方法文章

利用快速检测策略早期发现蓝藻水华及其相关蓝藻毒素

4K 次观看

DOI:

10.3791/61889

2021年2月25日

* These authors contributed equally

本文内容

摘要

本文介绍了一种用于快速检测蓝藻水华及其相关蓝藻毒素的多学科综合策略。该方法可在24小时内检测水样以及双壳类样品等有机基质中的蓝藻及其相关蓝藻毒素。

摘要

利用快速检测策略(Fast Detection Strategy, FDS)可实现对蓝藻及蓝藻毒素的快速检测。该方法仅需24小时即可检出水样以及有机基质(如双壳类提取物)中的蓝藻及其相关毒素。FDS结合了遥感/近感技术与分析化学/生物信息学分析手段。采样点位通过多学科、多尺度、多参数的三维物理空间监测(包括遥感技术)确定。样品随后在实验室中进行显微观察和分类学分析,以鉴定蓝藻物种。接着使用有机溶剂提取样品,并采用液相色谱-串联质谱法(LC-MS/MS)进行处理。通过串联质谱获得的数据,利用在线生物信息学平台Global Natural Products Social(GNPS)进行分子网络构建。通过对这些分子网络的分析,将质谱获得的碎片谱图数据与GNPS数据库中的谱图进行比对,从而实现对毒素的检测与鉴定。该方法不仅可检测已知毒素,还可识别在分子网络中具有关联性的未知类似物。

引言

在过去15年中,蓝藻水华已成为全球性的环境问题1,2。蓝藻水华是由于一类名为蓝细菌的微生物过度生长所引起的。蓝细菌是一类显著的光合微生物,已适应在多种环境中生存,包括热带地区和极寒水域。它们因能在水体表面形成大规模水华而闻名,尤其是在营养物质大量富集的情况下,即所谓的富营养化过程3

因此,蓝细菌是水污染的优良生物指示剂4,5,6。它们还能产生多种具有重要药理活性的天然化合物7,8。与蓝细菌相关的环境问题主要是水华现象本身。水华会阻挡阳光照射到水下植物,消耗水体中的氧气,导致鱼类死亡,产生水面浮渣和异味,并干扰生物的滤食过程9

此外,更为严重的是,在特定环境因素组合下,例如温度、营养物质(磷和氮)、阳光(用于光合作用)以及水体pH值,蓝藻水华会触发毒素的产生,从而对人类和动物造成危害。最受关注的一类蓝藻毒素由微囊藻属(Microcystis)产生,这类毒素是一类环状肽,统称为微囊藻毒素(microcystins, MCs),其中微囊藻毒素-LR(microcystin-LR)研究最为广泛,因其可导致严重的肝毒性10。动物和人类可能通过摄入受污染的饮用水或食物而暴露于MCs。世界卫生组织(WHO)建议将微囊藻毒素-LR的总量限值定为0.001 mg/L作为指导值11。然而,该限值仅针对目前已分离出的100多种微囊藻毒素中的一个变体(即MC-LR)。

已有研究报道的多种联合方法,例如遥感与基质辅助激光解吸电离飞行时间质谱(MALDI-TOF MS)分析相结合12,13,14,15,主要聚焦于微囊藻毒素(MCs)的浓度检测。最近的方法采用低分辨率传感器,仅对大面积水华有效,且只能检测具有标准品的毒素。此外,这些方法大多耗时较长,而时间因素对于水华的早期预警以预防或减轻安全问题至关重要。本文提出的多学科策略可在24小时后实现对蓝藻水华及蓝藻毒素的快速检测16

在名为“多学科、多尺度、多参数三维(3D)物理空间监测”(MuM3)计划的框架下17,18,快速检测策略(FDS)结合了多种技术的优势:1)利用遥感技术检测水华;2)通过显微观察检测蓝藻种类;3)采用分析与生物信息学方法,即基于液相色谱-高分辨质谱(LC-HRMS)的分子网络分析,检测蓝藻毒素。检测结果可在24小时内获得。

这种新方法能够在短时间内监测广阔的沿海区域,避免大量采样和分析工作,缩短检测时间并降低成本。该策略是多种蓝藻及其毒素监测方法研究与应用相结合的成果,综合了各种方法的优势。具体而言,通过分析利用不同平台(卫星、飞机、无人机)和传感器(MODIS、热红外传感器)进行遥感分析所获得的结果,以及采用多种方法识别蓝藻种类(显微镜观察、紫外-可见光谱法、16S分析)和毒素(液相色谱-质谱分析、分子网络分析)所得的数据,能够针对特定或一般性目标选择最合适的方法。该新方法已在意大利坎帕尼亚大区海岸的后续监测活动中进行了试验和验证,相关工作属于坎帕尼亚环境署监测计划的一部分。

用于环境研究的卫星、飞机和海岸数据分析遥感示意图。
图 1:FDS 策略。蓝藻及蓝藻毒素快速检测策略(Fast Detection Strategy)的总体概述。请点击此处查看此图的放大版本。

方案

1. 遥感与近感:数据采集与分析

注意:本案例中,利用遥感/近感数据对大范围区域进行初步调查,并选择需要采样的特定海岸区域点位。在MuM3框架17方案中,其逻辑流程基于一种包含多个层级(称为信息层)的分层监测模型。每一层级的信息基于搭载于不同高度平台上的一个或多个传感器所获取的数据。每个层级定义了与测量高度相关的空间尺度19。每一层级可配备多种传感器。例如:卫星、飞机、直升机、无人机(UAV)21以及地表平台上的可见近红外(VNIR)和热红外(TIR)成像20;地表及利用移动实验室实现快速响应的物理、化学和生物学分析等22。各传感器获取的数据经过处理并融合,用于计算多光谱指数(如归一化植被指数(NDVI)、归一化水体指数(NDWI)、叶绿素指数等),从而将原始数据转化为更具实用性的参数和形式(如专题图)。

利用卫星、飞机和地面车辆进行沿海测绘的遥感数据收集过程。
图 2:用于采样的遥感/近感分析(步骤 1-2)。 用于检测蓝藻水华的多层级、多传感器方法。数据采集由卫星(A)、飞机(B)和/或无人机(C)完成。请点击此处查看此图的放大版本。

  1. 遥感与近感数据获取
    1. 从各种公共和私有的遥感数据集中获取数据,这些数据集特别用于基于内容的检索和场景分类。此步骤中常用的典型数据集来源包括:美国地质调查局(U.S. Geological Survey)提供的 Landsat 产品23,由美国国家航空航天局提供的哨兵-2、3号产品24,以及哥白尼开放获取中心25MODIS-Aqua26.
    2. 确定特定区域、日期范围内可用的产品,并考虑云覆盖带来的限制。定义:A) 使用图形用户界面和多边形选择工具划定感兴趣区域;B) 利用文本查询筛选字段设置日期范围和云覆盖率。
      注意:尽管许多科学报告指出可接受的云量覆盖值为 <20%。在此类研究中,重要的是仅关注水面上的实际云量,因此该区域的有效性值为 <5%.
    3. 选择最适合任务特定需求的平台衍生产品。根据每种卫星与有效载荷技术参数的组合,可获得多种产品集合。例如,美国国家航空航天局地球观测系统数据信息系统(NASA EOSDIS)24 数据产品按照从0级到4级的不同级别进行处理:0级产品为全仪器分辨率的原始数据,而更高级别的数据则被转换为更有用的参数和格式。通常情况下,0级至1级产品均可获取,而2级至4级产品需要针对特定研究目标进行专门处理,因此其在时间和覆盖区域上的可获取性有限。
    4. 下载选定的卫星观测数据集。具体而言,在上一步操作所得结果列表中进行选择,下载完整数据集产品(例如,每个波段对应的 GeoTIFF 文件,以及相关信息和其他元数据),或仅下载特定的单个波段。
      注意:有关步骤1中所包含的每项基本操作的具体描述,请参见Huan-Huan Chen等,202027.
  2. 数据分析与转换的预处理和处理,以生成更有用的参数和格式,从而实现对宏观区域的初步筛选。
    注意:以下操作(步骤1.2)旨在对来自较低层级的原始数据进行处理,将其转化为信息,并进一步转化为有用的信息(较高级别)。该步骤包括对各传感器的原始数据(例如,0-1级产品)进行处理,并将其转换为较高级别的产品(例如,2-4级产品),随后进一步生成信息图层,以产出更具实用性的参数和格式(例如,专题地图)。
    1. 对原始数据进行预处理,包括几何校正和辐射校正。该步骤可借助特定软件完成,此类软件以自动或半自动方式(无监督或有监督)提供一系列关联的栅格数据处理工具,从而按照正确的流程实现便捷的分类。
      注意:本研究中使用了两种免费的开源工具:Q-GIS 3.1428 结合半自动分类插件(Semi-Automatic Classification Plugin,SCP)。该SCP插件29 支持遥感图像的半自动分类,提供了一整套用于免费图像下载、预处理、后处理及栅格计算的工具集。
    2. 处理校准后的数据以计算多光谱指数。通常,此操作使用栅格计算器工具完成。多光谱指数的计算定义了不同波段/图层之间的相关性,从而生成一个新的图层,可在地理信息系统(GIS)平台上进行管理。例如,基于Sentinel和Landsat陆地成像仪传感器(OLI)数据,可计算归一化植被指数(NDVI)等多光谱指数。植被指数随后用于估算叶绿素含量。30,31.
    3. 分析叶绿素含量指数估算结果,以假彩色专题地图形式呈现,并界定叶绿素浓度较高的关键区域。本研究利用MODIS传感器数据集生成叶绿素-a分布图32,安装在Terra和Aqua卫星平台上的仪器。采样点位于检测到异常值的区域。
      注意:当叶绿素a(Chl-a)浓度超过20 mg/L时,遥感领域将启动藻华标志(用于定义每个特定位置)。33.

2. 指导性采样

注意:采样点的选择基于遥感/近感图层分析,从而可在大范围沿海区域中选定采样点。考虑到微囊藻毒素具有毒性,采样可能对操作人员构成危险,因此需要采取安全采样程序。特别是必须保护操作人员免受气溶胶吸入和皮肤接触的危害。随后,按照下述详细步骤进行采样。

  1. 佩戴护目镜以保护眼睛,佩戴FFP2口罩以防止吸入气溶胶,佩戴安全手套以防止皮肤接触。
  2. 在每个采样点平行采集0.5 L水样。
  3. 使用折射仪测量每个样品的盐度。将一滴样品滴加到折射仪上,读取千分比(ppt - ‰)表示的盐度值。
  4. 采样结束后,先洗手,然后依次脱下手套、口罩和护目镜,注意不要触碰个人防护装备的外表面。
  5. 将样品在室温条件下运送至实验室。

3. 通过显微镜观察和分类学鉴定识别蓝细菌物种

  1. 将每个样品(约 0.5 L)在 11,200 x g 条件下离心 5 分钟。
  2. 按以下步骤提取上清液:向每个样品中加入 500 mL 丁醇,使用漏斗将待萃取的混合物转移至分液漏斗中。将分液漏斗垂直固定在铁环夹上,静置使两相分层。让水相流入锥形瓶中。重复此步骤三次。然后,在减压条件下浓缩有机相并称重。
  3. 收集步骤 3.1 中的沉淀物,使用配备 18 MP 显微数字相机的光学显微镜在 400 倍和 1,000 倍放大倍数下进行观察分析。根据形态学特征判断是否存在蓝细菌:蓝绿色、细胞形状和大小有助于将蓝细菌与其他微生物区分开来。
  4. 根据 Komarék 等人 2014 年描述的方法34,通过显微观察进行分类学分析以鉴定物种。
    ​注意:可辅以 16S 宏基因组分析,用于鉴定蓝细菌分类群3
  5. 根据样品盐度,用 10 mL 海水/淡水 BG11 培养基稀释部分沉淀物,用于培养。

4. 蓝藻毒素的鉴定

  1. 使用有机溶剂提取样品
    1. 将每份菌体样品放入烧瓶中,使用冰浴超声处理5分钟。然后加入50 mL新鲜甲醇(MeOH),轻轻振荡。用滤纸过滤溶液,将滤液收集至圆底烧瓶中。重复此步骤两次。随后,加入50 mL甲醇/二氯甲烷(MeOH/DCM)混合溶剂(1:1,50 mL)提取菌体两次,并再用100%二氯甲烷(DCM)提取两次(x2,50 mL)35。将每个圆底烧瓶分别标记为“MeOH提取物”、“MeOH/DCM提取物”和“DCM提取物”,并在减压条件下浓缩。
    2. 采用LC-HRMS/MS分析每种有机提取物(MeOH、MeOH/DCM、DCM)。
  2. LC-HRMS/MS分析
    1. LC-HRMS和LC-HRMS/MS样品制备:使用≥99.9%甲醇(MeOH)溶解各样品,使终浓度达到10 mg/mL。
    2. 使用配备HPLC系统的高分辨电喷雾电离质谱仪(LC-HRMS/MS系统)分析每个样品。HPLC分析采用5-µm C18色谱柱(100 x 2.10 mm),在室温下进行。流动相为含0.1%甲酸(HCOOH)的水(H2O)和甲醇(MeOH),流速为200 µL min-1,采用梯度洗脱程序:起始10% MeOH保持3分钟,随后在30分钟内从10% MeOH线性升至100% MeOH,最后100% MeOH维持7分钟。以MeOH作为空白对照。
    3. 数据采集。采用数据依赖性采集模式(DDA)收集数据:对全扫描质谱图中强度最高的前10个离子进行高分辨串联质谱(HRMS/MS)分析。对选定离子进行HRMS/MS扫描,采用CID碎裂方式,隔离窗口为2.0,归一化碰撞能量为35,Activation Q为0.250,激活时间为30 ms。
  3. 生物信息学分析与分子网络构建
    1. 使用质谱专用软件分析每个强信号离子的碎裂模式。
    2. 使用MS-Cluster对数据进行聚类分析(母离子质量容差为1.0 Da,MS/MS碎片离子质量容差为0.5 Da)。剔除包含少于2个谱图的共识谱。
    3. 利用GNPS(Global Natural Products Social36)对MS/MS数据进行分子网络分析。
    4. 对共识谱图进行两两比对,并与GNPS-Mass-Ive数据库中已报道的谱图进行比对。
    5. 可视化所得分子网络37
      注:有关分子网络分析,请参考Sigrist等,202038

分类鉴定流程图;包括16S分析、液相色谱-高分辨串联质谱(LC-HRMS/MS)、分子网络分析。
图3:FDS实验室内部步骤(3-4)。采样后在实验室中进行的主要操作流程示意图(步骤3和4)。请点击此处查看该图的放大版本。

结果

在一项初步研究中3,2015年夏季利用Landsat 8卫星和飞机对意大利西南部坎帕尼亚海岸沿线四个受人类活动影响的区域进行了观测。Landsat 8运行陆地成像仪传感器(OLI)和飞机搭载的多光谱相机可用于生成这些区域的归一化差异水体指数(NDWI)图像,从而揭示蓝藻群落的存在。通过分光光度法分析检测蓝藻色素藻蓝蛋白(PC),以确定蓝藻群落的组成。随后,结合16S宏基因组分析进一步鉴定蓝藻分类单元。通过卫星/航空平台进行简化的多光谱图像索引与分类,并结合宏基因组分析,可有效在蓝藻水华初期阶段检测到与强烈富营养化条件相关的属(如Leptolyngbya sp.、Pseudooscillatoria sp.)的蓝藻存在。

在另一项研究中14,于2017年春季/夏季测试了FDS方法。卫星数据被用作唯一的遥感数据层级。具体而言,搭载于Terra和Aqua卫星平台上的中等分辨率成像光谱仪(MODIS)传感器所获取的数据,用于量化坎帕尼亚海岸沿线水体中的叶绿素a(Chl-a),并据此确定了十个采样点。样品在实验室中通过显微镜观察和分类学鉴定进行处理,随后使用有机溶剂提取。有机提取物通过LC-MS-MS分析进行处理。利用生物信息学方法分析MS-MS获得的数据,使用GNPS平台构建分子网络。通过将质谱获得的碎片谱图数据与GNPS数据库进行比对,分析该分子网络以检测和鉴定毒素。该方法可检测已知毒素以及在分子网络中表现为相关联的未知类似物。具体而言,脂溶性皮肤毒素——细长聚球藻毒素A(Lyngbyatoxin A)在所有水样和双壳类动物样品中均被检出;在Lyngbyatoxin A的分子簇中,还存在与已知细长聚球藻毒素家族化合物无关的节点,提示存在未知的细长聚球藻毒素类似物。样品中未检出微囊藻毒素及其他毒素。所有结果均在24个人工小时内获得。

水质遥感;示意图;卫星数据分析,海岸带监测,生态影响。
图 4:FDS 代表性结果。FDS 策略在意大利坎帕尼亚海岸应用的一个示例。请点击此处查看此图的放大版本。

讨论

近年来,我们的团队测试并验证了多种不同方法,这些方法可用于揭示水体和双壳类动物中蓝藻及蓝藻毒素的存在。新开发的策略正是这些研究的成果。该策略整合了最适合快速检测目标的各种最优技术和方法,形成一套统一的流程,以最大化每个步骤的效率。目标区域、水华范围以及生长阶段是选择适宜方法和技术的关键因素。

当优先考虑蓝藻和蓝藻毒素的快速检测时,该策略被简化为四个主要步骤:(1)遥感与近感监测及数据分析,用于初步调查、定位采样点并确定水华的分布模式和范围;(2)定向采样;(3)显微观察与分类学分析;(4)水样的化学分析及LC-MS数据的分子网络分析,以实现化合物的去重分析和蓝藻毒素的快速检测。

关于第一步,尽管利用覆盖分层监测方法所有层级的完整平台链所获取的数据是还原分析场景全貌的最佳方案,但通常仅需一个信息层即可驱动区域调查工作,并有效聚焦热点区域以开展实地采样。根据已有经验,数据曾通过卫星、飞机、直升机和无人机(UAV)获取,而完全满足快速检测策略需求的方案是仅使用卫星产品。

此外,由飞行高度低于卫星的平台(如飞机、直升机、无人机)执行任务所获取的信息层能够提供高分辨率数据,但其成本高昂,且完成包括飞行计划制定与审批在内的整个数据采集过程需要耗费更多时间。

在选定待采样位点后(步骤2),分析/生物信息学分析(LC-MS数据的分子网络分析)是实现水样快速去重复以及快速检测蓝藻毒素的工具(步骤3和4)。16S宏基因组分析至少需要两周的工作时间。此外,即使鉴定出通常具有毒性的蓝藻物种,也无法直接证明其正在产毒。出于同样原因,显微镜观察本身不足以揭示有毒蓝藻的存在。当然,质谱分析和分子网络分析也存在一些局限性;其有效性依赖于目标化合物(如毒素)在所用条件下能否充分离子化,以及其含量是否足以被检测到。然而,在已知蓝藻毒素的检测与监测方面,基于质谱的分子网络分析实际上代表了目前最为稳健和可靠的技术之一。

因此,当需要快速检测蓝藻及相关蓝藻毒素时,该方法被证明非常有效;此外,通过该策略还可实现对蓝藻水华及其毒素在时空尺度上的定量分析,从而预防因大规模有毒蓝藻水华所引发的公共卫生问题。

披露

作者声明无利益冲突。

致谢

本研究由以下机构资助 "区域渔业卫生安全参考中心(CRiSSaP)" 在该项目的框架内 "意大利坎帕尼亚沿海地区蓝细菌监测试点活动",并与意大利坎帕尼亚地区环境保护局(ARPAC)合作完成, "意大利南部实验动物卫生研究所/区域食品安全观测站" (意大利动物卫生研究所/ORSA),那不勒斯大学 "费德里科二世" - 兽医学与动物生产系,参考教授 A. Anastasio)

材料

本文使用的材料清单
姓名公司目录编号评论
10倍维生素混合液烟酸 100 mg/100 mL;对氨基苯甲酸(PABA)10 mg/100 mL;生物素 1 mg/100 mL;硫胺素 200 mg/100 mL;维生素B12 1 mg/100 mL;叶酸 1 mg/100 mL;肌醇 1 mg/100 mL;泛酸钙 100 mg/100 mL
1-丁醇(1-BuOH)Sigma-Aldrich33065.2.5L-R
BG11 储备液Na2EDTA 20 mg/L;柠檬酸铁铵 120 mg/L;柠檬酸·1H2O 120 mg/L;CaCl2·2H2O 700 mg/L;MgSO4·7H2O 1.5 g/L;K2HPO4·3H2O 800 mg/L;NiSO4(NH4)2SO4·6H2O(0.1 mM 储备液)5 mL;Na2SeO4(0.1 mM 储备液)2 mL;Nitsch 溶液 20 mL
离心机HermleZ36HK
氯仿(CHCl3Honeywell32211.2.5L
水(H2O)Sigma-Aldrich34877.2.5L
Kinetex C18 色谱柱Phenomenex
LTQ Orbitrap XL 高分辨率电喷雾电离质谱仪,耦合 U3000 HPLC 系统Thermo
甲醇(MeOH)Honeywell32213.2.5L
配备 OMAX 1800 万像素 CMOS 相机的显微镜 OptechBiostar B3
多波段相机Intergraph DMC
Nitsch 溶液H3BO3 0.5 g/L
MnSO4· H2O 2.28 g/L
ZnSO4·7H2O 0.5 g/L
CuSO4·5H2O 0.025 g/L
CoCl2·6H2O 0.135 g/L
Na2MoO4·2H2O 0.025 g/L
折射仪 mr 100 ATCAQL
SWBG11 培养基BG11 储备液 50 mL/L;Instant Ocean 33 g/L;水 950 mL/L 10倍;维生素混合液 100 µL/L

参考文献

  1. Tamele, I. J., Silva, M., Vasconcelos, V. The incidence of marine toxins and the associated seafood poisoning episodes in the African countries of the Indian ocean and the Red sea. Toxins. 11 (1), 25-48 (2019).
  2. Lürling, M., Faassen, E. J. Dog poisonings associated with a Microcystis aeruginosa bloom in the Netherlands. Toxins. 5 (3), 556-567 (2013).
  3. O'Neil, J. M., Davis, T. W., Burford, M. A., Gobler, C. J. The rise of harmful cyanobacteria blooms: The potential roles of eutrophication and climate change. Harmful Algae. 14, 313-334 (2012).
  4. Teta, R., et al. Cyanobacteria as indicators of water quality in Campania coasts, Italy: A monitoring strategy combining remote/proximal sensing and in situ data. Environmental Research Letters. 12 (2), (2017).
  5. Teta, R. Bioindicators as a tool in environmental impact assessment: Cyanobacteria as a sentinel of pollution. International Journal of Sustainable Development and Planning. 14 (1), 1-8 (2019).
  6. Teta, R., Della Sala, G., Mangoni, A., Lega, M., Costantino, V. Tracing cyanobacterial blooms to assess the impact of wastewaters discharges on coastal areas and lakes. International Journal of Sustainable Development and Planning. 11 (5), 804-811 (2016).
  7. Teta, R., et al. A joint molecular networking study of a: Smenospongia sponge and a cyanobacterial bloom revealed new antiproliferative chlorinated polyketides. Organic Chemistry Frontiers. 6 (11), 1762-1774 (2019).
  8. Singh, R. K., Tiwari, S. P., Rai, A. K., Mohapatra, T. M. Cyanobacteria: an emerging source for drug discovery. Journal of Antibiotics. 64 (6), 401-412 (2011).
  9. Huisman, J., et al. Cyanobacterial blooms. Nature Reviews Microbiology. 16 (8), 471-483 (2018).
  10. Gupta, N., Pant, S. C., Vijayaraghavan, R., Rao, P. V. L. Comparative toxicity evaluation of cyanobacterial cyclic peptide toxin microcystin variants (LR, RR, YR) in mice. Toxicology. 188 (2-3), 285-296 (2003).
  11. WHO. Cyanobacterial toxins: Microcystin-LR in drinking water. Background document for development of WHO Guidelines for Drinking-Water Quality. WHO. 2, (1998).
  12. Agha, R., Cirés, S., Wörmer, L., Domínguez, J. A., Quesada, A. Multi-scale strategies for the monitoring of freshwater cyanobacteria: Reducing the sources of uncertainty. Water Research. 46 (9), 3043-3053 (2012).
  13. Giménez-Campillo, C. Determination of cyanotoxins and phycotoxins in seawater and algae-based food supplements using ionic liquids and liquid chromatography with time-of-flight mass spectrometry. Toxins. 11 (10), 610(2019).
  14. Sanseverino, I., António, D. C., Loos, R., Lettieri, T. Cyanotoxins: methods and approaches for their analysis and detection. JRC Technical Reports. , (2017).
  15. Teta, R. Combined LC-MS/MS and molecular networking approach reveals new cyanotoxins from the 2014 cyanobacterial bloom in Green Lake, Seattle. Environmental Science and Technology. 49 (24), 14301-14310 (2015).
  16. Esposito, G., et al. A fast detection strategy for cyanobacterial blooms and associated cyanotoxins (FDSCC) reveals the occurrence of lyngbyatoxin A in campania (South Italy). Chemosphere. 225, 342-351 (2019).
  17. Lega, M., Casazza, M., Teta, R., Zappa, C. J. Environmental impact assessment: a multilevel, multi-parametric framework for coastal waters. International Journal of Sustainable Development and Planning. 13 (8), 1041-1049 (2018).
  18. Di Fiore, V. Integrated hierarchical geo-environmental survey strategy applied to the detection and investigation of an illegal landfill: A case study in the Campania Region (Southern Italy). Forensic Science International. 279, 96-105 (2017).
  19. Gargiulo, F., Persechino, G., Lega, M., Errico, A. IDES project: A new effective tool for safety and security in the environment. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). , 8286 LNCS (PART 2) (2013).
  20. Ferrara, C., Lega, M., Fusco, G., Bishop, P., Endreny, T. Characterization of terrestrial discharges into coastal waters with thermal imagery from a hierarchical monitoring program. Water. 9 (7), Switzerland. (2017).
  21. Alfeo, A. L., Cimino, M. G. C. A., De Francesco, N., Lega, M., Vaglini, G. Design and simulation of the emergent behavior of small drones swarming for distributed target localization. Journal of Computational Science. 29, 19-33 (2018).
  22. Casazza, M., Lega, M., Liu, G., Ulgiati, S., Endreny, T. A. Aerosol pollution, including eroded soils, intensifies cloud growth, precipitation, and soil erosion: a review. Journal of Cleaner Production. 189, 135-144 (2018).
  23. U.S. Geological Survey. , Available from: https://ers.cr.usgs.gov (2020).
  24. NASA Earthdata. , Available from: https://urs.earthdata.nasa.gov (2020).
  25. Copernicus Opern Access Hub. , Available from: https://scihub.copernicus.eu/apihub (2020).
  26. MODerate Image Spectroradiometer (MODIS) Aqua. , Available from: podaac-tools.jpl.nasa.gov (2020).
  27. Chen, H. -H., Tang, R., Zhang, H. -R., Yu, Y., Wang, Y. Investigating the relationship between sea surface chlorophyll and major features of the south china sea with satellite information. Journal of Visualized Experiments: JoVE. (160), (2020).
  28. QGIS. , Available from: https://www.qgis.org/it/site/ (2020).
  29. Congedo, L. Semi-automatic classification plugin documentation release 4.8.0.1. , Available from: https://manualzz.com/doc/7130012/semi-automatic-classification-plugin-documentation (2016).
  30. Rouse, J. W., Hass, R. H., Schell, J. A., Deering, D. W. Monitoring vegetation systems in the great plains with ERTS. Third Earth Resources Technology Satellite (ERTS) Symposium. 1, 309-317 (1973).
  31. Carmona, F., Rivas, R., Fonnegra, D. C. Vegetation index to estimate chlorophyll content from multispectral remote sensing data. European Journal of Remote Sensing. 48 (1), 319-326 (2015).
  32. Savtchenko, A., et al. MODIS data from terra and aqua satellites. International Geoscience and Remote Sensing Symposium (IGARSS). 5, 3028-3030 (2003).
  33. Binding, C. E., Greenberg, T. A., McCullough, G., Watson, S. B., Page, E. An analysis of satellite-derived chlorophyll and algal bloom indices on Lake Winnipeg. Journal of Great Lakes Research. 44 (3), 436-446 (2018).
  34. Komárek, J., Kaštovský, J., Mareš, J., Johansen, J. R. Taxonomic classification of cyanoprokaryotes (cyanobacterial genera) 2014, using a polyphasic approach. Preslia. 86, 295-335 (2014).
  35. Esposito, G., et al. Chlorinated thiazole-containing polyketide-peptides from the caribbean sponge smenospongia conulosa: structure elucidation on microgram scale. European Journal of Organic Chemistry. 2016 (16), 2871-2875 (2016).
  36. UCSD Commputational Mass Spectrometer Website. , Available from: http://gnps.ucsd.edu/ (2020).
  37. Shannon, P. Cytoscape: A software environment for integrated models of biomolecular interaction networks. Genome Research. 13 (11), 2498-2504 (2003).
  38. Sigrist, R., Paulo, B. S., Angolini, C. F. F., De Oliveira, L. G. Mass spectrometry-guided genome mining as a tool to uncover novel natural products. Journal of Visualized Experiments: JoVE. (157), (2020).

重印与许可

标签

GNPS