Das Terroir-Konzept Interpretiert durch Grape Berry Metabolomics und Transcriptomics
Summary
Dieser Artikel beschreibt die Anwendung von ungezielte Metabolomik, Transcriptomics und multivariate statistische Analysen Traubenbeere Transkripte und Metaboliten , um einen Einblick in das Terroir – Konzept zu gewinnen, das heißt, die Auswirkungen der Umwelt auf die Beere Qualitätsmerkmale.
Abstract
Terroir bezieht sich auf die Kombination von Umweltfaktoren , die die Eigenschaften von Kulturen wie Weinreben (Vitis vinifera) nach bestimmten Habitaten und Managementpraktiken beeinflussen. Dieser Artikel zeigt, wie bestimmte Terroir Signaturen können in der Beere Metabolom und Transkriptom der Weinrebe Sorte Corvina mit multivariaten statistischen Analyse nachgewiesen werden. Das Verfahren erfordert zunächst eine geeignete Stichprobenplan. In dieser Fallstudie wurde ein spezifischer Klon der Corvina Sorte ausgewählten genetischen Unterschiede zu minimieren und Proben von sieben Weinbergen gesammelt wurden, die drei verschiedene Makro Zonen während der drei verschiedenen Wachstumsphasen. Eine ungezielte LC-MS Metabolomics Ansatz wird durch eine effiziente Datenverarbeitung mit MZmine Software und eine Identifizierung von Metaboliten Strategie auf Fragmentierung Baumanalyse basiert aufgrund seiner hohen Empfindlichkeit, begleitet empfohlen. Umfassende Transkriptom-Analyse kann unter Verwendung von Microarrays erreicht werdenenthaltenden Sonden abdeckt ~ 99% aller Weinrebe Gene vorhergesagt wird, die gleichzeitige Analyse aller differentiell exprimierte Gene im Zusammenhang mit verschiedenen terroirs ermöglicht. Schließlich kann der multivariaten Datenanalyse auf Projektionsverfahren auf Basis verwendet werden, um den starken Jahrgang spezifischen Effekt zu überwinden, so dass die Metabolomik und Transkriptom-Daten zu integrieren und im Detail analysiert werden, um informative Korrelationen zu identifizieren.
Introduction
Groß angelegte Datenanalyse auf der Basis der Genome, Transkriptom, Proteom und Metabolomen von Pflanzen bietet noch nie da gewesenen Einblick in das Verhalten von komplexen Systemen, wie zum Beispiel die Terroir Eigenschaften von Wein, die die Wechselwirkungen zwischen Weinrebe Pflanzen und ihrer Umwelt zu reflektieren. Da das Terroir eines Weines verschieden sein kann, selbst wenn identische Weinrebe Klone in verschiedenen Weinbergen angebaut werden, ist Genomik Analyse von geringem Nutzen, da die klonalen Genome identisch sind. Stattdessen ist es notwendig, auf Korrelationen zwischen Genexpression und den metabolischen Eigenschaften der Beeren zu suchen, die die Qualitätsmerkmale des Weines bestimmen. Die Analyse der Genexpression auf der Ebene der Transkriptom profitiert von den ähnlichen chemischen Eigenschaften aller Transkripte, die durch Ausnutzung universellen Eigenschaften wie die Hybridisierung an immobilisierte Sonden auf Mikroarrays quantitative Analyse ermöglicht. Im Gegensatz dazu universellen analytischen Methoden in der Proteomik einnd Metabolomik sind schwieriger wegen der großen physikalischen und chemischen Vielfalt einzelner Proteine und Metaboliten. Im Falle von Metabolomics diese Vielfalt ist noch extremer, weil einzelne Metaboliten stark in Größe, Polarität, die Fülle und die Volatilität unterscheiden, so dass keine einzige Extraktionsverfahren oder Analysemethode bietet einen ganzheitlichen Ansatz.
Zu den analytischen Plattformen geeignet für nichtflüchtige Stoffwechselprodukte sind solche auf Basis von Hochleistungs-Flüssigkeitschromatographie gekoppelt mit Massenspektrometrie (HPLC-MS) viel empfindlicher als Alternativen wie HPLC mit ultravioletter oder Diodenarray-Detektoren (HPLC-UV, HPLC-DAD ) oder Kernspinresonanz (NMR) Spektroskopie, aber quantitative Analyse durch HPLC-MS kann durch Phänomene wie die Matrixeffekt und Ionenunterdrückungs / Erweiterung 1-3 beeinflußt werden. Die Untersuchung solcher Effekte bei der Analyse von Corvina Traubenbeeren durch HPLC-MS unter Verwendung einer Elektrospray-Ionisations-Quelle (HPLC-ESI-MS) zeigte, dass Zucker und andere Moleküle mit den niedrigsten Retentionszeiten waren stark underreported, wahrscheinlich auch die große Anzahl von Molekülen in dieser Zone reflektiert, und dass die Fülle anderer Moleküle unterschätzt werden könnte, überschätzt bzw. unbeeinflußt von der Matrixeffekt , aber die Datennormalisierung für die Matrix – Effekt schien begrenzte Auswirkungen auf die Gesamtergebnisse 4,5 zu haben. Das hier beschriebene Verfahren ist für die Analyse von mittlerer Polarität Metaboliten optimiert, die während der Reifung, auf einem hohen Niveau in Traubenbeeren anreichern und werden wesentlich durch die terroir beeinflusst. Dazu gehören Anthocyane, Flavonole, Flavans-3-ole, Procyanidine, andere Flavonoide, Resveratrol, Stilbenen, Hydroxyzimtsäuren und Hydroxybenzoesäuren, die zusammen bestimmen die Farbe, Geschmack und gesundheitsbezogenen Eigenschaften von Weinen. Andere Stoffwechselprodukte, wie Zuckern und aliphatischen organischen Säuren, werden ignoriert, da die Quantifizierung durch HPLC-MS unverlässlich ist aufgrund der Matrix effect und Ionensuppression Phänomene 5. Innerhalb der Polaritätsbereich durch diese Methode gewählt, ist der Ansatz ungezielte, dass es zielt darauf ab , so viele verschiedene Stoffwechselprodukte wie möglich 6 zu erkennen.
Transcriptomics Methoden , die Tausende von Weinrebe Transkripten erlauben gleichzeitig überwacht werden sollen , durch die Verfügbarkeit des gesamten Weinrebe Genomsequenz 7,8 erleichtert. Frühe Transkriptomik Methoden basieren auf Hochdurchsatz-cDNA-Sequenzierung haben mit dem Aufkommen der nächsten Generation Sequenzierung in eine Sammlung von Prozeduren gemeinsam beschrieben als RNA-Seq-Technologie entwickelt. Dieser Ansatz wird schnell die Methode der Wahl für Transkriptomik Studien. eine große Menge an Literatur jedoch auf Mikroarrays, die durch Hybridisierung in parallel quantifiziert Tausende von Transkripten ermöglicht werden, hat für Weinrebe akkumuliert. Tatsächlich bevor RNA-Seq eine Mainstream-Technologie wurde, hatte viele engagierte kommerziellen Microarray-Plattformen gewesenentwickelt, mit dem Weinrebe Transkriptom zu sehr detailliert untersucht werden. Unter der Vielfalt von Plattformen, nur zwei erlaubt genomweite Transkriptomanalyse 9. Die entwickelte Anordnung erlaubt die Hybridisierung von bis zu 12 unabhängige Stichproben auf einer einzigen Vorrichtung, wodurch die Kosten für jedes Experiment zu verringern. Die 12 Unterfelder umfasst jeweils 135.000 60-mer-Sonden repräsentieren 29.549 Weinrebe Transkripte. Dieses Gerät wurde von 10-24 in einer großen Anzahl von Studien verwendet. Diese beiden Plattformen sind nun eingestellt , sondern eine neue benutzerdefinierte Microarray wurde vor kurzem entwickelt worden und stellt eine neuere Entwicklung , da sie eine noch größere Anzahl von Sonden enthält , die zusätzliche neu entdeckten Gene Weinrebe 25.
Die groß Verkauf Datensätze von Transcriptomics und Metabolomics-Analyse erfordern geeignete statistische Verfahren zur Datenanalyse produziert, darunter multivariate Techniken Korrelationen zwischen verschiedenen Form zu bestimmen,s von Daten. Die am häufigsten verwendeten Techniken multivariate sind solche auf Projektion basiert, und diese können zu latent Strukturen Diskriminanzanalyse (O2PLS-DA) unüberwachten wie Hauptkomponentenanalyse (PCA), oder überwacht, wie beispielsweise bidirektionale orthogonale Projektion 26. Das Protokoll in diesem Artikel vorgestellt nutzt PCA für die explorative Datenanalyse und O2PLS-DA Unterschiede zwischen den Gruppen von Proben zu identifizieren.
Protocol
Representative Results
Discussion
Dieser Artikel beschreibt die Metabolomik, verwendet Transcriptomics und statistische Analyseprotokolle die Traubenbeere Terroir-Konzept zu interpretieren. Metabolomics Analyse durch HPLC-ESI-MS ist empfindlich genug, um eine große Anzahl von Metaboliten gleichzeitig zu erfassen, aber relativ Quantifizierung wird durch den Matrixeffekt und Ionenunterdrückungs / Erweiterung betroffen. Allerdings hat sich ein ähnlicher Ansatz bereits verwendet worden , um die Reifung und nach der Ernte Welken von Corvina Beeren, und di…
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
- Jessome, L. L., Volmer, D. A. Ion suppression: A major concern in mass spectrometry. Lc Gc N Am. 24 (5), 498-510 (2006).
- 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).
- Sumner, L. W., Mendes, P., Dixon, R. A. Plant metabolomics: large-scale phytochemistry in the functional genomics era. Phytochem. 62 (6), 817-836 (2003).
- 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).
- 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).
- 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).
- Jaillon, O., et al. The grapevine genome sequence suggests ancestral hexaploidization in major angiosperm phyla. Nature. 449 (7161), 463-467 (2007).
- Velasco, R., et al. A high quality draft consensus sequence of the genome of a heterozygous grapevine variety. Plos One. 2 (12), (2007).
- 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).
- 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).
- Berdeja, M., et al. Water limitation and rootstock genotype interact to alter grape berry metabolism through transcriptome reprogramming. Hort Res. 2, 1-13 (2015).
- 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).
- 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).
- Carbonell-Bejerano, P., et al. Circadian oscillatory transcriptional programs in grapevine ripening fruits. BMC Plant Biol. 14, 1-15 (2014).
- 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).
- 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).
- Dal Santo, S., et al. The plasticity of the grapevine berry transcriptome. Genome Biol. 14 (6), 1-17 (2013).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Venturini, L., et al. De novo transcriptome characterization of Vitis vinifera cv. Corvina unveils varietal diversity. BMC Genomics. 14, 1-13 (2013).
- 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).
- 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).
- Ashburner, M., et al. Gene Ontology: tool for the unification of biology. Nat Genet. 25 (1), 25-29 (2000).
