Ускоренная селекция на заводе-изготовителе Значительно сокращает время выращивания риса и улучшает метаболическое разнообразие

Гиперспектральная технология была применена для дифференциации семян риса, выращенных в PF и в поле, на основе предыдущих исследований с некоторыми модификациями [20, 21]. Перед получением изображений 30 случайно отобранных семян риса каждого образца размещали на черной подложке (рис. 2а). Для записи полных непрерывных спектральных изображений семян риса в режиме отражения использовалась HSI-система с диапазоном волновых чисел от 400 до 1000 см⁻¹. Параметры получения изображений представлены в таблице S2 (Приложение A). Затем были получены изображения и гиперспектральные данные отражения для семян риса из PF и полевых условий. Для повышения сопоставимости и надежности данных использовались две дополнительные калибровочные записи: изображение темнового тока (RD) и изображение белого эталона (RW). RD, соответствующее нулевому коэффициенту отражения, регистрировалось при закрытой крышке объектива, а RW (~99,9% отражения) – с белой калибровочной пластины. Коррекция исходных изображений семян (R0) выполнялась в программе SpectrononPro 3.0.3 (Resonon Inc., США) по формуле: R = (R0 − RD) / (RW − RD)

Наконец, для анализа спектральной информации семян риса была использована комбинация анализа главных компонент (PCA) и ортогонального проекционного анализа на латентные структуры с дискриминацией (OPLS-DA).

2.4. Получение ATR-IR спектров

Образцы семян риса (с оболочкой) высушивали в печи при 38 °C до полного удаления влаги, а затем измельчали в мелкий порошок для получения ATR-IR спектров. Вкратце, 1.5 мг образца рисового порошка тщательно смешивали с 150 мг KBr, а затем смесь прессовали в таблетки. KBr (150 мг) без рисового порошка также прессовали в таблетку в качестве контрольного образца. Затем образцы таблеток фиксировали на германиевом кристалле ATR для получения спектров с однократным отражением под углом 45°. Пустая таблетка использовалась для получения фонового спектра. ATR-IR был настроен на диапазон волновых чисел от 400 до 4000 см−1, разрешение 4 см−1, частоту сканирования 7.5 кГц и количество сканов 32 при 25 °C. Для получения спектров использовали программное обеспечение OMNIC 8.0 (Thermo Fisher Scientific Inc., США). Анализ спектров проводили в трех повторностях для каждого образца. Для сравнения спектральных различий семян риса, выращенных в PF и в поле, на данных ATR-IR спектров каждого образца проводили PCA и OPLS-DA.

2.5. Широкомасштабный метаболомный анализ нелетучих соединений методом UPLC-
MS/MS

2.5.1. Подготовка образцов

Семена риса лиофилизировали, измельчали в мелкий порошок, а затем экстрагировали согласно методу, описанному в предыдущем исследовании [22]. Вкратце, рисовый порошок (50 мг) смешивали с 1.2 мл 70% водного раствора метанола при комнатной температуре, затем встряхивали шесть раз, каждый раз по 30 секунд с интервалом 30 минут. После центрифугирования (12000g, 3 мин) супернатант собирали, фильтровали (размер пор 0.22 мкм) и подвергали анализу методом UPLC-MS/MS.

2.5.2. Условия UPLC-MS/MS

Анализ UPLC-MS/MS проводили на основе метода, описанного в предыдущем исследовании [23]. Разделение образцов проводили с использованием системы SHIMADZU Nexera X2 UPLC (Shimazu, Япония), оснащенной колонкой Agilent SB-C18 (1.8 мкм, 2.1 мм × 100 мм). Подвижная фаза состояла из растворителя А (0.1% водный раствор муравьиной кислоты) и растворителя В (0.1% муравьиная кислота в ацетонитриле). Градиентная программа подвижной фазы была установлена следующим образом: 0 мин, 5% растворителя В; 0-9 мин, от 5% до 95% растворителя В, 9-10 мин, 95% растворителя В; 10-11.10 мин, от 95% до 5% растворителя В; 11.10-14 мин, 5% растворителя В. Температура колонки была установлена на 40 °C, объем впрыска составлял 4 мкл при скорости потока 4.0 мл∙мин−1. Кроме того, режимы тандемного квадрупольного (QQQ) и линейной ионной ловушки (LIT) были получены с использованием системы Applied Biosystems 4500 triple QTRAP (Thermelfeld, США), оснащенной интерфейсом электрораспылительной ионизации (ESI) Turbo Ion-Spray. Параметры ESI были установлены следующим образом: температура источника, 550 °C; напряжение распыления, 5500 В (положительный режим)/-4500 В (отрицательный режим); газ источника ионов I, 50 psi и газ II, 60 psi; и завесный газ, 25 psi. Контрольный образец (QC) использовали путем смешивания равного количества каждого отдельного образца для анализа повторяемости образцов при одинаковом методе обработки.

2.6. Анализ летучих метаболитов методом ГХ-МС

2.6.1. Подготовка образцов

Замороженные семена риса (хранившиеся при -80 °C) измельчали с жидким азотом и тщательно перемешивали на вортексе. Образец около 500 мг в 1 мл жидкого азота помещали в headspace-флакон, затем добавляли насыщенный раствор NaCl (10 мкл, 50 мкг∙мл−1); смесь экстрагировали с помощью полностью автоматизированной твердофазной микроэкстракции из газовой фазы (HS-SPME). Вкратце, смесь инкубировали при 60 °C в течение 5 мин, экстрагировали с использованием волокна SPME 120 мкм из дивинилбензол/карбоксен/полидиметилсилоксан (DVB/CAR/PDMS) в течение 15 мин, выдерживали при 250 °C в течение 5 мин, а затем подвергали анализу методом ГХ-МС. Перед отбором проб экстракционную головку выдерживали в течение 5 мин при 25 °C в станции кондиционирования волокна.

2.6.2. Условия ГХ-МС

Для анализа летучих метаболитов использовали Agilent 8890/7000D ГХ-МС. Образец, экстрагированный методом HS-SPME, разделяли с использованием капиллярной колонки DB-5ms (30 м × 0.25 мм × 0.25 мкм) (Agilent J&W Scientific, США). Температурная программа была установлена следующим образом: 40 °C от 0-3.5 мин, повышение до 100 °C со скоростью 10 °C∙мин−1, повышение до 180 °C со скоростью 7 °C∙мин−1, затем повышение до 280 °C со скоростью 25 °C∙мин−1 и, наконец, выдерживание при 280 °C в течение 5 мин. Азот устанавливали со скоростью потока 1.2 мл∙мин−1, и растворитель задерживали на 3.5 мин. Анализ масс-спектрометрии (МС) проводили в режиме мониторинга одиночных ионов (SIM) и режиме точного сканирования качественных и количественных ионов, а энергия электронов МС составляла 70 эВ. Температура квадруполя, температура интерфейса масс-спектрометра и температура источника ионов были установлены на 150, 280 и 230 °C соответственно. Соединения предварительно идентифицировали путем сравнения сходства их фрагментации с таковыми в библиотеке Национального института стандартов и технологий (NIST). Смесь 1 мкл н-алканов (C7-C25) анализировали в тех же условиях капиллярной колонки и ГХ-МС для получения индексов удерживания Ковача (RI).

2.7. Статистический анализ

Спектральные данные и столбчатые диаграммы создавали с использованием Origin 2022 (OriginLab, США). Иерархический кластерный анализ (HCA), PCA и OPLS-DA первичных и вторичных метаболитов семян риса проводили с использованием облачных платформенных инструментов на веб-платформе. Важность переменных в проекции (VIP) ≥ 1 в сочетании с изменением кратности (FC) ≥ 2 и FC ≤ 0.5, основанные на модели OPLS-DA, использовали для фильтрации дифференциальных метаболитов между образцами. Визуализированная метаболическая карта основных метаболитов и связанных с ними метаболических путей была представлена в разделе 3.4.2 на основе Киотской энциклопедии генов и геномов (KEGG).

Результаты и обсуждение

3.1. Ускоренное выращивание риса в PF
Как показано на рис. 2(b), сорт риса Indica (ZF802M) начинал колоситься на 45-й день и был собран на 63-й день после пересадки. По сравнению с полевым выращиванием, период роста ZF802M в PF в целом сокращался вдвое, что позволяло получать 5-6 поколений риса в течение одного года. Процент завязывания семян и соотношение зерна к соломе риса в PF составляли 87.8% и 0.60 соответственно. Более того, семена обладали высокой жизнеспособностью после сбора в PF, с прорастанием более 96% и массой 1000 зерен (25.0 ± 0.2) г.
По сравнению с предыдущими исследованиями по ускоренной селекции [15], [16], [24], [25], [26], мы впервые предлагаем вертикальную многослойную гидропонную систему селекции в PF (рис. 2(c)). Гидропонная система может обеспечить адекватное снабжение питательными веществами, повысить эффективность использования удобрений и сократить потребление воды и удобрений [27], [28]. Предыдущие протоколы достигали ускоренной селекции культур в основном за счет регулирования надземной среды, такой как температура и свет, потому что эти факторы окружающей среды легче контролировать. Гидропонное выращивание в системе PF демонстрирует, что рост риса можно ускорить для достижения ускоренной селекции путем одновременного регулирования надземной среды и подземной ризосферной среды. Гидропоника обеспечивает удобство для точного контроля ризосферной среды, включая температуру, DO, pH и различные питательные элементы, такие как азот (N), фосфор (P) и калий (K) [12], по сравнению с традиционным горшечным выращиванием. Подходящая ризосферная среда и адекватное снабжение питательными веществами способствуют тому, что протокол ускоренной селекции позволяет достичь более быстрого продвижения поколений [29]. Более того, многослойная система PF расширяет полезную площадь за счет вертикального выращивания, позволяя выращивать больше культур, чтобы снизить высокие эксплуатационные расходы и потребление энергии на единицу площади в полностью контролируемых условиях.

3.2. Дифференциация семян риса, выращенных в PF и в поле, с помощью спектрального анализа

Основные компоненты семян риса, такие как влага, крахмал, жир, белок и различные аминокислоты, имеют большое количество групп, содержащих водород (X-H), способных к инфракрасному поглощению [30]. В последнее время ATR-IR и его спектры применяли для идентификации семян риса на основе PCA, OPLS-DA и других методов распознавания образов [30]. Таким образом, для реализации высокоточной идентификации семян риса мы собрали ATR-IR спектры в диапазоне 400-4000 см−1 и HSI спектры в диапазоне 400-1000 см−1 семян риса и дополнительно построили модели PCA и OPLS-DA для дифференциации семян риса, выращенных в PF и в поле.
Результаты ATR-IR спектров показали, что спектры поглощения различных семян риса были схожими, в диапазоне около 400-4000 см−1, демонстрируя пять основных полос на длинах волн 1150-1220, 1410-1500, 1660-1800, 2860-2951 и 2975-3650 см−1 (рис. 3(a) и (b)). Полосу 1150-1220 см−1 можно отнести ко второму обертону C-H, соответствующему алифатическим углеводородам, тогда как полосу 1410-1500 см−1 можно отнести к функциональной группе O-H, связанной с крахмалом, или первому обертону N-H, связанному с белком [17]. Для воды характерные отрицательные полосы поглощения при 1660-1800 и 2975-3650 см−1 связаны с деформацией O-H [31]. Ароматические соединения показывают пики поглощения при 1042 см−1 из-за деформационных колебаний C-H в ароматической поверхности бензольного кольца. Для карбоновых кислот наиболее характерный пик находится при 1085 см−1 и обусловлен растяжением C=O (карбоксильной группы) в -COOH. Полосы поглощения в области 2860-2951 см−1 также могут быть связаны с алканами, спиртами и жирными кислотами из-за растяжения C-H в группах CH3 и CH2. Данные показали, что пики поглощения воды, ароматических соединений, алканов, спиртов, жирных кислот и карбоновых кислот доминировали в спектрах, что указывает на то, что они могут быть основными соединениями в семенах риса. Характерные полосы, наблюдаемые при 965 и 1500 см−1, можно отнести к сахарам и органическим кислотам и обусловлены растяжением CH-OH. Характерные отрицательные полосы поглощения при 1410-1450 и 1510-1540 см−1 можно отнести к растяжению N-H, C-H и O-H в белках и аминокислотах [31]. Чтобы лучше понять внутренние различия между двумя типами семян риса, мы провели PCA на данных ATR-IR спектров в диапазоне 400-4000 см−1 (рис. 3(c)), который показал четкое разделение между семенами риса, выращенными в PF и в поле. Как показано на рис. 3(d), модель OPLS-DA выявила более выраженное различие между образцами семян риса, выращенных в PF и в поле, с кумулятивным вкладом 96% для главной компоненты 1 (PC1) и главной компоненты 2 (PC2). Эти результаты свидетельствуют о внутренних различиях между двумя типами семян риса.

Результаты HSI-спектров показали, что спектры поглощения семян риса, выращенных в PF и в поле, были схожи в диапазоне около 400-750 см⁻¹ (рис. 3(e)), но различались в области около 750-1000 см⁻¹ (рис. 3(f)). Как показано на рис. 3(g), PCA HSI-спектров в диапазоне 400-1000 см⁻¹ продемонстрировал четкое разделение между семенами риса, выращенными в PF и в поле, причем PC1 и PC2 объясняли 92% общей дисперсии. График OPLS-DA (рис. 3(h)) показал более четкое разделение между образцами семян риса, выращенных в PF и в поле, при этом кумулятивный вклад PC1 и PC2 составил 64%.

Таким образом, семена риса, выращенные в PF и в поле, можно было различить по их различным спектральным отпечаткам, которые, вероятно, были связаны с их химическим составом и количественным содержанием, что согласуется с результатами предыдущих исследований [2], [32]. Методы ускоренной селекции могут влиять на ATR-IR спектры семян риса, что было обнаружено с помощью HSI и ATR-IR.

3.3. Влияние ускоренной селекции на основе PF на нелетучие метаболиты семян риса

Ускоренная селекция имеет большое значение для преодоления узких мест традиционных методов селекции и выращивания. Однако ее влияние на качество риса остается неясным. Поэтому мы дополнительно исследовали, может ли ускоренная селекция на основе PF значительно влиять на нелетучие метаболиты в рисе.

3.3.1. Анализ профиля нелетучих метаболитов

Для изучения влияния ускоренной селекции на профиль нелетучих метаболитов риса был проведен метаболомный анализ на основе UPLC-MS/MS (рис. 4). Всего было определено 1000 нелетучих дифференциальных метаболитов в положительном и отрицательном ионных режимах, включая 190 флавоноидов, 171 липид, 147 фенольных кислот, 102 аминокислоты и их производных, 97 алкалоидов, 89 органических кислот, 65 нуклеотидов и их производных, 33 лигнана и кумарина, 10 терпеноидов, 2 хинона, 1 танин и 93 других метаболита (рис. S1(a) в Приложении A). Все группы метаболитов были обнаружены как в семенах риса, выращенных в PF, так и в полевых условиях, но их пропорции различались (рис. 4(a)). В семенах риса, выращенных в поле, аминокислоты и их производные (28.20%), липиды (22.40%) и алкалоиды (19.14%) составляли наибольшую долю нелетучих метаболитов, тогда как в семенах риса, выращенных в PF, основными нелетучими метаболитами были липиды (22.84%), органические кислоты (20.97%), аминокислоты и их производные (12.37%) и алкалоиды (10.73%).

Как показано на рис. 4(b), общее количество нелетучих метаболитов в семенах риса, выращенных в PF, было выше, чем в семенах риса, выращенных в поле. Сообщалось, что липиды играют важную роль в твердости вареного риса [33]. По сравнению с семенами риса, выращенными в поле, не было обнаружено значительных различий в уровнях липидов между семенами риса, выращенными в PF и в поле. Интересно, что мы обнаружили, что относительные содержания фенольных кислот и органических кислот были значительно увеличены в семенах риса, выращенных в PF. Фенольные кислоты и органические кислоты являются промежуточными метаболитами нескольких аминокислот для производства энергии и могут улучшать вкус, питательную ценность и срок хранения пищи [34], [35]. Поскольку многие органические кислоты и фенольные кислоты проявляют антиоксидантную активность [36], [37], выращивание в среде PF может усиливать антиоксидантный состав риса, делая его более питательным. Однако относительные содержания аминокислот в семенах риса, выращенных в PF, были ниже, чем в семенах риса, выращенных в поле, что может быть связано с биотрансформацией аминокислот в органические кислоты и фенольные кислоты во время роста риса.
Для дальнейшей оценки общей метаболической разнородности риса, выращенного в PF и в поле, данные метаболомики были проанализированы с помощью графика оценок PCA, и было обнаружено, что PC1 и PC2 объясняли соответственно 63% и 10% общей дисперсии (рис. 4(c)). Тепловая карта, полученная из анализа HCA, отображала динамические изменения в семенах риса во время селекции (рис. S1(b) в Приложении A). На основе данных образцы были разделены на две группы, что согласуется с результатами PCA и OPLS-DA.
В целом, эти результаты показали, что среда PF влияла на профили нелетучих метаболитов семян риса. Стоит отметить, что ускоренная селекция могла улучшить питательную ценность риса Indica с точки зрения увеличения содержания органических кислот и фенольных кислот, вероятно, за счет биотрансформации аминокислот.

3.3.2. Обнаружение нелетучих дифференциальных метаболитов

В оценочной модели OPLS-DA параметрами прогнозирования являются R2X, R2Y и Q2. В частности, R2X и R2Y означают соответственно объяснительную способность построенной модели для матриц X и Y, тогда как Q2 представляет прогностическую способность модели. Близость этих трех показателей к 1 указывает на большую стабильность и надежность модели. Эффективная модель может быть рассмотрена, когда Q2 > 0.5, тогда как отличная модель определяется Q2 > 0.9. Предсказуемая и не переобученная модель OPLS-DA (R2Y = 1, Q2 = 0.992) была проверена и использована для скрининга дифференциально экспрессируемых соединений в семенах риса. На основе графика OPLS-DA (рис. 4(d)) и значений VIP было идентифицировано в общей сложности 426 дифференциальных метаболитов (p < 0.05, VIP ≥ 1, FC ≥ 2 и FC ≤ 0.5) в качестве биомаркеров, ответственных за дифференциацию семян риса, выращенных в PF и в поле (Таблица S3 в Приложении A), включая 68 флавоноидов, 60 аминокислот и их производных, 56 алкалоидов, 48 фенольных кислот, 34 нуклеотида и их производных, 13 лигнанов и кумаринов, 22 липида, 23 органических кислоты, четыре тритерпена и 29 других. Среди них 257 дифференциальных метаболитов были повышены, а 169 дифференциальных метаболитов были понижены. Первые 20 метаболитов с наивысшими значениями VIP в модели OPLS-DA показаны на рис. 5(a).

По сравнению с семенами риса, выращенными в поле, в семенах риса, выращенных в PF, было обнаружено 157 дифференциальных метаболитов (VIP ≥ 1.00 и p < 0.05) (Таблица S4 в Приложении A), включая 68 повышенных метаболитов (13 фенольных кислот, 10 липидов, 8 органических кислот, 7 нуклеотидов и их производных, 7 флавоноидов, 5 алкалоидов, 5 лигнанов и кумаринов, 1 терпеноид и 12 других) (Рис. 5(b)). Среди 68 значительно повышенных нелетучих метаболитов 8 нелетучих соединений были обнаружены только в семенах риса, выращенных в PF, включая пинорезинол-4-O-глюкозид, 2-α-линоленоил-глицерол-1-O-глюкозид, 3'-дезоксиаденозин, 6-O-кофеоил-D-глюкозу, 1-O-кофеоил-β-D-глюкозу, 3-индолпропионовую кислоту (3-IPA), кемпферол-4'-O-глюкозид и изоларицирезинол 9'-O-глюкозид. Примечательно, что пинорезинол-4-O-глюкозид, лигнановое соединение, также содержится в цветках S. japonicas [38] и Forsythiae Fructus [39] и обладает возможным анальгетическим эффектом. 3'-Дезоксиаденозин является нуклеозидным аналогом с противораковыми свойствами против нескольких типов рака [40], тогда как 1-O-кофеоил-β-D-глюкоза представляет собой гидрофильный антиоксидант, выделенный из плодов овощной люффы цилиндрической (L.) Roem (губчатой тыквы) [41]. 3-IPA, метаболит, производный триптофана, обладает множеством полезных функций, таких как иммунорегуляция, противовоспалительная и антиоксидантная активность [42], [43]. Интересно, что изололиолид был единственным повышенным терпеноидом, обнаруженным среди них; он также содержится в Portulaca oleracea L. и имеет потенциальное медицинское применение против некоторых нейродегенеративных расстройств [44], [45]. С другой стороны, все 20 аминокислот и их производных были значительно снижены (Рис. 5(c)).

Для выявления доминирующих метаболических путей нелетучих метаболитов мы аннотировали и обогатили 426 дифференциальных нелетучих метаболитов и разделили их на различные пути KEGG. Дифференциальные метаболиты были вовлечены в 89 путей; 20 основных путей (p < 0.05) были представлены в виде пузырьковых диаграмм (Рис. S2(a) в Приложении A), включая пути биосинтеза аминоацил-транспортной РНК (тРНК); метаболизма глутатиона; биосинтеза аминокислот; метаболизма глицина, серина и треонина; а также метаболизма аргинина и пролина. Эти пути в основном связаны с метаболизмом алкалоидов, флавоноидов, лигнанов и кумаринов, липидов, нуклеотидов, органических кислот, фенольных кислот, терпеноидов и аминокислот.

Основные метаболические пути 68 значительно повышенных дифференциальных метаболитов и 20 значительно сниженных аминокислот и их производных интегрированы на Рис. S3 в Приложении A. В конечном итоге 34 соединения (11 аминокислот и их производных, 5 органических кислот, 3 липида, 3 нуклеотида и их производных, 3 фенольные кислоты, 2 флавоноида, 1 лигнан и 6 других) были аннотированы в 52 связанных путях KEGG (Таблица S5 в Приложении A). Было обнаружено, что органические кислоты и фенольные кислоты тесно связаны с путями метаболизма пиримидинов; метаболизма пирувата; метаболизма аланина, аспартата и глутамата; а также биосинтеза фенилпропаноидов. С другой стороны, 11 аминокислот и их производных были тесно связаны с путями биосинтеза аминокислот, биосинтеза аминоацил-тРНК и метаболизма глиоксилата дикарбоксилата. Остальные 45 повышенных дифференциальных метаболитов и 9 сниженных аминокислот и их производных не были аннотированы ни в каких путях из-за отсутствия доступной информации об их функциях.

В совокупности эти данные свидетельствуют о том, что выращивание в PF может индуцировать накопление в рисе большего количества органических кислот и фенольных кислот по сравнению с полевым выращиванием, что может быть связано с активацией метаболизма пиримидинов, метаболизма пирувата, метаболизма аланина, аспартата и глутамата, а также биосинтеза фенилпропаноидов в условиях PF. 68 значительно повышенных дифференциальных метаболитов и 20 значительно сниженных аминокислот и их производных могут быть использованы в качестве нелетучих биомаркеров для дифференциации семян риса, выращенных в PF, от семян риса, выращенных в поле.

3.4. Влияние ускоренной селекции на основе PF на летучие метаболиты семян риса

Летучие метаболиты являются основными химическими соединениями, определяющими характерный аромат и вкус пищевых продуктов, что делает их еще одним важным показателем качества риса [46], [47]. Поэтому мы также исследовали, может ли ускоренная селекция на основе PF значительно влиять на летучие метаболиты риса.

3.4.1. Различия в составе летучих соединений

Всего было определено 530 летучих метаболитов с использованием системы ГХ-МС в положительном и отрицательном ионных режимах. Все эти летучие соединения можно классифицировать на 15 классов (Рис. S1(c) в Приложении A): 93 гетероциклических соединения (17.58%), 91 сложный эфир (17.2%), 77 терпеноидов (14.56%), 58 углеводородов (10.96%), 49 альдегидов (9.07%), 46 спиртов (8.70%), 38 кетонов (7.18%), 35 ароматических соединений (6.62%), 13 кислот (2.46%), 9 фенолов (1.70%), 7 аминов (1.32%), 6 азотсодержащих соединений (1.13%), 4 галогенированных углеводорода (0.76%), 2 серосодержащих соединения (0.38%) и 2 других соединения (0.38%). Как показано на Рис. 4(e), распределение классов летучих соединений было сходным в двух группах семян риса, выращенных в PF и в поле. В семенах риса, выращенных в PF, наиболее распространенными летучими метаболитами были ароматические соединения (16.66%), серосодержащие соединения (14.85%), гетероциклические соединения (10.08%) и амины (10.11%). Напротив, наиболее распространенными летучими метаболитами в семенах риса, выращенных в поле, были серосодержащие соединения (16.70%), ароматические соединения (14.29%), альдегиды (12.42%) и гетероциклические соединения (10.52%). Как показано на Рис. 4(f), общее количество летучих соединений в семенах риса, выращенных в PF, было ниже, чем в семенах риса, выращенных в поле, в то время как наблюдалось значительное увеличение накопления фенолов, кетонов, ароматических соединений и аминов в семенах риса, выращенных в PF, что, вероятно, связано с особыми условиями селекции в PF. Затем мы провели анализ PCA. На графике PCA PC1 и PC2 объясняли 44% и 26% общей дисперсии соответственно (Рис. 4(g)). Более того, на основе карты HCA 530 летучих метаболитов было получено два основных кластера (Рис. S1(d) в Приложении A). В совокупности эти результаты раскрывают состав и распределение летучих метаболитов в семенах риса, а также подчеркивают различия между рисом, выращенным в PF, и рисом, выращенным в поле. Это понимание предоставляет важную информацию для дальнейшего изучения характеристик качества риса и условий выращивания.

3.4.2. Вклад летучих соединений в профили вкуса

Модель OPLS-DA (R2Y = 0.995, Q2 = 0.910) была выполнена и проверена для скрининга дифференциальных летучих соединений в семенах риса. На основе графика OPLS-DA (Рис. 4(h)) и значений VIP было идентифицировано в общей сложности 74 метаболита (p < 0.05, VIP ≥ 1, FC ≥ 2 и FC ≤ 0.5) в качестве биомаркеров, ответственных за дифференциацию семян риса, выращенных в PF и в поле. Было обнаружено 74 основных дифференциальных метаболита (19 терпеноидов, 13 гетероциклических соединений, 10 ароматических соединений, 8 кетонов, 7 сложных эфиров, 7 альдегидов, 7 спиртов, 1 кислота, 1 углеводород и 1 азотсодержащее соединение), из которых 28 метаболитов были повышены, а 46 метаболитов снижены. Первые 20 дифференциальных метаболитов с наивысшими значениями VIP в модели OPLS-DA показаны на Рис. 5(c).

Кроме того, по сравнению с семенами риса, выращенными в поле, в семенах риса, выращенных в PF, было обнаружено 65 основных дифференциальных метаболитов (VIP ≥ 1.00, p < 0.05 и level = 1) (Таблица S6 в Приложении A), включая 17 терпеноидов, 10 гетероциклических соединений, 9 ароматических соединений, 7 кетонов, 5 сложных эфиров, 7 альдегидов, 7 спиртов, 1 кислоту, 1 углеводород и 1 азотсодержащее соединение. Среди 65 метаболитов 19 значительно повышенных летучих метаболитов были идентифицированы как в семенах риса, выращенных в PF, так и в FT, включая 4 гетероциклических соединения, 4 ароматических соединения, 3 терпеноида, 2 кетона, 2 спирта, 2 альдегида, 1 углеводород и 1 сложный эфир (Рис. 5(d)). Примечательно, что пять летучих соединений (1,3-бензодиоксол-5-ол, дифенилметан, 1,E-11,Z-13-гексадекатриен, 1,3-диоксолан-2,2-диэтанол и 10-эпи-γ-эдесмол) были обнаружены только в семенах риса, выращенных в PF. 1,3-Бензодиоксол-5-ол, также известный как сезамол, является мощным функциональным пищевым ингредиентом с множеством полезных функций, включая кардиопротекцию [48], противонейровоспалительное действие [49] и противоастматическую активность [50].

Затем 74 дифференциальных метаболита были подвергнуты анализу KEGG, и было идентифицировано 10 путей, включая пути, связанные с биосинтезом монотерпеноидов, вторичных метаболитов, а также сесквитерпеноидов и тритерпеноидов, которые представлены на Рис. S2(b) в Приложении A. Среди 19 повышенных метаболитов 7 соединений (например, 2 терпеноида и 1 спирт) были аннотированы в связанных путях KEGG (Рис. 6), тогда как остальные 58 соединений не были аннотированы из-за ограниченной информации об их функциях (Таблица S7 в Приложении A).

4.Выводы и перспективы будущих исследований
При постоянном росте населения мира увеличение скорости генетического улучшения сельскохозяйственных культур представляет собой серьезную проблему. Мы разработали вертикальную многослойную систему выращивания с гидропоникой в растениеводческом комплексе (PF) для реализации ускоренной селекции риса, сократив почти вдвое период его роста в полевых условиях, что позволяет получать 5-6 поколений риса в год. Система PF обеспечивает комплексное регулирование надземной среды выращивания и подземной ризосферной среды, что делает возможным более быстрое получение новых поколений сельскохозяйственных культур.
Кроме того, многослойное выращивание обеспечивает более эффективное использование пространства и энергоэффективность на единицу площади по сравнению с однослойным выращиванием, что позволяет эффективно решать проблему высоких затрат энергии (например, электроэнергии), тем самым способствуя экономической устойчивости ускоренной селекции в PF.
Как гибкая платформа для ускоренной селекции, система PF может использоваться не только для риса, но и для других культур, таких как пшеница, соя, кукуруза и люцерна, обеспечивая быстрое получение новых поколений. Более того, систему PF можно комбинировать с современными селекционными технологиями, такими как высокопроизводительный фенотипирование культур (HCP), маркер-опосредованный отбор (MAS) и редактирование генов с использованием системы CRISPR-Cas9, чтобы создать новую систему быстрой и точной селекции. По сравнению с челночной селекцией, эта система позволяет быстро завершить весь селекционный процесс на местном уровне (рис. 7).

Было установлено, что липиды, органические кислоты, аминокислоты и алкалоиды являются четырьмя основными классами метаболитов в семенах риса, выращенных в PF. По сравнению с полевыми семенами, в семенах риса из PF накапливалось больше фенольных и органических кислот, но меньше аминокислот и их производных. Кроме того, в семенах риса из PF образовывалось больше летучих соединений, включая фенолы, кетоны, ароматические соединения и амины. В сравнении с полевыми семенами риса, восемь нелетучих и пять летучих соединений были обнаружены исключительно в семенах из PF, что делает эти соединения потенциальными биомаркерами для характеристики прогресса селекции риса в PF.
В целом, данное исследование подчеркивает потенциал систем PF не только для повышения эффективности селекции риса, но и для улучшения его питательных качеств. Используя инновационные технологии и методы выращивания, такие как системы PF, мы можем решать проблемы, связанные с ростом населения и изменением климата, чтобы обеспечить производство продуктов питания в будущем.
Вклад авторов:
Yi Liu: Написание оригинального текста, Программное обеспечение, Методология, Формальный анализ, Обработка данных. Zong-Geng Li: Редактирование текста, Ресурсы, Методология. Hao Cheng: Программное обеспечение, Методология. Xiao Yang: Валидация, Программное обеспечение. Ming-Yue Li: Методология, Обработка данных. Hong-Yan Liu: Редактирование текста, Надзор, Концептуализация. Ren-You Gan: Редактирование текста, Визуализация, Надзор, Ресурсы. Qi-Chang Yang: Финансирование.

Ссылки на литературу:
[1]
N. Bandumula
Rice production in Asia: key to global food security
Proc Natl Acad Sci, India, Sect B Biol Sci, 88 (4) (2018), pp. 1323-1328
View at publisherCrossrefView in ScopusGoogle Scholar
[2]
E.H. Song, J. Jeong, C.Y. Park, H.Y. Kim, E.H. Kim, E. Bang, et al.
Metabotyping of rice (Oryza sativa L.) for understanding its intrinsic physiology and potential eating quality
Food Res Int, 111 (2018), pp. 20-30
View PDFView articleView in ScopusGoogle Scholar
[3]
L. Zhang, D. Cui, X. Ma, B. Han, L. Han
Comparative analysis of rice reveals insights into the mechanism of colored rice via widely targeted metabolomics
Food Chem, 399 (2023), Article 133926
View PDFView articleGoogle Scholar
[4]
B. Jin, C. Zhang, L. Jia, Q. Tang, L. Gao, G. Zhao, et al.
Identification of rice seed varieties based on near-infrared hyperspectral imaging technology combined with deep learning
ACS Omega, 7 (6) (2022), pp. 4735-4749
View at publisher
CrossrefView in ScopusGoogle Scholar
[5]
D.S. Kim, Q.W. Kim, H. Kim, H.J. Kim
Changes in the chemical, physical, and sensory properties of rice according to its germination rate
Food Chem, 388 (2022), Article 133060
View PDFView articleView in ScopusGoogle Scholar
[6]
L.T. Hickey, A.N. Hafeez, H. Robinson, S.A. Jackson, S.C.M. Leal-Bertioli, M. Tester, et al.
Breeding crops to feed 10 billion
Nat Biotechnol, 37 (7) (2019), pp. 744-754
CrossrefView in ScopusGoogle Scholar
[7]
K.P. Voss-Fels, A. Stahl, L.T. Hickey
Q&A: modern crop breeding for future food security
BMC Biol, 17 (2019), p. 18
View in ScopusGoogle Scholar
[8]
L. Zhang, X. Yang, T. Li, R. Gan, Z. Wang, J. Peng, et al.
Plant factory technology lights up urban horticulture in the post-coronavirus world
Hortic Res, 9 (2022), Article uhac018
View in ScopusGoogle Scholar
[9]
G.N. De La Fuente, U.K. Frei, T. Lübberstedt
Accelerating plant breeding
Trends Plant Sci, 18 (12) (2013), pp. 667-672
View PDFView articleView in ScopusGoogle Scholar
[10]
S. Ghosh, A. Watson, O.E. Gonzalez-Navarro, R.H. Ramirez-Gonzalez, L. Yanes, M. Mendoza-Suárez, et al.
Speed breeding in growth chambers and glasshouses for crop breeding and model plant research
Nat Protoc, 13 (12) (2018), pp. 2944-2963
CrossrefView in ScopusGoogle Scholar
[11]
Y. Nagatoshi, Y. Fujita
Accelerating soybean breeding in a CO₂-supplemented growth chamber
Plant Cell Physiol, 60 (1) (2019), pp. 77-84
CrossrefView in ScopusGoogle Scholar
[12]
L. Zhang, L. Huang, T. Li, T. Wang, X. Yang, Q. Yang
The skyscraper crop factory: a potential crop-production system to meet rising urban food demand
Engineering, 31 (2023), pp. 70-75
View PDFView articleCrossrefView in ScopusGoogle Scholar
[13]
A. Thongtip, K. Mosaleeyanon, S. Korinsak, T. Toojinda, C.T. Darwell, P. Chutimanukul, et al.
Promotion of seed germination and early plant growth by KNO₃ and light spectra in Ocimum tenuiflorum using a plant factory
Sci Rep, 12 (1) (2022), p. 6995
View in ScopusGoogle Scholar
[14]
A. Watson, S. Ghosh, M.J. Williams, W.S. Cuddy, J. Simmonds, M.D. Rey, et al.
Speed breeding is a powerful tool to accelerate crop research and breeding
Nat Plants, 4 (1) (2018), pp. 23-29
CrossrefView in ScopusGoogle Scholar
[15]
F. Jähne, V. Hahn, T. Würschum, W.L. Leiser
Speed breeding short-day crops by LED-controlled light schemes
Theor Appl Genet, 133 (8) (2020), pp. 2335-2342
CrossrefView in ScopusGoogle Scholar
[16]
P.G. Kabade, S. Dixit, U.M. Singh, S. Alam, S. Bhosale, S. Kumar, et al.
SpeedFlower: a comprehensive speed breeding protocol for indica and japonica rice
Plant Biotechnol J, 22 (5) (2024), pp. 1051-1066
CrossrefView in ScopusGoogle Scholar
[17]
R. John, R. Bhardwaj, C. Jeyaseelan, H. Bollinedi, N. Singh, G.D. Harish, et al.
Germplasm variability-assisted near infrared reflectance spectroscopy chemometrics to develop multi-trait robust prediction models in rice
Front Nutr, 9 (2022), Article 946255
View in ScopusGoogle Scholar
[18]
T. Song, D. Das, F. Zhu, X. Chen, M. Chen, F. Yang, et al.
Effect of alternate wetting and drying irrigation on the nutritional qualities of milled rice
Front Plant Sci, 12 (2021), Article 721160
View in ScopusGoogle Scholar
[19]
C. Wang, Y. Feng, S. Zhang, T. Fu, Y. Sheng, Y. Zhang, et al.
Effects of storage on brown rice (Oryza sativa L.) metabolites, analyzed using gas chromatography and mass spectrometry
Food Sci Nutr, 8 (6) (2020), pp. 2882-2894
CrossrefView in ScopusGoogle Scholar
[20]
L. Guo, Y. Yu, H. Yu, Y. Tang, J. Li, Y. Du, et al.
Rapid quantitative analysis of adulterated rice with partial least squares regression using hyperspectral imaging system
J Sci Food Agric, 99 (12) (2019), pp. 5558-5564