Summary

Il concetto Terroir interpretato attraverso uva a bacca Metabolomica e Trascrittomica

Published: October 05, 2016
doi:

Summary

Questo articolo descrive l'applicazione di metabolomica non mirati, trascrittomica e l'analisi statistica multivariata per le trascrizioni di bacche di uva e metaboliti al fine di ottenere una visione nel concetto terroir, vale a dire, l'impatto dell'ambiente sulla caratteristiche qualitative di bacche.

Abstract

Terroir si riferisce alla combinazione di fattori ambientali che influenzano le caratteristiche delle colture quali vite (Vitis vinifera) in base a particolari habitat e pratiche di gestione. Questo articolo mostra come certe firme terroir possono essere rilevati nel metaboloma bacche e trascrittoma della Corvina vite cultivar utilizzando l'analisi statistica multivariata. Il primo metodo richiede un piano di campionamento adeguato. In questo caso di studio, un clone specifico della cultivar Corvina è stato scelto per ridurre al minimo le differenze genetiche, ed i campioni sono stati raccolti da sette vigneti che rappresentano tre diverse macro-zone nel corso di tre diverse stagioni di crescita. Un approccio non mirati LC-MS metabolomica è raccomandato a causa della sua alta sensibilità, accompagnato da trattamento efficiente dei dati utilizzando il software MZmine e una strategia di identificazione metabolita sulla base dell'analisi albero frammentazione. analisi del trascrittoma completa può essere effettuata mediante microarraycontenenti sonde copre ~ 99% di tutti i geni di vite previsti, consentendo l'analisi simultanea di tutti i geni differenzialmente espressi nel contesto di diversi terroir. Infine, l'analisi dei dati multivariati basato su metodi di proiezione può essere utilizzato per superare il forte effetto specifico epoca, permettendo ai metabolomica e dati trascrittomica da integrare e analizzati in dettaglio per identificare correlazioni informativi.

Introduction

l'analisi dei dati su larga scala basata sui genomi, la trascrittomica, proteomi e metabolomes di piante fornisce una visione senza precedenti sul comportamento di sistemi complessi, come ad esempio le caratteristiche terroir di vino che riflettono le interazioni tra piante di vite e il loro ambiente. Poiché il terroir di un vino può essere distinto anche quando cloni di vite identiche sono coltivate in vigneti diversi, l'analisi genomica è di scarsa utilità, perché i genomi clonali sono identici. Invece è necessario esaminare le correlazioni tra l'espressione genica e le proprietà metaboliche dei frutti di bosco, che determinano le caratteristiche qualitative del vino. L'analisi dell'espressione genica a livello delle prestazioni trascrittoma dalle proprietà chimiche simili di tutte le trascrizioni, che facilita l'analisi quantitativa sfruttando caratteristiche universali come ibridazione di sonde immobilizzate su microarray. Al contrario, i metodi analitici universali proteomica unND metabolomica sono più difficili a causa della enorme diversità fisica e chimica delle singole proteine ​​e metaboliti. Nel caso di metabolomica questa diversità è ancora più estremo, perché i singoli metaboliti differiscono notevolmente in termini di dimensioni, la polarità, l'abbondanza e la volatilità, in modo che nessun singolo processo di estrazione o metodo analitico offre un approccio olistico.

Tra le piattaforme analitici adatti per i metaboliti non volatili, quelli basati sulla cromatografia liquida ad alta prestazione accoppiata alla spettrometria di massa (HPLC-MS) sono molto più sensibili rispetto alle alternative quali HPLC con raggi ultravioletti o diodi rivelatori a serie (HPLC-UV, HPLC-DAD ) o spettroscopia di risonanza magnetica nucleare (NMR), ma l'analisi quantitativa mediante HPLC-MS può essere influenzata da fenomeni quali l'effetto matrice e soppressione ionica / enhancement 1-3. L'indagine di tali effetti durante l'analisi di acini d'uva Corvina mediante HPLC-MS utilizzando una sorgente di ionizzazione elettrospray (HPLC-ESI-MS), ha mostrato che gli zuccheri e le altre molecole con i tempi di ritenzione più bassi sono stati fortemente underreported, probabilmente riflette il gran numero di molecole in questa zona, e che l'abbondanza di altre molecole potrebbe essere sottostimato, sopravvalutati o influenzato dalla effetto matrice , ma la normalizzazione dei dati per l'effetto della matrice sembrava avere impatto limitato sul risultato 4,5 complessiva. Il metodo descritto nel presente documento è ottimizzato per l'analisi dei metaboliti medio di polarità che si accumulano ad alti livelli nel acini d'uva durante la maturazione, e che sono significativamente influenzato dal terroir. Essi comprendono antociani, flavonoli, flavan-3-oli, procianidine, altri flavonoidi, resveratrolo, stilbeni, acidi idrossicinnamici e acidi idrossibenzoici, che insieme determinano il colore, il gusto e le proprietà relative alla salute dei vini. Altri metaboliti, come gli zuccheri e acidi organici alifatici, vengono ignorati perché quantificazione mediante HPLC-MS non è affidabile a causa della matrice di effect e soppressione ionica fenomeni 5. All'interno della gamma polarità selezionata con questo metodo, l'approccio è non mirati in quanto mira a rilevare come molti metaboliti differenti possibili 6.

Metodi trascrittomica che permettono di migliaia di trascrizioni di vite da monitorare simultaneamente sono facilitati dalla disponibilità della completa sequenza del genoma della vite 7,8. metodi trascrittomica I primi a base di high-throughput sequencing cDNA si sono evoluti con l'avvento di sequenziamento di prossima generazione in un insieme di procedure note come tecnologia di RNA-Seq. Questo approccio sta rapidamente diventando il metodo di scelta per gli studi di trascrittomica. Tuttavia, un grande corpo di letteratura basata su microarray, che consentono di migliaia di trascrizioni da quantificare in parallelo per ibridazione, ha accumulato per vite. Infatti, prima di RNA-Seq è diventata una tecnologia mainstream, molte piattaforme di microarray commerciali dedicati erano statisviluppato permettendo vite trascrittoma da ispezionare in grande dettaglio. Tra la vasta gamma di piattaforme, solo due ammessi genome-wide analisi del trascrittoma 9. La matrice più evoluti consentito l'ibridazione di un massimo di 12 campioni indipendenti su un unico dispositivo, riducendo così i costi di ogni esperimento. I 12 sub-array ciascuno composti 135.000 sonde 60-mer rappresentano 29,549 trascrizioni di vite. Questo dispositivo è stato utilizzato in un gran numero di studi 10-24. Queste due piattaforme sono state ormai fuori produzione, ma un nuovo microarray personalizzato è stato recentemente progettato e rappresenta uno sviluppo più recente in quanto contiene un numero ancora maggiore di sonde che rappresentano ulteriori geni di recente scoperta di vite 25.

I set di dati di grandi dimensioni-vendita prodotti da trascrittomica e metabolomica analisi richiedono metodi statistici per l'analisi dei dati, comprese le tecniche multivariate per determinare le correlazioni tra forma diversas di dati. Le tecniche multivariate più utilizzati sono quelli a base di proiezione, e questi possono essere sorvegliati, come ad esempio analisi delle componenti principali (PCA), o sotto la supervisione, come ad esempio bidirezionale proiezione ortogonale alle strutture latenti analisi discriminante (O2PLS-DA) 26. Il protocollo presentato in questo articolo utilizza PCA per l'analisi dei dati esplorativi e O2PLS-DA per identificare le differenze tra gruppi di campioni.

Protocol

1. Selezionare materiali appropriati e costruire un piano di campionamento Inizia l'esperimento attraverso lo sviluppo di un piano di campionamento adeguato. Non esiste un approccio generico e universale in modo valutare ogni piano, caso per caso. Assicurarsi che il piano di campionamento afferma i luoghi di campionamento, i tempi e le modalità di campionamento preciso. Vedere la Figura 1 per il piano di campionamento utilizzato in questo caso di studio. NOTA: In questo caso di st…

Representative Results

Il caso di studio descritto in questo articolo ha prodotto una matrice di dati finale comprendente 552 segnali (m / z caratteristiche) tra ioni molecolari più i loro isotopi, addotti e alcuni frammenti, relativamente quantificati tra i 189 campioni (7 vigneti x 3 stadi di maturazione x 3 stagioni di crescita x 3 repliche biologiche). Il numero totale di punti di dati è stato quindi 104.328. Analisi dell'albero La frammentazione ha portato l'annotazione di 282 funzioni …

Discussion

Questo articolo descrive le metabolomica, trascrittomica e protocolli di analisi statistica utilizzate per interpretare il concetto di terroir uva a bacca. Analisi Metabolomica mediante HPLC-ESI-MS è abbastanza sensibile da rilevare un gran numero di metaboliti simultaneamente, ma relativa quantificazione è influenzata dall'effetto matrice e ioni soppressione / miglioramento. Tuttavia, un approccio simile è già stato utilizzato per descrivere la maturazione e appassimento post-raccolta di frutti di bosco Corvina…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

This work benefited from the networking activities coordinated within the EU-funded COST ACTION FA1106 “An integrated systems approach to determine the developmental mechanisms controlling fleshy fruit quality in tomato and grapevine”. This work was supported by the ‘Completamento del Centro di Genomica Funzionale Vegetale’ project funded by the CARIVERONA Bank Foundation and by the ‘Valorizzazione dei Principali Vitigni Autoctoni Italiani e dei loro Terroir (Vigneto)’ project funded by the Italian Ministry of Agricultural and Forestry Policies. SDS was financed by the Italian Ministry of University and Research FIRB RBFR13GHC5 project “The Epigenomic Plasticity of Grapevine in Genotype per Environment Interactions”.

Materials

Mill Grinder IKA IKA A11 basic
HPLC Autosampler Beckman Coulter  - System Gold 508 Autosampler
HPLC System Beckman Coulter  - System Gold 127 Solvent Module HPLC
C18 Guard Column Grace  - Alltima HP C18 (7.5×2.1mm; 5μm) Guard Column
C18 Column Grace  - Alltima HP C18 (150×2.1mm; 3μm) Column
Mass Spectometer Bruker Daltonics  - Bruker Esquire 6000; The mass spectometer was equipped with an ESI source and the analyzer was an ion trap.
Extraction solvents and HPLC buffers Sigma 34966 Methanol LC-MS grade
Sigma 94318 Formic acid LC-MS grade
Sigma 34967 Acetonitrile LC-MS grade
Sigma 39253 Water  LC-MS grade
Minisart RC 4 Syringe filters (0.2 μm) Sartorius 17764
Softwares for data collection (a) and processing (b) Bruker Daltonics Bruker Daltonics Esquire 5.2 Control (a); Esquire 3.2 Data Analysis and MzMine 2.2 softwares (b)
Spectrum Plant Total RNA kit Sigma-Aldrich STRN250-1KT For total RNA extractino from grape pericarps
Nanodrop 1000 Thermo Scientific 1000
BioAnalyzer 2100 Agilent Technologies G2939A
RNA 6000 Nano Reagents Agilent Technologies 5067-1511
RNA Chips Agilent Technologies 5067-1511
Agilent Gene Expression Wash Buffer 1 Agilent Technologies 5188-5325
Agilent Gene Expression Wash Buffer 2 Agilent Technologies 5188-5326
LowInput QuickAmp Labeling kit One-Color Agilent Technologies 5190-2305
Kit RNA Spike In – One-Color Agilent Technologies 5188-5282
Gene Expression Hybridization Kit Agilent Technologies 5188-5242
RNeasy Mini Kit (50) Qiagen 74104 For cRNA Purification
Agilent SurePrint HD 4X44K 60-mer Microarray Agilent Technologies G2514F-048771 
eArray Agilent Technologies https://earray.chem.agilent.com/earray/
Gasket slides Agilent Technologies G2534-60012 Enable Agilent SurePrint Microarray 4-array Hybridization
Thermostatic bath Julabo
Hybridization Chamber Agilent Technologies G2534-60001
Microarray Hybridization Oven Agilent Technologies G2545A
Hybridization Oven Rotator Rack Agilent Technologies G2530-60029
Rotator Rack Conversion Rod Agilent Technologies G2530-60030
Staining kit Bio-Optica 10-2000 Slide-staining dish and Slide rack
Magnetic stirrer device AREX Heating Magnetic Stirrer F20540163 
Thermostatic Oven Thermo Scientific Heraeus – 6030
Agilent Microarray Scanner Agilent Technologies G2565CA
Scanner Carousel, 48-position Agilent Technologies G2505-60502
Slide Holders Agilent Technologies G2505-60525
Feature extraction software v11.5 Agilent Technologies inside the Agilent Microarray Scanner G2565CA
SIMCA + V13 Software Umetrics

Riferimenti

  1. Jessome, L. L., Volmer, D. A. Ion suppression: A major concern in mass spectrometry. Lc Gc N Am. 24 (5), 498-510 (2006).
  2. Kim, H. K., Choi, Y. H., Verpoorte, R. NMR-based plant metabolomics: where do we stand, where do we go?. Trends Biotech. 29 (6), 267-275 (2011).
  3. Sumner, L. W., Mendes, P., Dixon, R. A. Plant metabolomics: large-scale phytochemistry in the functional genomics era. Phytochem. 62 (6), 817-836 (2003).
  4. Bottcher, C., von Roepenack-Lahaye, E., Willscher, E., Scheel, D., Clemens, S. Evaluation of matrix effects in metabolite profiling based on capillary liquid chromatography electrospray ionization quadrupole time-of-flight mass spectrometry. Anal Chem. 79 (4), 1507-1513 (2007).
  5. Toffali, K., et al. Novel aspects of grape berry ripening and post-harvest withering revealed by untargeted LC-ESI-MS metabolomics analysis. Metabolomics. 7 (3), 424-436 (2011).
  6. Martin, J. C., et al. Can we trust untargeted metabolomics? Results of the metabo-ring initiative, a large-scale, multi-instrument inter-laboratory study. Metabolomics. 11 (4), 807-821 (2015).
  7. Jaillon, O., et al. The grapevine genome sequence suggests ancestral hexaploidization in major angiosperm phyla. Nature. 449 (7161), 463-467 (2007).
  8. Velasco, R., et al. A high quality draft consensus sequence of the genome of a heterozygous grapevine variety. Plos One. 2 (12), (2007).
  9. Tornielli, G. B., Zamboni, A., Zenoni, S., Delledonne, M., Pezzotti, M., Gerós, H., Chaves, M., Delrot, S. Ch. 11. The Biochemestry of the Grape Berry. 11, (2012).
  10. Anesi, A., et al. Towards a scientific interpretation of the terroir concept: plasticity of the grape berry metabolome. BMC Plant Biol. 15, 1-17 (2015).
  11. Berdeja, M., et al. Water limitation and rootstock genotype interact to alter grape berry metabolism through transcriptome reprogramming. Hort Res. 2, 1-13 (2015).
  12. Carbonell-Bejerano, P., et al. Solar ultraviolet radiation is necessary to enhance grapevine fruit ripening transcriptional and phenolic responses. BMC Plant Biol. 14, 1-16 (2014).
  13. Carbonell-Bejerano, P., et al. Reducing sampling bias in molecular studies of grapevine fruit ripening: transcriptomic assessment of the density sorting method. Theor Exp Plant Phys. 28 (1), 109-129 (2016).
  14. Carbonell-Bejerano, P., et al. Circadian oscillatory transcriptional programs in grapevine ripening fruits. BMC Plant Biol. 14, 1-15 (2014).
  15. Cavallini, E., et al. Functional diversification of grapevine MYB5a and MYB5b in the control of flavonoid biosynthesis in a petunia anthocyanin regulatory mutant. Plant & Cell Physiol. 55 (3), 517-534 (2014).
  16. Cramer, G. R., et al. Transcriptomic analysis of the late stages of grapevine (Vitis vinifera cv. Cabernet Sauvignon) berry ripening reveals significant induction of ethylene signaling and flavor pathways in the skin. BMC Plant Biol. 14, 1-21 (2014).
  17. Dal Santo, S., et al. The plasticity of the grapevine berry transcriptome. Genome Biol. 14 (6), 1-17 (2013).
  18. Fasoli, M., et al. The Grapevine Expression Atlas Reveals a Deep Transcriptome Shift Driving the Entire Plant into a Maturation Program. Plant Cell. 24 (9), 3489-3505 (2012).
  19. Gambino, G., et al. Co-evolution between Grapevine rupestris stem pitting-associated virus and Vitis vinifera L. leads to decreased defence responses and increased transcription of genes related to photosynthesis. J Exp Bot. 63 (16), 5919-5933 (2012).
  20. Ghan, R., et al. Five omic technologies are concordant in differentiating the biochemical characteristics of the berries of five grapevine (Vitis vinifera L.) cultivars. BMC Genomics. 16 (1), 1-26 (2015).
  21. Pastore, C., et al. Selective defoliation affects plant growth, fruit transcriptional ripening program and flavonoid metabolism in grapevine. BMC Plant Biol. 13, 1-13 (2013).
  22. Pastore, C., et al. Increasing the source/sink ratio in Vitis vinifera (cv Sangiovese) induces extensive transcriptome reprogramming and modifies berry ripening. BMC Genomics. 12, 1-23 (2011).
  23. Rinaldo, A. R., et al. A Grapevine Anthocyanin Acyltransferase, Transcriptionally Regulated by VvMYBA, Can Produce Most Acylated Anthocyanins Present in Grape Skins. Plant Physiol. 169 (3), 1897-1916 (2015).
  24. Royo, C., et al. Developmental, transcriptome, and genetic alterations associated with parthenocarpy in the grapevine seedless somatic variant Corinto bianco. J Exp Bot. , 259-273 (2015).
  25. Venturini, L., et al. De novo transcriptome characterization of Vitis vinifera cv. Corvina unveils varietal diversity. BMC Genomics. 14, 1-13 (2013).
  26. Commisso, M., Strazzer, P., Toffali, K., Stocchero, M., Guzzo, F. Untargeted metabolomics: an emerging approach to determine the composition of herbal products. Comput Struct Biotechnol J. 4, 1-7 (2013).
  27. Pluskal, T., Castillo, S., Villar-Briones, A., Oresic, M. MZmine 2: Modular framework for processing, visualizing, and analyzing mass spectrometry-based molecular profile data. BMC Bioinformatics. 11, 1-11 (2010).
  28. Ashburner, M., et al. Gene Ontology: tool for the unification of biology. Nat Genet. 25 (1), 25-29 (2000).

Play Video

Citazione di questo articolo
Dal Santo, S., Commisso, M., D’Incà, E., Anesi, A., Stocchero, M., Zenoni, S., Ceoldo, S., Tornielli, G. B., Pezzotti, M., Guzzo, F. The Terroir Concept Interpreted through Grape Berry Metabolomics and Transcriptomics. J. Vis. Exp. (116), e54410, doi:10.3791/54410 (2016).

View Video