤S1 、选取待筛选化学调控剂,并以作物幼苗根系发育特征参数为基础,运用植物毒理学研究方法,对作物幼苗在待筛选化学调控剂以及污染条件下进行短期暴露实验,并选取能够反应待筛选化学调控剂对作物幼苗根系发育影响程度的根系发育特征参数作为靶向目标;
步骤S2、结合步骤S1的短期暴露实验数据,选取临界阈值分别对待筛选化学调控剂在污染条件下对作物幼苗根系的每项靶向目标的调节作用进行分类,得到临界阈值集;并根据待筛选化学调节剂对靶向目标的影响大则该靶向目标贡献度大的原则,确定各靶向目标的贡献度,得到靶标贡献度集;
所述步骤S2中选取临界阈值对待筛选化学调控剂在污染条件下对作物幼苗根系的每项靶向目标的调节作用进行分类的实现过程如下:
首先,选取对照组作物幼苗,并将对照组作物幼苗在污染条件下进行短期暴露实验,将对照组作物幼苗暴露于含有污染物的溶液中3天后测量每棵对照组作物幼苗根系的每项靶向目标的指标值,并将所有对照组作物幼苗根系的每项靶向目标的指标值的平均值作为对照组作物幼苗根系的每一项靶向目标的指标值Control,同时依据所有对照组作物幼苗根系的每项靶向目标的指标值计算得出对照组作物幼苗根系的每一项靶向目标的指标值标准差SD;
最后,采用Control+SD、Control、Control-SD分别作为临界阈值对待筛选化学调控剂在污染条件下对作物幼苗的每项靶向目标的调节作用进行分类,得到临界阈值集;
所述步骤S2中各靶向目标的贡献度按照下式计算:
其中,为第i个靶向目标的贡献度,;Wi为第i个靶向目标的初始贡献度;Ui为第i个靶向目标对应的平均临界阈值,Ui,j为第i个靶向目标的第j类调节作用对应的临界阈值, m=3;Ii表示第i个靶向目标的响应值超过其平均临界阈值的倍数,为所有靶向目标的响应值超过其平均临界阈值的倍数之和;Ci为第i个靶向目标的响应值,即待筛选化学调控剂作用作物幼苗后第i个靶向目标的实际靶向目标的指标值;
分别对n个靶向目标的贡献度进行计算,得到一个1×n阶的靶向目标靶标贡献集A=(w1,w2,…,wi…,wn);
步骤S3、将步骤S1的短期暴露实验数据中作物幼苗根系的每项靶向目标的指标值,和与该靶向目标对应的每类调节作用在临界阈值集中对应的临界阈值进行比对,并根据比对结果对每项靶向目标的每类调节作用进行分段表示,得出每项靶向目标的每类调节作用的分段函数;
步骤S4、先将每项靶向目标的每类调节作用的分段函数的计算结果组成一个n行m列的矩阵,得到单靶标不确定性矩阵,其中,单靶标不确定性矩阵中每个元素表示第i个靶向目标的第j类调节作用的分段函数计算结果,n与靶向目标数对应一致,m与调节作用类别数对应一致;
所述步骤S4建立了如下分段函数,得到靶向目标的服从度:
消极调节作用的分段函数,即j表示消极调节作用:
无调节作用的分段函数,即j表示无调节作用:
积极调节作用的分段函数,即j表示积极调节作用:
其中,r i,j 为第i个靶向目标第j类调节作用的服从度,其为一个m维的行向量;
步骤S5、将靶标贡献度集与单靶标不确定性矩阵相乘,并根据两者相乘的结果得出待筛选化学调控剂在污染暴露条件下对作物幼苗根系发育的调节结果,并依据该调节结果从待筛选化学调控剂中选取合适的化学调控剂;
所述步骤S5中的单靶标不确定性矩阵,是用所有靶向目标的服从度组成一个n维的列向量得到的n行m列的矩阵,其与靶标贡献度集相乘得到不确定性参考向量B;
所述步骤S5根据靶标贡献度集与单靶标不确定性矩阵相乘的结果得出待筛选化学调控剂在污染暴露条件下对作物幼苗根系发育的调节结果,是先识别出不确定性参考向量B的最大值,并依据临界阈值集得出该最大值对应的调节作用类别,并将该调节作用作为当前待筛选化学调控剂在污染暴露条件下对作物幼苗根系发育的调节结果,最后依据该调节结果从待筛选化学调控剂中选取所需的化学调控剂。
2.根据权利要求1所述的基于根系发育参数的污染暴露下化学调控剂的筛选方法,其特征在于,所述步骤S1的具体实现过程如下:
首先选取待筛选化学调控剂,并分别将作物幼苗暴露于含有污染物以及一种待筛选化学调控剂的溶液中3天,然后分析作物幼苗根系发育特征参数,确定待筛选化学调控剂对作物幼苗根系各发育特征参数的影响程度;
然后依据短期暴露实验中待筛选化学调控剂对作物幼苗根系各发育特征参数的影响程度,选取能够反应待筛选化学调控剂对作物幼苗根系发育影响程度的根系发育特征参数,并将其作为靶向目标。
3.根据权利要求1~2任一项所述的基于根系发育参数的污染暴露下化学调控剂的筛选方法,其特征在于,所述步骤S3中将待筛选化学调控剂在污染条件下对作物幼苗的每项靶向目标的调节作用分为存在消极调节作用、无调节作用、存在积极调节作用三类,具体实现过程如下:在步骤S1的短期暴露实验数据中,如果待筛选化学调控剂作用下作物幼苗根系的靶向目标的指标值<Control-SD,则认为污染暴露条件下该待筛选化学调控剂对作物幼苗根系发育存在消极调节作用;如果待筛选化学调控剂作用下作物幼苗根系的靶向目标的指标值=Control,则认为污染暴露条件下该待筛选化学调控剂对作物幼苗根系发育无调节作用;如果待筛选化学调控剂作用下作物幼苗根系的靶向目标的指标值>Control+SD,则认为污染暴露条件下该待筛选化学调控剂对作物幼苗根系发育存在积极调节作用,进而得到临界阈值集,临界阈值集中每个元素表示第i个靶向目标的第j类调节作用的临界阈值。
4.根据权利要求3所述的基于根系发育参数的污染暴露下化学调控剂的筛选方法,其特征在于,所述待筛选化学调控剂作用下作物幼苗根系的靶向目标的指标值大于Control-SD且小于Control时,以及其大于Control且小于Control-SD时,均认为污染暴露条件下当前待筛选化学调控剂对作物幼苗根系发育无调节作用。
5.根据权利要求1、2或4所述的基于根系发育参数的污染暴露下化学调控剂的筛选方法,其特征在于,所述待筛选化学调控剂对作物幼苗根系发育影响程度的靶向目标包括作物幼苗根系的长度、分叉数、表面积和体积四个根系发育特征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300904.1A CN111418383B (zh) | 2020-04-16 | 2020-04-16 | 基于根系发育参数的污染暴露下化学调控剂的筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300904.1A CN111418383B (zh) | 2020-04-16 | 2020-04-16 | 基于根系发育参数的污染暴露下化学调控剂的筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111418383A CN111418383A (zh) | 2020-07-17 |
CN111418383B true CN111418383B (zh) | 2021-08-24 |
Family
ID=71557921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010300904.1A Active CN111418383B (zh) | 2020-04-16 | 2020-04-16 | 基于根系发育参数的污染暴露下化学调控剂的筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111418383B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112820352B (zh) * | 2020-12-28 | 2023-10-13 | 桂林理工大学 | 基于调控胁迫植物基因表达的化学调控剂的筛选方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000047761A2 (en) * | 1999-02-12 | 2000-08-17 | Phase-1 Molecular Toxicology, Inc. | High-throughput toxicological testing using cultured organisms and cells |
CN102388758A (zh) * | 2011-08-09 | 2012-03-28 | 中国科学院新疆生态与地理研究所 | 一种化学调控棉花根系构型的方法 |
CN102754592A (zh) * | 2012-07-26 | 2012-10-31 | 南京农业大学 | 从多个切花菊品种中筛选磷利用效率相对最高品种的方法 |
CN104298889A (zh) * | 2014-09-28 | 2015-01-21 | 中国矿业大学(北京) | 一种金属矿渣土重金属污染综合评价方法 |
CN108401872A (zh) * | 2018-03-30 | 2018-08-17 | 陕西科技大学 | 一种利用水杨酸缓解镉对番茄毒害作用的水培方法及水杨酸的应用 |
CN110261590A (zh) * | 2019-03-15 | 2019-09-20 | 暨南大学 | 一种评价邻苯二甲酸酯植物毒性的方法 |
CN110367066A (zh) * | 2019-07-05 | 2019-10-25 | 四川省农业科学院作物研究所 | 一种基于多梯度多性状综合抗旱系数的水稻抗旱性评价方法 |
US10573501B2 (en) * | 2015-05-29 | 2020-02-25 | Waters Technologies Corporation | Techniques for processing of mass spectral data |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002275003A (ja) * | 2001-03-21 | 2002-09-25 | Toshimune Koshimizu | 立木の切口塗布用組成物および立木の切口保護方法 |
CN104982456B (zh) * | 2015-07-20 | 2017-05-24 | 国家林业局泡桐研究开发中心 | 一种仁用杏推迟开花的方法及推迟开花溶液及其制备方法 |
CN105165433A (zh) * | 2015-09-16 | 2015-12-23 | 广西壮族自治区农业科学院蔬菜研究所 | 苦瓜耐冷性综合鉴定与评价方法 |
CN106258540B (zh) * | 2016-08-21 | 2019-10-18 | 山东省农业科学院玉米研究所 | 一种苗期玉米耐盐性的筛选鉴定方法 |
CA3061128A1 (en) * | 2017-01-20 | 2018-07-26 | Lifefoundry, Inc. | Systems and methods for supporting multiple automated workflows |
CN106951720B (zh) * | 2017-04-12 | 2019-05-31 | 山东省科学院海洋仪器仪表研究所 | 基于典型相关性分析及线性插值的土壤养分模型转移方法 |
-
2020
- 2020-04-16 CN CN202010300904.1A patent/CN111418383B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000047761A2 (en) * | 1999-02-12 | 2000-08-17 | Phase-1 Molecular Toxicology, Inc. | High-throughput toxicological testing using cultured organisms and cells |
CN102388758A (zh) * | 2011-08-09 | 2012-03-28 | 中国科学院新疆生态与地理研究所 | 一种化学调控棉花根系构型的方法 |
CN102754592A (zh) * | 2012-07-26 | 2012-10-31 | 南京农业大学 | 从多个切花菊品种中筛选磷利用效率相对最高品种的方法 |
CN104298889A (zh) * | 2014-09-28 | 2015-01-21 | 中国矿业大学(北京) | 一种金属矿渣土重金属污染综合评价方法 |
US10573501B2 (en) * | 2015-05-29 | 2020-02-25 | Waters Technologies Corporation | Techniques for processing of mass spectral data |
CN108401872A (zh) * | 2018-03-30 | 2018-08-17 | 陕西科技大学 | 一种利用水杨酸缓解镉对番茄毒害作用的水培方法及水杨酸的应用 |
CN110261590A (zh) * | 2019-03-15 | 2019-09-20 | 暨南大学 | 一种评价邻苯二甲酸酯植物毒性的方法 |
CN110367066A (zh) * | 2019-07-05 | 2019-10-25 | 四川省农业科学院作物研究所 | 一种基于多梯度多性状综合抗旱系数的水稻抗旱性评价方法 |
Non-Patent Citations (3)
Title |
---|
14份柳枝稷种质资源苗期耐镉性综合评价;胡冰钰等;《草业学报》;20190228(第1期);第27-36页 * |
Fuzzy synthetic evaluation and health risk assessment quantification of;Rui Zhao;《EISEVIER》;20190830(第697期);第1-12页 * |
Fuzzy synthetic evaluation of the impact of plant growth regulators on the;于晓章等;《ELSEVIER》;20201103(第158期);第182-189页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111418383A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | QTL mapping for seedling traits in wheat grown under varying concentrations of N, P and K nutrients | |
Bloom et al. | Root growth as a function of ammonium and nitrate in the root zone | |
Goldman | Temperature effects on steady-state growth, phosphorus uptake, and the chemical composition of a marine phytoplankter | |
Shahrajabian et al. | Responses of physiological indices of forage sorghum under different plant populations in various nitrogen fertilizer treatments | |
Reitz | Breeding for more efficient water use—is it real or a mirage? | |
Awika et al. | Selection of nitrogen responsive root architectural traits in spinach using machine learning and genetic correlations | |
CN111418383B (zh) | 基于根系发育参数的污染暴露下化学调控剂的筛选方法 | |
Si et al. | Seed yield and quality responses of oilseed crops to simulated nitrogen deposition: A meta‐analysis of field studies | |
CN112514793A (zh) | 一种耐盐性水稻品种的筛选方法 | |
Byerlee | From adaptive research to farmer recommendations and extension advice | |
Körner et al. | Incorporating cultivar-specific stomatal traits into stomatal conductance models improves the estimation of evapotranspiration enhancing greenhouse climate management | |
Abanto-Rodríguez et al. | Early growth of camu-camu plants with nitrogen fertilization through fertirrigation | |
Chabite et al. | Mode of managing nutrient solution based on N use efficiency for lettuce (Lactuca sativa L.) | |
CN113408666A (zh) | 一种用于景观的温室绿植栽培方法 | |
Manojkumar et al. | Effect of physiological and morphological response of Musa acuminata under stress condition with different salinity levels using IoT | |
Grasso et al. | A Smart Vertical Farming System to Evaluate Productivity, Quality, and Sustainability of Agricultural Production | |
Nederhoff et al. | Dynamic model for greenhouse crop photosynthesis: validation by measurements and application for CO2 optimization | |
Radin et al. | Nutritional limitations to yield: alternatives to fertilization | |
Ding et al. | Microbial rhizosphere communities in response to chlorimuron-ethyl herbicide in soils under alfafa crop | |
Burgess et al. | Interactions between nitrogen nutrition, canopy architecture and photosynthesis in rice, assessed using high-resolution 3D reconstruction | |
Prišenk et al. | Cropping-Plan Optimization on Agricultural Holdings with a Combination of Linear and Weighted-goal Programming | |
CN117461500B (zh) | 加速作物育种的植物工厂系统、方法、装置、设备及介质 | |
Wang et al. | Simulating water and potassium uptake of greenhouse tomato as a function of salinity stress | |
ČESKÁ et al. | The effect of soil drought on photosynthesis and transpiration rates of maize (Zea mays L.) | |
WANNIACHCHI et al. | Sustainable Farming in Soilless Culture Non-Circulating Kratky Method Using Fuzzy Logic Control and Measure Greenness |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |