Summary
En hurtig-tværfagligt strategi for tidlig påvisning af cyanobakterielle blomster og tilhørende cyanotoksiner er beskrevet her. Det giver mulighed for påvisning af cyanobakterier og relaterede cyanotoksiner i vandprøver og i organiske matricer, såsom toskallede prøver, i 24 timer.
Abstract
Hurtig påvisning af cyanobakterier og cyanotoksiner opnås ved hjælp af en hurtig påvisningsstrategi (FDS). Kun 24 timer er nødvendige for at optrævle tilstedeværelsen af cyanobakterier og relaterede cyanotoksiner i vandprøver og i en organisk matrix, såsom toskallede ekstrakter. FDS kombinerer fjern-/proksimale sensorteknikker med analytiske/bioinformatikanalyser. Prøvetagningssteder vælges ved hjælp af tværfaglig, multi-skala og multi-parametrisk overvågning i et tredimensionelt fysisk rum, herunder telemåling. Mikroskopisk observation og taksonomisk analyse af prøverne udføres i laboratorieindstillingen, hvilket gør det muligt at identificere cyanobakterielle arter. Prøverne udtrækkes derefter med organiske opløsningsmidler og behandles med LC-MS/MS. Data indhentet af MS/MS analyseres ved hjælp af en bioinformatatisk tilgang ved hjælp af onlineplatformen Global Natural Products Social (GNPS) for at skabe et netværk af molekyler. Disse netværk analyseres for at opdage og identificere toksiner og sammenligner data om fragmenteringsspektre opnået ved massespektrometri med GNPS-biblioteket. Dette gør det muligt at detektere kendte toksiner og ukendte analoger, der vises relateret i det samme molekylære netværk.
Introduction
Cyanobakterielle blomster er dukket op som et miljøproblem over hele verden i de sidste 15 år1,2. Cyanobakterielle blomster skyldes overvæksten af mikroorganismer ved navn cyanobakterier. De er en iøjnefaldende gruppe af fotosyntetiske mikroorganismer, der har tilpasset sig til at leve i en lang række miljøer, herunder tropiske områder og ekstremt koldt vand. De er kendt for at producere store blomster, der dækker vandoverflader, især som reaktion på en massiv berigelse af næringsstoffer, den såkaldte eutrofieringsproces3.
Derfor cyanobakterier er fremragende bioindikatorer for vandforurening4,5,6. De kan også producere en bred vifte af naturlige forbindelser med interessante farmakologiske egenskaber7,8. Miljøproblemet i forbindelse med cyanobakterier er selve blomsterne. Blooms kan blokere sollys til undervandsgræs, forbruge ilt i vandet, der fører til fisk dræber, producere overflade afskum og lugt, og forstyrre filter fodring af organismer9.
Derudover, og endnu mere alvorligt, i en bestemt kombination af faktorer som temperatur, næringsstoffer (fosfor og nitrogen), sollys (til fotosyntesen) og pH i vandet udløser cyanobakterielle blomster toksinproduktion; derfor bliver de skadelige for mennesker og dyr. Den mest undersøgte klasse af cyanotoksiner produceres af slægterne Microcystis. Disse er cykliske peptider kendt under det generelle navn microcystins (MCs): microcystin-LR er den mest undersøgte som værende i stand til at producere svær hepatoxicitet10. Dyr og mennesker kan blive udsat for MCs ved indtagelse af forurenet drikkevand eller mad. Verdenssundhedsorganisationen (WHO) foreslog en samlet mikrocystin-LR-værdi på 0,001 mg/l som retningslinje11. Dette er dog kun relateret til en variant (dvs. MC-LR) ud af mere end 100 mikrocystins, der er blevet isoleret indtil videre.
Kombinerede metoder tidligere rapporteret, såsom telemåling med MALDI-TOF MS analyse12,13,14,15, har fokuseret på koncentrationen påvisning af MC'er. De nyeste metoder bruger sensorer med lav opløsning, der kun er effektive til at detektere brede bloom-vidder; de er også i stand til kun at afsløre toksiner, for hvilke der findes standarder. Desuden er de fleste af disse procedurer tidskrævende, og tid er en dramatisk faktor for tidlig påvisning af blomsten for at forhindre eller minimere sikkerhedsproblemer. Den tværfaglige strategi, der foreslås her, giver hurtig påvisning af cyanobakterier og cyanotoksiner, efter kun 24 h16.
I rammen af programmet kaldet MuM3, "Multi-disciplinære, Multi-skala og Multi-parametrisk overvågning i de tre-dimensionelle (3D) fysiske rum"17,18, en Fast Detection Strategy (FDS) kombinerer fordelene ved flere teknikker: 1) telemåling at opdage blomsten; 2) mikroskopisk observation til påvisning af cyanobakterier og 3) analyseanalyser af analytiske/bioinformatik, nemlig LC-HRMS-baseret molekylært netværk, til påvisning af cyanotoksiner. Resultaterne opnås inden for 24 timer.
Den nye metode er nyttig til at overvåge store kystområder på kort tid, undgå talrige stikprøver og analyser og reducere detektionstid og omkostninger. Denne strategi er resultatet af undersøgelsen og anvendelsen af forskellige tilgange til overvågning af cyanobakterier og deres toksiner og kombinerer fordelene ved hver af dem. Specifikt gjorde analysen af resultaterne, der kom fra brugen af forskellige platforme (satellit, fly, droner) og sensorer (MODIS, termisk infrarød) til telemålingsanalyse, såsom forskellige metodologiske tilgange til identifikation af cyanobakterielle arter (mikroskop, UV-Vis-spektroskopi, 16S-analyse) og toksiner (LC-MS-analyse, molekylærnetværk), det muligt at vælge den mest hensigtsmæssige metode til både specifikke og generelle formål. Den nye metode blev eksperimenteret og valideret i efterfølgende overvågningskampagner på Campania kyster (Italien), inden for rammerne af Campania miljøbeskyttelse agentur overvågningsprogram.
Figur 1: FDS-strategi. En oversigt over fastdetekteringsstrategi for cyanobakterier og cyanotoksiner. Klik her for at se en større version af dette tal.
Protocol
1. Fjern- og proksimal sensing: dataindsamling og -analyse
BEMÆRK: I dette tilfælde anvendes fjern-/proksimale sensordata til en første makroområdeundersøgelse og til udvælgelse af specifikke steder i kystområder, der skal udtages prøver af. I MuM3 framework17-ordningen er logikflowet baseret på en hierarkisk overvågningsmodel, der omfatter flere niveauer med navnet informationslag. Oplysningerne for hvert niveau er baseret på data, der er indhentet ved hjælp af en eller flere sensorer, der transporteres ombord på platforme placeret i forskellige højder. Hvert niveau definerer en rumlig skala afhængigt af målehøjden19. Der er potentiale for flere sensorer på hvert niveau. Nogle eksempler er: synlig nær infrarød (VNIR) og termisk infrarød (TIR) billeddannelse20 på satellitter, fly, helikoptere, UAV21 og på overfladen; fysiske, kemiske og biologiske analyser m.v.22 på overfladen og i hurtig respons ved hjælp af det mobile laboratorium. De data, der erhverves af hver sensor, behandles og kombineres for at beregne multispektralindekser (f.eks. normaliseret forskelsvegetationsindeks (NDVI), normaliseret forskelvandindeks (NDWI), klorofylindeks osv.), så de rå data omdannes til mere nyttige parametre og formater (f.eks. tematisk kort).
Figur 2:Tele-/proksimale sensoranalyser til prøveudtagning (trin 1-2). Multi-level og multi-sensor tilgang til påvisning af cyanobakterielle blomstre. Dataindsamlingen udføres via satellit (A), fly (B) og/eller drone (C). Klik her for at se en større version af dette tal.
- Fjern- og proksimale sensing af datahentning
- Hent data fra de forskellige offentlige og private teledetektionsdatasæt, der er produceret specielt til indholdsbaseret hentning og sceneklassifikation. Typiske datasætkilder, der bruges i dette trin, omfatter: Landsat-produkter leveret af US Geological Survey23, Sentinel-2,3-produkter leveret af NASA24og Copernicus Open Access Hub25, MODIS-Aqua26.
- Identificer de produkter, der er tilgængelige for det specifikke område, datointervallet, og overvej den grænse, der udledes af skydækket. Definer: A) interesseområdet ved hjælp af grafisk brugergrænseflade og polygonvalg. B) datointervallet og skydækningen ved hjælp af tekstforespørgselsfilterfelterne.
BEMÆRK: Selv hvis mange videnskabelige rapporter nævner, at en acceptabel skydækkeværdi er <20%, er det i denne type forskning vigtigt kun at være opmærksom på det reelle skydække på vandoverfladen, så en effektivitetsværdi for denne region er <5%. - Vælg produkter, der er afledt af de platforme, der passer bedst til missionens specifikke behov. Fra hver kombination af satellit- og nyttelasttekniske specifikationer er det muligt at få flere samlinger af produkter. For eksempel behandles NASA EOSDIS24-dataprodukter på forskellige niveauer fra niveau 0 til niveau 4: Niveau 0-produkterne er rå data ved fuld instrumentopløsning, mens dataene på højere niveauer konverteres til mere nyttige parametre og formater. Normalt er niveauerne 0-1 tilgængelige, mens produkterne på niveau 2-4 har brug for specifik behandling relateret til specifikke forskningsmål, så deres tilgængelighed er begrænset i tid og den dækkede region.
- Download det valgte datasæt for satellitobservationer. I detaljer skal du vælge en gruppe geo-tiff-filer, en for hvert bånd, plus infos og andre metadata) eller kun et bestemt enkelt bånd, hvis du vælger en liste over resultaterne fra den forrige handling.
BEMÆRK: For den specifikke beskrivelse af hver grundlæggende handling, der er inkluderet i proceduren i trin 1, henvises også til Huan-Huan Chen et al. 202027.
- Dataforbehandling og -behandling til analyse og transformation til mere nyttige parametre og formater for at muliggøre en første screening af makroområdet.
BEMÆRK: Følgende handlinger (trin 1.2) er dedikeret til databehandling afsluttet for at omdanne rå data, der kommer fra lavere niveauer til information og derefter til nyttige oplysninger (højere niveauer). Dette trin består i behandling af de rå data fra hver sensor (f.eks. produktniveau 0-1) og omdannelse til produkter på højere niveau (f.eks. niveau 2-4) og efterfølgende i informationslag for at generere mere nyttige parametre og formater (f.eks. tematisk kort).- Forbehandler rådata, der involverer geometrisk og radiometrisk kalibrering. Denne handling kan udføres ved hjælp af specifik software, der på en automatisk eller halvautomatisk måde (uden opsyn eller overvåget) indeholder et sæt tilsluttede værktøjer til rasterbehandling for at udføre en nem klassificering, der respekterer en korrekt arbejdsgang.
BEMÆRK: I denne forskning anvendes to gratis open source-værktøjer: Q-GIS 3.1428 kombineret med Semi-Automatic Classification Plugin (SCP). SCP plugin29 tillader semi-automatisk klassificering af telemåling billeder, der giver et komplet værktøj sæt til download af gratis billeder, forbehandling, efterbehandling, og raster beregning. - Udfør behandling af kalibrerede data, der beregner flerspektralindekser. Denne handling udføres typisk ved hjælp af et rasterberegnerværktøj. Beregningen af et multispektralindeks definerer en korrelation mellem forskellige bånd/lag, der som følge heraf genererer et nyt lag, der kan administreres på en GIS-platform. For eksempel, startende fra Sentinel og Landsat operationelle land imager sensor (OLI), er det muligt at beregne multispektrale indekser såsomNormalized Difference Vegetation Index (NDVI). Vegetationsindekset anvendes derefter til at anslå klorofylindholdet30,31.
- Analyser resultaterne fra estimering af klorofylindholdsindekset repræsenteret som i falske farvetematiske kort og definer kritisk område med høj klorofylkoncentration. I denne undersøgelse genereres klorofyl-et kort ved hjælp af datasæt af MODIS sensor32, monteret på Terra og Aqua satellitplatforme. Prøveudtagningsstederne lokaliseres, hvis der registreres unormale værdier.
BEMÆRK: Algeopblomstringsflaget (der definerer hvert enkelt sted) hejses i telemålingsdomænet, når Chl-a-koncentrationen overstiger 20 mg/L33.
- Forbehandler rådata, der involverer geometrisk og radiometrisk kalibrering. Denne handling kan udføres ved hjælp af specifik software, der på en automatisk eller halvautomatisk måde (uden opsyn eller overvåget) indeholder et sæt tilsluttede værktøjer til rasterbehandling for at udføre en nem klassificering, der respekterer en korrekt arbejdsgang.
2. Styret prøveudtagning
BEMÆRK: Valget af prøvetagningspunkter er drevet af fjern-/proksimale sensorlagsanalyser, der gør det muligt at udvælge steder i store kystområder. I betragtning af at prøveudtagning kan være farlig for operatører på grund af mikrocystins toksicitet, er der behov for sikkerhedsprøvetagningsprocedurer. Det er især nødvendigt at beskytte operatører mod aerosolforgiftning og hudkontakt. Udfør derefter stikprøver efter den procedure, der er beskrevet nedenfor.
- Brug beskyttelsesbriller til øjenbeskyttelse, FFP2-maske for at forhindre indånding af aerosoler og sikkerhedshandsker for at forhindre hudkontakt.
- Saml 0,5 L vand i tre eksemplarer på hvert sted.
- Saltholdigheden for hver prøve måles ved hjælp af et refraktometer. Sæt en dråbe af prøven på refraktometeret og læs saltholdighedsværdien i form af dele pr. 1.000 (ppt - ‰).
- Ved afslutningen af prøveudtagningen vaskes først hænderne; fjern derefter handskerne, masken og beskyttelsesbrillerne, og pas på ikke at røre den udvendige overflade af det personlige beskyttelsesudstyr.
- Bær prøven til laboratoriet ved stuetemperatur.
3. Identifikation af cyanobakterier ved mikroskopiske observationer og taksonomisk identifikation
- Centrifuge hver prøve (≈0,5 L) ved 11.200 x g i 5 min.
- Ekstrakt supernatants som følger: Hæld 500 mL butanol i hver prøve og ved hjælp af en tragt, overføre blandingen, der skal udvindes i separatortragten. Placer skilletragten oprejst i ringklemmen, så begge lag kan adskilles. Lad den vandige fase dræne i en Erlenmeyer kolbe. Gentag dette trin tre gange. Koncentrer derefter de organiske faser under vakuum og afveje dem.
- Saml pellets fra trin 3.1 og analysere dem ved 400x og 1.000x forstørrelse med et optisk mikroskop udstyret med en 18 MP digitalkamera til mikroskop. Se efter tilstedeværelsen af cyanobakterier på grundlag af deres morfologiske træk: blågrøn farve, celleform og størrelse gør det muligt at genkende cyanobakterier blandt andre mikroorganismer.
- Arten identificeres ved hjælp af taksonomisk analyse ved mikroskopisk observation efter proceduren i Komarék et al. 201434.
BEMÆRK: Supplerende 16S metagenomisk analyse kan udføres for at identificere cyanobakteriel taxa3. - Fortynd en aliquot af pellets med 10 mL havvand / ferskvand BG11 medier, i henhold til dens saltholdighed, til dyrkning.
4. Identifikation af cyanotoksiner
- Ekstraktion af prøver med organiske opløsningsmidler
- Sæt hver prøve af pellet i en kolbe og sonikere i 5 min ved hjælp af et isbad. Derefter tilsættes 50 mL frisk MeOH og ryst forsigtigt. Opløsningen filtreres ved hjælp af et papirfilter, og filtratet opsamles i en rund bundkolbe. Gentag dette trin to gange. Derefter ekstraher pellets tilføje 50 mL blanding af MeOH / DCM to gange (1:1, 50 mL), og to gange ved hjælp af 100% DCM (x2, 50 mL)35. Mærke hver rund bundkolbe som henholdsvis "MeOH ekstrakt", "MeOH/DCM ekstrakt" og "DCM ekstrakt" og koncentrere sig under vakuum.
- Analyser hvert organisk ekstrakt (MeOH, MeOH/DCM, DCM) af LC-HRMS/MS.
- LC-HRMS/MS-analyse
- LC-HRMS- og LC-HRMS/MS-prøvepræparat: Hver prøve opløses ved hjælp af MeOH ≥ 99,9% for at få en endelig koncentration på 10 mg/mL.
- Analyser hver prøve ved hjælp af et ESI-massespektrometer med høj opløsning kombineret med et HPLC-system (LC-HRMS/MS-system). Arbejde på HPLC med en 5-μm C18 kolonne (100 x 2,10 mm), ved stuetemperatur. Brug en gradiente udligning med H2O (suppleret med 0,1% HCOOH) og MeOHat 200 μL min-1. Den gradient programmet er: 10% MeOH i 3 min, 10% til 100% MeOH i 30 min, 100% MeOH i 7 min. Brug MeOH som kontrol.
- Indsamling af data. Indsamle data i den dataafhængige anskaffelsestilstand (DDA): De 10 mest intensive ioner af et fuldscanningsmassespektrum skal underkastes en hrms/MS-analyse (Tandem Mass Spektrometri). Hent HRMS/MS-scanninger for udvalgte ioner med CID-fragmentering, en isolationsbredde på 2,0, normaliseret kollisionsenergi på 35, aktiverings Q på 0,250 og en aktiveringstid på 30 ms.
- Bioinformatiske analyser og molekylære netværk
- Analyser fragmenteringsmønstre for hver intens ion ved hjælp af MS-specifik software.
- Brug MS-Cluster til at gruppere dataene (overordnet massetolerance på 1,0 Da og MS/MS fragmention tolerance på 0,5 Da). Konsensusspektre, der indeholder mindre end 2 spektre, elimineres.
- Analyser MS/MS-data efter GNPS (Global Natural Products Social36) til molekylært netværk.
- Parvis sammenligne konsensus spektre og også med dem, der er rapporteret i GNPS-Mass-Ive biblioteker.
- Visualiser det opnåede netværk37.
BEMÆRK: For molekylære netværk henvises til Sigrist et al. 202038.
Figur 3: FDS in-lab trin (3-4). Visuel repræsentation af de vigtigste aktiviteter, der udføres i laboratoriet efter prøveudtagning (trin 3 og 4). Klik her for at se en større version af dette tal.
Representative Results
I en første undersøgelse3blev fire menneskeskabte steder langs Campanias kyst i SW Italien observeret ved hjælp af satellit Landsat 8 og fly i løbet af sommeren 2015. Landsat 8 operationelle land imager sensor (OLI) og flyet multispektrale kamera lov til at skabe normaliseret Forskel Water Index (NDWI) billeder til de områder, derfor at afsløre tilstedeværelsen af cyanobakterielle samfund. Cyanobakteriel samfundssammensætning blev bestemt gennem spektrofotometriske analyser til påvisning af det cyanobakterielle pigment phycocyanin (PC). Derefter fik komplementær 16S metagenomisk analyse lov til at identificere cyanobakteriel taxa. Den forenklede multispektrale billedindeksering og klassificering via satellit-/luftplatforme i kombination med metagenomiske analyser var effektive til at påvise tilstedeværelsen af cyanobakterier, der tilhører slægter, der er forbundet med stærke eutrofiske tilstande (såsom Leptolyngbya sp., Pseudooscillatoria sp.), på et tidligt tidspunkt i blomstringen.
I en anden undersøgelseblev 14, FDS-tilgang testet i løbet af foråret / sommeren 2017. Satellitdata blev brugt som det eneste teledetektionsniveau. I detaljer gjorde data, der er erhvervet af MODerate Image Spectroradiometer (MODIS) sensor, monteret på Terra- og Aqua-satellitplatforme, det muligt at kvantificere klorofyl-a (Chl-a) i vandområderne langs Campanias kyster og kørte valget af ti prøvetagningssteder. Prøverne blev behandlet i laboratoriet ved mikroskopisk observation og taksonomisk identifikation og derefter ekstraheret med organiske opløsningsmidler. Organiske ekstrakter blev behandlet ved LC-MS-MS-analyse. Data indhentet af MS-MS blev analyseret ved hjælp af en bioinformatatisk tilgang ved hjælp af GNPS-platformen til at skabe et netværk af molekyler. Netværket blev analyseret for at opdage og identificere toksiner, der sammenlignede data om fragmenteringsspektre opnået ved massespektrometri med GNPS-biblioteket. Dette gjorde det muligt at opdage kendte toksiner og ukendte analoger, der vises relateret i det samme molekylære netværk. Specifikt blev Lyngbyatoxin A, en lipofil dermatotoksiner, påvist i alle vandprøver og muslingers prøver; i Lyngbyatoxin En molekylær klynge var noder, der ikke var relateret til kendte forbindelser af lyngbyatoksinerfamilie, også til stede, hvilket tyder på tilstedeværelsen af ukendte lyngbyatoksinanaloger. Ingen mikrocystins og andre toksiner blev påvist i prøverne. Alle resultater blev opnået inden for 24 mandetimer.
Figur 4: FDS repræsentative resultater. Et eksempel på anvendelse af FDS-strategien på Campanias kyst (Italien). Klik her for at se en større version af dette tal.
Discussion
I løbet af de sidste år testede og validerede vores team flere forskellige tilgange, der gjorde det muligt at optrævle tilstedeværelsen af cyanobakterier og cyanotoksiner i vandlegemer og muslinger. Den nye strategi er resultatet af disse undersøgelser. De optimale teknikker og teknologier, der passer til omfanget af hurtig detektion, samles under hatten af en unik procedure, der maksimerer effektiviteten af hvert enkelt trin. Målområdet, bloom-udvidelsen og vækstfasen er drivkraften bag valget af egnede metoder og teknologier, der skal bruges.
Når cyanobakterier og cyanotoksiner hurtig påvisning er prioriteten, strømlines strategien, hvilket reducerer det samlede antal til fire hovedtrin: (1) Fjern- og proksimal sensing og dataanalyse til en første undersøgelse, lokalisering af steder og definition af blomstermønster og udvidelse; (2) Styret prøveudtagning; (3) mikroskopisk observation og taksonomisk analyse (4) Kemisk analyse og molekylært netværk af LC-MS-data med henblik på dereplication af vandprøverne og hurtig påvisning af cyanotoksiner.
Med hensyn til det første skridt, selv om tilgængeligheden af data, der er erhvervet af en komplet kæde af platforme, der dækker alle lag af hierarkisk overvågning tilgang ville være den bedste løsning til at genskabe en komplet vision af det analyserede scenario, ofte kun ét informationslag kan drive området undersøgelse handling og effektivt fokusere på hot spots til at udføre in-situ prøvetagning aktioner. Ifølge de rapporterede erfaringer, hvor data blev erhvervet ved hjælp af satellitter, fly, helikoptere, UAV'er, er den løsning, der helt svarer til de behov, der kræves i strategien for hurtig detektion, brugen af de eneste satellitprodukter.
Derudover restituerer de informationslag, der stammer fra missioner, der udføres af platforme, der flyver i lavere højder end satellitter (f.eks. fly, helikoptere, UAV'er), information med stor opløsning, men disse er meget dyre og kræver også mere tid til at fuldføre den fulde erhvervelsesproces, der også omfatter flyveplan definere og godkendelse.
Når de steder, der skal udtages prøver, er blevet udvalgt (trin 2), er analyse af analytisk/bioinformatik (molekylært netværk af LC-MS-data) værktøjet til hurtig desplikation af vandprøverne og hurtig påvisning af cyanotoksiner (trin 3 og 4). 16S metagenomisk analyse tager mindst 2 ugers arbejde. Selv når cyanobakterielle arter, der er generisk giftige, identificeres, påvises deres toksinproduktion ikke. Af samme grund er mikroskopisk observation ikke i sig selv tilstrækkelig til at afsløre tilstedeværelsen af giftige cyanobakterier. Selvfølgelig har MS-analyse og molekylære netværk nogle begrænsninger; de er ret effektive, hvis interesseforbindelser (f.eks. toksiner) er godt ioniseret under de anvendte forhold, hvis de er i tilstrækkelig mængde til at blive opdaget. Med henblik på den kendte cyanobakterielle toksindetektion og overvågning repræsenterer MS-baseret molekylærnetværk faktisk en af de mere robuste og pålidelige teknologier.
Derfor viser denne tilgang sig at være ganske nyttig, når der er behov for en hurtig påvisning af cyanobakterier og relaterede cyanotoksiner; desuden kvantificering af både cyanobakterielle blomstre og toksin over tid og rum er også muligt ved denne strategi for at forhindre sundhedsfællesskaber problemer, der kan opstå ved store cyanobakterielle giftige blomster.
Disclosures
Forfatterne erklærer ingen interessekonflikter.
Acknowledgments
Denne forskning blev finansieret af "Centro di Riferimento Regionale per la Sicurezza Sanitaria del Pescato (CRiSSaP)" inden for rammerne af projektet "Attività pilota di Monitoraggio di Cianobatteri nella fascia costiera della regione Campania". og udføres i samarbejde med Campania-regionen Environmental Protection Agency, Italien (ARPAC), "Istituto Zooprofilattico Sperimentale del Mezzogiorno/Osservatorio Regionale per la Sicurezza Alimentare" (IZSM/ORSA), University of Napoli "Federico II" - Department of Veterinary Medicine and Animal Production, ref. prof. A. Anastasio).
Materials
| Name | Company | Catalog Number | Comments |
| 10X Vitamin mix | Nicotinic acid 100 mg/100 mL; PABA 10 mg/100 mL; Biotin 1 mg/100 mL; Thiamine 200 mg/100 mL; B12 1 mg/100 mL; Folic Acid 1 mg/100 mL; i-inositol 1 mg/100 mL; Ca-pantothenate 100 mg/100 mL | ||
| 1-BuOH | Sigma-Aldrich | 33065.2.5L-R | |
| BG11 stock solution | Na2EDTA 20 mg/L; Ferric ammonium citrate 120 mg/L; Citric acid·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 stock) 5 mL; Na2SeO4 (0.1 mM stock) 2 mL, Nitsch's Solution 20 mL | ||
| Centrifuge | Hermle | Z36HK | |
| CHCl3 | Honeywell | 32211.2.5L | |
| H2O | Sigma-Aldrich | 34877.2.5L | |
| Kinetex C18 cloumn | Phenomenex | ||
| LTQ Orbitrap XL high-resolution ESI mass spectrometer coupled to a U3000 HPLC system | Thermo | ||
| MeOH | Honeywell | 32213.2.5L | |
| Microscope equipped with an OMAX 18 MP CMOS camera | Optech | Biostar B3 | |
| Multiband camera | Intergraph DMC | ||
| Nitsch's Solution | 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 |
||
| Refractomer mr 100 ATC | AQL | ||
| SWBG11 medium | BG11 stock solution 50 mL/L; Instant Ocean 33 g/L; Water 950 mL/L 10X; Vitamin mix 100 µL/L |
References
- 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).
- Lürling, M., Faassen, E. J. Dog poisonings associated with a Microcystis aeruginosa bloom in the Netherlands. Toxins. 5 (3), 556-567 (2013).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Huisman, J., et al. Cyanobacterial blooms. Nature Reviews Microbiology. 16 (8), 471-483 (2018).
- 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).
- WHO. Cyanobacterial toxins: Microcystin-LR in drinking water. Background document for development of WHO Guidelines for Drinking-Water Quality. WHO. 2, (1998).
- 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).
- 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).
- Sanseverino, I., António, D. C., Loos, R., Lettieri, T. Cyanotoxins: methods and approaches for their analysis and detection. JRC Technical Reports. , (2017).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- U.S. Geological Survey. , Available from: https://ers.cr.usgs.gov (2020).
- NASA Earthdata. , Available from: https://urs.earthdata.nasa.gov (2020).
- Copernicus Opern Access Hub. , Available from: https://scihub.copernicus.eu/apihub (2020).
- MODerate Image Spectroradiometer (MODIS) Aqua. , Available from: podaac-tools.jpl.nasa.gov (2020).
- 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).
- QGIS. , Available from: https://www.qgis.org/it/site/ (2020).
- 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).
- 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).
- 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).
- Savtchenko, A., et al. MODIS data from terra and aqua satellites. International Geoscience and Remote Sensing Symposium (IGARSS). 5, 3028-3030 (2003).
- 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).
- 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).
- 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).
- UCSD Commputational Mass Spectrometer Website. , Available from: http://gnps.ucsd.edu/ (2020).
- Shannon, P. Cytoscape: A software environment for integrated models of biomolecular interaction networks. Genome Research. 13 (11), 2498-2504 (2003).
- 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).
