عملکرد تنوع شیمیایی سیستانچ و پیش بینی مناطق بالقوه کشت گیاهان سیستانچ

لطفا تماس بگیریدoscar.xiao@wecistanche.comبرای بیشتر

از آنجا کهدر هفتاد و دومین مجمع جهانی بهداشت، طب سنتی در طبقه‌بندی بین‌المللی بیماری‌ها (نسخه یازدهم) گنجانده شده است که عمدتاً از طب سنتی چینی سرچشمه می‌گیرد و در کشورهای جنوب شرقی آسیا مانند ژاپن، کره و هند نیز پذیرفته شده است. این همایش نشان داد که طب سنتی نقش مهمی در تنظیم سلامت دارد. گیاهان دارویی علاوه بر طب سوزنی و دستکاری، پایه مادی طب سنتی هستند. استفاده دقیق و ترکیب گیاهان مختلف، اثربخشی نهایی طب سنتی را تعیین می کند. علاوه بر این، محتوای و نوع اجزای فعال در گیاهان با منشاء گیاهی و محیط رشد آنها در نوسان است. بنابراین، ریشه گیاه شناسی مناسب و محیط های رشد مناسب برای اثربخشی و امنیت بالینی حیاتی است. گیاهان سیستانچ به عنوان یک گیاه مقوی و خوراکی گرانبها برای مراقبت از مردان در چین، ژاپن و برخی از کشورهای آسیای جنوب شرقی مورد استفاده قرار می گیرند. چهار گونه از این جنس به دلیل ارزش دارویی بالقوه خود در چین شناخته شده اند، یعنی C. deserticola، C.توبولوزا، C. salsa و C. Sinensis. ساقه های ساکولنت خشک شده دو گونه اول در فارماکوپه چینی (نسخه 2015) به نام Cistanches Herba ثبت شده است. این گونه ها برای کلیه ها و مجرای روده مفید هستند. دو گونه دیگر در برخی مکان ها مصرف می شوند یا به عنوان تقلب کننده Cistanches Herba مورد استفاده قرار می گیرند. C. salsa در استانداردهای گیاهی محلی در استان های گانسو (ویرایش 1992) و سین کیانگ (ویرایش 1987) ثبت شد. C. Sinensis یک گونه منحصر به فرد در چین است. مطالعات شیمیایی و فارماکولوژیک مدرن نشان داده است که ترکیبات شیمیایی این گیاهان دارای اثرات متعددی مانند بهبود عملکرد مغز، اثرات تقویت کننده قوای جنسی و اثرات تقویت کننده سیستم ایمنی هستند. مطالعات منتشر شده حاکی از تفاوت محتوایی و نوع ترکیبات شیمیایی در بین گیاهان مختلف سیستانچی است که در آنها بتائین، کربس واسطه های چرخه،گلیکوزیدهای فنیل اتانوئیدیو iridoids به عنوان چهار نشانگر شیمیایی مسئول تجزیه و تحلیل تمایز بین C. deserticola و C. tubulosa 7،8 در نظر گرفته شد. یک مطالعه دقیق نشان داد که ایزومرهای campneoside II،سیستانوزیدC و سیستانوزید A سه بالقوه بودند 1 موسسه توسعه گیاهان دارویی، آکادمی علوم پزشکی چین، دانشکده پزشکی اتحادیه پکن، مرکز تحقیقات مهندسی منابع پزشکی چین، وزارت آموزش، آزمایشگاه تحقیقاتی کلیدی حفاظت از منابع طب سنتی چین، مدیریت طب سنتی چینی، اداره ملی طب سنتی چینی، پکن، 100193، چین. 2 کالج علوم، دانشگاه کشاورزی سیچوان، یاان، 625000، چین. 3 کالج داروسازی، دانشگاه طب سنتی چینی چنگدو، چنگدو، 611137، چین. *ایمیل: peixjin@163.com; lfuang@implad.ac.cn

نشانگرهای شیمیایی برای تشخیص دو گونه ذکر شده در بالا 9. تحقیقات بیشتر نشان داد که هشتفنیل اتانوئیدگلیکوزیدها می توانند به عنوان نشانگرهای شیمیایی برای تشخیص گونه های Cistanche انتخاب شوند که عمدتاً شامل C. deserticola، C. tubulosa و C. sinensis10 است. علاوه بر این، محتویات ترکیبات شیمیایی با منشاء جغرافیایی متفاوت است. ژو و همکارانش نشان دادند که محتویات کل هفت جزء شاخص (casinside A, echinacoside,ایزواکتئوزید2'-actylacteoside، castanoside C، و Tableside B) C. tubulosa از جنوب سین کیانگ تقریباً شش برابر کویتون و هامی در چین بودند. از جمله این اجزای شیمیایی،استونیدو اکیناکوزید به عنوان اجزای شاخص برای کنترل کیفیت در نظر گرفته می شوندداروی گیاهی. گزارش شده است که این دو مولفه عملکرد مغز را بهبود می بخشد و استونید عمدتاً در اثر تقویت جنسی کمک می کند. مدل‌های توزیع گونه‌ها (SDMs) مدل‌های آماری هستند که با متغیرهای محیطی موجود برای استنباط نیازهای اکولوژیکی گونه‌ها ایجاد شده‌اند. چنین مدل هایی می توانند توزیع بالقوه گونه های هدف را بر اساس داده های توزیعی مشاهده شده ترسیم کنند. تا به امروز، SDMs با موفقیت برای پیش‌بینی گرایش توزیع گیاهان در خطر انقراض و بوم‌شناختی در طول تغییرات آب و هوایی به کار گرفته شده است. در بین این مدل‌ها، مدل MaxEnt معمولاً به‌عنوان وسیله‌ای ساده برای پیش‌بینی توزیع مناسب زیستگاه با داده‌های فقط حضوری استفاده می‌شود و با داده‌های ناقص، اندازه‌های نمونه کوچک و شکاف‌ها به خوبی عمل می‌کند. در ترکیب با برخی نرم افزارها (مانند ArcGIS)، تحقیقات می تواند متغیرهای محیطی و اقلیمی محل های جمع آوری نمونه ها را استخراج کند. علاوه بر این، یک مکان بالقوه مناسب را می توان به سه یا چهار سطح 15-17 تقسیم کرد. با این حال، هیچ مطالعه ای استراتژی های ترکیبی را گزارش نکرده است که مکان های بالقوه مناسب را پس از تقسیم بندی و محتویات اجزای شیمیایی برای کنترل کیفیت داروهای گیاهی ترکیب کند. در مطالعه حاضر، چهار گیاه سیستانچ در معرض خطر انقراض برای ارزیابی کیفیت با کروماتوگرافی مایع با کارایی بالا (HPLC) جمع‌آوری شد و از هفت جزء شیمیایی به عنوان شاخص استفاده شد. علاوه بر این، یک مدل MaxEnt مجهز به 26 متغیر محیطی برای پیش‌بینی مناطق بالقوه مناسب برای بررسی گونه‌های بهینه برای استفاده بیشتر مورد استفاده قرار گرفت. در نهایت، ترکیب محتویات اجزای شاخص و مناطق مناسب به طور سیستماتیک برای توسعه و استفاده بهتر از این گیاهان در خطر انقراض سیستانچ در چین و سایر کشورها مورد تجزیه و تحلیل قرار گرفت.

لطفا برای دانستن بیشتر اینجا کلیک کنید

نتایج در تجزیه و تحلیل کروماتوگرافی.

محتویات هفت جزء شیمیایی بر اساس منحنی کالیبراسیون آنها محاسبه شد. هفت معادله منحنی کالیبراسیون Y{{0}} بود. , R=0.9992), Y=18.5640X plus 0.3724 (acteoside, R=0.9821), Y {{14 }}.6350X plus 0.0090 (isoacteoside, R{18}}.9999), Y{20}}.7460X plus ( سیستانوزید F، R=1)، و Y{37}}.0740X plus 1.1381 (echinacoside, R{41}}.9821); تمرکز (X) محور افقی و ناحیه قله (Y) محور عمودی است. R ضریب همبستگی است و نشان دهنده یک همبستگی خطی عالی بین این منحنی های کالیبراسیون است. یک آزمایش دقیق (شش تزریق متوالی از نمونه های استخراج شده مشابه) نشان داد که دقت خوب بود و انحراف استاندارد نسبی (RSD) منطقه پیک بین 0.3 تا 0.8 درصد بود. به طور مشابه، تکرارپذیری (شش تزریق متوالی از نمونه های استخراج شده مشابه) و تست های پایداری (شش تزریق از نمونه های استخراج شده مشابه پس از 0، 2، 4، 8، 12 و 24 ساعت) RSD های 0.56-1.46 درصد و 1.06-3.60 را به همراه داشت. درصد به ترتیب. تجزیه و تحلیل محتوای بیشتر از هفت مؤلفه شاخص در جعبه های افقی گروه بندی شده حاوی نتایج مقایسه بصری و تفاوت های معنی دار در حروف کوچک نمایش داده شد. نتایج تست بازیابی هفت جزء از 99.25 درصد تا 104.10 درصد با RSD بین 0.69 درصد و 3.45 درصد متغیر بود. بنابراین، روش دقیق بود. محتویات هفت جزء شاخص در چهار گونه و خاستگاه جغرافیایی همان گونه در کادرهای افقی گروه بندی شده نمایش داده می شود. محتویات برخی از اجزای شیمیایی زیر حد تشخیص بود. بنابراین، تنها بخشی از ارقام شامل چهار گونه سیستانچی بود. جزء شیمیایی 2'-acetylakteoside تنها در C. deserticola شناسایی شد، در حالی که در گونه های دیگر با روش حاضر شناسایی نشد. با این حال، یک تفاوت محتوایی در بین ریشه‌های جغرافیایی مختلف متمرکز بر 2'-acetylakteoside مشاهده شد. محتویات جزء از Alashanzuoqi در مغولستان داخلی به طور قابل توجهی بیشتر از سه استان دیگر بود، در حالی که محتویات موجود در گونه از Tingtuhu از Minqinin، استان گانسو، به طور قابل توجهی کمتر از سایر نقاط بود (شکل 1A). توبولوزید A در C. deserticola و C. tubulosa تشخیص داده شد. تفاوت قابل توجهی بین این دو گونه و حتی در بین گیاهان یک گونه از منشاء جغرافیایی مختلف مشاهده نشد (شکل 1B). چهار گونه حاوی یک جزء شیمیایی (استونید) بودند. محتوای استونید در C. salsa جمع آوری شده از Jianga'erhan از Tacheng در سین کیانگ به طور قابل توجهی بالاتر از سایر گونه ها و همان گونه ها از مناطق مختلف رشد بود. در مقابل، محتوای استونید در بین منشأهای مختلف C. deserticola تفاوت معنی داری نداشت (این یافته مانند آنچه برای کنار میز A بود؛ شکل 1C). سیستانوزید A در C. deserticola و C. salsa تشخیص داده شد. محتوای نمونه های C. salsa از Jianga'erhan از Tacheng در سین کیانگ به طور قابل توجهی بالاتر از نمونه C. deserticola از مکان های دیگر بود. علاوه بر این، تنوع در مکان بر محتوای مؤلفه تأثیری نداشت. این شرایط مانند شرایط برای میز A و استونید بود (شکل 1D). برای سیستانوزید A، محتوای جزء شاخص با تغییرات در گونه ها و منشاء جغرافیایی نوسان نداشت (شکل 1E). محتوای اکیناکوزید نمونه‌های سالسا C. از Hejiaoke از Tuoli در سین‌کیانگ به طور قابل‌توجهی بالاتر از محتوای نمونه‌های Jianga'erhan از Tacheng در سین‌کیانگ بود. محتوای اجزای نمونه‌های C. deserticola و C. tubulosa، صرف‌نظر از جایی که جمع‌آوری شده‌اند، به طور قابل‌توجهی کمتر از سایر مکان‌ها (Jianga'erhan از Tacheng در سین‌کیانگ) بود. علاوه بر این، ترکیب شیمیایی در C. Sinensis قابل تشخیص نیست (شکل 1F). Isoacteoside در تمام گونه های سیستانچ به جز C. salsa شناسایی شد. محتوای ایزواکتئوزید در C. tubulosa به طور قابل توجهی بالاتر از دو گونه دیگر بدون توجه به استان های منبع در چین بود (شکل 1G). در اینجا، تمام تفاوت‌های معنی‌دار کمتر از P بود<0.5. the="" total="" contents="" of="" these="" chemical="" components="" are="" stacked="" in="" fig.="" 2="" for="" improved="" comparison="" of="" the="" seven="" styrene="" glycosides.="" herein,="" we="" hypothesized="" that="" geographical="" origins="" exerted="" a="" small="" influence="" on="">

تجمع این اجزای شیمیایی در مقایسه با تفاوت گونه ها. هفت نوع از طرف گلیکو استایرن در نمونه C. deserticola تشخیص داده شد. با این حال، محتوای کل کمتر از C. tubeless و C. salsa بود. نتایج نشان داد که C. salsa بالاترین محتوای گلیکوزیدهای استایرن را داشت، اگرچه تنها اکیناکوزید، کاستانوزید A و استونید با کروماتوگرافی مایع شناسایی شدند. C. Sinensis فقط حاوی ایزواکتئوزید و استونید بود و در نتیجه کمترین مقدار گلیکوزیدهای استایرن کل را داشت. طبق استاندارد ثبت شده در فارماکوپه چین، محتویات اکیناکوزید و استونید در C. deserticola باید بیشتر از 3mg/g و در C. tubulosa بیشتر از 15mg/g باشد. نتایج تشخیص نشان داد که اکثر نمونه‌های C. deserticola با استانداردها مطابقت داشتند به جز نمونه‌های Changcheng، Liangzhou در استان گانسو (محتوای استونید 1.51 میلی‌گرم بر گرم) و منطقه دریاچه Aibi، Tacheng در استان سین کیانگ (محتوای استونید 2.18 میلی‌گرم بود. /g)، که محتوای آن کمتر از استانداردها بود. علاوه بر این، محتوای نوکلئوزید در C. tubulosa (8.1225 mg / g) کمتر از استانداردها بود، در حالی که محتوای اکیناکوزید بالاتر از استاندارد (28.38 mg / g) بود.

مناطق بالقوه مناسب در جهان و در چین

با محاسبات ترکیبی از MaxEnt و ArcGIS، مناطق بالقوه مناسب برای چهار گونه گیاه Cistanche محاسبه شد. نتایج در جدول 1 نشان داده شده است. مشابه دسته بندی های بخش های فوق، مناطق بالقوه مناسب به چهار کلاس تقسیم شدند. با توجه به طبقه مناسب زیستگاهی بالا، سه گونه در مقایسه با C. tubulosa تقریباً 30 کیلومتر مربع مساحت مناسب‌تر در سراسر جهان داشتند (C. deserticola: 29.2210 km2, C. Sinensis: 31.3034 km2, C. salsa: 30.{10}} km2 ) (10.6866 کیلومتر مربع). همانطور که با مقایسه کلاس مناسب زیستگاهی بالا نشان داد، C. deserticola از نظر طبقه نسبتا مناسب بیشترین سطح زیرکشت (38.9267 کیلومتر مربع) را داشت (C. tubulosa: 12.4069 کیلومتر مربع، C. Sinensis: 32.1292 کیلومتر مربع، C. salsa: 38.576 کیلومتر مربع)، در حالی که مساحت C. tubulosa هنوز کوچکترین بود. از نظر مناطق بالقوه در نظر گرفته شده به عنوان توزیع بالقوه مکان های کشت مناسب، تناسب زیستگاه بالا و طبقات نسبتاً مناسب به شرح زیر مورد بحث قرار می گیرد. بیشتر مناطق مناسب (تقریباً 90 درصد) برای C. deserticola عمدتاً در شمال و شمال غربی چین پراکنده شده است. علاوه بر این، چند منطقه با شرایط کشت بالقوه در جنوب ایالات متحده، جنوب غربی ایران، شرق ترکیه، جنوب مغولستان و شرق قزاقستان شناسایی شد (شکل 3). برخلاف گونه های فوق الذکر، به نظر می رسید که C. tubulosa در سرتاسر جهان به خوبی پراکنده شده باشد و غرب چین، شمال غرب آمریکای جنوبی، شمال آفریقا و برخی از کشورهای بین چین و آفریقا را پوشش دهد. با این حال، اگرچه C. tubulosa پراکنش پتانسیل وسیعی داشت، اما مساحت کل گونه در مقایسه با سه گونه دیگر کوچک‌ترین بود، که مجموع مساحت‌های مناسب زیستگاهی بالا و طبقات متوسط ​​برای آنها 0935/23 کیلومتر مربع بود. با توجه به این دو طبقه، تنها چند منطقه بالقوه مناسب برای رشد گونه در شمال مصر، در منطقه غربی پادشاهی عربستان سعودی، جنوب یمن، شمال امارات متحده عربی، جنوب ایران و پاکستان یافت شد. بزرگترین مناطق هنوز در چین بودند، جایی که کل مناطق پیش بینی در غرب کشور قرار داشتند (شکل 4). مشابه C. deserticola، C. salsa عمدتا در شمال غرب و شمال چین، جایی که نمونه دارای سوابق است، توزیع شد. پس از پیش‌بینی توسط مدل MaxEnt، یک منطقه پیش‌بینی کوچک وجود داشت که ممکن است یک محیط رشد مناسب در ایالات متحده و شرق قزاقستان و قرقیزستان باشد (شکل 5). بسیاری از مکان های پیش بینی شده C. Sinensis در شمال و غرب چین توزیع شده اند. علاوه بر این، چند منطقه در بخش میانی مراکش، جنوب شرقی الجزایر، و شمال غربی چاد و ایران شناسایی شد (شکل 6). مناطق بالقوه مناسب محاسبه شده توسط MaxEnt در گوشه سمت راست پایین شکل نمایش داده شده است. 3-6 برای نشان دادن توزیع پیش بینی چهار گونه در چین. در اینجا، کوچکترین واحدهای نقشه‌برداری توزیع پیش‌بینی بر اساس استان‌های چین بود. مشابه تجزیه و تحلیل برای جهان، تجزیه و تحلیل در این بخش بر اساس تناسب زیستگاه بالا و طبقات متوسط ​​بود. مناطق پیش‌بینی نشان داد که C. deserticola عمدتاً در استان‌های سین‌کیانگ، مغولستان داخلی، نینگشیا، گانسو و چینگهای توزیع شده است. اگرچه مناطق پراکنش کمی در استان های دیگر یافت شد، اما آنها به کلاس 2 تعلق داشتند. بنابراین، این مناطق مناسب نبودند و بنابراین برای کشت گونه توصیه نمی شوند. برای C. tubulosa، تمام مناطق بالقوه مناسب گونه در استان سین کیانگ در چین پیش‌بینی شد. جالب توجه است که C. salsa دارای طیف گسترده ای از توزیع های بالقوه در چین، از جمله استان های سین کیانگ، مغولستان داخلی، نینگ شیا، گانسو، چینگهای، شانشی، شانشی و هبی بود. علاوه بر این، به نظر می رسید که کل استان نینگ شیا یک منطقه کشت احتمالی برای این گونه باشد. مشابه با C. salsa، C. Sinensis همچنین دارای مناطق گسترده ای برای توزیع بالقوه به استثنای استان سین کیانگ بود (اما یک منطقه پیش بینی در استان Xizang داشت).

سهم متغیرهای محیطی

با کمک دو شاخص (درصد سهم و اهمیت جایگشت در فایل.html)، این متغیرهای زیست اقلیم بر اساس اهمیت آنها برای مدل MaxEnt رتبه‌بندی شدند. سی و نه متغیر مهم به مدل C. deserticola کمک کردند که srad08، tmax12، pre01 و tmax02 مهمترین متغیرها بودند. یعنی درصد مشارکت آنها از 10 درصد فراتر رفت (جدول S1). برای C. tubulosa، بیست و نه متغیر به مدل کمک کردند و pre09، srad05، pre08 و vapr08 عوامل محیطی حیاتی بودند (جدول S2). 30 متغیر متغیرهای کمک کننده برای C. salsamodel بودند و tmax02، srad08، bio19 و pre01 با درصد مشارکت بیش از 10 درصد عوامل حیاتی بودند (جدول S3). مدل Te C. Sinensis دارای 35 درصد متغیرهای مشارکتی بود که در این میان tmax02، bio19 و pre12 مهمترین‌ها بودند (جدول S4).

علاوه بر این، یک تست jackknife برای انتخاب متغیرهای زیست اقلیم حیاتی، که ممکن است با متغیرهای فوق الذکر متفاوت باشد، انجام شد. به طور کلی، از سه نمودار برای نشان دادن اهمیت متغیر، یعنی بهره قطار منظم، بهره آزمایشی و AUC داده‌های آزمون استفاده شد. نتایج آزمایش jackknife برای مدل C. deserticola در شکل S1 نشان داده شده است. در اینجا، srad07، bio09 و wind10 هنگام استفاده مستقل یا حذف شده، بهره بسیار بالایی را ارائه کردند، که نشان می دهد srad07 به خودی خود حاوی اطلاعات مفیدتری نسبت به سایر متغیرها است. در مقابل، bio09 و wind10 که در سایر متغیرها وجود نداشتند، به نظر می‌رسید که بیشترین اطلاعات را داشته باشند. بر خلاف گونه، srad05، pre10، و tmax07 متغیرهای حیاتی برای C. tubulosa بودند و دستاوردهای بالایی را برای مدل فراهم کردند. سایر متغیرهای ارائه کننده مقدار بهره در شکل S2 نشان داده شده است. نتایج بدست آوردن مدل C. salsa در شکل S3 نشان داده شده است. این نمودارها نشان می‌دهند که چهار متغیر سودهای بالاتری برای مدل ارائه می‌کنند، یعنی srad11، srad06، bio09 و pre02. با توجه به مدل MaxEnt و توزیع پتانسیل C. Sinensis، چهار متغیر زیست اقلیمی srad11، srad12، win08 و tmax11 متغیرهای مهم در نظر گرفته شدند. آنها به تنهایی حاوی اطلاعات مفیدتری نسبت به سایر متغیرها بودند (شکل S4). بنابراین، متغیرهای فوق حاوی مهمترین اطلاعات کمک کننده به سود مدل بودند. جالب توجه است که چند تفاوت بین نتایج آزمایش جک نایف و اهمیت جایگشت (یا درصد اهمیت) شناسایی شد. متغیرهای درختی (srad07، srad11 و tmax07) متغیرهای مهمی بودند که در نتایج آزمون jackknife در مقایسه با دو روش دیگر سود بالایی داشتند.

ارزیابی هر مدل خاص

عملکرد مدل به پنج دسته تقسیم شد: ناموفق، ضعیف، منصفانه، خوب و عالی ({0}}.9

(bio09)، با محدوده بهینه -12.6159–2.8479 درجه. چهارمین متغیر بارش در سپتامبر (قبل از 09)، با دامنه مناسب 8.3762-32.4312 میلی متر بود (شکل S7). مدل MaxEnt C. Sinensis دارای سه متغیر مهم بود که بیشتر به توزیع بالقوه گونه کمک کردند. محدوده مناسب تابش خورشیدی در دسامبر (srad12) 6138.3161-9488.8316kJ·m-2·day-1 بود و حداکثر دما در نوامبر (tmax11) -1.9115-9.6048 درجه بود. علاوه بر این، محدوده مناسب سرعت باد در ماه اوت (wind08) 2.1005-3.3054m·s-1 بود (شکل S8). سایر متغیرهای مهمی که به توزیع بالقوه چهار گونه کمک می کنند در شکل 1 خلاصه شده است. S5–S8.

بحث

طب گیاهی ترکیبی پیچیده از بسیاری از اجزای شیمیایی است که به هدف گیری سیستماتیک بیماری کمک می کند. علاوه بر این، ممکن است یک نوع مواد گیاهی از گونه‌های گیاه‌شناسی مختلف که ویژگی‌های مشابه یا اجزای مؤثری دارند، جمع‌آوری شود. به عنوان مثال، Coptidis Rhizoma یک داروی گیاهی با استفاده از فرکانس بالا است. از سه گیاه همزاد (Coptis Chinensis، C. deltoidea و C. دندان) به دست می آید و برای درمان اسهال ناشی از حفظ رطوبت با کمک بربرین های مختلف استفاده می شود. علاوه بر این، Polygonatum Rhizoma معمولا به عنوان یک غذای کاربردی در زندگی روزمره در چین برای تنظیم ایمنی استفاده می شود. مواد خام ریزوم‌های Polygonatum kingianum، P. sibiricum و P. cyrtonema19 هستند. مطالعه حاضر شامل چهار گونه بود که دو گونه از آنها به طور رسمی در فارماکوپه چین ثبت شده اند (C. deserticola و C. tubulosa در نسخه 2015). نتایج در مورد اجزای شیمیایی نشان دهنده وجود تفاوت در نوع و محتوای بین چهار گونه بود. به طور خاص، اکیناکوزید، کاروتنوئید A، 2'-استیل ورباسکوزید، آنتوسیانین و کاروتنوئید F را می توان در C. Sinensis شناسایی کرد و بنابراین می تواند به عنوان شاخصی برای تعیین در نظر گرفته شود.

آیا پودر گونه رسمی با داروهای گیاهی غیر رسمی تقلب شده است؟ 2'-استیل ور باسکوزید فقط در C. deserticola شناسایی شد که به نظر می‌رسد جزء شاخص بهینه است که نشان می‌دهد مواد گیاهی شناخته شده متعلق به یکی از چهار گونه ذکر شده در مطالعه ما است. این یافته‌ها همان یافته‌های مطالعه قبلی ما هستند، که در آن این جزء به عنوان یک نشانگر بالقوه برای تمایز نمونه‌های C. deserticola از سین‌کیانگ و مغولستان داخلی در نظر گرفته شد. علاوه بر این، آنتوسیانین A و کاروتنوئید F اجزای رایج در دو گونه رسمی بودند اما در دو گونه دیگر یافت نشدند. بنابراین، این اجزای شیمیایی ممکن است به عنوان نشانگرهای شیمیایی برای گونه های رسمی و غیر رسمی برای افزایش کنترل کیفیت مواد خام دارویی در بازار گیاهان دارویی مورد استفاده قرار گیرند. مدل MaxEnt یک رابطه همبستگی بین متغیرهای محیطی و توزیع پتانسیل در سرتاسر جهان برای گونه‌های مورد نظر برقرار کرد21،22. این مدل توانایی پیش‌بینی پراکنش کنونی و مناطق بالقوه مناسب را دارد که می‌تواند به عنوان مرجعی برای کشت گونه‌ها به‌ویژه گونه‌های در حال انقراض در نظر گرفته شود. به طور کلی، حفاظت از محل، وسیله ای موثر برای حفاظت از گونه های در معرض خطر است. استراتژی های حفاظتی می تواند استفاده عادی را در کلینیک ها تضمین کند. در مطالعه ما، مناطق پراکنش بالقوه در استان چینگهای در چین، جنوب ایالات متحده، جنوب غربی ایران، شرق ترکیه، جنوب مغولستان و شرق قزاقستان وجود داشت که با رکوردهای Flora Reipublicae Popularis Sinicae (http://frps) متفاوت بود. iplant.cn/fps/Cistanche درصد 20deserticola) برای C. deserticola. مناطق پیش‌بینی‌شده C. tubulosa بسیار شبیه به آن‌هایی است که در سوابق Flora Reipublicae Popularis Sinicae (http://frps.iplant.cn/frps/Cistanche درصد 20tubulosa)، که اشاره می‌کند این گونه در استان سین کیانگ جنوبی پراکنده شده است. چین، شمال آفریقا، شبه جزیره عربستان و آسیای مرکزی. در اینجا، تنها چند منطقه ممکن است برای کشت C. tubulosa در جنوب غربی آمریکای جنوبی مناسب باشد. مناطق رشد محدود به تحقیقات واقعی ما تایید شد که کشت این گونه به آب کافی نیاز دارد. جنوب استان سین کیانگ دارای آب کافی برای پراکندگی گسترده گونه ها است. مناطق بالقوه مناسب C. salsa با موارد موجود در سوابق متفاوت بود، و مناطق پیش‌بینی‌شده بزرگ‌تر از توزیع ثبت‌شده با توجه به http://frps.iplant.cn/frps/Cistanche درصد 20salsa بود. به طور مشابه، مکان پیش‌بینی‌شده C. Sinensis کمی با سوابق موجود در http://frps.iplant.cn/frps/Cistanche درصد 20sinensis، به ویژه در بخش میانی مراکش، جنوب شرقی الجزایر، و شمال غربی چاد و ایران متفاوت است. که با نتایج مدل پیش‌بینی مناسب برای رشد گونه مشخص شد. مناطق گسترده ای از دو گونه اخیر نشان می دهد که کشاورزان گیاهی می توانند این دو گونه را برای برآورده کردن تقاضای بازارهای گیاهی محلی، که عمدتاً به منابع وحشی وابسته هستند، بکارند. بررسی میدانی ما نشان داد که جمع آوری نمونه های وحشی از این دو گونه به طور فزاینده ای دشوار می شود. تقریباً 2 تا 3 نمونه وحشی در 10 کوادرات به ابعاد 2×2 متر در سال 2012 وجود داشت، اما همان نمونه‌ها به 30 ربع مشابه در سال 2019 نیاز داشتند. مناطق مناسب به دلیل توسعه صنعتی و جاده سازی به طور فزاینده ای محدود می شوند. بنابراین، بر اساس توزیع بالقوه مناسب پیش‌بینی‌شده توسط مدل MaxEnt، محققان باید به منظور افزایش حفاظت از نمونه‌های وحشی، این دو گونه را پرورش دهند. ما ادبیاتی را با استفاده از 12-دمای حداقل ماه، حداکثر دما، میانگین دما، بارش، تابش خورشیدی، سرعت باد، و فشار بخار آب به عنوان متغیرهای زیست اقلیم در ایجاد مدل‌های MaxEnt پیدا نکردیم. در اینجا، شش متغیر (بیش از 12 ماه)، همراه با 19 عامل زیست اقلیمی، به طور سیستماتیک برای ایجاد مدل‌های MaxEnt از چهار گونه مورد مطالعه استفاده شد. نتایج نشان داد که پیش بینی منطقه مناسب بالقوه هر گونه به متغیرهای محیطی مختلف بستگی دارد. به طور کلی، تابش خورشیدی (srad05، srad06، srad12) متغیر اصلی تأثیرگذار در بین چهار گونه بود. اردیبهشت و خرداد به ترتیب به عنوان دوره گلدهی و باردهی تفسیر شدند. بنابراین، تابش خورشیدی ممکن است عامل اصلی تأثیر اولیه باشد که توزیع چهار گونه Cistanche را تعیین می کند. ترکیبی از کروماتوگرافی مایع با کارایی بالا و مدل MaxEnt برای بررسی سیستماتیک نوسانات محتوا در هفت جزء شیمیایی مورد استفاده قرار گرفت. نتایج حاکی از تغییرات در نوع و محتوای تشکیل دهنده در بین چهار گونه سیستانچی و در بین گیاهان همان گونه از منشاء جغرافیایی مختلف بود. علاوه بر این، 2'-acetylakteoside را می توان به عنوان یک نشانگر شیمیایی بالقوه برای تشخیص C. deserticola از سه گیاه دیگر Cistanche استفاده کرد. آنتوسیانین A و کاروتنوئید F ترکیبات مشترک دو گونه رسمی بودند و بنابراین می توان آنها را به عنوان یک نشانگر شیمیایی برای تمایز بین گونه های رسمی و غیر رسمی در نظر گرفت. محتوای اکیناکوزید C. deserticola به طور قابل توجهی بین دو توزیع پتانسیل مناسب متفاوت بود. محتوای نمونه ها از مغولستان داخلی به طور قابل توجهی بالاتر از نمونه های شهر Minqin در استان گانسو بود. نتایج ما ممکن است مرجعی برای توسعه و استفاده پیشرفته از چهار گونه سیستانچی در معرض خطر انقراض در چین و کشورهای اطراف باشد.

منبع داده و متغیرهای زیست اقلیمی

صد و چهل و شش سابقه وقوع چهار گیاه سیستانچ در جهان از پایگاه‌های داده جمع‌آوری شد، از جمله داده‌های بررسی میدانی بین 2{10}}17 تا 2019، مرکز اطلاعات جهانی تنوع زیستی (http://www.gbif.org) زیرساخت اطلاعات نمونه ملی (HTTP:// www.nsii.org.cn/)، و هرباریوم مجازی چینی (http://www.cvh.org.cn/). در اینجا 49 رکورد متعلق به C. deserticola و C. tubulosa دارای 26 رکورد در جهان است. C. salsa دارای 45 نقطه داده است و C. Sinensis دارای 26 سایت است که همه آنها در چین توزیع شده اند. توزیع دقیق مکان چهار گونه بر روی نقشه جهان نشان داده شده است و در شکل 10 نشان داده شده است. در مواردی که نقاط داده تکراری هستند، تنها یک نمونه برای کاهش سوگیری نمونه برداری با توجه به شرایط محیطی استفاده شد. هر نقطه داده توسط ArcGIS (نسخه 10.0، Environmental Systems Research Institute, Inc. USA)24 به مختصات جغرافیایی سیستم ژئودتیک جهانی 1984 تبدیل شد.

ایجاد مدل MaxEnt

هدف روش MaxEnt ایجاد یک مدل پیش‌بینی با حداکثر آنتروپی بر اساس رکوردهای وقوع موجود است26،27. تئوری حداکثر آنتروپی توضیح عالی برای تقریب یک توزیع احتمال ناشناخته ارائه می دهد. اصل اصلی مدل، محاسبه حداکثر آنتروپی توزیع احتمال در منطقه هدف تحت شرایط مهار ویژه است. در پرتو نتایج محاسباتی، مدل توزیع احتمال گونه‌های هدف را در مناطق تحقیقاتی تولید می‌کند. به طور کلی، متغیرهای محیطی و سوابق وقوع، شرایط بازدارنده هستند. مدل به طور مداوم با داده های نمونه شناخته شده که توزیع احتمال منطقه هدف افزایش می یابد تا زمانی که حداکثر آنتروپی آن به آستانه همگرایی افزایش یابد، همپوشانی دارد. نرم افزار مبتنی بر جاوا (نسخه 3.4.1) به صورت رایگان از http://www.cs.princeton.edu/schapire/max ent برای شبیه سازی تناسب زیستگاه دانلود شد. قبل از ایجاد مدل، هر متغیر از فرمت فایل تصویری برچسب‌گذاری شده به فرمت ارتباط اسکریپت عمل (ASC) تبدیل شد تا لایه‌های محیطی را تشکیل دهد. ما «ویژگی‌های خودکار» (شامل ویژگی‌های خطی، درجه دوم، محصول و لولا) را به عنوان ویژگی‌های مدل خود انتخاب کردیم. برای اندازه‌گیری اهمیت متغیرهای محیطی، آزمون جک نایف انجام شد. درصد آزمون تصادفی بر روی 30 تنظیم شد. یعنی 70 درصد از نقاط داده به صورت تصادفی به عنوان داده های آموزشی انتخاب شدند و 30 درصد باقی مانده رکوردهای وقوع، داده های آزمون بودند. اعتبار سنجی متقاطع به عنوان نوع اجرای تکراری استفاده شد. گزینه های پیش فرض برای سایر تنظیمات انتخاب شدند. پس از استفاده از نرم افزار MaxEnt، ما توانستیم فایلی (در فرمت ASC) به دست آوریم که توزیع مناسب زیستگاه را منعکس می کرد. این فایل همچنین توزیع نقطه داده تصادفی را نشان می دهد که مجموعه های آموزشی و آزمایشی را با دو رنگ پوشش می دهد. Te fle بیشتر به داده های شطرنجی تبدیل شد تا تفسیر و محاسبه مکان مناسب را بهبود بخشد. علاوه بر این، فایل شطرنجی به چهار کلاس متشکل از کلاس مناسب بسیار پایین یا کلاس نامناسب مجدداً طبقه بندی شد (4،<0.2), low="" suitable="" class="" (3,="" threshold="" between="" [0.2,="" 0.4]),="" moderately="" suitable="" class="" (2,="" [0.4,="" 0.6])="" and="" high="" habitat="" suitability="" class="" (1,="" [0.6,="" 1])29–31.="" the="" number="" indicates="" the="" class="" number="" in="" the="" final="" figure.="" a="" commonly="" used="" threshold="" of="" 0.4="" was="" used="" for="" the="" class="" division30.="" te="" format="" transformation="" and="" calculation="" of="" suitable="" areas="" were="" completed="" by="" arctoolbox="" in="" arcgis="" software.="" the="" receiver="" operating="" characteristic="" (roc)="" curve="" and="" area="" under="" the="" curve="" (auc)="" was="" used="" to="" analyze="" the="" fitting="" capability="" and="" to="" comprehensively="" evaluate="" the="" performance="" of="" the="" well-established="" model.="" in="" general,="" the="" closer="" the="" top="" left="" corner="" the="" roc="" curve="" is="" to="" 1,="" the="" more="" robust="" the="" model.="" a="" high="" auc="" value="" implies="" a="" superior="" model="" performance,="" which="" is="" not="" affected="" by="" the="" choice="" of="" the="" threshold32.="" the="" normal="" value="" of="" the="" latter="" parameter="" is="" between="" 0.5="" and="" 1.="" in="" accordance="" with="" the="" range="" of="" parameters,="" the="" maxent="" model="" performance="" was="" categorized="" into="" six="" standards="" comprising="" a="" pure="" guess="" (auc="0.5)," fail="">

این مقاله از Scientific Reports|(2019) 9:19737|https://doi.org/10.1038/s41598-019-56379-x