Вісн. Харків. нац. аграрн. ун-ту. Сер. Біологія, 2018, вип. 3 (45), с. 111-119


https://doi.org/10.35550/vbio2018.03.111




ПРО ВИКОРИСТАННЯ СТАТИСТИЧНИХ МЕТОДІВ У СТРЕСОВІЙ ФІЗІОЛОГІЇ І СЕЛЕКЦІЇ РОСЛИН


В. В. Іванищев

Федеральна державна бюджетна освітня установа вищої освіти
«Тульський державний педагогічний університет ім. Л.М. Толстого»
(Тула, Росія)
E-mail: avdey_VV@mail.ru


Розглянуто результати застосування статистичних методів (головних компонент і кластерного аналізу) при вивченні фізіолого-біохімічних показників рослин у зв'язку з проблемами стійкості до різних чинників середовища і селекції. Показано, що використання таких методів в галузі фізіології і біохімії рослин є все ще недостатнім. Однією з причин є складність і не завжди зрозуміла біологічна інтерпретація математичних перетворень результатів дослідження. При цьому також слід враховувати, що, по-перше, використання таких методів може призводити до часткової втрати даних (можуть враховуватися не всі можливі варіанти зв'язків між вивченими параметрами), а, по-друге, статистичні методи ґрунтуються на тому, що досліджувані ознаки підпорядковуються так званому нормальному розподілу, що не завжди відповідає біологічним процесам, явищам і об'єктам. Проте, такі підходи до обробки результатів можуть бути корисними для виявлення нових взаємозв'язків між відомими фізіолого-біохімічними характеристиками рослин. Це важливо для подолання суб'єктивності у тлумаченні результатів дослідження і виявлення вкладу (та/або специфічності) окремих показників в стійкість рослин до стресорів різної природи. У роботі наведені приклади застосування методу головних компонент і кластерного аналізу в конкретних дослідженнях. Показано, що перший метод використовується меншою мірою, оскільки його застосування потребує певних навичок при аналізі результатів. Метод кластерного аналізу застосовують частіше, оскільки він дозволяє побудувати досить ясну ієрархічну структуру між дослідженими показниками, а також виявити найбільшу близькість (взаємозв'язок) між вивченими параметрами або об'єктами. Показано, що метод кластерного аналізу може бути успішно використаний при вирішенні завдань, пов'язаних з вибором найбільш відповідних форм рослин для подальшої селекційної роботи, а також при оцінці взаємозв'язків і потенційних взаємозалежностей між фізіолого-біохімічними показниками рослин в умовах стресу.


Ключові слова: статистичні методи, метод головних компонент, кластерний аналіз, фізіолого-біохімічні показники, стрес, посуха, солестійкість, селекція

 


ЛІТЕРАТУРА


1. Abramova E.A., Ivanishchev V.V. 2016. Characteristics of vetch seed germination in the presence of nickel ions in the medium. Izv. Tul'skogo Gos. Univer. Yestesvenniye Nauki. 2-3 : 70-78.
 
2. Bureeva N.N. 2007. Multidimensional statistical analysis with an application of "STATISTICA" software package. (Mnogomernyi ststisticheskii analiz s ispolzovaniem PPP "STATISTICA"). Nyzhnii Novgorod : 112 p.
 
3. Ivanishchev V.V. 2018. Investigation of the effect of short-term salt stress with the method of cluster analysis. Butlerov Communications (Butlerovskie soobscheniya). 54 (4) : 134-139.
 
4. Ivanishchev V.V. 2018b. Problematic questions in biochemistry of photosynthesis. Bull. Kharkiv. Natl. Agrar. Univ. Ser. Biology. (Visnyk Kharkiv. Natsional. Agrarn. Univer. Ser. Biologiya). 1 (43) : 76-92.
 
5. Ivanishchev V.V., Zhukov N.N. 2016. Basics of plant resistance physiology. (Osnovy fiziologii ustojchivosti rastenii). Tula : 84 p.
 
6. Ivanishchev V.V., Zhukov N.N. 2017. Manifestations of oxidative stress in sprouts of triticale under condition of short-term exposure of sodium chloride. Butlerov Communications (Butlerovskie soobscheniya). 52 (11) : 123-130.
 
7. Ivanishchev V.V., Zhukov N.N. 2018. On the interrelation of water exchange and photosynthesis in triticale sprouts with short-term action of sodium chloride. Butlerov Communications (Butlerovskie soobscheniya). 53 (3) : 35-42.
 
8. Orlov A. 2016. How does the principal component analysis (PCA) using a simple example
 
9. Shabanov D.A., Kravchenko M.A. 2011. Statistical analysis of data in zoology and ecology). https://batrachos.com/biostatistica.
 
10. Chunthaburee S., Dongsansuk A., Sanitchon J., Pattanagul W., Theerakulpisut P. 2016. Physiological and biochemical parameters for evaluation and clustering of rice cultivars differing in salt tolerance at seedling stage. Saudi J. Biol. Sci. 23 : 467-477.
https://doi.org/10.1016/j.sjbs.2015.05.013
 
11. de Lima Pereira J.W., Alves da Silva E.C., Nunes da Luz L., Nogueira R.J.M.C., de Albuquerque Melo Filho P., de Lima L.M., Cavalcanti dos Santos R. 2015. Cluster analysis to select peanut drought tolerance lines. Austr. J. Crop Sci. 9 (11) : 1095-1105.
 
12. Fernie A.R. 2011. Editorial overview - computational approaches in aid of advancing understanding in plant physiology. Front. Plant Sci. 2 : 5-7.
https://doi.org/10.3389/fpls.2011.00078
 
13. Hu Z., Fan J., Xie Y., Amombo E., Liu A., Gitau M.M., Khaldun A.B.M., Chen L., Fu J. 2016. Comparative photosynthetic and metabolic analyses reveal mechanism of improved cold stress tolerance in bermudagrass by exogenous melatonin. Plant Physiol. Biochem. 100 : 94-104.
https://doi.org/10.1016/j.plaphy.2016.01.008
 
14. Kim J.K., Park S.-Y., Lim S.-H., Yeo Y., Cho H.S., Ha S.-H. 2013. Comparative metabolic profiling of pigmented rice (Oryza sativa L.) cultivars reveals primary metabolites are correlated with secondary metabolites. J. Cereal Sci. 57 : 14-20.
https://doi.org/10.1016/j.jcs.2012.09.012
 
15. Liu Z., Li C., Wang Y., Huang W., Ding X., Zhou B., Wu H., Wang D., Shi J. 2012. Comparison of spectral indices and principal component analysis for differentiating lodged rice crop from normal ones. In: 5th Computer and Computing Technologies in Agriculture (CCTA), Oct 2011, Beijing, China. Springer, IFIP Advances in Information and Communication Technology, AICT-369 : 84-92.
https://doi.org/10.1007/978-3-642-27278-3_10
 
16. Liu Z., Shi J., Zhang L.W., Huang J.F. 2010. Discrimination of rice panicles by hyperspectral reflectance data based on principal component analysis and support vector classification. Zhejiang Univ-Sci B (Biomed & Biotechnol). 11 (1) : 71-78.
https://doi.org/10.1631/jzus.B0900193
 
17. Löw M., Deckmyn G., Op de Beeck M., Blumenröther M.C., Oßwald W., Alexou M., Jehnes S., Haberer K., Rennenberg H., Herbinger K., Häberle K.-H., Bahnweg G., Hanke D., Wieser G., Ceulemans R., R. Matyssek, Tausz M. 2012. Multivariate analysis of physiological parameters reveals a consistent O3 response pattern in leaves of adult European beech (Fagus sylvatica). New Phytol. 196 : 162-172.
https://doi.org/10.1111/j.1469-8137.2012.04223.x
 
18. Naseem M., Dutta M., Shah S., Kumar P. 2007. Characterization of Buckwheat Cultivars Using Morphological, Chemical, Physiological and Biochemical Parameters. In: Advances in Buckwheat Research: Proceedings of the 10th International Symposium on Buckwheat. Chai Yan, Zhang Zongwen. Northwest A & F University Press:162-168.
 
19. Nath S. 2017. Two-ion theory of energy coupling in ATP synthesis rectifies a fundamental flaw in the governing equations of the chemiosmotic theory. Biophys. Chem. 230 : 45-52.
https://doi.org/10.1016/j.bpc.2017.08.005
 
20. Nejat N., Sadeghi H. 2016. Finding out relationships among some morpho-biochemical parameters of Christ's thorn (Ziziphus spina-christi) under drought and salinity stresses. Planta Daninha, Viçosa-MG. 34 (4) : 667-674.
https://doi.org/10.1590/s0100-83582016340400006
 
21. Prasad M.N.V. 2010. Heavy Metal Stress in Plants: From Biomolecules to Ecosystems. Kindle Edition : 462 p.
 
22. Sharma A., Bakshi M. 2014. Variability in Growth, Physiological, and Biochemical Characteristics among Various Clones of Dalbergia sissoo in a Clonal Seed Orchard. Int. J. Forestry Res. 2014 : 829368.
https://doi.org/10.1155/2014/829368