Modeliranje maksimalne entropije područje distribucije Morchella Dill. Ex Pers. Vrste u Kini pod klimatskim promjenama, 1. dio
Jun 27, 2023
Jednostavan sažetak:Klimatske promjene oduvijek su bile zamjetan čimbenik u istraživanju rasprostranjenosti vrsta. Posljednjih desetljeća staništa vrsta postupno su uništena zbog klimatskih promjena. Dakle, kako bi se predvidjelo kako će klimatske promjene utjecati na opstanak i pogodna staništa divlje Morchella Dill. ex Pers. vrste u Kini, upotrijebili smo model maksimalne entropije za simulaciju promjena u području njezine distribucije od povijesnih razdoblja do budućih razdoblja. Naši rezultati pokazuju da su oborine, nadmorska visina i temperatura nezaobilazni čimbenici koji utječu na prisutnost i pogodna staništa divljih vrsta Morchella. Nadalje, ovo istraživanje pokazalo nam je obećavajući trend da će se, bez obzira na scenarij, pogodno područje vrste ubrzo povećati do određene razine. Na temelju ovih nalaza mogli bismo istražiti i dizajnirati optimalnu shemu za očuvanje resursa divlje Morchelle.
Glikozid cistanhe također može povećati aktivnost SOD-a u tkivima srca i jetre, te značajno smanjiti sadržaj lipofuscina i MDA u svakom tkivu, učinkovito čisteći različite reaktivne kisikove radikale (OH-, H₂O₂, itd.) i štiteći od oštećenja DNA uzrokovanog pomoću OH-radikala. Cistanche feniletanoidni glikozidi imaju jaku sposobnost hvatanja slobodnih radikala, veću reducirajuću sposobnost od vitamina C, poboljšavaju aktivnost SOD u suspenziji spermija, smanjuju sadržaj MDA i imaju određeni zaštitni učinak na funkciju membrane spermija. Cistanche polisaharidi mogu pojačati aktivnost SOD i GSH-Px u eritrocitima i tkivu pluća eksperimentalno starih miševa uzrokovanih D-galaktozom, kao i smanjiti sadržaj MDA i kolagena u plućima i plazmi, te povećati sadržaj elastina, imaju dobar učinak čišćenja na DPPH, produžiti vrijeme hipoksije u starim miševima, poboljšati aktivnost SOD u serumu i odgoditi fiziološku degeneraciju pluća u eksperimentalno starim miševima Uz stančnu morfološke degeneraciju, pokusi su pokazali da Cistanche ima dobru antioksidacijsku sposobnost i ima potencijal da bude lijek za prevenciju i liječenje bolesti starenja kože. U isto vrijeme, ehinakozid u Cistancheu ima značajnu sposobnost hvatanja slobodnih radikala DPPH i ima sposobnost hvatanja reaktivnih vrsta kisika i sprječavanja degradacije kolagena izazvane slobodnim radikalima, a također ima dobar učinak popravka na oštećenje aniona slobodnih radikala timina.
Kliknite na Djeluje li Cistanche za antioksidans
【Za više informacija:george.deng@wecistanche.com / WhatApp:86 13632399501】
Sažetak: Morchella is a kind of precious edible, medicinal fungi with a series of important effects, including anti-tumor and anti-oxidation effects. Based on the data of 18 environmental variables and the distribution sites of wild Morchella species, this study used a maximum entropy (MaxEnt) model to predict the changes in the geographic distribution of Morchella species in different historical periods (the Last Glacial Maximum (LGM), Mid Holocene (MH), current, 2050s and 2070s). The results revealed that the area under the curve (AUC) values of the receiver operating characteristic curves of different periods were all relatively high (>0.83), što ukazuje da su rezultati modela maksimalne entropije dobri. Modeliranje distribucije vrsta pokazalo je da su glavni čimbenici koji utječu na geografsku distribuciju vrste Morchella bili oborine u najsušoj četvrti (Bio17), nadmorska visina, srednja temperatura najhladnije četvrti (Bio11) i srednja godišnja temperatura (Bio1). Simulacija geografske distribucije sugerira da je trenutno pogodno stanište Morchelle uglavnom locirano u Yunnanu, Sichuanu, Gansuu, Shaanxiju, autonomnoj regiji Xinjiang Uygur (XUAR) i drugim provincijama u Kini. U usporedbi s trenutnim vremenima, pogodno područje u sjeverozapadnoj i sjeveroistočnoj Kini smanjilo se u razdobljima LGM i MH. Što se tiče budućih razdoblja, pogodna staništa su se povećala prema različitim scenarijima u usporedbi s onima u suvremeno doba, pokazujući trend širenja prema sjeveroistočnoj i sjeverozapadnoj Kini. Ovi rezultati mogli bi pružiti teoretsku osnovu za zaštitu, racionalno iskorištavanje i korištenje resursa divlje Morchelle u scenarijima klimatskih promjena.
1. Uvod
Klimatske promjene su čimbenik okoliša s kojim se svi organizmi na Zemlji stalno suočavaju. S promjenom klime mijenjaju se i prostorni geografski rasporedi i područja rasprostranjenosti vrsta. Posljednjih godina globalne klimatske promjene rezultirale su pomacima u staništima raznih vrsta, pa čak i izumiranjem nekih vrsta [1,2]. Istraživanja su pokazala da će se neke vrste u budućnosti dva do tri puta brže kretati u područja visoke geografske širine i nadmorske visine [3]. Stoga je znanstvena procjena i predviđanje utjecaja klimatskih promjena na distribuciju vrsta i biološku raznolikost privuklo veliku pozornost [4]. Kako bismo razumjeli promjenjive karakteristike različitih vrsta u budućim klimatskim uvjetima, istraživanje odnosa između vrsta i klime je od velike hitnosti.
Moguće rješenje je korištenje modela distribucije vrsta (SDM). SDM je važna metoda za analizu promjena u rasprostranjenosti vrsta i naširoko se koristi u biogeografskim studijama. Posljednjih godina korištenje modela distribucije vrsta za predviđanje stvarne i potencijalne distribucije ugroženih vrsta [5], rijetkih vrsta [6] i invazivnih vrsta [7] postalo je hit na području ekologije. U istraživanju distribucije vrsta, klima, tlo i drugi čimbenici (kao što je migracijska sposobnost vrsta) mogu donekle utjecati na geografsku distribuciju vrsta [8]. U kombinaciji s podacima o distribuciji vrste i čimbenicima okoliša, SDM projicira te podatke na određeni geografski prostorni raspon, a također procjenjuje pogodna područja vrste za preživljavanje i njihove preferencije životnog okruženja [9-11]. SDM koji su sada dostupni uključuju BIOCLIM, analizu faktora ekološke niše (ENFA), generalizirani linearni model (GLM), Bayesov pristup (BA), genetske algoritme (GA) i MaxEnt [12]. Među njima, MaxEnt koristi podatke o stvarnoj prisutnosti vrsta i odgovarajućih varijabli okoliša kako bi izračunao idealno stanje distribucije vrsta pod određenim ograničenjima niše, to jest, moguću distribuciju vrsta u predviđenom području kada je entropija maksimalna. Ovaj se model razlikuje od ostalih modela u zahtjevima podataka o mjestima distribucije vrsta, postavljanju parametara modela i rukovanju varijablama okoliša [13,14]. Većina modela zahtijeva podatke o prisutnosti i odsutnosti distribucije vrsta; međutim, MaxEnt se oslanja samo na stvarno postojeće stranice [15]. Distribucija vjerojatnosti MaxEnt-a ima sažetu matematičku definiciju koju je lako analizirati. Na primjer, kao i kod GLM i GAM, aditivnost modela omogućuje tumačenje kako se svaka varijabla odnosi na prikladnost u nedostatku interakcija između varijabli [16]. U isto vrijeme, točnost predviđanja MaxEnt modela je toliko visoka da može ispravno odražavati vjerojatnost pojave vrsta do određenog stupnja pod okolnostima male veličine uzorka [17].
S obzirom na superiornost MaxEnt-a, mnogi su znanstvenici objavili niz značajnih istraživačkih postignuća koristeći MaxEnt, pružajući vrlo vrijednu teorijsku osnovu za različita područja, kao što su upravljanje invazivnim vrstama, zaštita biološke raznolikosti i odabir ekoloških uvjeta za život vrsta. . Ne samo da se MaxEnt može koristiti za biljke i životinje, već se može koristiti i za gljive. Sun i sur. koristio je MaxEnt za simulaciju prikladnog staništa velikih pandi i objasnio odgovore vrste na varijable okoliša na različitim razinama [18]. Liu i sur. simulirali su distribuciju vrste Houttuynia cordata Thunb (Ceercao) u trenutnim klimatskim uvjetima i predvidjeli potencijalne promjene njezine zemljopisne distribucije, a rezultati su otkrili da se područje pogodnog staništa vrste Ceercao smanjilo pod tri scenarija emisija stakleničkih plinova u 2050-im i 2070-ima [19]. Yuan i sur. predvidio potencijalnu distribuciju boksita Phellinus Pilát, Phellinus Ignatius (L.) Quél. i Phellinus vaninii Ljub. i utvrdio da je točnost rezultata bila visoka [20].
Morchella je skupina važnih gljiva koje pripadaju Morohellaceae Ascomycotina, koja je široko rasprostranjena na sjevernoj hemisferi. Zbog svoje bogate nutritivne i ljekovite vrijednosti vrste Morchella zauzimaju mjesto među najdragocjenijim jestivim gljivama i privlače pažnju mnogih mikologa [21]. Prirodne bioaktivne komponente [22], kao što su polisaharidi, proteini i lipidi, ekstrahirani iz Morchelle igraju značajnu ulogu u prevenciji bolesti, uključujući imunološku regulaciju [23], antitumorsko djelovanje [24] i antioksidacijsko djelovanje [25]. ]. Molekularne filogenetske studije pokazale su da se Morchella može podijeliti u tri glavna evolucijska klasa, naime, žuta morchella, crna morchella i crvena morchella [26]. Istočna Azija i Kina mogući su centri diferencijacije i raznolikosti vrsta Morchella. Trenutačno je više od trideset vrsta Morchella zabilježeno u Kini [27], koja je jedna od zemalja s najbogatijim divljim resursima Morchella.
Međutim, prekomjerno iskorištavanje i uništavanje staništa predstavljaju ozbiljnu prijetnju raznolikosti vrsta divlje Morchella [28]; u međuvremenu, specifični zahtjevi i ekološke kvalitete rasta Morchella dugo su odbačene u području mikologije [29]. Dodatno, Taheri et al. [2] pokazalo je da postoji malo studija o geografskom rasponu gljiva povezanih s klimatskim promjenama u usporedbi s onima o biljkama i životinjama. Trenutačno je još uvijek nejasno kako će klimatske promjene utjecati na geografsku distribuciju vrste Morchella u različitim razdobljima. Ova studija ima za cilj predvidjeti potencijalnu distribuciju vrste Morchella u različitim scenarijima povijesnih i budućih klima na temelju MaxEnt modela. Svrha ovog istraživanja je analizirati utjecaj čimbenika okoliša na formiranje plodišta Morchella i simulirati promjene u potencijalnim područjima rasprostranjenosti Morchella u različitim razdobljima. Očekuje se da će rezultati pružiti znanstvenu osnovu za očuvanje bioraznolikosti i divljih resursa Morchelle u budućnosti.
2. Materijali i metode
2.1. Izvor podataka o rasprostranjenosti vrsta
Podaci o pojavljivanju vrste Morchella dobiveni su terenskim istraživanjima i objavljenim radovima; dobili smo ukupno 288 mjesta. Najprije su odbačene ponovljene lokacije, a zatim je korištena metoda međuspremnika. Prostorna rezolucija okolišnih čimbenika iznosila je 2,5 kutne minute, a prostorno koincidentne podatkovne točke unutar 5 km jedna od druge su odbačene, čime je izbjegnuto prekomjerno prilagođavanje modela uzrokovano dupliciranim distribucijskim mjestima. Konačno, zadržano je ukupno 180 nalazišta Morchella (Slika S1 i Tablica S1).
2.2. Prikupljanje čimbenika okoliša i prethodna obrada
Ukupno 19 čimbenika okoliša (Bio1–Bio19, tablica 1) preuzeto je iz Svjetske baze podataka o klimi, a stopa prostorne distribucije bila je 2,5 kutne minute. Ukupno 2 varijable terena i 7 varijabli tla (tablica 1) dobivene su iz Harmonizirane svjetske baze podataka o tlu. Varijable terena i tla zajednički su odredili Organizacija Ujedinjenih naroda za hranu i poljoprivredu, Međunarodni institut za primijenjenu analizu sustava, Institut za znanost o tlu, Kineska akademija znanosti i zajednički istraživački centar Europske komisije. Prostorna rezolucija ovih podataka unificirana je u 2,5 kutnih minuta, a svi podaci su transformirani u ASCII format pomoću ArcGIS 10.2. Potencijalna distribucija Morchelle procijenjena je kroz pet razdoblja, naime, posljednji glacijalni maksimum (LGM), srednji holocen (MH), sadašnje vrijeme, 2050-e i 2070-e. I prošli i budući klimatski podaci usvajaju model CCSM4.0 objavljen u Petom izvješću IPCC-a; odabrali smo tri različita scenarija emisija stakleničkih plinova za buduća razdoblja (tablica S2), a ti scenariji definirani su prema rezultirajućem ukupnom utjecaju zračenja u 2100. [30].
Kako bi se izbjeglo pretjerano prilagođavanje rezultata zbog visoke kolinearnosti okolišnih varijabli [31], provedene su analize doprinosa okolišnih varijabli i korelacije na temelju programa MaxEnt i SPSS. Koristili smo program MaxEnt 3.4.1 za analizu doprinosa varijabli na temelju varijabli okoline i mjesta distribucije Morchelle, a ponavljanja smo postavili na 10 puta. Zatim su informacije o okolišnim čimbenicima Morchelle ekstrahirane pomoću ArcGIS 10.2, a Pearsonova analiza korelacije provedena je između okolišnih varijabli u SPSS 25 (Slika 1). U kombinaciji s doprinosom okolišnih čimbenika, zadržali smo čimbenike s korelacijskim koeficijentima ispod 0,8 oko prvih šest čimbenika. Nekoliko okolišnih čimbenika imalo je vrijednosti korelacijskog koeficijenta veće od |0,8|, a samo je jedna varijabla s većim doprinosom zadržana i korištena u MaxEnt modelima [32,33]. Konačno, u modeliranju je korišteno 18 okolišnih čimbenika (Tablica 1).
2.3. MaxEnt analiza modela
2.3.1. Odabir parametara modela
Mjesta rasprostranjenosti vrste Morchella i 18 čimbenika okoliša uvezeni su u program MaxEnt3.4.1 za analizu modeliranja. Ukupno 25 posto podataka o distribuciji odabrano je nasumično kao skup za testiranje kako bi se ispitala točnost modela, a preostalih 75 posto korišteno je kao skup za obuku [34]. Izveli smo 10 replika za pokretanje, čiji je tip bio Poduzorak. Osim toga, odabrani prag bio je maksimalna osjetljivost treninga plus specifičnost, izlazni format bio je Cloglog, a ostali parametri ostavljeni su kao zadani.
2.3.2. Model i procjena varijabli okoline
AUC je sveobuhvatan kriterij koji predstavlja točnost i posebnost ROC-a. Prvi put je uveden u procjenu točnosti modela distribucije vrsta 1997. [35], a od tada se koristi za ocjenu performansi modela. Vrijednost AUC kreće se od 0.5 do 1. Ako je vrijednost bliža 1, to znači da je prediktivna preciznost modela veća. Vrijednost AUC ispod 0.7 označava da je simulacijski učinak modela loš; vrijednost AUC između 0.7 i {{10}}.8 označava da je učinak simulacije modela umjeren; vrijednost AUC između 0.8 i 0.9 označava da je učinak simulacije modela dobar; i svakako, kada je vrijednost AUC viša od 0,9, učinak simulacije je izvrstan [36]. Osim toga, MaxEnt nudi Jackknife metodu za analizu relativnog doprinosa i važnosti varijabli okoliša na Morchella i za određivanje glavnih čimbenika okoliša.
2.3.3. Prikladna regionalna klasifikacija
Prema procjeni vjerojatnosti prisutnosti u Petom izvješću IPCC-a [37], reklasificirali smo prikladno stanište Morchella koristeći Reclass modul u ArcGIS 10.2 metodom prirodnih segmenata. Stanište Morchella podijeljeno je u četiri stupnja metodom prirodnih segmenata: neprikladno stanište (0 Manje od ili jednako vrijednosti Manje od ili jednako 0.13), nisko prikladno stanište ({{8 }}.13 < vrijednost Manje od ili jednako {{10}}.35), umjereno prikladno stanište (0.35 < vrijednost Manje ili jednako 0.63) i visoko prikladno stanište (0,63 < vrijednost Manje od ili jednako 1).
2.3.4. Promjena u distribucijskom centru Morchella
SDM alati su GIS alati koji se koriste za analizu promjene centroida u prikladnim regijama distribucije [38]. U ovoj studiji, SDM alati i binarna prikladna područja Morchelle u različitim razdobljima korišteni su za izračun zemljopisnog položaja njezinog distribucijskog centra, ilustrirajući tako put vremenske i prostorne evolucije Morchelle.
3. Rezultati
3.1. Procjena točnosti modela
Kao što je prikazano u vrijednosti AUC ROC krivulje kojom upravlja MaxEnt, prosječna vrijednost AUC podataka o treningu Morchella potencijalnog modela distribucije u prošlim klimatskim uvjetima bila je {{0}}.907 , a srednja vrijednost AUC testnih podataka bila je 0.847; u tekućem razdoblju, prosječna AUC vrijednost podataka o treningu bila je 0.905, a srednja vrijednost testnih podataka bila je 0,852; što se tiče budućih razdoblja, prosječna vrijednost AUC podataka o treningu bila je 0,903, a srednja vrijednost podataka o testu bila je 0,848 (Tablica 2). Prema standardu procjene AUC vrijednosti, ovi rezultati su dobri i pouzdani.
3.2. Dominantni čimbenici okoliša
Tablica 3 prikazuje relativni doprinos modeliranja okolišnih čimbenika. Bio17, nadmorska visina, Bio11 i Bio1 bili su glavni čimbenici okoliša koji utječu na distribuciju Morchelle. U LGM, MH, sadašnjem i budućim razdobljima (2050 i 2070-e), kumulativne stope doprinosa dosegle su 75,8 posto, 79,9 posto, 70,6 posto, 74,6 posto, 77,5 posto, 74,6 posto, 76,8 posto, 74,0 posto i 80,0 posto. Bio17 je najviše utjecao na Morchellu, a elevacija i Bio11 bili su drugi, odnosno treći najučinkovitiji faktor, koji su također imali veliki utjecaj na vjerojatnost pojave Morchelle.
Na temelju jednofaktorskih krivulja odgovora analiziran je utjecaj dominantnih čimbenika na vjerojatnost prisutnosti Morchella. Vrlo pogodni uvjeti okoliša za preživljavanje Morchelle bili su sljedeći: Bio17 bio je 11,32–77,78 mm, nadmorska visina bila je 1480,78–3827,03 m, Bio11 bio je −5,98–9,32 ◦C, a Bio1 bio je 6,16–16,98 ◦C (Slika 2).
3.3. Potencijalna geografska distribucija i procjena pogodnih područja Morchelle
3.3.1. Pogodna područja u prošlosti
Prikladno stanište u LGM i MH smanjilo se u usporedbi s onim u sadašnjem dobu. MaxEnt je predvidio da se ukupno pogodno područje Morchelle smanjilo za 12,43 posto u LGM-u i da se visoko pogodno područje smanjilo za 5,07 posto, što se uglavnom odrazilo na smanjenje pogodnog područja na jugoistoku Gansua, središtu i južno od Shaanxija, i sjeverno od Guizhoua u Kini; umjereno pogodno područje smanjilo se za 2,48 posto, što se predviđalo da će se uglavnom dogoditi u XUAR-u i sjevernoj Kini; a nisko pogodno područje smanjilo se za 4,88 posto, uglavnom u sjeveroistočnoj Kini i sjeverozapadno od XUAR-a (Slika S2 i Tablice 4 i 5).
Što se tiče MH, raspon smanjenja bio je manji od onoga u LGM. Postojala je mala razlika u MH i struji, koju nismo mogli jasno razlikovati na slikama (slike S2 i S3). Više detalja o distribucijskom području prikazano je u tablicama 4 i 5.
3.3.2. Prikladna područja trenutnih vremena
Na slici S3 može se vidjeti da je pogodno stanište Morchella relativno veliko u suvremenim klimatskim uvjetima. Ukupno pogodno područje staništa bilo je približno 405,8195 × 104 km2, što čini 42,34 posto teritorijalnog područja Kine (Tablice 4 i 5). Bio je uglavnom smješten u jugozapadnoj i sjeverozapadnoj Kini, pokrivajući sjeverni Yunnan, jugoistočni Tibet, Sichuan, središnji i južni Shaanxi, južni Shanxi, sjeverni Guizhou, jugoistočni Gansu, sjeverozapadni Xinjiang i neke dijelove Fujiana.
【Za više informacija:george.deng@wecistanche.com / WhatApp:86 13632399501】
