Name: Combinaison dimagerie Raman et analyse multivariée pour visualiser la lignine, la cellulose et lhémicellulose dans le mur de cellules végétales (Vidéo) | JoVE Journal
Uploaded: 2017-06-10T14:00:00.000+00:00
Duration: 7 min 51 s
Description: Découvrez une méthode d'imagerie Raman et d'analyse multivariée pour visualiser la lignine, la cellulose et l'hémicellulose dans les parois cellulaires végétales. Cette technique non destructive facilite l'étude de la biomasse.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Nous remercions le ministère chinois de la Science et de la Technologie (2016YDF0600803) pour le soutien financier.

1. Préparation de l&#39;échantillon <ol><li> Couper un petit bloc de tissu (environ 3 mm x 3 mm x 5 mm) de l&#39;échantillon de la plante ( p. Ex. Une tige de peuplier). </li><li> Immerger le tissu dans de l&#39;eau désionisée bouillante pendant 30 min. Immédiatement, transférez-le à de l&#39;eau désionisée à température ambiante (RT) pendant 30 minutes. Répétez cette étape jusqu&#39;à ce que le tissu s&#39;enfonce au fond du conteneur, ce qui indique que l&#39;air dans le tissu a été enlevé et que le tissu a été ramolli. Remarque: Pour les échantillons qui tombent au bas avant cette étape, répétez généralement ce cycle de 3 à 5 fois. </li><li> Préparez des portions aliquotes de 20, 50, 70, 90% (v / v) de polyéthylène glycol (PEG) dans de l&#39;eau désionisée, ainsi que du PEG pur, et conservez les solutions à 65 ° C. </li><li> Incuber le tissu dans une série de bains PEG gradués pour déplacer l&#39;eau et permettre au PEG de s&#39;infiltrer. Remarque: Généralement, le PEG avec un poids moléculaire 2 000 (PEG2000) est utilisé pour l&#39;encastrement. <ol><li> Traiter le tissu avec gPEG radié dans un four à sécher comme suit: (a) 20% de PEG pendant 1 h, (b) 50% de PEG pendant 1,5 h, (c) 70% de PEG pendant 2 h, (d) 90% de PEG pendant 2 h et (E) 100% de PEG pendant 10 h. </li></ol></li><li> Préchauffer une cassette à 65 ° C dans un four. Versez le PEG contenant le bloc dans la cassette, puis placez le bloc de tissu dans une position désirée en utilisant des pinces ou des aiguilles préchauffées. </li><li> Ralentir lentement la cassette et ranger le tissu à la température ambiante jusqu&#39;à ce qu&#39;il soit utilisé. </li><li> Dissectionnez le bloc PEG contenant le tissu cible dans un petit bloc (environ 1 cm x 1 cm x 2 cm) à l&#39;aide d&#39;une lame de rasoir pointue et montez-le sur le microtome. </li><li> Couper les sections minces du bloc PEG (généralement 3-10 μm). </li><li> Rincez la section avec de l&#39;eau désionisée dans un verre de montre 10 fois pour enlever le PEG du tissu. </li><li> Immergez les sections avec du toluène / éthanol (2: 1, v / v) pendant 6 h pour éliminer les extraits. Préparer le liquide de réaction en mélangeant 65 ml d&#39;eau désionisée, 0,5 ml d&#39;acide acétique et 0,6 g de sodium chloRite dans un bécher. Ajouter une section et 3 mL de liquide de réaction dans un flacon de 5 mL. Vissez le dessus du flacon. </li><li> Chauffer le flacon dans un bain d&#39;eau à 75 ° C pendant 2 h pour éliminer la lignine du tissu. Rincer la section avec de l&#39;eau désionisée dans un verre de montre 10 fois. </li><li> Transférez la section non traitée / délignifiée vers une lame de microscope en verre. Déployez la section avec soin à l&#39;aide de brosses ou d&#39;aiguilles. Enlevez l&#39;eau désionisée supplémentaire avec du papier de soie. </li><li> Immergez la section dans D 2 O. Couvrez l&#39;échantillon avec un couvercle de verre. Sceller le capot avec un vernis à ongles pour éviter l&#39;évaporation du D 2 O. </li></ol> 2. Acquisition spectrale <ol><li> Ouvrez le logiciel d&#39;exploitation des instruments du microscope Raman confocal. Allumez le laser (longueur d&#39;onde = 532 nm), concentrez-vous sur la surface du silicium cristallin avec un objectif de microscope 100X et cliquez sur le bouton d&#39;étalonnage pour étalonner l&#39;instrument. </li><li> Basculer l&#39;instrumentAu mode microscope optique et allumez la lampe au microscope. Montez la glissière du microscope sur la scène, avec le patin de recouvrement face à l&#39;objectif. </li><li> Voir l&#39;échantillon avec un objectif de microscope 20X et localiser la zone d&#39;intérêt. Appliquer de l&#39;huile d&#39;immersion sur la lamelle et passer à l&#39;objectif microscope immersion (60X, ouverture numérique NA = 1,35). Concentrez-vous sur la surface de l&#39;échantillon. </li><li> Passez l&#39;instrument au mode de test Raman et éteignez la lampe du microscope. </li><li> Choisissez une zone de mappage en utilisant un outil rectangulaire. Modifiez la taille des étapes pour déterminer le nombre de spectres obtenus. Remarque: soyez conscient de la taille des étapes (généralement plus grand que le diamètre de la tache calculé par l&#39;ouverture numérique de l&#39;objectif, théoriquement 1,22λ / NA). Les tailles ci-dessous entraîneront un suréchantillonnage. </li><li> Définissez les paramètres spectral optimum pour obtenir le meilleur rapport signal / bruit (SNR) et la qualité spectrale dans un temps d&#39;acquisition approprié (généralement &lt;8 h), depeEn fonction de l&#39;adéquation de l&#39;échantillon. En général, entrez les paramètres d&#39;imagerie dans le logiciel de l&#39;instrument comme suit: laser (532 nm), filtre (100%), trou (300), fente (100), spectromètre (1,840 cm -1 ), rainures (1200t), objectif ( Huile 60X) et le temps d&#39;acquisition (2 s). </li><li> Enregistrez les données spectrales avant le traitement des données et convertissez-les dans un format universel ( p. Ex. Fichiers TXT). </li></ol> 3. Analyse des données <ol><li> Chargez les données spectrales (fichiers TXT) dans le logiciel d&#39;analyse de données ( par exemple, Matlab). Appliquer une technique de réduction du bruit sur l&#39;ensemble de données pour améliorer le SNR ( par exemple, l&#39;algorithme Savitzsky-Golay ou l&#39;algorithme wavelet) </li><li> Utilisez des échantillons non traités pour produire les images de lignine et de polysaccharides. Pour l&#39;imagerie lignine, considérez le pic spectral autour de 1 600 cm -1 en raison de la vibration d&#39;étirage symétrique du cycle aromatique. Pour l&#39;imagerie polysaccharidique (y compris la cellulose et l&#39;hémicellulose), utiliser le pic spectral aRond de 2.889 cm -1 à cause des tronçons CH et CH 2 . </li><li> Utiliser des échantillons délimités pour générer les images de cellulose et d&#39;hémicellulose. Effectuez une résolution de courbe auto-modélisante (SMCR) sur les spectres acquis pour discriminer les spectres de cellulose et d&#39;hémicellulose et d&#39;image de leurs distributions. </li><li> Effectuer l&#39;analyse des composants principaux (PCA) et l&#39;analyse de clustering sur les données acquises pour distinguer les spectres Raman des différentes couches de paroi cellulaire. </li></ol>

<ol><li>Gonzalo, G. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bacterial+Enzymes+Involved+in+Lignin+Degradation%5BTitle%5D)+AND+%22J.+Biotechnol%22%5BJournal%5D)">Bacterial Enzymes Involved in Lignin Degradation.</a> J. Biotechnol. 236, 110-119 (2016).</li>
<li>Rosatella, A. A., Afonso, C. A. M. Chapter 2. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aRosatella%2C+AA+%22Ionic+Liquids+in+the+Biorefinery+Concept%3A+Challenges+and+Perspectives%22">Ionic Liquids in the Biorefinery Concept: Challenges and Perspectives</a>. , Wiley. 38-64 (2016).</li>
<li>Sun, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Understanding+tissue+specific+compositions+of+bioenergy+feedstocks+Through+hyperspectral+Raman+imaging%5BTitle%5D)+AND+%22Bio%22%5BJournal%5D)">Understanding tissue specific compositions of bioenergy feedstocks Through hyperspectral Raman imaging.</a> Bio. 108 (2), 286-295 (2009).</li>
<li>Tolstik, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Classification+and+prediction+of+HCC+tissues+by+Raman+imaging+with+identification+of+fatty+acids+as+potential+lipid+biomarkers%5BTitle%5D)+AND+%22J.+Cancer.+Res.+Clin.+Oncol%22%5BJournal%5D)">Classification and prediction of HCC tissues by Raman imaging with identification of fatty acids as potential lipid biomarkers.</a> J. Cancer. Res. Clin. Oncol. 141 (3), 407-418 (2015).</li>
<li>Schrader, B. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSchrader%2C+B+%22Infrared+and+Raman+spectroscopy%3A+methods+and+applications%22">Infrared and Raman spectroscopy: methods and applications</a>. , John Wiley and Sons. (2008).</li>
<li>Gierlinger, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Imaging+of+plant+cell+walls+by+confocal+Raman+microscopy%5BTitle%5D)+AND+%22Nat.+Protoc%22%5BJournal%5D)">Imaging of plant cell walls by confocal Raman microscopy.</a> Nat. Protoc. 7 (9), 1694-1708 (2012).</li>
<li>Luca, A. C. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Online+fluorescence+suppression+in+modulated+Raman+spectroscopy%5BTitle%5D)+AND+%22Anal.+Chem%22%5BJournal%5D)">Online fluorescence suppression in modulated Raman spectroscopy.</a> Anal. Chem. 82 (2), 738-745 (2009).</li>
<li>Schlücker, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Raman+microspectroscopy%3A+a+comparison+of+point%2C+line%2C+and+wide-field+imaging+methodologies%5BTitle%5D)+AND+%22Anal.+Chem%22%5BJournal%5D)">Raman microspectroscopy: a comparison of point, line, and wide-field imaging methodologies.</a> Anal. Chem. 75 (16), 4312-4318 (2003).</li>
<li>Cooper, J. B. <a target="_blank" href="http://www.sciencedirect.com/science/article/pii/S0169743998001749">Chemometric analysis of Raman spectroscopic data for process control applications.</a> Chemometr. Intell. Lab. Syst. 46 (2), 231-247 (1999).</li>
<li>Cheng, H. J., Hsiau, S. S. <a target="_blank" href="http://www.sciencedirect.com/science/article/pii/S003259101000046X">The study of granular agglomeration mechanism.</a> Powder Technol. 199 (3), 272-283 (2010).</li>
<li>Zhang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Method+for+removing+spectral+contaminants+to+improve+analysis+of+Raman+imaging+data%5BTitle%5D)+AND+%22Sci.+Rep%22%5BJournal%5D)">Method for removing spectral contaminants to improve analysis of Raman imaging data.</a> Sci. Rep. 6, 39891(2016).</li>
<li>Shinzawa, H., et al. <a target="_blank" href="http://onlinelibrary.wiley.com/doi/10.1002/jrs.2525/abstract">Multivariate data analysis for Raman spectroscopic imaging.</a> J. Raman Spectrosc. 40 (12), 1720-1725 (2009).</li>
<li>Lawton, W. H., Sylvestre, E. A. <a target="_blank" href="https://www.jstor.org/stable/1267173">Self modeling curve resolution.</a> Technometrics. 13, 617-633 (1971).</li>
<li>Zhang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Method+for+automatically+identifying+spectra+of+different+wood+cell+wall+layers+in+Raman+imaging+data+set%5BTitle%5D)+AND+%22Anal.+Chem%22%5BJournal%5D)">Method for automatically identifying spectra of different wood cell wall layers in Raman imaging data set.</a> Anal. Chem. 87 (2), 1344-1350 (2015).</li>
<li>Kudelski, A. <a target="_blank" href="http://www.sciencedirect.com/science/article/pii/S0039914008001641">Analytical application of Raman spectroscopy.</a> Talanta. 76 (1), 1-8 (2008).</li>
</ol>

Les auteurs n&#39;ont rien à dévoiler.

La paroi de la cellule végétale est composée en plusieurs couches, y compris le coin cellulaire (CC), la paroi secondaire (SW, avec les couches S1, S2 et S3) et les lamelles intermédiaires composées (LML, la lamelle intermédiaire plus la primaire adjacente Mur), ce qui rend difficile l&#39;obtention d&#39;une surface plane lors de la préparation de l&#39;échantillon. Ainsi, les échantillons de plantes, en particulier l&#39;herbe, qui ont une structure plus compliquée que le bois, doivent souvent être solidifiés pour per...

La biomasse végétale est la ressource renouvelable la plus abondante sur Terre, elle est principalement composée de lignine, de cellulose et d’hémicellulose, et elle est considérée comme une source attrayante de bioénergie et de produits chimiques biosourcés1. Malheureusement, il peut résister à la dégradation et conférer une stabilité hydrolytique ou une robustesse structurelle à la paroi cellulaire de la plante. Cette résistance est attribuable à la surface accessible, à la taille des particules de biomasse, au degré de polymérisation, à la cristallinité de la cellulose et à la lignine protectrice2. Une compréhension complète de la nature structurale et chimique de la paroi cellulaire végétale est donc importante du point de vue de la biologie et de la chimie végétales, ainsi que de celui de l’utilisation commerciale. Les analyses de chimie humide couramment utilisées, telles que la chromatographie, la spectrométrie de masse et la spectroscopie par résonance magnétique nucléaire, ne fournissent que des données de composition moyennes de l’échantillon mesuré. De plus, ces méthodes sont invasives et détruisent la structure originale du tissu végétal 3. 
La technique d’imagerie Raman est un outil puissant pour la visualisation non destructive d’informations chimiques résolues spatialement4. Il utilise une lumière laser pour provoquer une diffusion inélastique avec un photon et s’appuie sur les changements de polarisabilité résultant des vibrations moléculaires. Dans ce cas, l’eau provoque une faible diffusion Raman, ce qui rend cette approche adaptée aux investigations in situ d’échantillons biologiques5. L’application de la technique d’imagerie Raman à la paroi cellulaire végétale permet d’élucider la structure et la composition des parois cellulaires végétales à l’état natif, avec une résolution à l’échelle de la cellule unique et même des couches de la paroi cellulaire6. Une analyse d’imagerie Raman typique d’une paroi cellulaire végétale comprend généralement trois étapes : 1) la préparation de l’échantillon, 2) l’acquisition spectrale et 3) le traitement des données. 
Bien que l’un des principaux avantages de l’imagerie Raman soit la possibilité d’obtenir des spectres sans marquage et non destructifs avec une préparation minimale de l’échantillon, le sectionnement physique de l’échantillon est toujours nécessaire pour exposer la surface d’intérêt. Ce processus doit être effectué avec soin pour obtenir une surface plane, car la technique dépend du maintien de la mise au point optique7. L’acquisition spectrale nécessite un équilibre entre la qualité d’image et les temps d’acquisition étendus 8. Le traitement des données vise à extraire efficacement l’information chimique des données d’image, en particulier pour les composants ayant des structures chimiques similaires, tels que la cellulose et l’hémicellulose. En raison du fort chevauchement spectral, les spectres exacts sont difficiles à discerner. Dans ce cas, l’analyse multivariée est une approche simple pour découvrir efficacement les informations structurelles et chimiques cachées 9. Ce travail présente un protocole général décrivant l’utilisation de l’imagerie Raman pour visualiser les principaux composants des parois cellulaires végétales, notamment la lignine, la cellulose et l’hémicellulose.

<table><tbody><tr><td>Microtome</td><td>Thermo Scientific</td><td>Microm HM430</td><td></td></tr><tr><td>Microscope Raman confocal</td><td>Horiba Jobin Yvon</td><td>Xplora</td><td></td></tr><tr><td>Four</td><td>Shanghai ZHICHENG</td><td>ZXFD-A5040</td><td></td></tr></tbody></table>

combinaison d&#39;imagerie raman et analyse multivariée pour visualiser la lignine, la cellulose et l&#39;hémicellulose dans le mur de cellules végétales

Combining Raman Imaging and Multivariate Analysis to Visualize Lignin, Cellulose, and Hemicellulose in the Plant Cell Wall

L&#39;application de l&#39;imagerie Raman à la biomasse végétale augmente car elle peut offrir des informations spatiales et de composition sur des solutions aqueuses. L&#39;analyse ne nécessite généralement pas une préparation approfondie des échantillons; Des informations structurelles et chimiques peuvent être obtenues sans étiquetage. Cependant, chaque image Raman contient des milliers de spectres; Cela soulève des difficultés lors de l&#39;extraction d&#39;informations cachées, en particulier pour les composants ayant des structures chimiques similaires. Ce travail présente une analyse multivariée pour résoudre ce problème. Le protocole établit une méthode générale pour visualiser les principaux composants, y compris la lignine, la cellulose et l&#39;hémicellulose dans la paroi cellulaire de la plante. Dans ce protocole, des procédures pour la préparation des échantillons, l&#39;acquisition spectrale et le traitement des données sont décrites. Il dépend fortement des compétences de l&#39;opérateur lors de la préparation des échantillons et de l&#39;analyse des données. En utilisant cette approche, une enquête Raman peut être effectuée par un utilisateur non spécialisé pour acquérirDonnées de qualité h et résultats significatifs pour l&#39;analyse de la paroi cellulaire végétale.

La figure 1 présente un aperçu d&#39;un système typique de micro-Raman pour l&#39;imagerie Raman d&#39;une paroi cellulaire végétale. À titre d&#39;exemple, les spectres Raman originaux du peuplier ( Populus nigra L.) ont des dérives et des pointes de base significatives ( Figure 2a ). Après avoir effectué la méthode de prétraitement automatique pour le jeu de données d&#39;imagerie Raman (APRI), ces deux contaminants s...

Ce protocole vise à présenter une méthode générale pour visualiser la lignine, la cellulose et l&#39;hémicellulose dans les parois des cellules végétales en utilisant l&#39;imagerie Raman et l&#39;analyse multivariée.

Combinaison d&#39;imagerie Raman et analyse multivariée pour visualiser la lignine, la cellulose et l&#39;hémicellulose dans le mur de cellules végétales

The application of Raman imaging to plant biomass is increasing because it can offer spatial and compositional information on aqueous solutions. The ...

L'objectif général de cette expérience est de présenter une méthode générale permettant de visualiser la lignine, la cellulose et l'hémicellulose dans la paroi cellulaire végétale par imagerie Raman et analyse multivariée. Cette méthode peut aider à répondre à des questions clés dans le domaine de la biomasse végétale, telles que la manière dont les principaux composants chimiques se répartissent dans la paroi cellulaire végétale. Le principal avantage de cette technique est qu'elle fournit des informations automatisées et non destructrices sur l'échantillon avec une préparation minimale de celui-ci.Pour commencer, découpez un petit fragment de tissu à partir de l'échantillon végétal. Plongez le tissu dans de l'eau déionisée bouillante pendant 30 minutes. Ensuite, transférez-le immédiatement dans de l'eau déionisée à température ambiante pendant 30 minutes.Répétez cette étape jusqu'à ce que le tissu coule au fond du récipient, ce qui indique que l'air présent dans le tissu a été éliminé et que le tissu s'est ramolli. Préparez des aliquots à 20 %, 50 %, 70 % et 90 % de PEG et d'eau déionisée, ainsi que du PEG pur. Conservez les solutions à 65 degrés Celsius.Incuber le tissu dans une série de bains de PEG à concentrations croissantes pour déplacer l'eau et permettre l'infiltration du PEG. Sécher dans du PEG à 20 % pendant une heure, dans du PEG à 50 % pendant une heure et demie, dans du PEG à 70 % pendant deux heures, dans du PEG à 90 % pendant deux heures, puis dans du PEG à 100 % pendant 10 heures. Ensuite, préchauffer un cassette à 65 degrés Celsius dans une étuve.Verser le bloc de tissu contenant le PEG dans la cassette, puis placer le bloc de tissu en position souhaitée à l’aide de pinces ou d’aiguilles préalablement réchauffées. Refroidir lentement la cassette et conserver le tissu à température ambiante jusqu’à utilisation. Dissecter le bloc de PEG contenant le tissu cible en un petit bloc à l’aide d’une lame de rasoir bien aiguisée.Montez le petit bloc de PEG sur le microtome et découpez des sections fines à partir du bloc de PEG. Rincez ensuite les sections avec de l'eau déionisée dans une boîte de Pétri 10 fois pour éliminer le PEG du tissu. Ensuite, immergez les sections dans du toluène et de l'éthanol pendant six heures pour éliminer les extraits.Préparez le liquide de réaction en mélangeant 65 mL d'eau déionisée, 0,5 mL d'acide acétique et 0,6 g de chlorure de sodium dans un bécher. Ajoutez une section et 3 mL de liquide de réaction dans un flacon de 5 mL. Vissez le bouchon sur le flacon.Ensuite, chauffer le tube à essai dans un bain-marie à 75 degrés Celsius pendant deux heures afin d'éliminer la lignine du tissu. Rincer la section avec de l'eau déionisée dans une boîte de Pétri 10 fois. Puis, transférer la section non traitée et délignifiée sur une lame de microscope en verre.Dépliez soigneusement la section à l'aide de pinceaux ou d'aiguilles. Retirez l'excès d'eau déionisée avec du papier absorbant. Ensuite, immergez la section dans de l'oxyde de deutérium.Couvrez l'échantillon avec une lame de verre. Scellez la lame avec du vernis à ongles pour éviter l'évaporation de l'oxyde de deutérium. Ouvrez le logiciel de fonctionnement de la microscopie Raman confocale.Activez le laser et focalisez-vous sur la surface du cristal et du silicium à l’aide d’un objectif de microscope 100x. Cliquez sur le bouton d’étalonnage pour calibrer l’appareil. Passez l’appareil en mode microscope optique et allumez la lampe du microscope.Placer la lame de microscope sur la platine, avec la lamelle tournée vers l'objectif. Observer l'échantillon avec l'objectif de microscope 20x et localiser la zone d'intérêt. Passer à l'objectif à immersion.Appliquez de l'huile à immersion sur la lame couvre-objet, puis focalisez-vous sur la surface de l'échantillon. Ensuite, passez l'instrument en mode d'analyse Raman et éteignez la lampe du microscope. Sélectionnez une zone de cartographie à l'aide d'un outil rectangulaire.Modifier la taille du pas pour déterminer le nombre de spectres obtenus. Veiller à ce que la taille du pas soit supérieure au diamètre du spot, calculé à partir de l'ouverture numérique de l'objectif. Des tailles inférieures entraîneront un suréchantillonnage.Définissez les paramètres spectraux optimaux afin d'obtenir le meilleur rapport signal sur bruit et une qualité spectrale élevée, ainsi qu'un temps d'acquisition approprié en fonction de la nature de l'échantillon. En général, saisissez les paramètres d'imagerie dans le logiciel de l'instrument en utilisant une longueur d'onde laser de 532 nanomètres, un filtre de 100 % d'ouverture de 300, une fente de 100, un spectromètre de 1840 centimètres inverses, des rainures de 1200T, un objectif à immersion huile de 60x et un temps d'acquisition de deux secondes. Enregistrez les données spectrales avant le traitement des données, puis convertissez-les dans un format universel avant de passer à l'analyse des données, comme décrit dans le protocole textuel.Les spectres Raman originaux de la paroi cellulaire du peuplier sont présentés ici. Deux types majeurs de signaux parasites, notamment les dérives de la ligne de base et les pics cosmiques, se superposent aux canaux contenant les signaux réels. Ils doivent être éliminés avant l'analyse des données.Une technique de réduction du bruit, telle que l'algorithme de Savitzky-Golay ou l'algorithme par ondelettes, peut être appliquée pour éliminer ces signaux parasites. Pour l'imagerie de la lignine, considérez le pic spectral autour de 1600 cm⁻¹ dû à la vibration d'élongation symétrique de l'anneau aromatique. Pour l'imagerie des polysaccharides, utilisez le pic spectral autour de 2889 cm⁻¹ en raison des élongations CH et CH₂.Cependant, les images Raman de la cellulose et de l'hémicellulose ne peuvent pas être générées directement. La délignification est une étape nécessaire pour mettre en évidence leurs caractéristiques spectrales. En général, nous sommes novices dans cette méthode.Nous éprouvons des difficultés, car cela nécessite une formation en manipulation, en préparation des échantillons et en analyse des données. Après avoir visionné cette vidéo, vous devriez bien comprendre comment obtenir des informations chimiques sur la paroi cellulaire végétale à l'aide de méthodes in situ. Suite à cette procédure, d'autres méthodes, telles que des prétraitements chimiques, peuvent être réalisées afin de répondre à des questions supplémentaires, comme la recalcitrance de la paroi cellulaire végétale.Bien que cette méthode puisse fournir des informations sur la nature structurelle interne et la topochimie de la paroi cellulaire végétale, elle peut également être appliquée à d'autres échantillons biologiques.

combining-raman-imaging-multivariate-analysis-to-visualize-lignin

Research

Recherche

JoVE Journal

Biochemistry

Biochimie

La biomasse végétale est une grande neutralité carbone ressource renouvelable qui pourraient être utilisés pour la production de biocarburants. La biomasse végétale est principalement constitué de parois cellulaires, un matériau composite de structure complexe appelée lignocellulosiques. Nous décrivons ici un protocole pour une analyse complète du contenu et de la composition de la lignine polyphénolique.

Partie analyse complète de la composition des parois des cellules végétales (biomasse lignocellulosique) I: La lignine

La biomasse végétale est une grande neutralité carbone ressource renouvelable qui pourraient être utilisés pour la production de biocarburants. La biomasse végétale est principalement constitué de parois cellulaires, un matériau composite de structure complexe appelée lignocellulosiques. Nous décrivons ici un protocole pour une analyse complète du contenu et la composition des glucides mur dérivés.

Analyse de la composition globale de la paroi cellulaire végétale (biomasse lignocellulosique) Partie II: Glucides

Une méthode basée sur la microscopie confocale Raman est présenté qui offre sans étiquette de visualisation de la lignine dans les parois des cellules végétales et la comparaison de la lignification dans les différents tissus, d'échantillons ou d'espèces.

Sans étiquette In situ</emImagerie> de lignification dans les parois des cellules végétales

La structure de la paroi cellulaire végétale et les traits chimiques sont évalués afin d’identifier les matières premières idéales pour les biocarburants et les biomatériaux. Les méthodes standard ont des limites lorsqu’elles sont appliquées à de grands ensembles de données. Ces méthodes de prétraitement à haut débit, de saccharification enzymatique et de spectrométrie de masse par faisceau moléculaire de pyrolyse permettent de comparer un grand nombre d’échantillons de biomasse avec une...

Haut-débit dépistage des Variations récalcitrant dans la biomasse lignocellulosique: Total lignine, la lignine monomères et enzymatique sucre sortie

La cellulose cristalline est un constituant important de la paroi cellulaire végétale. Cependant, sa quantification à une résolution cellulaire est techniquement difficile.  Ici, nous rapportons l’utilisation de la technologie de la lumière polarisée et des sections efficaces des racines pour obtenir des informations sur la composition de la paroi cellulaire à une résolution spatio-temporelle.

Résolution Quantification haut de Crystalline Cellulose Accumulation dans<em&gt; Arabidopsis</em&gt; Roots pour surveiller cellulaire spécifique d&#39;un tissu mural Modifications

BLISS, un double étiquetage protocole pour l’étude dynamique de la lignification, a été développé. À l’aide de monolignols synthétique reporters et une combinaison séquentielle de bioorthogonal SPAAC et CuAAC cliquez sur réactions, cette paves de méthodologie la voie à une analyse approfondie des facteurs qui régulent la biogenèse des lignines en planta.

Visualisation dynamique de Lignification chez les plantes à la chimie de clic : double étiquetage est le bonheur !

Ce protocole décrit une configuration originale combinant des mesures spectrales et fluorescence à vie pour évaluer le transfert d'énergie de résonance (FRET) entre les sondes fluorescentes à base de rhodamine et le polymère de lignine directement dans d'épaisses sections végétales.

Mesurer les interactions entre les sondes fluorescentes et la lignine dans les sections végétales par sFLIM Basé sur l'autofluorescence indigène

Ce protocole présente une approche multimodale combinant la spectroscopie Raman et la microscopie de phase tomographique pour le phénotypage non invasif et sans marquage de cellules cancéreuses du sein humaines vivantes. Il comprend un pipeline d’analyse convivial et sans biais humain pour une analyse morphochimique quantitative rapide, fournissant des informations moléculaires et structurelles détaillées avec des applications dans la recherche sur le cancer et la biologie cellulaire.

Un cadre d’imagerie multimodale pour faire progresser le phénotypage de cellules cancéreuses du sein vivantes sans marquage

Dans ce manuscrit, les méthodes d’oxydation périodique et de réticulation du glutaraldéhyde pour l’immobilisation covalente des anticorps sur des disques de papier sont présentées. L’activité de liaison des anticorps immobilisés a été évaluée. Sur la base de ces résultats, une méthode de réticulation du glutaraldéhyde a été utilisée pour développer un nouveau test immunologique sur papier pour la détection de l’immunoglobuline G (IgG).

Covalent liaison des anticorps à la cellulose de papier disques et leurs applications dans l&#39;œil nu colorimétriques immunoessais

Ici, nous présentons un dosage fiable et facile pour mesurer la teneur en glycogène dans les cellules cyanobactériennes. La procédure implique des précipitations, une dépolymérisation sélectionnable et la détection de résidus de glucose. Cette méthode est appropriée pour les souches de type sauvage et génétiquement modifiées et peut faciliter l'ingénierie métabolique des cyanobactéries.

Détermination du contenu en glycogène dans les cyanobactéries

Découvrez une méthode d'imagerie Raman et d'analyse multivariée pour visualiser la lignine, la cellulose et l'hémicellulose dans les parois cellulaires végétales. Cette technique non destructive facilite l'étude de la biomasse.

Combinaison dimagerie Raman et analyse multivariée pour visualiser la lignine, la cellulose et lhémicellulose dans le mur de cellules végétales (Vidéo) | JoVE Journal

Combinaison d'imagerie Raman et analyse multivariée pour visualiser la lignine, la cellulose et l'hémicellulose dans le mur de cellules végétales

Explorer plus de vidéos