Geographic variation in secondary metabolites contents and their relationship with soil mineral elements in Pleuropterus multiflorum Thunb. from different regions
Notice bibliographique
Résumé
Abstract Background Pleuropterus multiflorum Thunb. cv. “Heshouwu” (HSW) has been used as a classical material for both medicine and food in China for millennia. Recently, the cultivation region of HSW has shifted from Guangdong to Sichuan, Guizhou, and other regions. The investigation of geographic variation in bioactive metabolite contents and their relationship with soil mineral elements holds academic significance. Objective This study aimed to investigate the variations in the distribution of active components in HSW across diverse planting regions and their relationship with soil mineral elements. Methods A reliable quantitative analysis based on ultrahigh-performance liquid chromatography with triple-quadrupole mass spectrometry (UPLC-QQQ-MS) was developed to assess the levels of 15 bioactive metabolites in 60 HSW samples collected from 4 distinct regions. A total of 43 soil mineral elements in corresponding 60 soil samples were quantified by inductively coupled plasma mass spectrometry (ICP-MS). Orthogonal partial least squares-discriminant analysis (OPLS-DA), heatmap analysis, Pearson correlation analysis, and random forest (RF) regression were conducted based on the above quantitative data. Results The content of stilbene glycosides displayed a wider range of variation compared with emodin and physcion among different regions. Eight compounds were screened as the differential metabolites in HSW samples from various sources using the supervised OPLS-DA analysis. Among these, 2 important functional compounds including physcion and 2,3,5,4′-tetrahydroxystilbene-2-O-(6″-O-acetyl)-glucoside (THSG-5) are the most abundant in HSW samples from Deqing, a geographical indicative production region. Pearson correlation analysis indicated that the impact of soil mineral elements on the levels of stilbene glycosides is greater compared to that on anthraquinones. A negative correlation was observed between the levels of elements Na, Zn, Ba, Ti, and 2,3,5,4′-tetrahydroxysilbene 2-O-glucoside (THSG-1). Conversely, a positive correlation was found between the contents of elements Na, Ce, Ti, and physcion and THSG-5, 2 components that exhibited higher levels in Deqing. Furthermore, an RF algorithm was employed to establish an interrelationship model, effectively forecasting the abundance of the majority of differential metabolites in HSW samples based on the content data of soil mineral elements. Conclusions The variation of stilbene glycosides is wider than emodin and physcion in HSW. The levels of metabolites in HSW samples are influenced by soil mineral elements, with stilbene glycosides being more susceptible to such influences compared to anthraquinones. Specifically, THSG-1 shows a negative association with most soil mineral elements, notably Na, Zn, Ba, and Ti, whereas the content of physcion displays a positive correlation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».