藥用植物代謝組學的研究進展論文

《藥用植物代謝組學的研究進展論文》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。

1、藥用植物代謝組學的研究進展論文【摘要】從技術(shù)步驟、分析方法以及實際應用三個方面對當前藥用植物代謝組學研究領(lǐng)域的一些理論問題和實踐中面臨的挑戰(zhàn)進行綜述?！娟P(guān)鍵詞】藥用植物；代謝組學；功能基因組學代謝組學是對生物體內(nèi)代謝物進行大規(guī)模分析的一項技術(shù)［1］，它是系統(tǒng)生物學的重要組成部分（如圖1所示），藥用植物代謝組學主要研究外界因素變化對植物所造成的影響，如氣候變化、營養(yǎng)脅迫、生物脅迫，以及基因的突變和重組等引起的微小變化，是物種表型分析最強有力的工具之一。在現(xiàn)代中藥研究中，代謝組學在藥物有效性和安全性、中藥資源和質(zhì)量控制研究等方面具有重要理論意義和應用價值。另外，在對模式植物突變體文

2、庫或轉(zhuǎn)基因文庫進行分析之前.freelitaM等［11］總結(jié)了各種色譜分離法中經(jīng)常遇到的技術(shù)問題，認為毛細管電泳和氣相色譜法由于具有較高的分辨率，已成為代謝組學研究的常規(guī)技術(shù)手段之一，液相色譜因其適用范圍廣，應用也相當廣泛。TanakaN等［12］用高效液相色譜對樣品進行分離，認為使用硅膠基質(zhì)填充毛細管整體柱的高效液相色譜系統(tǒng)具有用量少、靈敏性高、低壓降高速分離等優(yōu)勢；同時，TolstikovV等［13］也使用硅膠填充的毛細管液相色譜方法對聚戊烯醇類異構(gòu)體進行了有效分離，獲得了很好的分辨率。TanakaN等［14］發(fā)現(xiàn)二維毛細管液相色譜法的分辨率比傳統(tǒng)的高效液相法高10倍。相對

3、于其他色譜方法而言，超臨界流體色譜（SFC）是分離疏水代謝物最具潛力的技術(shù)之一，特別適用于分離那些傳統(tǒng)HPLC難以分析的疏水聚合物，BambaT等［15］通過SFC對聚戊烯醇進行分析，證明其具有較好的分離能力。針對質(zhì)譜中存在的共洗脫現(xiàn)象，HalketJM等［16］發(fā)明了一種適用于GCMS的反褶積系統(tǒng)，對共洗脫的代謝產(chǎn)物進行分離與識別。AharoniA等［17］使用傅立葉變換離子回旋共振質(zhì)譜（FTICRMS）對非目標代謝物進行分析，快速掃描植物突變樣品，獲得了一定量的代謝成分。與分離一樣，定量能力也是代謝組學研究中的重要因素，其取決于各分析系統(tǒng)的線性范圍。傅立葉轉(zhuǎn)換核磁共振

4、（FTNMR)、傅立葉紅外光譜（FTIR）以及近場紅外光譜法（NIR）等技術(shù)由于敏感性低，重復性受共洗脫現(xiàn)象影響較小也被用于檢測中。近年來，F(xiàn)TNMR技術(shù)常被用于植物代謝組的指紋圖譜研究［18］，但由于NMR分析需要樣品量較大，分析結(jié)果易受污染，GriffinJL［19］發(fā)現(xiàn)將統(tǒng)計模式識別與FTNMR相結(jié)合可以對代謝物進行全面分析。除FTNMR之外，F(xiàn)TIR通過對有機成分的結(jié)構(gòu)進行常規(guī)光譜測定，也可適用于代謝組學的研究，特別是應用于構(gòu)建代謝組學的指紋圖譜。盡管它不能對代謝物進行全面分析，但對具有特定功能的組分卻有很好的定量效果，對從工業(yè)及食品原材料中分離的代謝混合物

5、也可以進行全面分析，目前，已有學者將其成功地應用于擬南芥［20］和番茄［21］代謝產(chǎn)物指紋圖譜的研究中。1.5數(shù)據(jù)轉(zhuǎn)換為闡明代謝物復雜的線性或非線性關(guān)系，需要進行多變量分析，將原始的色譜圖數(shù)據(jù)轉(zhuǎn)換為數(shù)字化的矩陣數(shù)據(jù)，通過對色譜峰鑒定和整合從而進行多變量分析。由于環(huán)境等因素的干擾，光譜數(shù)據(jù)需要通過適當?shù)臄?shù)據(jù)加工方法進行校正，包括：①降低噪聲；②校正基線；③提高分辨率；④數(shù)據(jù)標準化。JonssonP等［22］報道了一種關(guān)于GCMS色譜圖數(shù)據(jù)處理的方法，可以對大量代謝產(chǎn)物樣品進行有效的識別。2代謝組學中的數(shù)據(jù)分析方法2.1主成分分析法（PCA）主成分分析法，將實測的多個指標用少數(shù)幾

6、個潛在的相互獨立的主成分指標線性組合來表示，反映原始測量指標的主要信息。使得分析與評價指標變量時能夠找出主導因素，切斷其他相關(guān)因素的干擾，作出更為準確的估量與評價。PCA數(shù)據(jù)矩陣通常來自于GCMS，LCMS或CEMS，因此將目標代謝產(chǎn)物作為自變量，而相應的代謝產(chǎn)物含量作為因變量，定義與最大特征值方向一致的特征向量為第一主成分，依此類推，PCA便能通過對幾個主要成分的分析，從代謝組中識別出有效信息。主成分分析有助于簡化分析和多維數(shù)據(jù)的可視化，但是該方法可能導致一部分有用信息的丟失。2.2層次聚類分析法（HCA）層次聚類分析法也常用于代謝組學的研究中，它是將n個樣品分類，計算

7、兩兩之間的距離，構(gòu)成距離矩陣，合并距離最近的兩類為一新類，計算新類與當前各類的距離。再合并、計算，直至只有一類為止。進行層次聚類前首先要計算相似度（similarity），然后使用最短距離法（NearestNeighbor）、最長距離法（FurthestNeighbor）、類間平均鏈鎖法（Betg/L，為有效降低抗瘧藥物的成本提供了機遇。經(jīng)過長期的研究積累，人們對代謝途徑的主干部分（為次生代謝提供底物的初生代謝途徑）已經(jīng)基本了解，例如酚類的莽草酸途徑，萜類的異戊二烯二磷酸(IPP)途徑等。被