Том 39, номер 03, статья № 8

Аннотация:

Вредоносные цветения водорослей являются серьезной угрозой для экологии прибрежных вод, а их своевременное обнаружение – важная задача экологического мониторинга. Использование оптической спектрофлуориметрии может быть перспективным направлением развития в этой области. Представлены результаты исследования нормированных температурных кривых флуоресценции (НТКФ) как эталонных признаков опасных микроводорослей с целью подтвердить возможности их идентификации по родам. НТКФ были получены в лабораторных условиях с использованием монокультур микроводорослей. Спектры флуоресценции регистрировались при контролируемых параметрах среды и линейном нагреве образцов от 20 до 80 °C. Для верификации результатов применялся кластерный анализ с использованием метода главных компонент. Результаты исследований показали, что НТКФ демонстрируют устойчивые родоспецифичные паттерны, позволяющие различать род микроводорослей с точностью 90,91%. Метод главных компонент (три главные компоненты, объясняющие 94,22% дисперсии) позволил устранить ошибки кластеризации, вызванные мультиколлинеарностью исходных признаков. Наибольшая точность классификации (100%) достигнута для рода Heterosigma akashiwa, наименьшая (86,15%) – для Pseudo-nitzschia из-за внутриродового сходства НТКФ. В дальнейшем необходимо расширение каталога эталонов для повышения статистической значимости исследования. Полученные нами НТКФ монокультур могут быть использованы во время мониторинга вредоносного цветения водорослей с помощью оптических методов для выявления доминирующих родов микроводорослей в природных акваториях.

Ключевые слова:

флуоресцентный анализ, температурные кривые флуоресценции, кластерный анализ, метод главных компонент, вредоносное цветение водорослей

Список литературы:

1. Anderson D.M. Harmful algal blooms // Encyclopedia of Ocean Sciences (Third Edition). Amsterdam: Academic Press, 2019. P. 309–321. DOI: 10.1016/B978-0-12-409548-9.11468-X.
2. Heil C.A., Muni-Morgan A.L. Florida’s Harmful Algal Bloom (HAB) Problem: Escalating risks to human, environmental and economic health with climate change // Frontiers in Ecology and Evolution. 2021. V. 9. P. P646080. DOI: 10.3389/fevo.2021.646080.
3. Heil C.A., Muni-Morgan A.L. Taxonomic discrimination of phytoplankton by spectral fluorescence // Chlorophyll a Fluorescence in Aquatic Sciences: Methods and Applications. Dordrecht: Springer Netherlands, 2010. P. 129–169. DOI: 10.1007/978-90-481-9268-7-7.
4. Larkum A.W. Photosynthesis and light harvesting in algae // The Physiology of Microalgae. Cham: Springer International Publishing, 2016. P. 67–87. DOI: 10.1007/978-3-319-24945-2_3.
5. Keeling P.J. The number, speed, and impact of plastid endosymbioses in eukaryotic evolution // Ann. Rev. Plant Biol. 2013. V. 64. P. 583–607. DOI: 10.1146/annurev-arplant-050312-120144.
6. Ilík P., Nauš J., Cikánek D., Novotný R. Chlorophyll fluorescence changes at high temperatures induced by linear heating of greening barley leaves // Photosynth. Res. 1995. V. 44, N 3. P. 271–275. DOI: 10.1007/BF00048600.
7. Lípová L., Krchňák P., Komenda J., Ilík P. Heat-induced disassembly and degradation of chlorophyll-containing protein complexes in vivo // Biochim. Biophys. Acta – Bioenerg. 2010. V. 1797, N 1. P. 63–70. DOI: 10.1016/j.bbabio.2009.08.001.
8. Кузнецова Е. Температурные зависимости флуоресценции и послесвечения биологических объектов // Лесной вестник. 1998. Т. 1. С. 121–124.
9. Кузнецова Е. Температурные зависимости флуоресценции листьев растений с импульсами индукции флуоресценции и послесвечения // Лесной вестник. 2005. Т. 3. С. 141–145.
10. Voznesenskiy S.S., Popik A.Y., Gamayunov E.L., Markina Z.V., Orlova T.Y. The dependence of phytoplankton fluorescence on the thermal stress factor // Biophysics. 2016. V. 61, N 1. P. 73–77. DOI: 10.1134/S0006350916010267.
11. Voznesenskiy S.S., Gamayunov E.L., Popik A.Y., Markina Z.V, Orlova T.Y. Temperature dependence of the parameters of laser-induced fluorescence and species composition of phytoplankton: The theory and the experiments // Algal Res. 2019. V. 44. P. 101719. DOI: 10.1016/j.algal.2019.101719.
12. Popik A.Y., Gamayunov E.L., Voznesenskiy S.S., Markina Z.M., Orlova T.Y. The study of fluorescence features of microalgae from the genus Pseudo-nitzschia and the possibility of their detection in water // Algal Res. 2022. V. 64. P. 102662. DOI: 10.1016/j.algal.2022. 102662.
13. Попик А.Ю., Гамаюнов Е.Л., Вознесенский С.С. Автоматизированная система анализа флуоресцентных характеристик культур микроводорослей // Оптика атмосф. и океана. 2023. Т. 36, № 12. С. 1020–1026. DOI: 10.15372/AOO20231209.
14. Garcia A.R., Filipe S.B., Fernandes C., Estevão C., Ramos G. Algal Culturing Techniques. Amsterdam: Elsevier Academic Press, 2005. 578 p.
15. Van Ooyen A. Theoretical aspects of pattern analysis // New Approaches for the Generation and Analysis of Microbial Typing Data / L. Dijkshoorn, K.J. Towner, M. Struelens (eds.). Amsterdam: Elsevier Science B.V., 2001. P. 31–45. DOI: 10.1016/B978-044450740-2/50003-4.
16. Roy K., Kar S., Das R.N. Selected statistical methods in QSAR // Understanding the Basics of QSAR for Applications in Pharmaceutical Sciences and Risk Assessment. Boston: Academic Press, 2015. P. 191–229. DOI: 10.1016/b978-0-12-801505-6.00006-5.
17. Jollife I.T., Cadima J. Principal component analysis: A review and recent developments // Philos. Trans. R. Soc. A. Math. Phys. Eng. Sci. 2016. V. 374, N 2065. DOI: 10.1016/b978-0-12-801505-6.00006-5.
18. Липатьев А. Понижение размерности и классификация // История и архивы. 2010. Т. 12, № 55. С. 160–175.
19. Tsoulfidis L., Athanasiadis I. A new method of identifying key industries: A principal component analysis // J. Econ. Struct. 2022. V. 11, N 1. DOI: 10.1186/s40008-022-00261-z.
20. Tharwat A. Principal component analysis – a tutorial // Int. J. Appl. Pattern Recognit. 2016. V. 3. P. 197. DOI: 10.1504/IJAPR.2016.079733.
21. Greenacre M., Groenen P., Hastie T., Iodice d’Enza A., Markos A., Tuzhilina E. Principal component analysis // Nat. Rev. Methods Prim. 2022. V. 2. P. 100. DOI: 10.1038/s43586-022-00184-w.
22. Pearson K. On lines and planes of closest fit to systems of points in space // London, Edinburgh, Dublin Philos. Mag. J. Sci. 1901. V. 2, N 11. P. 559–572. DOI: 10.1080/14786440109462720.
23. Михайличенко А.А. Аналитический обзор методов оценки качества алгоритмов классификации в задачах машинного обучения // Вестн. Адыгейского гос. ун-та. Сер. «Естественно-математические и технические науки». 2022. Т. 4, № 4. С. 52–59. DOI: 10.53598/2410-3225-2022-4-311-52-59.
24. Baldi P., Brunak S., Chauvin Y., Andersen C.A.F., Nielsen H. Assessing the accuracy of prediction algorithms for classification: An overview // Bioinformatics. 2000. V. 16, N 5. P. 412–424. DOI: 10.1093/bioinformatics/16.5.412.
25. Dunn J.C. Well-separated clusters and optimal fuzzy partitions // J. Cybernetics. 1974. V. 4, N 1. P. 95–104. DOI: 10.1080/01969727408546059.