Name: Combinazione di Raman Imaging e analisi multivariata per la visualizzazione di lignina, cellulosa e emicellulosa nella parete cellulare delle piante (Video) | JoVE Journal
Uploaded: 2017-06-10T14:00:00.000+00:00
Duration: 7 min 51 s
Description: Scopri la visualizzazione di lignina, cellulosa ed emicellulosa nelle pareti cellulari vegetali tramite imaging Raman e analisi multivariata. Questo metodo non distruttivo consente di studiare la composizione chimica della biomassa.

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

Ringraziamo il Ministero della Scienza e della Tecnologia della Cina (2016YDF0600803) per il sostegno finanziario.

1. Preparazione del campione <ol><li> Tagliare un piccolo blocco di tessuto (circa 3 mm x 3 mm x 5 mm) dal campione vegetale ( ad es. Un gambo di pioppo). </li><li> Immergere il tessuto in acqua bollente di deionizzazione per 30 min. Trasferire immediatamente in acqua deionizzata a temperatura ambiente (RT) per 30 minuti. Ripetere questo passaggio finché il tessuto non si affonda sul fondo del contenitore, indicando che l&#39;aria nel tessuto è stata rimossa e che il tessuto si è ammorbidito. Nota: Per i campioni che si affondano sul fondo prima di questo passaggio, ripetere generalmente questo ciclo 3-5 volte. </li><li> Preparare 20, 50, 70, 90% (v / v) aliquote di polietilenglicole (PEG) in acqua deionizzata, pure pure PEG e mantenere le soluzioni a 65 ° C. </li><li> Incubare il tessuto in una serie di bagni PEG classificati per spostare l&#39;acqua e consentire l&#39;infiltrazione del PEG. Nota: In genere, PEG con peso molecolare 2.000 (PEG2000) viene utilizzato per l&#39;incorporamento. <ol><li> Processare il tessuto con g(A) 20% PEG per 1h, (b) 50% PEG per 1,5h, (c) 70% PEG per 2h, (d) 90% PEG per 2 ore e E) 100% PEG per 10 h. </li></ol></li><li> Preriscaldare una cassetta a 65 ° C in un forno. Versare il PEG contenente il blocco nella cassetta e quindi posizionare il blocco di tessuto in una posizione desiderata utilizzando pinzette o aghi preriscaldati. </li><li> Lentamente raffreddare la cassetta e conservare il tessuto in RT fino all&#39;uso. </li><li> Sezionare il blocco PEG contenente il tessuto bersaglio in un piccolo blocco (circa 1 cm x 1 cm x 2 cm) usando una lama raso tagliente e montarla sul microtomo. </li><li> Tagliare le sezioni sottili dal blocco PEG (tipicamente 3-10 μm). </li><li> Sciacquare la sezione con acqua deionizzata in un vetro da orologio 10 volte per rimuovere la PEG dal tessuto. </li><li> Immergere le sezioni con toluene / etanolo (2: 1, v / v) per 6 ore per rimuovere gli estrattivi. Preparare il liquido di reazione mescolando 65 ml di acqua deionizzata, 0,5 ml di acido acetico e 0,6 g di sodio chloRito in un bicchiere. Aggiungere una sezione e 3 ml di liquido di reazione a una fiala da 5 ml. Avvitare la parte superiore della fiala. </li><li> Scaldare la fiala in bagno d&#39;acqua a 75 ° C per 2 ore per rimuovere la lignina del tessuto. Sciacquare la sezione con acqua deionizzata in un vetro da orologio 10 volte. </li><li> Trasferire la sezione non trattata / delignificata ad una vetrina del microscopio di vetro. Aprire con cura la sezione con spazzole o aghi. Rimuovere l&#39;acqua extra deionizzata con carta velina. </li><li> Immergere la sezione in D 2 O. Coprire il campione con una slitta di copertura in vetro. Sigillare il coperchio della copertura con smalto per prevenire l&#39;evaporazione del D 2 O. </li></ol> 2. Acquisizione spettrale <ol><li> Aprire il software operativo dello strumento del microscopio Raman confocale. Accendere il laser (lunghezza d&#39;onda = 532 nm), mettere a fuoco sulla superficie del silicio cristallino con un obiettivo microscopico 100X e fare clic sul pulsante di calibrazione per calibrare lo strumento. </li><li> Spostare lo strumentoAlla modalità microscopica ottica e accendere la lampada del microscopio. Montare la diapositiva del microscopio sul palco, con la slitta di copertura rivolta verso l&#39;obiettivo. </li><li> Visualizzare il campione con un obiettivo del microscopio 20X e individuare l&#39;area di interesse. Applicare olio di immersione sul coperchio e passare all&#39;obiettivo del microscopio di immersione (60X, apertura numerica NA = 1,35). Focus sulla superficie del campione. </li><li> Passare lo strumento alla modalità di prova Raman e spegnere la lampada del microscopio. </li><li> Scegliere un&#39;area di mappatura utilizzando uno strumento rettangolare. Modifica la dimensione del passo per determinare il numero di spettri ottenuti. Nota: tenere presente la dimensione del passo (di solito più grande del diametro del punto calcolato dall&#39;apertura numerica dell&#39;obiettivo, teoricamente 1.22λ / NA). Le dimensioni sotto di questo provocheranno un oversampling. </li><li> Impostare i parametri ottimali di spettro per ottenere il miglior rapporto segnale / rumore (SNR) e qualità spettrale in un opportuno tempo di acquisizione (generalmente &lt;8 h), depeSulla conformità del campione. In genere, immettere i parametri di imaging nel software dello strumento come nel seguente modo: laser (532 nm), filtro (100%), foro (300), fessura (100), spettrometro (1.840 cm -1 ), scanalature (1200t) Olio 60X) e tempo di acquisizione (2 s). </li><li> Salvare i dati spettrali prima dell&#39;elaborazione dei dati e convertirli in un formato universale ( ad esempio, file TXT). </li></ol> 3. Analisi dei dati <ol><li> Caricare i dati spettrali (file TXT) nel software di analisi dei dati ( ad esempio, Matlab). Applicare una tecnica di riduzione del rumore sul set di dati per migliorare il SNR ( ad esempio, l&#39;algoritmo Savitzsky-Golay o l&#39;algoritmo wavelet) </li><li> Utilizzare campioni non trattati per produrre le immagini di lignina e polisaccaridi. Per l&#39;imaging di lignina, considerare il picco spettrale di circa 1.600 cm -1 a causa della vibrazione simmetrica di stretching anulare. Per la formazione di polisaccaridi (inclusa la cellulosa e l&#39;emicellulosa), utilizzare il picco spettrale aIntorno a 2.889 cm -1 a causa dei tratti CH e CH2. </li><li> Utilizzare campioni delignificati per generare le immagini di cellulosa e emicellulosa. Eseguire la risoluzione della curva di auto-modellizzazione (SMCR) sugli spettri acquisiti per discriminare lo spettro di cellulosa e emicellulosa e per rappresentare le loro distribuzioni. </li><li> Eseguire l&#39;analisi dei componenti principali (PCA) e l&#39;analisi clustering sui dati acquisiti per distinguere gli spettri Raman da diversi strati di parete cellulare. </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>

Gli autori non hanno niente da rivelare.

La parete cellulare è un composito organizzato in diversi strati, tra cui l&#39;angolo di cella (CC), la parete secondaria (SW, con gli strati S1, S2 e S3) e la lamella centrale composta (CML, lamella centrale e principale adiacente Parete) che rende difficile ottenere una superficie piana durante la preparazione del campione. Pertanto, i campioni di piante, in particolare l&#39;erba, che hanno una struttura più complessa del legno, spesso devono essere solidificati per consentire una sezione sottile. PEG è una matrice ...

La biomassa vegetale è la risorsa rinnovabile più abbondante sulla Terra; è composta principalmente da lignina, cellulosa ed emicellulosa; ed è considerata una fonte attraente di bioenergia e prodotti chimici a base biologica1. Sfortunatamente, può resistere alla degradazione e conferire stabilità idrolitica o robustezza strutturale alla parete cellulare della pianta. Tale resistenza è attribuibile all'area superficiale accessibile, alla dimensione delle particelle di biomassa, al grado di polimerizzazione, alla cristallinità della cellulosa e alla lignina protettiva 2. Una comprensione completa della natura strutturale e chimica della parete cellulare vegetale è quindi significativa dal punto di vista della biologia e della chimica vegetale, così come da quello dell'utilizzazione commerciale. Le analisi di chimica umida comunemente utilizzate, come la cromatografia, la spettrometria di massa e la spettroscopia di risonanza magnetica nucleare, forniscono solo dati di composizione medi del campione misurato. Inoltre, questi metodi sono invasivi e distruggono la struttura originale del tessuto vegetale3. 
La tecnica di imaging Raman è un potente strumento per la visualizzazione non distruttiva di informazioni chimiche spazialmente risolte4. Utilizza una luce laser per causare una dispersione anelastica con un fotone e si basa sui cambiamenti di polarizzabilità derivanti dalle vibrazioni molecolari. In questo caso, l'acqua provoca una debole dispersione Raman, il che rende questo approccio adatto per indagini in situ di campioni biologici5. L'applicazione della tecnica di imaging Raman alla parete cellulare vegetale può chiarire la struttura e la composizione delle pareti cellulari vegetali nel loro stato nativo, con la risoluzione sulla scala della singola cellula e persino degli strati della parete cellulare6. Una tipica analisi di imaging Raman di una parete cellulare vegetale consiste generalmente in tre fasi: 1) preparazione del campione, 2) acquisizione spettrale e 3) elaborazione dei dati. 
Sebbene uno dei principali vantaggi dell'imaging Raman sia la capacità di ottenere spettri privi di etichette e non distruttivi con una preparazione minima del campione, il sezionamento fisico del campione è ancora necessario per esporre la superficie di interesse. Questo processo deve essere eseguito con attenzione per ottenere una superficie piana, poiché la tecnica dipende dal mantenimento della messa a fuoco ottica7. L'acquisizione spettrale richiede un equilibrio tra qualità dell'immagine e tempi di acquisizione estesi8. L'elaborazione dei dati mira a estrarre efficacemente le informazioni chimiche dai dati dell'immagine, in particolare per i componenti con strutture chimiche simili, come la cellulosa e l'emicellulosa. A causa della forte sovrapposizione spettrale, gli spettri esatti sono difficili da discernere. In questo caso, l'analisi multivariata è un approccio semplice per scoprire efficacemente le informazioni strutturali e chimiche nascoste9. Questo lavoro presenta un protocollo generale che descrive l'uso dell'imaging Raman per visualizzare i componenti principali nelle pareti cellulari delle piante, tra cui lignina, cellulosa ed emicellulosa.

<table><tbody><tr><td>Microtomo</td><td>Thermo Scientific</td><td>Microm HM430</td><td></td></tr><tr><td>Microscopio Raman confocale</td><td>Horiba Jobin Yvon</td><td>Xplora</td><td></td></tr><tr><td>Forno</td><td>Shanghai ZHICHENG</td><td>ZXFD-A5040</td><td></td></tr></tbody></table>

combinazione di raman imaging e analisi multivariata per la visualizzazione di lignina, cellulosa e emicellulosa nella parete cellulare delle piante

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

L&#39;applicazione di Raman imaging alla biomassa vegetale è in aumento in quanto può offrire informazioni spaziali e compositive sulle soluzioni acquose. L&#39;analisi di solito non richiede un&#39;ampia preparazione dei campioni; Informazioni strutturali e chimiche possono essere ottenute senza etichettatura. Tuttavia, ogni immagine Raman contiene migliaia di spettri; Ciò solleva difficoltà quando estrae informazioni nascoste, soprattutto per i componenti con strutture chimiche simili. Questo lavoro introduce un&#39;analisi multivariata per affrontare questo problema. Il protocollo stabilisce un metodo generale per visualizzare i componenti principali, tra cui la lignina, la cellulosa e l&#39;emicellulosa all&#39;interno della parete cellulare delle piante. In questo protocollo sono descritte le procedure per la preparazione del campione, l&#39;acquisizione spettrale e l&#39;elaborazione dei dati. È altamente dipendente dall&#39;abilità dell&#39;operatore durante la preparazione del campione e l&#39;analisi dei dati. Utilizzando questo approccio, un&#39;indagine di Raman può essere eseguita da un utente non specializzato per ottenere higI dati di qualità h e risultati significativi per l&#39;analisi delle pareti cellulari delle piante.

La figura 1 presenta una panoramica di un tipico sistema micro-Raman per l&#39;imaging Raman di una parete cellulare. Ad esempio, gli spettri Raman originali del pioppo ( Populus nigra L.) presentano significative derive e spicchi di base ( Figura 2a ). Dopo aver eseguito il metodo automatico di pre-elaborazione per il set di dati Raman Imaging (APRI), questi due contaminanti spettrali vengono eliminati con successo ( <...

Questo protocollo mira a presentare un metodo generale per la visualizzazione della lignina, della cellulosa e dell&#39;emicellulosa nelle pareti delle cellule vegetali utilizzando l&#39;analisi Raman e l&#39;analisi multivariata.

Combinazione di Raman Imaging e analisi multivariata per la visualizzazione di lignina, cellulosa e emicellulosa nella parete cellulare delle piante

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

L'obiettivo generale di questo esperimento è presentare un metodo generale per la visualizzazione della lignina, della cellulosa e dell'emiselulosa nella parete cellulare vegetale mediante imaging Raman e analisi multivariata. Questo metodo può contribuire a rispondere a domande fondamentali nel campo della biomassa vegetale, ad esempio come si distribuiscono i principali componenti chimici nella parete cellulare vegetale. Il principale vantaggio di questa tecnica è che è possibile ottenere informazioni automatiche e non distruttive sul campione con una preparazione minima dello stesso.Per iniziare, tagliare un piccolo blocco di tessuto dal campione vegetale. Immergere il tessuto in acqua deionizzata bollente per 30 minuti. Successivamente, trasferirlo immediatamente in acqua deionizzata a temperatura ambiente per 30 minuti.Ripetere questo passaggio fino a quando il tessuto affonda sul fondo del contenitore, indicando che l'aria presente nel tessuto è stata rimossa e che il tessuto si è ammorbidito. Preparare aliquote di PEG e acqua deionizzata al 20%, 50%, 70% e 90%, oltre a PEG puro. Mantenere le soluzioni a 65 gradi Celsius.Incubare il tessuto in una serie di bagni di PEG a concentrazione crescente per dislocare l'acqua e permettere l'infiltrazione del PEG. Asciugare al 20% di PEG per un'ora, al 50% di PEG per un'ora e mezza, al 70% di PEG per due ore, al 90% di PEG per due ore e al 100% di PEG per 10 ore. Successivamente, preriscaldare una cassetta a 65 gradi Celsius in un forno.Versare il blocco di tessuto contenente PEG nella cassetta, quindi posizionare il blocco di tessuto nella posizione desiderata utilizzando pinzette o aghi preriscaldati. Raffreddare lentamente la cassetta e conservare il tessuto a temperatura ambiente fino all'uso. Dissezionare il blocco di PEG contenente il tessuto bersaglio in un blocco più piccolo utilizzando una lama di rasoio affilata.Montare il piccolo blocco di PEG sul microtomo e tagliare sezioni sottili dal blocco di PEG. Successivamente, risciacquare le sezioni con acqua deionizzata in un vetrino da orologio per 10 volte per rimuovere il PEG dal tessuto. Quindi, immergere le sezioni in toluene ed etanolo per sei ore per rimuovere le sostanze estraibili.Preparare il liquido di reazione mescolando 65 mL di acqua deionizzata, 0,5 mL di acido acetico e 0,6 g di cloruro di sodio in un becher. Aggiungere una sezione e 3 mL di liquido di reazione in una provetta da 5 mL. Avvitare il tappo sulla provetta.Quindi, riscaldare il vial in un bagno d'acqua a 75 gradi Celsius per due ore per rimuovere la lignina dal tessuto. Risciacquare la sezione con acqua deionizzata in una capsula di vetro 10 volte. Successivamente, trasferire la sezione non trattata e de-lignificata su un vetrino da microscopio in vetro.Aprire con cura la sezione utilizzando pennelli o aghi. Rimuovere l'acqua deionizzata in eccesso con carta da filtro. Successivamente, immergere la sezione in ossido di deuterio.Coprire il campione con un'immersione in vetro. Sigillare l'immersione con smalto per unghie per prevenire l'evaporazione dell'ossido di deuterio. Aprire il software di funzionamento dello strumento del microscopio Raman confocale.Accendere il laser e mettere a fuoco la superficie del cristallo e del silicio con un obiettivo microscopico da 100x. Fare clic sul pulsante di calibrazione per calibrare lo strumento. Passare lo strumento in modalità microscopio ottico e accendere la lampada del microscopio.Montare il vetrino sul portacampioni, con il coprioggetto rivolto verso l'obiettivo. Osservare il campione con l'obiettivo microscopico da 20x e individuare l'area di interesse. Passare all'obiettivo microscopico ad immersione.Applicare olio ad immersione sul vetrino coprioggetto, quindi mettere a fuoco la superficie del campione. Successivamente, passare lo strumento in modalità di prova Raman e spegnere la lampada del microscopio. Selezionare un'area di mappatura utilizzando uno strumento rettangolare.Modificare l'incremento per determinare il numero di spettri ottenuti. Tenere presente che l'incremento deve essere maggiore del diametro del punto, calcolato in base all'apertura numerica dell'obiettivo. Valori inferiori a questo limite provocheranno un sovracampionamento.Impostare i parametri spettrali ottimali per ottenere il miglior rapporto segnale-rumore e qualità spettrale, e un tempo di acquisizione appropriato in base all'idoneità del campione. In generale, inserire i parametri di imaging nel software dello strumento utilizzando una lunghezza d'onda del laser di 532 nanometri, un filtro del 100% con un foro di 300, una fenditura di 100, uno spettrometro di 1840 centimetri inversi, incisioni di 1200T, un obiettivo ad immersione in olio da 60x e un tempo di acquisizione di due secondi. Salvare i dati spettrali prima dell'elaborazione dei dati e convertire i dati in un formato universale prima di procedere all'analisi dei dati come descritto nel protocollo testuale.Qui vengono mostrati gli spettri Raman originali della parete cellulare del pioppo. Due principali segnali di rumore, inclusi i drift della linea di base e gli spike cosmici, si sovrappongono ai canali insieme ai segnali effettivi. Questi devono essere rimossi prima dell'analisi dei dati.È possibile applicare una tecnica di riduzione del rumore, come l'algoritmo di Savitzky-Golay o l'algoritmo wavelet, per eliminare questi segnali di rumore. Per l'analisi di immagini della lignina, considerare il picco spettrale intorno a 1600 cm⁻¹ dovuto alla vibrazione di allungamento simmetrico dell'anello aromatico. Per l'analisi di immagini dei polisaccaridi, utilizzare il picco spettrale intorno a 2889 cm⁻¹ a causa degli allungamenti di CH e CH₂.Tuttavia, le immagini Raman della cellulosa e dell'emice1lulosa non possono essere generate direttamente. La delignificazione è una procedura necessaria per evidenziare le caratteristiche spettrali di questi componenti. In generale, siamo nuovi rispetto a questo metodo.Abbiamo difficoltà perché è necessario un addestramento nella manipolazione, nell'aspetto del sezionamento del campione e nell'analisi dei dati. Dopo aver visto questo video, si dovrebbe avere una buona comprensione di come acquisire informazioni chimiche sulla parete cellulare vegetale utilizzando metodi in-situ. Seguendo questa procedura, altri metodi come il pretrattamento chimico possono essere eseguiti per rispondere a ulteriori domande, come la recalcitranza della parete cellulare vegetale.Sebbene questo metodo possa fornire informazioni sulla natura strutturale interna e sulla topochimica della parete cellulare vegetale, può essere applicato anche ad altri campioni biologici.

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

Research

Ricerca

JoVE Journal

Biochemistry

Biochimica

Biomassa vegetale è uno dei principali carbon-neutral risorsa rinnovabile che potrebbero essere utilizzati per la produzione di biocarburanti. Biomassa vegetale è costituita principalmente delle pareti delle cellule, un materiale composito chiamato strutturalmente complesso legnocellulosa. Qui si descrive un protocollo per un'analisi completa del contenuto e la composizione della lignina polifenoliche.

Completa l&#39;analisi della composizione delle pareti cellulari delle piante (biomassa lignocellulosica) Parte I: lignina

Biomassa vegetale è uno dei principali carbon-neutral risorsa rinnovabile che potrebbero essere utilizzati per la produzione di biocarburanti. Biomassa vegetale è costituita principalmente delle pareti delle cellule, un materiale composito chiamato strutturalmente complesso legnocellulosa. Qui si descrive un protocollo per un'analisi completa del contenuto e la composizione di carboidrati muro derivate.

Completa l&#39;analisi della composizione delle pareti cellulari delle piante (biomassa lignocellulosica) Parte II: Carboidrati

Un metodo basato sulla microscopia confocale Raman è presentato che offre etichetta senza visualizzazione di lignina nelle pareti delle cellule vegetali e il confronto di lignificazione nei diversi tessuti, campioni o specie.

Senza etichetta In situ</emImaging> di lignificazione in pareti delle cellule vegetali

La struttura della parete cellulare vegetale e i tratti chimici vengono valutati per identificare le materie prime ideali per i biocarburanti e i biomateriali. I metodi standard presentano limitazioni quando vengono applicati a set di dati di grandi dimensioni. Questi metodi di pretrattamento ad alto rendimento, saccarificazione enzimatica e spettrometria di massa a fascio molecolare di pirolisi confrontano un gran numero di campioni di biomassa con tempi e costi sperimentali ridotti.

High-throughput screening delle Variazioni riluttanza a lignocellulosica Biomassa: Total lignina, lignina monomeri, e enzimatica Zucchero di uscita

La cellulosa cristallina è un importante costituente della parete cellulare delle piante. Tuttavia, la sua quantificazione a una risoluzione cellulare è tecnicamente impegnativa.  Qui, riportiamo l'uso della tecnologia della luce polarizzata e delle sezioni trasversali delle radici per ottenere informazioni sulla composizione della parete cellulare con una risoluzione spazio-temporale.

Risoluzione Quantificazione alta del cristallino cellulosa accumulo in<em&gt; Arabidopsis</em&gt; Roots a Monitor tessuto-specifica delle cellule parete Modifiche

BLISS, un doppio protocollo d'etichettatura per lo studio delle dinamiche di lignificazione, è stato sviluppato. Utilizzando sintetico monolignol reporter e una combinazione sequenza di SPAAC e CuAAC bioorthogonal fare clic su reazioni, apre questa metodologia il modo per un'analisi approfondita dei fattori che regolano la biogenesi di lignine in planta.

Visualizzazione di lignificazione Dynamics in piante con chimica clicca: doppia etichettatura è beatitudine!

Questo protocollo descrive un setup originale che combina misurazioni spettrali e di durata di fluorescenza per valutare il trasferimento di energia di risonanza di F 'rster (FRET) tra sonde fluorescenti a base di rhodamina e polimero di lignina direttamente nelle sezioni di spessore dell'impianto.

Misurazione delle interazioni tra sonde fluorescenti e lignina nelle sezioni delle piante mediante sFLIM in base all'autofluorescenza nativa

Questo protocollo presenta un approccio multimodale che combina la spettroscopia Raman e la microscopia di fase tomografica per la fenotipizzazione senza marcatura e non invasiva di cellule viventi di carcinoma mammario umano. Include una pipeline di analisi facile da usare e priva di pregiudizi umani per un'analisi morfo-chimica rapida e quantitativa, fornendo informazioni molecolari e strutturali dettagliate con applicazioni nella ricerca sul cancro e nella biologia cellulare.

Un framework di imaging multimodale per far progredire la fenotipizzazione di cellule viventi di cancro al seno senza etichetta

In questo manoscritto vengono presentati i metodi di ossidazione dei periodici e di reticolazione della glutaraldeide per l'immobilizzazione covalente degli anticorpi su dischi di carta. È stata valutata l'attività di legame degli anticorpi immobilizzati. Sulla base di questi risultati, è stato utilizzato un metodo di reticolazione della glutaraldeide per sviluppare un nuovo test immunologico basato su carta per la rilevazione delle immunoglobuline G (IgG).

Covalente legame degli anticorpi al cellulosa dischi di carta e le loro applicazioni a occhio nudo colorimetrici Immunoassays

Qui presentiamo un test affidabile e facile per misurare il contenuto di glicogeno nelle cellule cianobatteriche. La procedura prevede precipitazione, depolimerizzazione selezionabile e rilevazione di residui di glucosio. Questo metodo è adatto sia per ceppi selvatici che geneticamente modificati e può facilitare l'ingegnerizzazione metabolica dei cianobatteri.

Determinazione del contenuto di glicogeno nei cianobatteri

Scopri la visualizzazione di lignina, cellulosa ed emicellulosa nelle pareti cellulari vegetali tramite imaging Raman e analisi multivariata. Questo metodo non distruttivo consente di studiare la composizione chimica della biomassa.

Combinazione di Raman Imaging e analisi multivariata per la visualizzazione di lignina, cellulosa e emicellulosa nella parete cellulare delle piante (Video) | JoVE Journal

Combinazione di Raman Imaging e analisi multivariata per la visualizzazione di lignina, cellulosa e emicellulosa nella parete cellulare delle piante

Esplora altri video