Summary

El concepto Terroir interpretada a través de baya de la uva metabolómica y transcriptómica

Published: October 05, 2016
doi:

Summary

En este artículo se describe la aplicación de la metabolómica no focalizados, transcriptómica y análisis estadístico multivariado para transcripciones de bayas de uva y metabolitos con el fin de profundizar en el concepto de terroir, es decir, el impacto del medio ambiente sobre los rasgos de calidad de las bayas.

Abstract

Terroir se refiere a la combinación de factores ambientales que afectan a las características de los cultivos como la vid (Vitis vinifera) de acuerdo con hábitats particulares y prácticas de gestión. Este artículo muestra cómo ciertas firmas de terroir se pueden detectar en el metaboloma de bayas y transcriptoma de la Corvina vid cv utilizando el análisis estadístico multivariado. El método requiere en primer lugar un plan de muestreo apropiado. En este caso de estudio, se seleccionó un clon específico del cultivar Corvina para minimizar las diferencias genéticas, y las muestras se obtuvieron de siete viñedos que representan las tres macro zonas diferentes durante tres temporadas de cultivo diferentes. Un enfoque metabolómica LC-MS no directo se recomienda debido a su alta sensibilidad, acompañado de procesamiento de datos eficiente utilizando software MZmine y una estrategia de identificación de metabolitos basado en análisis de árbol de fragmentación. Análisis completo transcriptoma se puede lograr utilizando microarrayssondas que contienen cubriendo ~ 99% de todos los genes de vid predichos, lo que permite el análisis simultáneo de todos los genes expresados ​​diferencialmente en el contexto de diferentes terroirs. Por último, el análisis de datos multivariados basado en métodos de proyección se puede usar para superar el efecto fuerte-vendimia específica, permitiendo que los metabolómica y datos transcriptómica a integrarse y se analizaron en detalle para identificar correlaciones informativos.

Introduction

análisis de datos a gran escala basado en los genomas, proteomas y transcriptomes, metabolomes de plantas ofrece una visión sin precedentes en el comportamiento de los sistemas complejos, tales como las características de terroir del vino, que reflejan las interacciones entre plantas de vid y su entorno. Debido a que el terroir de un vino puede ser distinto, incluso cuando los clones de vid idénticas se cultivan en diferentes viñedos, el análisis de la genómica es de poca utilidad debido a que los genomas clonados son idénticos. En cambio, es necesario tener en cuenta las correlaciones entre la expresión génica y las propiedades metabólicas de las bayas, que determinan las características de calidad de vino. El análisis de la expresión génica a nivel de los beneficios del transcriptoma de las propiedades químicas similares de todas las transcripciones, lo que facilita el análisis cuantitativo mediante la explotación de características universales tales como la hibridación con sondas inmovilizadas en microarrays. En contraste, los métodos analíticos universales en la proteómica unand metabolómica son más difíciles debido a la enorme diversidad física y química de las proteínas y los metabolitos individuales. En el caso de la metabolómica esta diversidad es aún más extrema porque metabolitos individuales difieren enormemente en tamaño, polaridad, la abundancia y la volatilidad, así que no hay proceso de extracción simple o método de análisis ofrece un enfoque holístico.

Entre las plataformas de análisis adecuado para metabolitos no volátiles, los basados ​​en cromatografía líquida de alto rendimiento acoplada a espectrometría de masas (HPLC-MS) son mucho más sensibles que otras alternativas tales como HPLC con rayos ultravioletas o de diodos detectores de matriz (HPLC-UV, HPLC-DAD ) o espectroscopia de resonancia magnética nuclear (RMN), pero el análisis cuantitativo por HPLC-MS puede ser influenciada por fenómenos tales como el efecto de la matriz y la supresión de iones / mejora 1-3. La investigación de tales efectos durante el análisis de bayas de uva Corvina por HPLC-MS usando una fuente de ionización por electropulverización (HPLC-ESI-MS), mostró que los azúcares y otras moléculas con los tiempos más bajos de retención fueron fuertemente subregistro, probablemente también refleja el gran número de moléculas en esta zona, y que la abundancia de otras moléculas se puede subestimar, sobrestimado o no afectado por el efecto de la matriz , pero la normalización de datos para el efecto de la matriz parecía tener un impacto limitado en el resultado global de 4,5. El método descrito en este documento se optimiza para el análisis de metabolitos a medio de polaridad que se acumulan en altos niveles en las bayas de uva durante la maduración, y que se ven afectados significativamente por el terroir. Ellos incluyen antocianinas, flavonoles, flavan-3-oles, procianidinas, otros flavonoides, resveratrol, estilbenos, ácido hidroxicinámico y ácidos hidroxibenzoico, que en conjunto determinan el color, el sabor y las propiedades relacionadas con la salud de los vinos. Otros metabolitos, tales como azúcares y ácidos orgánicos alifáticos, son ignorados debido a la cuantificación por HPLC-MS es poco fiable debido a la matriz efect y la supresión de iones fenómenos 5. Dentro de la gama de polaridad seleccionado por este método, el enfoque es no directo en que tiene por objeto detectar como muchos metabolitos diferentes como sea posible 6.

Transcriptómica métodos que permiten a miles de transcripciones de vid para controlar de forma simultánea se ven facilitadas por la disponibilidad de la secuencia completa del genoma de la vid 7,8. métodos transcriptómica temprana basada en la secuencia de ADNc de alto rendimiento se han desarrollado con el advenimiento de la secuenciación de próxima generación en una colección de procedimientos que se describen colectivamente como tecnología de RNA-Seq. Este enfoque se está convirtiendo rápidamente en el método de elección para estudios de transcriptómica. Sin embargo, una gran cantidad de literatura sobre la base de microarray, que permiten a miles de transcripciones para ser cuantificados en paralelo por la hibridación, se ha acumulado para la vid. De hecho, antes de RNA-Seq se convirtió en una tecnología dominante, muchas plataformas de microarrays comerciales dedicados habían sidodesarrollado permitiendo transcriptoma de la vid a inspeccionar con gran detalle. Entre la gran variedad de plataformas, sólo dos, efectuar análisis de transcriptoma en todo el genoma 9. La matriz más evolucionado permitió la hibridación de hasta 12 muestras independientes en un solo dispositivo, lo que reduce los costes de cada experimento. Los 12 sub-series compuestas cada 135.000 sondas 60-mer que representan 29.549 transcripciones de vid. Este dispositivo ha sido utilizado en un gran número de estudios 10-24. Estas dos plataformas se han interrumpido, sino una nueva costumbre de microarrays se ha diseñado recientemente y representa un desarrollo más reciente, ya que contiene un número aún mayor de las sondas que representan los genes recién descubiertos vid adicionales 25.

Los conjuntos de datos de gran venta producidas por la transcriptómica y metabolómica análisis requieren métodos estadísticos adecuados para el análisis de datos, incluyendo las técnicas multivariantes para determinar las correlaciones entre la forma diferentes de datos. Las técnicas multivariantes más utilizados son los basados en la proyección, y estos pueden ser sin supervisión, tales como el análisis de componentes principales (PCA), o supervisado, como la proyección ortogonal bidireccional a las estructuras latentes análisis discriminante (O2PLS-DA) 26. El protocolo presentado en este artículo utiliza PCA para el análisis exploratorio de datos y O2PLS-DA para identificar las diferencias entre los grupos de muestras.

Protocol

1. Seleccionar los materiales adecuados y construir un plan de muestreo Comenzar el experimento mediante el desarrollo de un plan de muestreo apropiado. No existe un enfoque genérico y universal, de modo de evaluar cada plan sobre una base caso por caso. Asegúrese de que el plan de muestreo indica los lugares de toma de muestras, los tiempos y el procedimiento de muestreo preciso. Véase la Figura 1 para el plan de muestreo utilizado en este estudio de caso. NOTA: En este estudio de …

Representative Results

El estudio de caso descrito en este artículo produjo una matriz de datos final que comprende 552 señales (m / z características) incluyendo iones moleculares más sus isótopos, aductos y algunos fragmentos, relativamente cuantificados entre 189 muestras (7 viñedos x 3 estados de madurez x 3 estaciones de crecimiento x 3 réplicas biológicas). El número total de puntos de datos, por lo tanto era 104.328. Análisis del árbol de fragmentación dio lugar a la anotación de 2…

Discussion

Este artículo describe las metabolómica, transcriptómica y protocolos de análisis estadísticos utilizados para interpretar el concepto de terroir baya de la uva. análisis metabolómica por HPLC-ESI-MS es lo suficientemente sensible para detectar un gran número de metabolitos al mismo tiempo, pero la cuantificación relativa se ve afectada por el efecto de la matriz y de iones de supresión / mejora. Sin embargo, un enfoque similar ya se ha utilizado para describir el proceso de maduración y fulminante post-cosec…

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