Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Chemistry

फास्ट डिटेक्शन रणनीति का उपयोग करके साइनोबैक्टीरियल ब्लूम्स और एसोसिएटेड सायनोटॉक्सिन का प्रारंभिक पता लगाना

doi: 10.3791/61889 Published: February 25, 2021
* These authors contributed equally

Summary

साइनोबैक्टीरियल खिलता है और संबद्ध साइनोटॉक्सिन का जल्दी पता लगाने के लिए एक तेजी से बहुविषयक रणनीति यहां वर्णित है। यह 24 घंटे में पानी के नमूनों में साइनोबैक्टीरिया और संबंधित साइनोटॉक्सिन और जैविक मैट्रिस में, जैसे बाइवल्व नमूनों का पता लगाने की अनुमति देता है।

Abstract

साइनोबैक्टीरिया और साइनोटॉक्सिन का फास्ट डिटेक्शन स्ट्रैटजी (एफडी) का उपयोग करके तेजी से पता लगाने का लक्ष्य हासिल किया जाता है। पानी के नमूनों में साइनोबैक्टीरिया और संबंधित साइनोटॉक्सिन की उपस्थिति को जानने के लिए और एक कार्बनिक मैट्रिक्स में, जैसे बाइवाल्व अर्क में केवल 24 एच की आवश्यकता होती है। एफडी विश्लेषणात्मक/बायोइंफॉर्मेटिक्स विश्लेषण के साथ रिमोट/समीपस्थ संवेदन तकनीकों को जोड़ती है । रिमोट सेंसिंग सहित त्रि-आयामी भौतिक स्थान में बहु-अनुशासनात्मक, बहु-पैमाने और बहु-पैरामेट्रिक मॉनिटरिंग के माध्यम से नमूना स्पॉट चुने जाते हैं। नमूनों का सूक्ष्म अवलोकन और वर्गीकरण विश्लेषण प्रयोगशाला सेटिंग में किया जाता है, जो साइनोबैक्टीरियल प्रजातियों की पहचान के लिए अनुमति देता है। इसके बाद नमूनों को ऑर्गेनिक सॉल्वैंट्स के साथ निकाला जाता है और एलसी-एमएस/एमएस के साथ संसाधित किया जाता है एमएस/एमएस द्वारा प्राप्त डेटा का विश्लेषण ऑनलाइन प्लेटफॉर्म ग्लोबल नेचुरल प्रोडक्ट्स सोशल (जीएनपीएस) का उपयोग करके एक बायोइंफॉर्मेमैटिक अप्रोच का उपयोग करके अणुओं का नेटवर्क बनाने के लिए किया जाता है । इन नेटवर्कों का पता लगाने और विषाक्त पदार्थों की पहचान करने के लिए विश्लेषण कर रहे हैं, GNPS पुस्तकालय के साथ बड़े पैमाने पर स्पेक्ट्रोमेट्री द्वारा प्राप्त विखंडन स्पेक्ट्रा के डेटा की तुलना । यह ज्ञात विषाक्त पदार्थों और अज्ञात एनालॉग का पता लगाने की अनुमति देता है जो एक ही आणविक नेटवर्क में संबंधित दिखाई देते हैं।

Introduction

पिछले 15 वर्षों में पूरी दुनिया में 1,2में सायनोबैक्टीरियल खिलता एक पर्यावरणीय समस्या के रूप मेंउभराहै । सायनोबैक्टीरिया खिलता साइनोबैक्टीरिया नाम के सूक्ष्मजीवों के अतिवृद्धि के कारण होता है। वे प्रकाश संश्लेषित सूक्ष्मजीवों का एक विशिष्ट समूह है जिसने उष्णकटिबंधीय क्षेत्रों और बेहद ठंडे पानी सहित वातावरण की एक बड़ी सरणी में रहने के लिए खुद को अनुकूलित किया है। वे पानी की सतहों को कवर करने वाले बड़े खिलता उत्पादन के लिए जाने जाते हैं, विशेष रूप से पोषक तत्वों के बड़े पैमाने पर संवर्धन के जवाब में, तथाकथित यूट्रोफिकेशन प्रक्रिया3।

इसलिए, साइनोबैक्टीरिया जल प्रदूषण 4 ,5,6के उत्कृष्ट बायोइंडिकेटर हैं। वे7,8रोचक औषधीय गुणों के साथ प्राकृतिक यौगिकों की एक विस्तृत श्रृंखला का उत्पादन भी कर सकते हैं । साइनोबैक्टीरिया से संबंधित पर्यावरणीय समस्या खुद खिलती है। खिलता पानी के नीचे घास के लिए सूरज की रोशनी ब्लॉक कर सकते हैं, मछली को मारता है, सतह मैल और गंध का उत्पादन करने के लिए अग्रणी पानी में ऑक्सीजन का उपभोग, और जीवों के फिल्टर खिला के साथ हस्तक्षेप9

इसके अलावा, और भी अधिक गंभीरता से, तापमान, पोषक तत्वों (फास्फोरस और नाइट्रोजन), सूरज की रोशनी (प्रकाश संश्लेषण के लिए), और पानी के पीएच जैसे कारकों के एक विशिष्ट संयोजन में, साइनोबैक्टीरियल खिलता विष उत्पादन को ट्रिगर करता है; इसलिए, वे मनुष्यों और जानवरों के लिए हानिकारक हो जाते हैं। सायनोटॉक्सिन का सबसे अधिक अध्ययन किया गया वर्ग जेनेरा माइक्रोसिस्टिस द्वारा उत्पादित किया जाता है। ये साइक्लिक पेप्टाइड्स हैं जिन्हें माइक्रोसाइस्टिन (एमसी) के सामान्य नाम के तहत जाना जाता है: माइक्रोसाइस्टिन-एलआर को गंभीर हेपेटोक्सिसिटी10का उत्पादन करने में सक्षम होने के रूप में सबसे अधिक अध्ययन किया जा रहा है। जानवरों और मनुष्यों को दूषित पीने के पानी या भोजन के घूस से एमसी के संपर्क में किया जा सकता है । विश्व स्वास्थ्य संगठन (डब्ल्यूएचओ) ने गाइडलाइन11के रूप में ०.००१ मिलीग्राम/एल के कुल माइक्रोसिस्टिन-एलआर वैल्यू का सुझाव दिया । हालांकि, यह अब तक अलग-थलग पड़े 100 से ज्यादा माइक्रोसिस्टिन्स में से सिर्फ एक वैरिएंट (यानी एमसी-एलआर) से संबंधित है।

पहले रिपोर्ट किए गए संयुक्त तरीकों, जैसे कि माल्डी-एएफएफ एमएस विश्लेषण12, 13,14,15के साथ रिमोट सेंसिंग ने एमसी की एकाग्रता का पता लगाने पर ध्यान केंद्रित किया है। सबसे हालिया तरीके कम-रिज़ॉल्यूशन सेंसर का उपयोग करते हैं जो केवल व्यापक खिलने के विस्तार का पता लगाने में प्रभावी होते हैं; वे केवल विषाक्त पदार्थों का खुलासा करने में भी सक्षम हैं जिनके लिए मानक उपलब्ध हैं। इसके अलावा, इन प्रक्रियाओं के अधिकांश समय लेने वाली हैं, और समय को रोकने या सुरक्षा समस्याओं को कम करने के लिए खिलने का जल्दी पता लगाने के लिए एक नाटकीय कारक है । यहां प्रस्तावित बहुविषयक रणनीति केवल 24 एच16के बाद साइनोबैक्टीरिया ब्लूम और साइनोटॉक्सिन का तेजी से पता लगाने प्रदान करती है।

MuM3 नामक कार्यक्रम के फ्रेम में, "बहु-अनुशासनात्मक, बहु-पैमाने और बहु-गुणक निगरानी त्रि-आयामी (3 डी) भौतिक स्थान में"17,18,एक फास्ट डिटेक्शन रणनीति (एफडी) खिलने का पता लगाने के लिए कई तकनीकों के फायदों को जोड़ती है: 1) खिलने का पता लगाने के लिए रिमोट सेंसिंग; 2) साइनोबैक्टीरिया प्रजातियों का पता लगाने के लिए सूक्ष्म अवलोकन; और 3) विश्लेषणात्मक/बायोइन्फॉर्मेटिक्स विश्लेषण, अर्थात्, एलसी-एचआरएमएस आधारित आणविक नेटवर्किंग, साइनोटॉक्सिन का पता लगाने के लिए । परिणाम 24 घंटे के भीतर प्राप्त कर रहे हैं ।

नया दृष्टिकोण कम समय में व्यापक तटीय क्षेत्रों की निगरानी करने, कई नमूने और विश्लेषण से बचने और पता लगाने के समय और लागत को कम करने के लिए उपयोगी है । यह रणनीति साइनोबैक्टीरिया और उनके विषाक्त पदार्थों की निगरानी के लिए विभिन्न दृष्टिकोणों के अध्ययन और अनुप्रयोग का परिणाम है और उनमें से प्रत्येक के फायदों को जोड़ती है। विशेष रूप से, परिणामों का विश्लेषण, रिमोट सेंसिंग विश्लेषण के लिए विभिन्न प्लेटफार्मों (उपग्रह, विमान, ड्रोन) और सेंसर (MODIS, थर्मल इन्फ्रारेड) के उपयोग से आ रहा है, जैसे साइनोबैक्टीरियल प्रजातियों (माइक्रोस्कोप, यूवी-विस स्पेक्ट्रोस्कोपी, 16S विश्लेषण) और विषाक्त पदार्थों (एलसी-एमएस विश्लेषण, आणविक नेटवर्किंग) की पहचान के लिए विविध पद्धतिगत दृष्टिकोणों के रूप में, विशिष्ट और सामान्य उद्देश्यों के लिए सबसे उपयुक्त विधि के चयन की अनुमति दी। नई पद्धति प्रयोग किया गया था और Campania तटों (इटली) पर बाद में निगरानी अभियानों में मांय, Campania पर्यावरण संरक्षण एजेंसी निगरानी कार्यक्रम के फ्रेम में ।

Figure 1
चित्रा 1:एफडी रणनीति। साइनोबैक्टीरिया और साइनोटॉक्सिन के लिए फास्ट डिटेक्शन रणनीति का अवलोकन। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Protocol

1. रिमोट और समीपस्थ संवेदन: डेटा अधिग्रहण और विश्लेषण

नोट: इस मामले में, रिमोट/समीपस्थ संवेदन डेटा का उपयोग पहले मैक्रो-एरिया सर्वेक्षण के लिए और नमूना लिए जाने वाले तटीय क्षेत्रों के विशिष्ट स्थानों का चयन करने के लिए किया जाता है । MuM3 फ्रेमवर्क17 योजना में तर्क प्रवाह एक पदानुक्रमित निगरानी मॉडल पर आधारित है जिसमें कई स्तरों का नाम जानकारी परतें शामिल हैं। प्रत्येक स्तर की जानकारी विभिन्न ऊंचाई पर स्थित एक या एक से अधिक सेंसरों का उपयोग करके प्राप्त डेटा पर आधारित है। प्रत्येक स्तर माप19की ऊंचाई के आधार पर एक स्थानिक पैमाने को परिभाषित करता है । प्रत्येक स्तर पर कई सेंसरों की क्षमता है। कुछ उदाहरण हैं: उपग्रहों, विमानों, हेलीकाप्टरों, यूएवी21 और सतह पर अवरक्त (वीएनआईआर) और थर्मल इन्फ्रारेड (टीआईआर) इमेजिंग20 के पास दिखाई देते हैं; सतहपर और मोबाइल लैब का उपयोग करके तेजी से प्रतिक्रिया में भौतिक, रासायनिक और जैविक विश्लेषण, आदि। प्रत्येक सेंसर द्वारा प्राप्त डेटा को मल्टीस्पेक्ट्रल इंडेक्स (जैसे, सामान्यीकृत अंतर वनस्पति सूचकांक (एनडीवी), सामान्यीकृत अंतर जल सूचकांक (एनडीडब्ल्यूआई), क्लोरोफिल इंडेक्स आदि) की गणना करने के लिए संसाधित और संयुक्त किया जाता है, इसलिए कच्चे डेटा को अधिक उपयोगी मापदंडों और प्रारूपों (जैसे, विषयगत मानचित्र) में परिवर्तित किया जाता है।

Figure 2
चित्रा 2:नमूने के लिए रिमोट/समीपस्थ संवेदन विश्लेषण (चरण 1-2) । साइनोबैक्टीरियल ब्लूम का पता लगाने के लिए मल्टी-लेवल और मल्टी-सेंसर अप्रोच। डेटा अधिग्रहण उपग्रह(ए),विमान(बी),और/या ड्रोन(सी)द्वारा किया जाता है । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

  1. रिमोट और समीपस्थ संवेदन डेटा पुनर्प्राप्ति
    1. विशेष रूप से सामग्री आधारित पुनर्प्राप्ति और दृश्य वर्गीकरण के लिए उत्पादित विभिन्न सार्वजनिक और निजी रिमोट सेंसिंग डेटासेट से डेटा प्राप्त करें। इस कदम में उपयोग किए जाने वाले विशिष्ट डेटासेट स्रोतों में शामिल हैं: अमेरिकी भूवैज्ञानिक सर्वेक्षण23द्वारा प्रदान किए गए लैंडसैट उत्पाद, नासा द्वारा प्रदान किए गएप्रहरी-2,3उत्पाद, और कोपरनिकस ओपन एक्सेस हब25,MODIS-एक्वा26।
    2. विशिष्ट क्षेत्र, तिथियों की सीमा के लिए उपलब्ध उत्पादों की पहचान करें और क्लाउड कवर द्वारा प्राप्त सीमा पर विचार करें। परिभाषित करें: ए) ग्राफिकल यूजर इंटरफेस और बहुभुज चयन का उपयोग करके ब्याज का क्षेत्र; B) टेक्स्ट क्वेरी फ़िल्टर फ़ील्ड का उपयोग करके तिथियां सीमा और क्लाउड कवरेज।
      नोट: भले ही कई वैज्ञानिक रिपोर्टों का हवाला देते है कि एक स्वीकार्य बादल कवर मूल्य <20% है, अनुसंधान के इस प्रकार में, यह केवल पानी की सतह पर असली बादल कवर पर ध्यान देना महत्वपूर्ण है, तो इस क्षेत्र के लिए एक प्रभावशीलता मूल्य <५% है ।
    3. मिशन की विशिष्ट जरूरतों को सबसे अच्छी तरह से फिट करने वाले प्लेटफार्मों से प्राप्त उत्पादों का चयन करें। उपग्रह और पेलोड तकनीकी विनिर्देशों के प्रत्येक संयोजन से, उत्पादों के कई संग्रह प्राप्त करना संभव है। उदाहरण के लिए, नासा EOSDIS24 डेटा उत्पादों को स्तर 0 से लेकर स्तर 4 तक विभिन्न स्तरों पर संसाधित किया जाता है: स्तर 0 उत्पाद पूर्ण साधन संकल्प पर कच्चे डेटा होते हैं जबकि उच्च स्तर पर डेटा को अधिक उपयोगी मापदंडों और प्रारूपों में परिवर्तित किया जाता है। आमतौर पर, स्तर 0-1 उपलब्ध हैं, जबकि स्तर 2-4 में उत्पादों को विशिष्ट अनुसंधान लक्ष्यों से संबंधित विशिष्ट प्रसंस्करण की आवश्यकता होती है, इसलिए उनकी उपलब्धता समय में सीमित होती है और क्षेत्र कवर होता है।
    4. उपग्रह टिप्पणियों के चुने हुए डेटासेट डाउनलोड करें। विस्तार से, पिछली कार्रवाई से परिणामों की सूची में चयन करना, एक पूर्ण डेटासेट उत्पाद डाउनलोड करें (उदाहरण के लिए, भू-झगड़ा फ़ाइलों का एक समूह, प्रत्येक बैंड के लिए एक, प्लस जानकारी, और अन्य मेटाडेटा) या केवल एक विशिष्ट एकल बैंड।
      नोट: चरण 1 की प्रक्रिया में शामिल प्रत्येक बुनियादी कार्रवाई के विशिष्ट विवरण के लिए, कृपया ह्यून-ह्यून चेन एट अल का भी उल्लेख करें । २०२०27
  2. मैक्रो-क्षेत्र की पहली स्क्रीनिंग की अनुमति देने के लिए विश्लेषण और परिवर्तन के लिए डेटा पूर्व-प्रसंस्करण और प्रसंस्करण अधिक उपयोगी मापदंडों और प्रारूपों में।
    नोट: निम्नलिखित क्रियाएं (चरण 1.2) डेटा प्रोसेसिंग को समर्पित हैं जो निचले स्तरों से आने वाले कच्चे डेटा को जानकारी में बदलने और फिर उपयोगी जानकारी (उच्च स्तर) में बदलने के लिए अंतिम रूप दिए गए हैं। इस चरण में प्रत्येक सेंसर (जैसे, उत्पाद स्तर 0-1) से कच्चे डेटा की प्रसंस्करण और उच्च स्तर के उत्पादों (जैसे, स्तर 2-4) में परिवर्तन और बाद में, अधिक उपयोगी मापदंडों और प्रारूपों (जैसे, विषयगत मानचित्र) उत्पन्न करने के लिए सूचना परतों में शामिल हैं।
    1. ज्यामितीय और रेडियोमेट्रिक अंशांकन से जुड़े कच्चे डेटा को प्री-प्रोसेस करें। यह क्रिया विशिष्ट सॉफ़्टवेयर का उपयोग करके की जा सकती है, जो स्वचालित या अर्ध-स्वचालित तरीके (अपर्यवेक्षित या पर्यवेक्षण) में, एक सही वर्कफ़्लो का सम्मान करने वाले आसान वर्गीकरण को करने के लिए रैस्टर प्रसंस्करण के लिए कनेक्टेड टूल का एक सेट प्रदान करता है।
      नोट: इस शोध में, दो मुफ्त ओपन सोर्स टूल का उपयोग किया जाता है: क्यू-जीआईएस 3.1428 अर्ध-स्वचालित वर्गीकरण प्लगइन (एससीपी) के साथ संयुक्त रूप से। एससीपी प्लगइन29 रिमोट सेंसिंग छवियों के अर्ध-स्वचालित वर्गीकरण की अनुमति देता है, जो मुफ्त छवियों के डाउनलोड के लिए एक पूरा उपकरण सेट प्रदान करता है, प्री-प्रोसेसिंग, पोस्ट-प्रोसेसिंग और रैस्टर कैलकुलेशन।
    2. मल्टीस्पेक्ट्रल इंडेक्स की गणना करने वाले डेटा को कैलिब्रेटेड प्रोसेस करें। आमतौर पर, यह कार्रवाई एक रैस्टर कैलकुलेटर उपकरण का उपयोग करके की जाती है। एक बहुस्पेक्ट्रल सूचकांक की गणना विभिन्न बैंड/परतों के बीच एक संबंध को परिभाषित करती है जो परिणामस्वरूप एक नई परत उत्पन्न होती है जिसे जीआईएस प्लेटफॉर्म पर प्रबंधित किया जा सकता है। उदाहरण के लिए, प्रहरी और लैंडसैट ऑपरेशनल लैंड इमेजर सेंसर (ओली) से शुरू होकर, मल्टीस्पेक्ट्रल इंडेक्स जैसे सामान्यीकृत अंतर वनस्पति सूचकांक (NDVI) की गणना करना संभव है। तब वनस्पति सूचकांक का उपयोग क्लोरोफिल सामग्री30,31का अनुमान लगाने के लिए किया जाता है ।
    3. झूठे रंग विषयगत नक्शे में प्रतिनिधित्व क्लोरोफिल सामग्री सूचकांक के अनुमान से प्राप्त परिणामों का विश्लेषण करें और उच्च क्लोरोफिल एकाग्रता के साथ महत्वपूर्ण क्षेत्र को परिभाषित करें। इस अध्ययन में, क्लोरोफिल-एक नक्शा MODIS सेंसर32के डेटासेट का उपयोग करके उत्पन्न किया जाता है, जो टेरा और एक्वा उपग्रह प्लेटफार्मों पर घुड़सवार है। नमूना स्थल स्थानीयकृत हैं जहां असामान्य मूल्य पंजीकृत हैं।
      नोट: शैवाल खिल झंडा (जो प्रत्येक विशिष्ट स्थान को परिभाषित करता है) रिमोट सेंसिंग डोमेन में उठाया जाता है जब सीएचएल-ए एकाग्रता 20 मिलीग्राम/एल३३से अधिक होती है ।

2. निर्देशित नमूने

नोट: नमूना स्थानों का विकल्प रिमोट/समीपस्थ संवेदन परत विश्लेषण द्वारा संचालित होता है जो बड़े तटीय क्षेत्रों में स्थानों का चयन करने की अनुमति देता है । यह ध्यान में रखते हुए कि नमूना माइक्रोसिस्टिन्स की विषाक्तता के कारण ऑपरेटरों के लिए खतरनाक हो सकता है, सुरक्षा नमूना प्रक्रियाओं की आवश्यकता है। विशेष रूप से, ऑपरेटरों को एयरोसोल साँस लेना और त्वचा के संपर्क से बचाने की आवश्यकता है। फिर, नीचे विस्तृत प्रक्रिया के बाद नमूना प्रदर्शन करें।

  1. त्वचा के संपर्क को रोकने के लिए एयरोसोल साँस लेना, और सुरक्षा दस्ताने को रोकने के लिए आंखों की सुरक्षा के लिए चश्मे पहनें, FFP2 मास्क पहनें।
  2. प्रत्येक साइट में ट्रिपलिकेट में 0.5 एल पानी इकट्ठा करें।
  3. एक अपfractometer का उपयोग कर प्रत्येक नमूने के लिए लवणता को मापने। अप्राप्टोमीटर पर नमूने की एक बूंद रखो और प्रति हजार भागों के संदर्भ में लवणता मूल्य पढ़ें (पीपीटी - ‰)।
  4. नमूने के अंत में, पहले हाथ धोएं; फिर बदले में दस्ताने, मुखौटा, और काले चश्मे को हटा दें जो व्यक्तिगत सुरक्षा उपकरणों की बाहरी सतह को छूने का ध्यान नहीं रखते हैं।
  5. कमरे के तापमान पर नमूना प्रयोगशाला में ले जाएं।

3. सूक्ष्म टिप्पणियों और वर्गीकरण पहचान द्वारा साइनोबैक्टीरिया प्रजातियों की पहचान

  1. 5 मिनट के लिए 11,200 x ग्राम पर प्रत्येक नमूना (≈0.5 एल) पर सेंट्रलाइज करें।
  2. इस प्रकार के रूप में सुपरनेटेंट निकालें: प्रत्येक नमूने में ब्यूतानोल के 500 एमएल डालें और एक कीप का उपयोग करके, मिश्रण को विभाजक कीप में निकालने के लिए स्थानांतरित करें। दोनों परतों को अलग करने की अनुमति देने के लिए रिंग क्लैंप में सेपररी कीप को सीधा रखें। जलीय चरण को एर्लेनमेयर फ्लास्क में निकालने दें। इस स्टेप को तीन बार दोहराएं। फिर, वैक्यूम के तहत कार्बनिक चरणों को केंद्रित करें और उन्हें तौलें।
  3. चरण 3.1 से छर्रों को इकट्ठा करें और माइक्रोस्कोप के लिए 18 एमपी डिजिटल कैमरे से लैस ऑप्टिकल माइक्रोस्कोप के साथ 400x और 1,000x आवर्धन पर उनका विश्लेषण करें। उनकी रूपात्मक विशेषताओं के आधार पर साइनोबैक्टीरिया की उपस्थिति की तलाश करें: नीला-हरा रंग, सेल आकार और आकार अन्य सूक्ष्मजीवों के बीच साइनोबैक्टीरिया को पहचानने की अनुमति देते हैं।
  4. कोमारेक एट अल में वर्णित प्रक्रिया के अनुसार, सूक्ष्म अवलोकन द्वारा वर्गीकरण विश्लेषण के माध्यम से प्रजातियों की पहचानकरें।
    नोट: पूरक 16S मेटाजन्नोमिक विश्लेषण साइनोबैक्टीरियल टैक्सा3की पहचान करने के लिए किया जा सकता है ।
  5. खेती के लिए अपनी लवणता के अनुसार समुद्री जल/मीठे पानी BG11 मीडिया के 10 एमएल के साथ छर्रों का एक बहाना पतला ।

4. साइनोटॉक्सिन की पहचान

  1. ऑर्गेनिक सॉल्वैंट्स के साथ नमूनों की निकासी
    1. एक फ्लास्क में गोली के प्रत्येक नमूने रखो और एक बर्फ स्नान का उपयोग कर 5 मिनट के लिए sonicate । फिर, ताजा MeOH के 50 एमएल जोड़ें और धीरे से हिलाएं। एक पेपर फिल्टर का उपयोग करके समाधान को फ़िल्टर करें और एक गोल नीचे फ्लास्क में फिलट्रेट एकत्र करें। इस स्टेप को दो बार दोहराएं। फिर, दो बार MeOH/DCM के 50 एमएल मिश्रण जोड़ने छर्रों निकालें (1:1, 50 एमएल), और दो बार 100% डीसीएम (x2, 50 एमएल)35का उपयोग करके। प्रत्येक राउंड बॉटम फ्लास्क को क्रमशः "मेओएच एक्सट्रैक्ट", "मेओएच/डीसीएम एक्सट्रैक्ट" और "डीसीएम एक्सट्रैक्ट" के रूप में लेबल करें, और वैक्यूम के तहत ध्यान केंद्रित करें।
    2. एलसी-एचआरएमएस/एमएस द्वारा प्रत्येक कार्बनिक अर्क (MeOH, MeOH/DCM, DCM) का विश्लेषण करें ।
  2. एलसी-एचआरएमएस/एमएस विश्लेषण
    1. एलसी-एचआरएमएस और एलसी-एचआरएमएस/एमएस नमूने तैयार करना: 10 मिलीग्राम/एमएल की अंतिम एकाग्रता प्राप्त करने के लिए 99.9% ≥ मेओएच का उपयोग करके प्रत्येक नमूने को भंग करें।
    2. एचपीएलसी सिस्टम (एलसी-एचआरएमएस/एमएस सिस्टम) के साथ मिलकर एक उच्च-रिज़ॉल्यूशन ईएसआई मास स्पेक्ट्रोमीटर का उपयोग करके प्रत्येक नमूने का विश्लेषण करें। कमरे के तापमान पर 5-माइक्रोन सी 18 कॉलम (100 x 2.10 मिमी) के साथ एचपीएलसी पर काम करें। एच2ओ (0.1% HCOOH के साथ पूरक) और MeOHat 200 μL मिनट-1के साथ एक ढाल एल्यूशन का उपयोग करें। ढाल कार्यक्रम है: 3 मिनट के लिए 10% MeOH, 10% से 100% MeOH के लिए 30 मिनट, 100% MeOH के लिए 7 मिनट के लिए। नियंत्रण के रूप में MeOH का उपयोग करें।
    3. डेटा अधिग्रहण। डेटा-निर्भर अधिग्रहण मोड (डीडीए) में डेटा एकत्र करें: पूर्ण-स्कैन मास स्पेक्ट्रम के 10 सबसे गहन आयनों को उच्च-रिज़ॉल्यूशन टैंडेम मास स्पेक्ट्रोमेट्री (एचआरएमएस/एमएस) विश्लेषण के अधीन होना चाहिए। सीआईडी विखंडन के साथ चयनित आयनों के लिए एचआरएमएस/एमएस स्कैन प्राप्त करें, 2.0 की अलगाव चौड़ाई, 35 की सामान्यीकृत टकराव ऊर्जा, 0.250 की सक्रियण क्यू, और 30 एमएस का सक्रियण समय।
  3. बायोइन्फॉर्मेमैटिक विश्लेषण और आणविक नेटवर्किंग
    1. एमएस विशिष्ट सॉफ्टवेयर का उपयोग करके प्रत्येक तीव्र आयन के लिए विखंडन पैटर्न का विश्लेषण करें।
    2. डेटा क्लस्टर के लिए एमएस-क्लस्टर का उपयोग करें (1.0 डीए के माता-पिता जन सहिष्णुता और 0.5 डीए के एमएस/एमएस टुकड़ा आयन सहिष्णुता)। 2 स्पेक्ट्रा से कम युक्त आम सहमति स्पेक्ट्रा समाप्त हो जाती है।
    3. आणविक नेटवर्किंग के लिए जीएनपीएस (ग्लोबल नेचुरल प्रोडक्ट्स सोशल36)द्वारा एमएस/एमएस डेटा का विश्लेषण करें।
    4. Pairwise आम सहमति स्पेक्ट्रा की तुलना करें और जीएनपीएस-मास-इव पुस्तकालयों में रिपोर्ट किए गए लोगों के साथ भी।
    5. प्राप्त नेटवर्क37की कल्पना करें।
      नोट: आणविक नेटवर्किंग के लिए कृपया सिग्रिस्ट एट अल का उल्लेख करें । २०२०३८

Figure 3
चित्रा 3:एफडी इन-लैब स्टेप्स (3-4) । नमूना लेने के बाद प्रयोगशाला में किए गए मुख्य गतिविधियों का दृश्य प्रतिनिधित्व (चरण 3 और 4)। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Representative Results

पहले अध्ययन में3,एसडब्ल्यू इटली में कैम्पानिया तट के साथ चार मानवजनित साइटों को गर्मियों २०१५ के दौरान उपग्रह लैंडसैट 8 और विमान का उपयोग करके देखा गया था । लैंडसैट 8 ऑपरेशनल लैंड इमेजर सेंसर (ओली) और विमान मल्टीस्पेक्ट्रल कैमरा ने क्षेत्रों के लिए सामान्यीकृत अंतर जल सूचकांक (एनडीडब्ल्यूआई) छवियां बनाने की अनुमति दी, इसलिए, साइनोबैक्टीरियल समुदायों की उपस्थिति को प्रकट करने के लिए। साइनोबैक्टीरियल पिगमेंट फाइकोसाइनिन (पीसी) का पता लगाने के लिए स्पेक्ट्रोफोटोमेट्रिक विश्लेषण के माध्यम से साइनोबैक्टीरियल समुदाय संरचना निर्धारित की गई थी। फिर, पूरक 16S मेटाजेनोमिक विश्लेषण को साइनोबैक्टीरियल टैक्सा की पहचान करने की अनुमति दी गई। मेटाजन्नोमिक विश्लेषणों के संयोजन में उपग्रह/हवाई प्लेटफार्मों के माध्यम से सरलीकृत बहुस्पेक्ट्रल छवि अनुक्रमण और वर्गीकरण मजबूत यूट्रोफिक स्थितियों (जैसे लेप्टोलिनग्ब्या एसपी, स्यूडोसिलैटोरिया एसपी) से संबंधित सायनोबैक्टीरिया की उपस्थिति का पता लगाने में प्रभावी थे, खिलने के प्रारंभिक चरण में।

एक दूसरे अध्ययन में14,एफडी दृष्टिकोण वसंत के दौरान परीक्षण किया गया था/ उपग्रह डेटा का उपयोग केवल रिमोट सेंसिंग स्तर के रूप में किया गया था। विस्तार से, टेरा और एक्वा सैटेलाइट प्लेटफार्मों पर घुड़सवार MODerate छवि स्पेक्ट्रोरेडियोमीटर (MODIS) सेंसर द्वारा अधिग्रहीत डेटा, कैम्पानिया तटों के साथ जल निकायों में क्लोरोफिल-ए (Chl-a) के मात्राकरण की अनुमति दी और दस नमूना स्थानों की पसंद चलाई । नमूनों को प्रयोगशाला में सूक्ष्म अवलोकन और वर्गीकरण पहचान द्वारा संसाधित किया गया था, फिर कार्बनिक सॉल्वैंट्स के साथ निकाला गया था। एलसी-एमएस-एमएस विश्लेषण द्वारा कार्बनिक अर्क संसाधित किए गए थे। एमएस-एमएस द्वारा प्राप्त डेटा का विश्लेषण एक जैव सूचना दृष्टिकोण का उपयोग करके किया गया था, जो अणुओं का नेटवर्क बनाने के लिए जीएनपीएस प्लेटफॉर्म का उपयोग करके किया गया था। जीएनपीएस पुस्तकालय के साथ बड़े पैमाने पर स्पेक्ट्रोमेट्री द्वारा प्राप्त विखंडन स्पेक्ट्रा के डेटा की तुलना करने वाले विषाक्त पदार्थों का पता लगाने और पहचानने के लिए नेटवर्क का विश्लेषण किया गया था। यह ज्ञात विषाक्त पदार्थों और अज्ञात एनालॉग का पता लगाने की अनुमति देता है जो एक ही आणविक नेटवर्क में संबंधित दिखाई देंगे। विशेष रूप से, लिंगबायाइटॉक्सिन ए, एक लिपोफिलिक डर्मेटोटॉक्सिन, सभी पानी के नमूनों और बाइवाल्व्स के नमूनों में पाया गया था; Lyngbyatoxin एक आणविक क्लस्टर में, lyngbyatoxin परिवार के किसी भी ज्ञात यौगिकों से संबंधित नोड्स भी मौजूद थे, अज्ञात lyngbyatoxin अनुरूप की उपस्थिति का सुझाव । नमूनों में कोई माइक्रोसिस्टिन और अन्य विषाक्त पदार्थों का पता नहीं चला । सभी परिणाम 24 मानव घंटे के भीतर प्राप्त किए गए थे ।

Figure 4
चित्र 4:एफडी प्रतिनिधि परिणाम। कैम्पानिया तट (इटली) पर एफडी रणनीति के आवेदन का एक उदाहरण। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Discussion

पिछले वर्षों के दौरान, हमारी टीम ने कई अलग-अलग दृष्टिकोणों का परीक्षण किया और मान्य किया जो जल निकायों और बाइवाल्व में साइनोबैक्टीरिया और साइनोटॉक्सिन की उपस्थिति को जानने की अनुमति देते हैं। नई विकसित रणनीति इन अध्ययनों के परिणाम का प्रतिनिधित्व करता है । इष्टतम तकनीकों और प्रौद्योगिकियों कि तेजी से पता लगाने के दायरे फिट, एक अद्वितीय प्रक्रिया है कि प्रत्येक एक कदम की प्रभावशीलता को अधिकतम की टोपी के तहत इकट्ठे हुए हैं । लक्ष्य क्षेत्र, खिल विस्तार, और बढ़ते चरण का उपयोग करने के लिए उपयुक्त तरीकों और प्रौद्योगिकियों की पसंद के लिए प्रेरक शक्ति हैं।

जब साइनोबैक्टीरिया और साइनोटॉक्सिन फास्ट डिटेक्शन प्राथमिकता है, तो रणनीति को चार मुख्य चरणों में कुल संख्या को कम करने के लिए सुव्यवस्थित किया जाता है: (1) पहले सर्वेक्षण के लिए रिमोट और समीपस्थ संवेदन और डेटा विश्लेषण, साइटों का स्थानीयकरण और खिलने के पैटर्न और विस्तार की परिभाषा; (2) निर्देशित नमूना; (3) सूक्ष्म अवलोकन और वर्गीकरण विश्लेषण; (4) पानी के नमूनों की पुनरावृत्ति और साइनोटॉक्सिन का तेजी से पता लगाने के लिए एलसी-एमएस डेटा का रासायनिक विश्लेषण और आणविक नेटवर्किंग ।

पहले कदम के बारे में, भले ही पदानुक्रमित निगरानी दृष्टिकोण की सभी परतों को कवर करने वाले प्लेटफार्मों की एक पूरी श्रृंखला द्वारा प्राप्त डेटा की उपलब्धता विश्लेषण किए गए परिदृश्य की पूरी दृष्टि को फिर से तैयार करने का सबसे अच्छा समाधान होगा, अक्सर सिर्फ एक जानकारी परत क्षेत्र सर्वेक्षण कार्रवाई को ड्राइव कर सकती है और इन-सीटू नमूना कार्रवाई करने के लिए हॉट स्पॉट पर प्रभावी रूप से ध्यान केंद्रित कर सकती है। उपग्रहों, विमानों, हेलीकॉप्टरों, यूएवी का उपयोग करके डेटा प्राप्त किए गए रिपोर्ट किए गए अनुभवों के अनुसार, फास्ट डिटेक्शन रणनीति के लिए आवश्यक जरूरतों से पूरी तरह से मेल खाता है कि समाधान केवल उपग्रह उत्पादों का उपयोग है ।

इसके अलावा, सूचना परतें जो उपग्रहों (जैसे, विमानों, हेलीकॉप्टरों, यूएवी) की तुलना में कम ऊंचाई पर उड़ान भरने वाले प्लेटफार्मों द्वारा किए गए मिशनों से प्राप्त होती हैं, महान संकल्प के साथ जानकारी को फिर से तैयार करती हैं लेकिन ये बहुत महंगे हैं और पूर्ण अधिग्रहण प्रक्रिया को पूरा करने के लिए अधिक समय की आवश्यकता होती है जिसमें उड़ान योजना को परिभाषित करना और अनुमोदन भी शामिल है।

एक बार नमूनों का चयन किया गया है (चरण 2), विश्लेषणात्मक/बायोइन्फॉर्मेटिक्स विश्लेषण (एलसी-एमएस डेटा के आणविक नेटवर्किंग) पानी के नमूनों की तेजी से dereplication और साइनोटॉक्सिन (चरण 3 और 4) का तेजी से पता लगाने के लिए उपकरण है । 16S मेटाजन्नोमिक विश्लेषण में कम से कम 2 सप्ताह का काम लगता है। इसके अलावा, यहां तक कि जब सामान्य रूप से विषाक्त होने वाली सायनोबैक्टीरियल प्रजातियों की पहचान की जाती है, तो उनके विष उत्पादन का प्रदर्शन नहीं किया जाता है। इसी कारण से, सूक्ष्म अवलोकन विषाक्त साइनोबैक्टीरिया की उपस्थिति को प्रकट करने के लिए पर्याप्त नहीं है। बेशक, एमएस विश्लेषण और आणविक नेटवर्किंग की कुछ सीमाएं हैं; वे काफी प्रभावी हैं यदि ब्याज के यौगिक (जैसे, विषाक्त पदार्थ) लागू शर्तों में अच्छी तरह से आयनित होते हैं, यदि वे पर्याप्त मात्रा में हैं। ज्ञात साइनोबैक्टीरियल टॉक्सिन डिटेक्शन और मॉनिटरिंग के उद्देश्य से, एमएस-आधारित आणविक नेटवर्किंग वास्तव में अधिक मजबूत और विश्वसनीय प्रौद्योगिकियों में से एक का प्रतिनिधित्व करता है।

इसलिए, यह दृष्टिकोण काफी उपयोगी साबित होता है जब साइनोबैक्टीरिया और संबंधित साइनोटॉक्सिन का तेजी से पता लगाने की आवश्यकता होती है; इसके अलावा अंतरिक्ष और समय पर साइनोबैक्टीरियल ब्लूम और टॉक्सिन दोनों का मात्राकरण भी इस रणनीति द्वारा संभव है ताकि स्वास्थ्य समुदायों की समस्याओं को रोका जा सके जो बड़े साइनोबैक्टीरियल विषाक्त खिलता से पैदा हो सकते हैं ।

Disclosures

लेखक हितों के टकराव की घोषणा नहीं करते हैं ।

Acknowledgments

इस शोध को परियोजना के फ्रेम में "सेंट्रो डी रिफ्रेमेंटो रीजनल प्रति ला सिकुरेज़ा सैनिटेरिया डेल पेस्काटो (CRiSSaP)" द्वारा वित्त पोषित किया गया था" परियोजना के फ्रेम में "Attività pilota di Monitoraggio di Cianobatteri नेला फासिया कोरियरा डेला क्षेत्र और कैम्पानिया क्षेत्र पर्यावरण संरक्षण एजेंसी, इटली (ARPAC) के सहयोग से प्रदर्शन किया, "Istituto Zooprofilattico Sperimentale डेल Mezzogiorno/Osservatorio Regionale प्रति ला सिकुरेजा Alimentare" (IZSM/ORSA), नेपल्स विश्वविद्यालय "Federico द्वितीय"-पशु चिकित्सा और पशु उत्पादन विभाग, रेफरी प्रो ए 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

DOWNLOAD MATERIALS LIST

References

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

Cite this Article

Teta, R., Esposito, G., De Sterlich, C., Lega, M., Costantino, V. Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy. J. Vis. Exp. (168), e61889, doi:10.3791/61889 (2021).More

Teta, R., Esposito, G., De Sterlich, C., Lega, M., Costantino, V. Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy. J. Vis. Exp. (168), e61889, doi:10.3791/61889 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter