CC BY
55
ISSN 1026-2237 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. NATURAL SCIENCE. 2022. No. 4-2
Научная статья
УДК 535.3:575:632.08
doi: 10.18522/1026-2237-2022-4-2-125-138
ИДЕНТИФИКАЦИЯ ФИТОПАТОГЕНОВ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР С ПРИМЕНЕНИЕМ ГЕНЕТИЧЕСКИХ МЕТОДОВ И ТЕХНОЛОГИЙ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ
B.А. Чохелиш, П.А. Дмитриев2, Б.Л. Козловский3, В.В. Степаненко4, А.А. Дмитриева5, А.А. Бушкова6, В.Д. Раджпут7, Д.П. Купрюшкин8, О.А. Капралова9, Т.В. Вардуни10
1.2. з. 4.5.6.7.8 я, "Южный федеральный университет, Ростов-на-Дону, Россия
1vachokheli@sfedu.ruB
2pdmitriev@sfedu.ru
3blk@sfedu.ru
4vstepanenko@sfedu. ru
5admit@sfedu.ru
6abushkova@sfedu.ru
7rvishnu@sfedu. ru
8dkupryushkin@sfedu.ru
9oakapralova@sfedu.ru
10varduny@sfedu.ru
Аннотация. В данной статье представлен обзор основных молекулярно-генетических методов и технологий дистанционного зондирования Земли, применяемых при диагностике различных заболеваний хозяйственно ценных видов и сортов растений. Во введении названы основные культуры, возделываемые на территории России. Также приведены основные фитопатогены, рассмотренные на примере пшеницы. К ним относятся грибковые заболевания (различного рода головневые, ржавчинные болезни, септириозные пятнистости и др.), бактериальные, вирусные и нематодные болезни. В главе, посвященной генетическим методам исследования, рассмотрены как универсальные праймеры под грибковые и бактериальные инфекции, так и видоспецифичные праймеры на фитопатогены под некоторые хозяйственно ценные культуры. В главе, посвященной дистанционному зондированию Земли, представлены основные этапы идентификации фитопатогенов и методы анализа данных дистанционного зондирования Земли. В последней главе описаны возможные пути совместного использования генетических методов и дистанционного зондирования Земли с целью создания библиотек для оценки площадей пораженных культур, положительные и отрицательные стороны при генетическом анализе фитопатогенов. Предложены пути нивелирования отрицательных сторон с использованием генетического анализа, с привлечением методов дистанционного зондирования Земли.
Ключевые слова: фитопатогены, хозяйственно ценные виды растений, генетические технологии, дистанционное зондирование Земли, гиперспектральная съемка, вегетационные индексы, праймеры, универсальные последовательности, ПЦР
Благодарности: исследование выполнено при финансовой поддержке Министерства науки и высшего образования РФ в рамках государственного задания в сфере научной деятельности № 0852-2020-0029.
Для цитирования: Чохели В.А., Дмитриев П.А., Козловский Б.Л., Степаненко В.В., Дмитриева А.А., Бушкова А.А., Раджпут В.Д., Купрюшкин Д.П., Капралова О.А., Вардуни Т.В. Идентификация фитопатогенов сельскохозяйственных культур с применением генетических методов и технологий дистанционного зондирования Земли // Известия вузов. Северо-Кавказский регион. Естественные науки. 2022. № 4-2.
C. 125-138.
Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY4.0).
© Чохели В.А., Дмитриев П.А., Козловский Б.Л., Степаненко В.В., Дмитриева А.А., Бушкова А.А., Раджпут В.Д., Купрюшкин Д.П., Капралова О.А., Вардуни Т.В., 2022
ISSN 1026-2237 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. NATURAL SCIENCE. 2022. No. 4-2
Original article
IDENTIFICATION OF PHYTOPATOGENES OF AGRICULTURAL CROPS USING GENETIC METHODS AND REMOTE SENSING TECHNOLOGIES
V.A. ChokheliIia, P.A. Dmitriev2, B.L. Kozlovsky3, V. V. Stepanenko4, A.A. Dmitrieva5, A.A. Bushkova6, V.D. Rajput7, D.P. Kupryushkin8, O.A. Kapralova9, T. V. Varduny10
i. 2.3.4. s. 6.7.8 9, i0soutfoern Federal University, Rostov-on-Don, Russia
1vachokheli@sfedu.rus
2pdmitriev@sfedu.ru
3blk@sfedu.ru
4vstepanenko@sfedu. ru
5admit@sfedu.ru
6abushkova@sfedu.ru
7rvishnu@sfedu. ru
8dkupryushkin@sfedu.ru
9oakapralova@sfedu.ru
10varduny@sfedu.ru
Abstract. This article presents an overview of the main molecular genetic methods and technologies of remote sensing used in the diagnosis of various diseases of economically valuable plant species and varieties. The introduction shows the main crops cultivated in Russia. The main phytopathogens considered on the example of wheat are also given. These include fungal diseases (various kinds of smut diseases. rust diseases. septiriosis spots. etc.). bacterial diseases. viral diseases and nematode diseases. In the chapter devoted to genetic research methods. both universal primers for fungal and bacterial infections and species-specific primers for phytopathogens for some economically valuable crops are considered. The chapter on remote sensing presents the main stages of identification ofphytopathogens using remote sensing of the Earth. The methods usedfor analyzing remote sensing data of the Earth are also presented. The last chapter describes possible ways to combine genetic methods and remote sensing of the Earth to create libraries for assessing the areas of affected crops. The positive and negative sides of the genetic analysis ofphytopathogens are described. The ways of leveling the negative sides using genetic analysis. involving methods of remote sensing of the Earth are proposed.
Keywords: phytopathogens. economically valuable plant species. genetic technologies. remote sensing of the Earth. hyperspectral imaging. vegetation indices. primers. universal sequences. PCR
Acknowledgments: the study was financially supported by the Ministry of Science and Higher Education of the Russian Federation within the framework of the state task in the field of scientific activity No. 0852-2020-0029.
For citation: Chokheli V.A., Dmitriev P.A., Kozlovsky B.L., Stepanenko V.V., Dmitrieva A.A., Bushkova A.A., Rajput V.D, Kupryushkin D.P., Kapralova O.A., Varduny T.V. Identification of Phytopato-genes of Agricultural Crops Using Genetic Methods and Remote Sensing Technologies. Bulletin of Higher Educational Institutions. North Caucasus Region. Natural Science. 2022;(4-2):125-138. (In Russ.).
This is an open access article distributed under the terms of Creative Commons Attribution 4.0 International License (CC-BY4.0).
Введение
Болезни растений ежегодно существенно снижают урожайность сельскохозяйственных культур, что приводит к огромным экономическим потерям во всем мире. В связи с этим своевременное выявление пораженных растений является одной из наиболее важных задач в сельском хозяйстве.
По данным Росстата на 2019 г., основные сельскохозяйственные культуры, возделываемые на территории России: пшеница (озимая и яровая), рожь (озимая и яровая), тритикале (озимая и яровая), ячмень (озимый и яровой), пшеница, овёс, кукуруза (на зерно), сорго, просо, гречиха, рис, зернобобовые культуры (в том числе горох и фасоль), сахарная свёкла, подсолнечник, соя, рапс (озимый и яровой), рыжик, горчица, картофель, овощи открытого грунта, бахчевые продовольственные культуры и др. [1].
ISSN 1026-2237 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. NATURAL SCIENCE. 2022. No. 4-2
Для многих сельскохозяйственных растений уже изучен видовой состав фитопатогенов, вызывающих различные заболевания. Так, например, для твердой и мягкой пшеницы (озимой и яровой) насчитывается порядка 19 заболеваний, вызванных грибковыми инфекциями (табл. 1), три бактериальные и две вирусные и нематодные болезни [2].
Таблица 1 / Table 1
Основные фитопатогены пшеницы (Triticum) I Main phytopathogens of wheat (Triticum)
Название Возбудитель*
Грибковые заболевания
Головневые болезни
Твердая (мокрая) головня Tilletia caries (DC) Tul. & C. Tul. (chh.: Tilletia foetidia Liro, Uredo sitoph-ila Ditmar h gp.)
Tilletia laevis J.G. Kühn (chh.: Tilletia tritici var. laevis (J.G. Kühn) Kaw-chuk, Erysibe foetida Wallr. h gp.)
Карликовая головня Tilletia controversa J.G. Kühn [as 'contraversa'] (chh.: Tilletia tritici var. con-troversa (J.G. Kühn) Kawchuk, Tilletia tritici-nanfica F. Wagner [as 'tritici nanifica'] h gp.)
Пыльная головня Ustilago tritici (Bjerk.) Rostr. (chh.: Lycoperdon tritici Bjerk., Uredo segetumß tritici (Bjerk.) Pers. h gp.)
Индийская (карнальская) головня Tilletia indica Mitra (chh.: Neovossia indica (Mitra) Mundk.)
Стеблевая головня Urocystis tritici Körn. (chh.: Tuburcinia tritici (Körn.) Liro)
Ржавчинные болезни
Стеблевая (линейная или черная) ржавчина Puccinia graminis Pers. (chh.: Dicaeoma graminis (Pers.) Gray, Uredo fru-menti Sowerby h gp.)
Бурая (листовая) ржавчина Puccinia recondita Roberge ex Desm. (chh.: Aecidium asperifolii Pers., Dicaeoma asperifolii (Pers.) Kuntze h gp.)
Желтая (чешуйчатая) ржавчина Puccinia striiformis Westend. (chh.: Puccinia rubigo-vera var. tritici (Erikss.) Carleton Puccinia glumarum (J.C. Schmidt) Erikss. & Henning h gp.)
Мучнистая роса
Мучнистая роса Brumeria graminis (DC) Speer. (син.: Erysiphe graminis DG)
Септориозные пятнистости
Септориозные пятнистости Parastagonospora nodorum (Berk.) Quaedvl., Verkley & Crous (син.: Stagono-spora nodorum (Berk.) E. Castell. & Germano, Septoria nodorum (Berk.) Berk.)
Zymoseptoria tritici (Roberge ex Desm.) Quaedvl. & Crous (син.: Septoria tritici (Rob. et Desm.), Mycosphaerella graminicola f. alpina (Rehm) Magnus и др.)
Гельминтоспориозные пятнистости листьев
Желтая пятнистость листьев (пиренофороз) Pyrenophora tritici-repentis (Died.) Drechsler (син.: Drechslera tritici-re-pentis (Died.) Shoem., Helminthosporium tritici-vulgaris Y. Nisik. и др.)
Темно-бурая гельминто-спориозная пятнистость Bipolaris sorokiniana Shoemaker, (син.: Helminthosporium sativum Pammel, C.M. King & Bakke, Helminthosporium sorokinianum Sacc. и др.)
Корневые гнили
Гельминтоспориозная (обыкновенная), гельминтоспориозно-фузариозная гнили Bipolaris sorokiniana Shoemaker, (син.: Bipolaris californica (Mackie & G.E. Paxton) Gornostai [as 'californicum'], Ophiobolus sativus S. Ito & Kurib. и др.)
Грибы из рода Fusarium. в частности F. Avenaceum (Fr.) Sacc., F. gibbo-sum Appel & Wollenw., F. graminearum Schwabe, F. oxysporum Schltdl.
Церкоспореллезная, или глазковая, пятнистость Oculimaculayallundae (Wallwork & Spooner) Crous & W. Gams (син.: Cerco-sporella herpotrichoidesFron., Tapesia yallundae Wallwork & Spooner и др.)
Офиоболезная корневая гниль Gaeumannomyces graminis (Sacc.) Arx & D.L. Olivier, (син.: Rhaphi-dophora graminis Sacc., Ophiobolus graminis (Sacc.) Sacc. и др.)
Снежная плесень Microdochium nivale (Fr.) Samuels & I.C. Hallett (син.: Calonectria graminicola F. Stevens, Fusarium nivale (Fr.) Sorauer и др.)
Окончание табл. 1
Название Возбудитель*
Болезни зерна
«Черный зародыш» зерна и фузариоз колоса Fusarium graminearum Schwabe, Alternaria alternata (Fr.) Keisl. (chh.: Al-ternariatenuies Nees, Torula alternata Fr h gp.), Bipolaris sorokiniana Shoemaker (chh.: Helminthosporium sativum Pammel, C.M. King & Bakke, Hel-minthosporium sorokinianum Sacc. h gp.)
Энзимно-микозное истощение семян (ЭМИС) Cladosporium herbarum (Pers.) Link (chh.: Dematium herbarum Pers., Bys-sus herbarum (Pers.) DC. h gp.), Alternaria alternata (Fr.) Keisl. (chh.: Al-ternariatenuies Nees, Torula alternata Fr h gp.)
Спорынья Clavicepspurpurea (Fr.) Tul. (chh.: Sphaeriapurpurea Fr., Cordycepspurpurea (Fr.) Fr. h gp.)
Бактериальные заболевания
Чёрный, или базальный, бактериоз Pseudomonas syringaepv. Atrofaciens (McCulluch) Young (chh.: P. atrofa-ciens Stevens, Bact. Atrofaciens Me. Cull.)
Бактериальная пятнистость Xanthomonas campestris pv. translucens (Jones, Jonson and Reddy) Dye.
Слизистый, или желтый, бактериоз Rathayibacter tritici (Carls. et Vidav) (chh.: Clavibacter iranicus (Carls. et Vidav), Corynebacterium tritici Hutch., Phytomonas tritici Elliott, Agrobac-terium tritici Savul.)
Вирусные болезни
Мозаика (русская) озимой пшеницы Russian winter wheat mosaic virus, cereal mosaic virus из рода Cytorhabdovirus
Полосатая мозаика пшеницы Wheat streak mosaic rymovirus (WSMV) из рода Tritimovirus (Rymovirus)
Нематодные болезни
Галловая, или пшеничная, нематода зерна Anguina tritici (Stein.)
Нематоды, поражающие корневую систему Heterodera avenea
Meloidogyne spp.
Pratylenchus spp.
* - синонимы возбудителей уточняли на сайте http://speciesfungorum.org.
Некоторые заболевания являются эндемичными для субконтинента Азия, как, например, индийская (карнальская) головня, а остальные в той или иной степени присутствуют в различных регионах [2]. Так, по мнению Г.В. Волковой [3], есть пять основных экономически значимых для Юга России болезней пшеницы: три вида ржавчины (бурая, желтая, стеблевая) и два вида пятни-стостей (желтая, или пиренофороз, и септориоз).
Для эффективной борьбы с болезнями растений и своевременного принятия управленческих решений необходимы современные технологии быстрой и точной идентификации фитопатоге-нов сельскохозяйственных культур [4], позволяющие качественно и количественно идентифицировать широкий спектр патогенных микроорганизмов [5].
Для фитопатологического мониторинга сельскохозяйственных земель наряду со стандартными методами визуального наблюдения чрезвычайно важно применение молекулярно-биоло-гических методов анализа ДНК патогенов совместно с технологиями, основанными на методах дистанционного зондирования Земли (ДЗЗ).
Генетические методы
На сегодняшний день с применением высокоэффективных методов молекулярно-генетической диагностики есть возможность видовой идентификации фитопатогенных микроорганизмов [6, 7]. ДНК-маркеры нашли свое широкое применение в медицине и биологии при профилактике инфекционных, врожденных и онкологических заболеваний. К явным преимуществам ДНК-маркеров
перед остальными группами методов фитопатологического анализа можно отнести раннюю диагностику болезней, точность определения, быстроту выполнения анализов и др. [8]. Наличие или отсутствие грибковых, бактериальных или вирусных фитопатогенов в настоящее время может быть определено по анализу его участков ДНК без выделения в чистую культуру [9, 10]. Это позволяет уменьшить время исследования до нескольких дней. Идентификация фитопатогенов происходит благодаря видоспецифическим праймерам, которые сразу информируют о наличии ДНК возбудителя в растительном образце, даже на ранних стадиях. Этот подход позволяет применять своевременные меры по борьбе с заболеванием и предотвращением очага распространения [11, 12]. Благодаря скорости и высокой производительности метода можно массово анализировать наличие ДНК фитопатогенов с целью оценки перспективы их развития. При помощи данного анализа можно проводить фитопатологический анализ насаждений на ранних стадиях развития инфекции без выделения патогена в чистую культуру; определять наличие фитопатогенов в почве при подготовке посадочных площадей (использовать в качестве экспресс-анализа) без выделения патогена в чистую культуру; устанавливать истинные границы распространения инфекции при обнаружении очага поражения, источник инфекции (вода, почва и др.) и количество патогенов (максимально допустимую концентрацию для заражения растений); давать оценку эффективности карантинных и санитарных мероприятий; определять породный состав на зараженных территориях; осуществлять мониторинг появления новых видов патогенов и гибридов [9-12].
Из-за специфики работы с растительным материалом требуется правильный подход к выбору стратегии анализа: отбору проб, выбору маркерных регионов ДНК и методу их исследования [8, 7]. Так, при отборе проб для проведения молекулярно-генетических исследований патогенов необходимо сохранение РНК, а не ДНК. Общие принципы по отбору проб в основном совпадают с требованиями к проведению микробиологических исследований. Одним из основных пунктов является возможность длительного хранения образцов путем фиксации в специализированных растворах или заморозки. Определение количественного содержания фитопатогена в образце проводится с помощью технологии ПЦР в реальном времени, микрочипов, цифровой ПЦР [7, 8]. Для выбора маркерных регионов ДНК и метода их исследования существует несколько вариантов стратегии: метагеномный анализ, использование универсальных локусов, использование мультикопийных локусов [7].
Основным принципом определения фитопатогена является выявление генетического материала патогена в тканях хозяина. Большинство фитозаболеваний связано с мультивидовым комплексом, не ассоциированным с одним фитопатогеном [6]. В данном случае для изучения ассоциаций фитопатогенов наиболее достоверен метагеномный подход, при котором анализируются материалы, полученные в результате одновременного диагностирования генов и геномов всех микроорганизмов, представленных в инфицированном образце [13]. Преимуществом метагеном-ного анализа являются учет и количественная оценка некультивируемых в искусственных условиях, имеющих выраженную специализацию к живым тканям микроорганизмов наряду с культивируемыми [7, 10].
В течение последних десятилетий базы данных генных банков [14] ежедневно пополняются фрагментами генома, важных фитопатогенов хозяйственно ценных видов растений. В числе основных маркеров генома - универсальные локусы рДНК и мтДНК [15]. Основным преимуществом универсальных локусов является их консервативность в пределах одного вида, что позволяет определять таксономическую принадлежность инфекции [7]. Так, для определения грибковых фитопатогенов принято использовать праймеры на внутренний транскрибируемый спейсер-ный регион (Internai transcribed spacer région - ITS région) гена рибосомальной ДНК, кодирующего 5.8 S рРНК, а для определения бактериальной инфекции обычно применяют праймеры на ген 16S рРНК (табл. 2) [16].
Полногеномный анализ ДНК фитопатогенов накладывает определённые сложности, связанные с отделением нефрагментированного генетического материала патогена от генетического материала хозяина. Учитывая данный факт, анализ проводят на основании анализа коротких (менее 1 тыс. п.н.) фрагментов генов или межгенных участков, так называемых мультикопийных локусов [22]. При этом мультикопийность может быть обусловлена как большим числом дупли-цированных фрагментов, имеющих кластерное или дисперсное распределение в ядерном геноме, так и расположением данных локусов в генетическом аппарате ДНК органоидов, представленных множественным числом [7].
Таблица 2 / Table 2
Универсальные праймеры на грибковые и бактериальные фитопатогены / Universal primers for fungal and bacterial phytopathogens
Название Последовательность Позиция Автор
Грибковые фитопатогены (5.8S)
ITS1 TCCGTAGGTGAACCTGCGG 1773-1791(18S) [15]
ITS1-F CTTGGTCATTTAGAGGAAGTAA 1735-1756(18S) [17]
ITS2 GCTGCGTTCTTCATCGATGC 53-34 [15]
ITS3 GCATCGATGAAGAACGCAGC 34-53 [15]
ITS4 TCCTCCGCTTATTGATATGC 57-38 (25S) [15]
ITS4-B CAGGAGACTTGTACACGGTCCAG 194-172 (25S) [17]
ITS5 GGAAGTAAAAGTCGTAACAAGG 1749-1770(18S) [15]
5.8S CGCTGCGTTCTTCATCG 54-38 [18]
5.8SR TCGATGAAGAACGCAGCG 37-54 [18]
Бактериальные фитопатогены (16SрРНК)
U1 CCAGCAGCCGCGGTAATACG - [19]
U2 ATCGG(C/T)TACCTTGTTACGACTTC -
8F AGAGTTTGATCCTGGCTCAG [20]
1510R GGTTACCTTGTTACGACTT [21]
Многие исследователи находятся в поиске альтернативных вариантов для анализа конкретных фитопатогенов и подбора оптимальных ДНК-маркеров. Так, Н.С. Пильщикова и Ф.Б. Ганнибал [23] изучали белосоломенную гниль (гибеллиноз), вызванную Gibellina cerealis. Для идентификации возбудителя были секвенированы ITS-области рибосомального оперона и ген ß-тубулина G. cerealis и сконструированы две пары праймеров Gib-F (CCGGAGGTACCAAACTCTAAG), Gib-R (GCTGGAACCCGACTGGAG) и ИЬС-F (GœCCCTCTTCTCCATCTCA), ИЬС-R (TAGACGCTCATGCGCTCCAG) для видоспецифичной амплификации.
Для стеблевой ржавчины злаков (пшеница и рожь), вызванной грибом Puccinia graminis Pers., был амплифицирован фрагмент 660 п.н. с использованием праймеров ITS4 и ITS5, содержащих некодирующие межгенные участки ITS1-5,8S-ITS2 [24]. Был исследован полиморфизм двух форм гриба P. graminis (f. sp. tritici и f. sp. secalis), поражающего пшеницу и рожь, с использованием RAPD-праймеров RP3 ((GTG)5) и Core (GAGGGTGGXGGXTCT). Исследование показало, что RAPD-анализ эффективен на большой группе грибов, в том числе и возбудителе стеблевой ржавчины пшеницы [25].
Кроме сельскохозяйственных видов растений, индивидуальные праймеры подбираются также для хозяйственно ценных растений. Так, например, для гриба Cryphonectria parasitica, паразитирующего на каштане посевном (Castanea sativa), были разработаны видоспецифичные маркеры [26]. Показано, что изученные пары праймеров: MF1-F: 5'-GAA GCC TGG TGT CTC TTC CAC-3'; MF1-R: 5'-GTG GAA GAG ACA CCA AGC CTC-3'; MF2-F: 5'-ATG CCT TCC AAC ACC CAG AC-3'; MF2-R: 5'-GAC AAC GCA GTA GGA GTA GCC-3', специфичные для генов Mf1/1, Mf2/1 (Virl), и Mf2/2 (Vir2), кодируют белки-предшественники половых феромонов [26, 27].
Дистанционное зондирование Земли
ДЗЗ - это быстрый, неинвазивный и эффективный метод, с помощью которого можно дистанционно получать спектральные характеристики сельскохозяйственных культур с обширных территорий. Еще в начале XX в. его начали применять для дифференциации живых и мертвых растений, а также идентификации очагов поражения сельскохозяйственных культур. Для этих целей в 1920-х гг. использовали черно-белые фотографии, а с 1930-х - инфракрасные пленки [28]. Позднее в США на опытных и действующих полях была проведена серия экспериментов с целью разработки технологии идентификации поражения черной стеблевой ржавчиной и вирусом желтого карлика четырех культур: пшеницы, овса, ячменя и ржи [29]. Результаты испытаний показали, что по данным аэрофотосъемки можно идентифицировать здоровую пшеницу, овес, ячмень и рожь; пшеницу и овес, пораженные черной стеблевой ржавчиной (Puccinia graminis); овес, пораженный вирусом желтого карлика (BYDV).
ISSN 1026-2237 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. NATURAL SCIENCE. 2022. No. 4-2
Рис. 1. Этапы идентификации фитопатогенов с использованием ДЗЗ / Fig. 1. Stages of identification of phytopathogens using remote sensing
На данный момент в ряде исследований показана эффективность применения ДЗЗ для раннего выявления очагов поражения ячменя мучнистой росой и листовой ржавчиной, фу-зариоза на банановых плантациях, хлопчатника нематодами, а корневой гнилью - хлопчатника, люцерны, ореха пекан и цитрусовых деревьев [30-32].
В общих чертах этапы применения ДЗЗ для целей идентификации фитопатогенов можно изобразить на схеме, представленной на рис. 1.
Для получения данных ДЗЗ используют LiDAR, RGB-камеры, мультиспектральные и гиперспектральные датчики, установленные на разных носителях - от наземных платформ до спутников [33-35]. Предварительная обработка данных включает в себя атмосферную, радиометрическую и геометрическую коррекцию изображений, расчет статистических показателей, геопривязку снимков и создание ортофото-плана. Для классификации объектов на снимках применяются различные подходы или их комбинации (табл. 3).
Таблица 3 / Table 3
Метод анализа данных ДЗЗ / Method of analysis of Earth remote sensing data
Метод анализа данных ДЗЗ Краткое описание Источник
Искуственные нейронные сети (CNN, 3D-CNN, ...) Вычислительные системы, основанные на принципах биологических нейронных сетей [36]
Метод опорных векторов (SVM, wSVM) Набор схожих алгоритмов обучения с учителем, использующихся для задач классификации и регрессионного анализа. Основная идея метода - перевод исходных векторов в пространство более высокой размерности и поиск разделяющей гиперплоскости с наибольшим зазором в этом пространстве [37]
Вегетационные индексы Математическое преобразование двух или более спектральных каналов с целью получения информации о флоре растительности [38]
Дерево принятия решений (регрессионное дерево) Дерево принятия решений (также может называться деревом классификации, или регрессионным деревом). Метод реализован в ENVI и ERDAS [39]
Объектно ориентированная классификация Проводится в два этапа: 1. Сегментация изображения. 2. Классификация сегментов на основе спектральных, пространственных и других характеристик [40]
Классификация с обучением Группировка объектов по категориям на основе предварительно классифицированного набора данных [41]
Классификация без обучения Итерационная самоорганизующаяся методика анализа данных базируется на кластерном анализе [42]
В результате поражения фитопатогенами меняются спектральные характеристики растений [32]. Эти изменения визуально воспринимаются как пожелтение листа и в той или иной степени связаны с разной концентрацией фотосинтетических пигментов и их соотношением в растениях. Цель классификации - выявление очагов поражения на всей территории съемки и создание тематических векторных карт в ГИС для формирования на их основе обоснованных рекомендаций для принятия оперативных управленческих решений.
ISSN 1026-2237 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. NATURAL SCIENCE. 2022. No. 4-2
Совместное использование генетических методов и ДЗЗ
В результате анализа литературных источников представлен алгоритм для анализа фитопато-генов:
1. Создание генетической библиотеки фитопатогенов хозяйственно ценных видов и сортов растений.
Точечно, с использованием универсальных или видоспецифичных праймеров, можно определять видовую принадлежность фитопатогена на конкретной культуре. При работе с универсальными праймерами после секвенирования генетическую последовательность образцов необходимо сверить через приложение BLAST (Basic local alignment search tool) от NCBI. Это позволит определить родовую или видовую специфичность фитопатогена.
2. Создание гиперспектральной библиотеки фитопатогенов хозяйственно ценных видов и сортов растений.
Провести гиперспектральную съёмку зараженного растения с известным фитопатогенным спектром на основе генетического анализа. Создать гиперспектральную библиотеку зараженных культур.
Второй вариант, подходящий под создание библиотек, - это использование чистых растительных культур и заражение их непосредственно известным штаммом. И затем на основе полученных данных масштабировать модель на поле, заполненном той или иной сельскохозяйственной культурой (рис. 2).
Таким образом, на основе проведенного нами обзора можно составить алгоритм построения исследования по анализу фитопатогенов хозяйственно ценных видов и сортов растений.
Однако наряду с положительными аспектами совместного использования генетических методов и ДЗЗ есть ряд ограничений, накладываемых этими методиками. Так, например, многие фи-топатогены могут присутствовать в тканях растительных организмов, но не проявлять себя, не приводя к вспышкам инфекции [43, 44]. Поскольку все ПЦР-тесты очень чувствительны, они могут уловить даже незначительное количество копий ДНК. И при генетическом мониторинге возможно получать ложноположительный эффект. Поэтому необходимо разрабатывать тесты с пороговой чувствительностью при переходе от латентной фазы к активной на основе qPCR (количественная ПЦР, или ПЦР в реальном времени) [44, 45]. Так, например, М. Макнил с соавторами [45] использовали технологию TaqMan для определения количества спор Tilletia caries в семенах.
Рис. 2. Схема взаимодействия генетических методов и гиперспектральной съёмки для анализа фитопатогенов / Fig. 2. Diagram of the interaction of genetic methods and hyperspectral imaging for the analysis of phytopathogens
Нивелировать ложноположительный эффект можно с использованием потенциально универсальных генов иммунного ответа растений на внедрение фитопатогена. У растений имеется врожденный (естественный) иммунитет, который бывает двух типов: пассивный и активный [46]. Пассивный препятствует внедрению фитопатогена в клетку (за счёт наличия кутикулы и клеточной стенки). Активный запускает череду физиологических ответов [47, 48]. Активный иммунитет, в свою очередь, подразделяется на неспецифический и специфический иммунный ответ [46]. Неспецифический - это первый уровень иммунного ответа, или паттерн-активированный иммунитет (pattern-triggered immunity, PTI), который ассоциирован с микробными молекулярными структурами (pathogen-associated molecular patterns, PAMP). Специфический - это второй уровень защиты растений, или эффектор-активированный иммунитет (effector-triggered immunity, ETI). Он опосредуется белками внутриклеточной резистентности (R-белками), которые распознают молекулы - эффекторы, вводимые патогенами в клетки растений [46, 49-52]. По каскаду реакций, запускаемых в ответ на наличие токсинов патогенов, включаются основные факторы транскрипции растений (WRKY, MYB, NAC и ERF), которые регулируют несколько R-генов, способствующих иммунитету [46]. Возможно, изучение экспрессии генов, кодирующих факторы транскрипции и гены резистентности (R-гены) для конкретных культур растений, станет ключом к пониманию иммунного ответа, называемого количественной болезнеустойчивостью (quantitative disease resistance, QDR). Также особое внимание стоит уделить генам, кодирующим универсальный набор молекул, включая тритерпены, дитерпены и флавоноиды, отвечающие за химическую защиту растений от инфекций [53].
Таким образом, на основе генетического анализа, применения ДЗЗ, использования вегетационных индексов (NDVI и др.) возможно проводить мониторинг уже пораженных растений [54]. Основываясь на принципе математического преобразования двух или более спектральных каналов [38], можно по фенотипическим признакам, в частности по изменённому спектру отражения от пораженных тканей, оценить очаги инфицированных растений.
Заключение
На сегодняшний день на смену визуальным методам определения фитопатогенов пришли современные молекулярно-генетические методы на основе ДНК-маркирования и технологии, основанные на методах ДЗЗ, которые обладают рядом преимуществ при анализе заболеваний хозяйственно ценных видов и сортов растений.
Использование современных методов анализа (генетические и ДДЗ) позволяет не только с высокой точностью идентифицировать патогены, но и одновременно анализировать большие выборки.
Список источников
1. Федеральная служба государственной статистики. URL: https://www.gks.ru (дата обращения: 15.12.2021).
2. Койшыбаев М. Болезни пшеницы. Продовольственная и сельскохозяйственная организация ООН (ФАО). Анкара, 2018. 394 с.
3. Волкова Г.В. Изучение и использование генетического потенциала устойчивости пшеницы к грибным заболеваниям // Защита и карантин растений. 2010. № 9. С. 13-17.
4. Tibebu B., Nuh B. Biotechnological tools for detection, identification and management of plant diseases // African J. of Biotechnology. 2019. Vol. 18, № 29. P. 797-807. Doi: 10.5897/ajb2018.16591.
5. Ahmad F., Babalola O.O., Tak H.I. Potential of MALDI-TOF mass spectrometry as a rapid detection technique in plant pathology: identification of plant-associated microorganisms // Analytical and Bioanalytical Chemistry. 2012. Vol. 404, № 4. P. 1247-1255. Doi: 10.1007/s00216-012-6091-7.
6. Дьяков Ю.Т. Общая и молекулярная фитопатология. М.: Общество фитопатологов, 2001. 301 с.
7. Баранов О.Ю. Молекулярная фитопатология: современные подходы и основные направления диагностики болезней древесных растений // Сиб. лесной журн. 2014. № 4. С. 42-45.
8. Падутов В.Е., Баранов О.Ю., Воропаев Е.В. Методы молекулярно-генетического анализа. Минск: Юнипол, 2007. 176 с.
9. Алимова Т.С., Сиволапов В.А., Карпеченко Н.А., Шишкина О.К., Пантелеев С.В., Ковалевич О.А. Применение методов молекулярной генетики для анализа наличия фитопатогенов в лесных насаждениях и питомниках Российской Федерации // Сиб. лесной журн. 2014. № 4. С. 35-41.
10. Баранов О.Ю., Ярмолович В.А., Пантелеев С.В., Купреенко Д.Г. Молекулярно-генетическая диагностика грибных болезней в лесных питомниках // Лесное и охотничье хозяйство. 2012. № 6. С. 21-29.
11. Баранов О.Ю., Падутов В.Е., Пантелеев С.В. Молекулярно-генетическое маркирование патогенеза лесных древесных видов // Молодежь в науке - 2009 : прилож. к журналу «Вестн. Нац. акад. навук Беларусь Сер. бшл. навук.». 2010. № 4. С. 10-12.
12. Баранов О.Ю., Ярмолович В.А., Пантелеев С.В. Молекулярно-генетические особенности пораженных шютте тканей хвои сеянцев ели европейской // Современное состояние и перспективы охраны и защиты лесов в системе устойчивого развития : материалы Междунар. науч. конф. Гомель: Ин-т леса НАН Беларуси, 2013. С. 63-66.
13. Charles T. Metagenomics: theory, methods and applications. Caister Academic Press, 2010. 212 p.
14. National Center for Biotechnological Information, NCBI. URL: http://www.ncbi.nlm.nih.gov/ Genbank (дата обращения: 15.12.2021).
15. White T. Amplification and direct sequencing of fungal ribosomal RNA genes for phylogenetics // PCR protocols: a guide to methods and applications. Academic Press, 1990. P. 315-322.
16. Khalilov I., Azimova N., Kobilov F., Mardonov I., Nazirov M. Molecular genetic identification and CRY-gene analysis of Bacillus thuringiensis native bacterial strains // Conference "Biology and Biotechnology of Microorganisms". September 16-17. Tashkent, 2021.
17. Gardes M., Bruns T.D. ITS primers with enhanced specifity for Basidiomycetes: application to identification of Mycorrhizae and rusts // Mol. Ecol. 1993. № 2. P. 113-118.
18. Vilgalys R., Hester M. Rapid genetic identification and mapping of enzymatically amplified ribosomal DNA from several Cryptococcus species // J. Bacteriol. 1990. № 172. P. 4238-4246.
19. Lu J.-J., Perng C.-L., Lee S.-Y., Wan C.-C. Use of PCR with Universal Primers and Restriction Endonucle-ase Digestions for Detection and Identification of Common Bacterial Pathogens in Cerebrospinal Fluid // J. of Clinical Microbiology. 2000. Vol. 38, № 6. P. 2076-2080.
20. Edwards U., Rogall T., Blocker H., Emde M., Bottger E.C. Isolation and direct complete nucleotide determination of entire genes. Characterization of a gene coding for 16S ribosomal RNA // Nucleic Acids Res. 1989. Vol. 17. P. 7843-7853.
21. Reysenbach A.L., Wickham G.S., Pace N.R. Phylogenetic analysis of the hyperthermophilic pink filament community in Octopus Spring, Yellowstone National Park // Appl. Environ. Microbiol. 1994. Vol. 60. P. 2113-2119.
22. Tooley P.W. [et al.]. Development of PCR primers from internal transcribed spacer region 2 for detection of Phytophthora species infecting potatoes // Appl. Environ. Microbiol. 1997. Vol. 63. P. 1467-1475.
23. Пильщикова Н.С., Ганнибал Ф.Б. Идентификация возбудителя белосоломенной гнили пшеницы (Gibellina cerealis) методом ПЦР // Вестн. защиты растений. 2015. T. 3, № 85. C. 46-50.
24. Сколотнева Е.С. Изменчивость внутривидовых структур Puccinia graminis Pers.: дис. ... канд. биол. наук. М., 2008. 121 с.
25. Малеева Ю.В., Лебедева Л.А., Инсарова И.Д., Лекомцева С.Н. Исследование генетической изменчивости географических изолятов возбудителя стеблевой ржавчины пшеницы Puccinia graminis f. sp. tritici // Журн. РФО. 2004. № 1, вып. 4. C. 31-40.
26. Popov A.P., Tsvetkov I.L., Belov A.A., Konichev A.S., Ivanushkina N.E., Kochkina G.A., Ozerskaya S.M. Molecular genetic identification of the phytopathogenic fungus Cryphonectria parasitica // Microbiology. 2010. Vol. 79, № 2. P. 223-228.
27. Zhang L., Baasiri R.A., van Alfen N.K. Vira Repression of Fungal Pheromone Precursor Gene Expression // Mol. Cell. Biol. 1998. Vol. 18. P. 953-958.
28. Blakeman R.H. The identification of crop disease and stress by aerial photography // Applications of Remote Sensing in Agriculture. Butterworths; London, 1990. P. 229-254. Doi: 10.1016/b978-0-408-04767-8.50020-7.
29. Colwell R.N. Determining the prevalence of certain cereal crop diseases by means of aerial photography // Hilgardia. 1956. Vol. 26. P. 223.
30. Jim Lee Y. Aerial photography for the detection of soil-borne disease // Canadian J. of Plant Pathology. 1989. Vol. 11, № 2. P. 173-176. Doi: 10.1080/07060668909501134.
31. Yu K., Kang Yu, Leufen G., Hunsche M., Noga G.J., Chen X., Bareth G. Investigation of leaf diseases and estimation of chlorophyll concentration in seven barley varieties using fluorescence and hyperspectral indices // Remote Sensing. 2013. Vol. 6. P. 64-86.
32. Huichun Ye, Wenjiang Huang, Shanyu Huang, Bei Cui, Yingying Dong, Anting Guo, Yu Ren, Yu Jin. Recognition of Banana Fusarium Wilt Based on UAV Remote Sensing // Remote Sens. 2020. Vol. 12. P. 938.
33. Dmitriev P.A., Kozlovsky B.L., Kupriushkin D.P., Lysenko V.S., Rajput V.D., Ignatova M.A., Tarik E.P., Kapralova O.A., Tokhtar V.K., Singh A.K., Minkina T.M., Varduni T.V., Sharma M., Taloor A.K., Thapliyal A. Identification of species of the genus Acer L. using vegetation indices calculated from the hyperspectral images of leaves // Remote Sensing Applications: Society and Environment. 2022. Р. 100679. https://doi.org/10.1016/j.rsase.2021.100679.
34. Alonzo M., Bookhagen B., Roberts D.A. Urban tree species mapping using hyperspectral and lidar data fusion // Remote Sens. Environ. 2014. Vol. 148. P. 70-83.
35. Ortiz S.M., Breidenbach J., Knuth R., Kändler G. The influence of DEM quality on mapping accuracy of coniferous- and deciduous-dominated forest using TerraSAR-X images // Remote Sens. 2012. Vol. 4. P.661-681.
36. Fukushima K. Neocognitron: A Self-organizing Neural Network Model for A Mechanism of Pattern Recognition Unaffected by Shift in Position // Biological Cybernetics. 1980. Vol. 36. P. 193-202. Doi: 10.1007/BF00344251.
37. Vapnik V.N. The Nature of Statistical Learning Theory. N.Y.: Springer-Verlag, 1995. 314 р.
38. Huete A., Didan K., Miura T., Rodriguez E.P, Gao X., Ferreira L.G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices // Remote Sensing of Environment. 2002. Vol. 83, № 1-2. P. 195-213. Bibcode:2002 RSEnv. 83.195H. Doi: 10.1016/S0034-4257(02)00096-2.
39. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, № 1. P. 5-32. Doi: 10.1023/A: 1010933404324.
40. Heinzel J., Koch B. Investigating Multiple Data Sources for Tree Species Classification in Temperate Forest and Use for Single Tree Delineation // International J. of Applied Earth Observation. 2012. Vol. 18. P. 101-110. Doi: 10.1016/j.jag.2012.01.025.
41. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. The MIT Press, 2012.
42. Hinton G., Sejnowski T. Unsupervised Learning: Foundations of Neural Computation. MIT Press, 1999.
43. Розов С.М., Дейнеко Е.В. Бактериальные внутриклеточные патогены: стратегии нападения и защиты // Успехи современной биологии. 2015. Т. 135, № 5. C. 464-479.
44. Матяшова Г.Н. Разработка и совершенствование методов диагностики фитоплазм - возбудителей болезней плодовых и ягодных культур : дис. ... канд. биол. наук. М., 2017. 150 с.
45. McNeil M., Roberts A.M.I., Cockerell V., Mulholland V. Real-time PCR assay for quantification of Tilletia caries contamination of UK wheat seed // Plant Pathology. 2004. Vol. 53. P. 741-750.
46. КабашниковаЛ.Ф. Молекулярные механизмы взаимодействия растений и фитопатогенов: врожденный иммунитет // Журн. Белорусского гос. ун-та. Экология. 2018. № 2. С. 26-37.
47. Шкаликов В.А., Дьяков Ю.Т., Смирнов А.Н. [и др.] Иммунитет растений. М.: КолосС, 2005. 190 с.
48. Николайчик Е.А. Индукция и супрессия иммунного ответа растений бактериальным патогеном Pectobacterium carotovorum // Тр. БГУ. 2012. T. 7, № 1, 2. С. 43-55.
49. Glowacki S., Macioszek V.K., Kononowicz A.K. Proteins as fundamentals of plant innate immunity // Cellular & Molecular Biology Lettars. 2011. Vol. 16. P. 1-24.
50. Шафикова Т.Н., Омеличкина Ю.В. Молекулярно-генетические аспекты иммунитета растений к фи-топатогенным бактериям и грибам // Физиология растений. 2015. T. 62, № 5. C. 611-627. Doi: 10.7868/S0015330315050140.
51. Копытина Д.А., Касенова А.М., Омашева М.Е., Качиева З.С., Галиакпаров Н.Н. Молекулярные основы иммунитета растений // Биотехнология. Теория и практика. 2012. № 3. С. 31-41.
52. Вахрушева О.А., Недоспасов С.А. Система врожденного иммунитета у растений // Молекулярная биология. 2011. T. 45, № 1. C. 20-29.
53. Polturak G., Dippe M., Stephenson M.J., Misra R.C., Owen C., Ramirez-Gonzalez R.H., Haidoulis J.F., Schoonbeek H.J., Chartrain L., Borrill P., Nelson D.R., Brown J.K.M., Nicholson P., Uauy C., Osbourn A. Pathogen-induced biosynthetic pathways encodedefense-related molecules in bread wheat // PNAS. 2022. Vol. 119, № 16. Р. e2123299119. https://doi.org/10.1073/pnas.2123299119.
54. Gröll K., Graeff S., Claupein W. Use of Vegetation indices to detect plant diseases. Agrarinformatik im Spannungsfeld zwischen Regionalisierung und globalen Wertschöpfungsketten, Referate der 27. GIL Jahrestagung, 5-7. März, Stuttgart, Germany. 2007. P. 91-94.
References
1. Federal State Statistics Service. Available from: https://www.gks.ru [Accessed 15th December 2021]. (In Russ.).
2. Koishybaev M. Wheat diseases. Food and Agriculture Organization of the United Nations (FAO). Ankara, 2018. 394 p. (In Russ.).
3. Volkova G.V. The study and use of the genetic potential of wheat resistance to fungal diseases. Zashchita i karantin rastenii = Protection and Quarantine of Plants. 2010;(9):13-17. (In Russ.).
4. Tibebu B., Nuh B. Biotechnological tools for detection, identification and management of plant diseases. African Journal of Biotechnology. 2019;18(29):797-807, doi: 10.5897/ajb2018.16591.
5. Ahmad F., Babalola O.O., Tak H.I. Potential of MALDI-TOF mass spectrometry as a rapid detection technique in plant pathology: identification of plant-associated microorganisms. Analytical and Bioanalytical Chemistry. 2012;404(4):1247-1255. Doi:10.1007/s00216-012-6091-7.
6. Dyakov Yu.T. General and molecular phytopathology. Moscow: Society of Phytopathologists Press; 2001. 301 p. (In Russ.).
7. Baranov O.Yu. Molecular phytopathology: modern approaches and main directions of diagnostics of diseases of woody plants. Sib. lesnoi zhurn. = Siberian Journal of Forest Science. 2014;(4):42-45. (In Russ.).
ISSN 1026-2237 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. NATURAL SCIENCE. 2022. No. 4-2
8. Padutov V.E., Baranov O.Yu., Voropaev E.V. Methods of molecular genetic analysis. Minsk: Yunipol Publ.; 2007. 176 p. (In Russ.).
9. Alimova T.S., Sivolapov V.A., Karpechenko N.A., Shishkina O.K., Panteleev S.V., Kovalevich O.A. Application of molecular genetics methods for the analysis of the presence of phytopathogens in forest plantations and nurseries of the Russian Federation. Sib. lesnoi zhurn. = Siberian Journal of Forest Science. 2014;(4):35-41. (In Russ.).
10. Baranov O.Yu., Yarmolovich V.A., Panteleev S.V., Kupreenko D.G. Molecular genetic diagnostics of fungal diseases in forest nurseries. Lesnoe i okhotnich'e khozyaistvo = Forestry and Hunting. 2012;(6):21-29. (In Russ.).
11. Baranov O.Yu., Padutov V.E., Panteleev S.V. Molecular genetic labeling of pathogenesis of forest tree species. Youth in Science - 2009. App. to the magazine "Vestn. Nats. acad. navuk Belarussi. Ser. biyal. navuk". 2010;(4):10-12. (In Russ.).
12. Baranov O.Yu., Yarmolovich V.A., Panteleev S.V. Molecular genetic features of schutte-affected tissues of needles of European spruce seedlings. Current state and prospects of forest protection and protection in the system of sustainable development. Proceedings of the International Scientific Conference. Gomel: Forest Institute of the National Academy of Sciences of Belarus Press; 2013:63-66. (In Russ.).
13. Charles T. Metagenomics: theory, methods and applications. Caister Academic Press; 2010. 212 p.
14. National Center for Biotechnological Information, NCBI. Available from: http://www.ncbi.nlm.nih.gov/ Genbank [Accessed 15th December 2021].
15. White T. Amplification and direct sequencing of fungal ribosomal RNA genes for phylogenetics. PCR protocols: a guide to methods and applications. Academic Press; 1990:315-322.
16. Khalilov I., Azimova N., Kobilov F., Mardonov I., Nazirov M. Molecular genetic identification and CRY-gene analysis of Bacillus thuringiensis native bacterial strains. Conference "Biology and Biotechnology of Microorganisms". September 16-17. Tashkent, Uzbekistan, 2021.
17. Gardes M., Bruns T. D. ITS primers with enhanced specifity for Basidiomycetes: application to identification of mycorrhizae and rusts. Mol. Ecol. 1993;(2):113-118.
18. Vilgalys R., Hester M. Rapid genetic identification and mapping of enzymatically amplified ribosomal DNA from several Cryptococcus species. J. Bacteriol. 1990;(172):4238-4246.
19. Lu J.-J., Perng C.-L., Lee S.-Y., Wan C.-C. Use of PCR with Universal Primers and Restriction Endonu-clease Digestions for Detection and Identification of Common Bacterial Pathogens in Cerebrospinal Fluid. Journal of Clinical Microbiology. 2000;38(6):2076-2080.
20. Edwards U., Rogall T., Blocker H., Emde M., Bottger E.C. Isolation and direct complete nucleotide determination of entire genes. Characterization of a gene coding for 16S ribosomal RNA. Nucleic Acids Res. 1989;17:7843-7853.
21. Reysenbach A.L., Wickham G.S., Pace N.R. Phylogenetic analysis of the hyperthermophilic pink filament community in Octopus Spring, Yellowstone National Park. Appl. Environ. Microbiol. 1994;60:2113-2119.
22. Tooley P. W. [et al.]. Development of PCR primers from internal transcribed spacer region 2 for detection of Phytophthora species infecting potatoes. Appl. Environ. Microbiol. 1997;63:1467-1475.
23. Pilshchikova N.S., Gannibal F.B. Identification of wheat false eyespot agent Gibellina cerealis by use of PCR. Vestn. zashchity rastenii = Plant Protection News. 2015;3(85):46-50. (In Russ.).
24. Skolotneva E.S. Variability of intraspecific structures of Puccinia graminis Pers. Dissertation. Moscow, 2008. 121 p. (In Russ.).
25. Maleeva Yu.V., Lebedeva L.A., Insarova I.D., Lekomtseva S.N. Investigation of genetic variability of geographical isolates of the causative agent of wheat stem rust Puccinia graminis f. sp. tritici. Zhurn. RFO = Journal of the Russian Society of Phytopathologists. 2004;(1-4):31-40. (In Russ.).
26. Popov A.P., Tsvetkov I.L., Belov A.A., Konichev A.S., Ivanushkina N.E., Kochkina G.A., Ozerskaya S.M. Molecular genetic identification of the phytopathogenic fungus Cryphonectria parasitica. Microbiology. 2010;79(2):223-228.
27. Zhang L., Baasiri R.A., van Alfen N.K. Vira Repression of Fungal Pheromone Precursor Gene Expression. Mol. Cell. Biol. 1998;18:953-958.
28. Blakeman R.H. The identification of crop disease and stress by aerial photography. Applications of Remote Sensing in Agriculture. Butterworths; London, 1990:229-254, doi: 10.1016/b978-0-408-04767-8.50020-7.
29. Colwell R.N. Determining the prevalence of certain cereal crop diseases by means of aerial photography. Hilgardia. 1956;26:223.
30. Jim Lee Y. Aerial photography for the detection of soil-borne disease. Canadian Journal of Plant Pathology. 1989;11(2):173-176, doi:10.1080/07060668909501134.
31. Yu K., Kang Yu, Leufen G., Hunsche M., Noga G.J., Chen X., Bareth G. Investigation of leaf diseases and estimation of chlorophyll concentration in seven barley varieties using fluorescence and hyperspectral indices. Remote Sensing. 2013;6:64-86.
32. Huichun Ye, Wenjiang Huang, Shanyu Huang, Bei Cui, Yingying Dong, Anting Guo, Yu Ren, Yu Jin. Recognition of Banana Fusarium Wilt Based on UAV Remote Sensing. Remote Sens. 2020;12:938.
ISSN 1026-2237 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. NATURAL SCIENCE. 2022. No. 4-2
33. Dmitriev P.A., Kozlovsky B.L., Kupriushkin D.P., Lysenko V.S., Rajput V.D., Ignatova M.A., Tarik E.P., Kapralova O.A., Tokhtar V.K., Singh A.K., Minkina T.M., Varduni T.V., Sharma M., Taloor A.K., Thapliyal A. Identification of species of the genus Acer L. using vegetation indices calculated from the hyperspectral images of leaves. Remote Sensing Applications: Society and Environment. 2022:100679, https://doi.org/10.10167j.rsase.2021.100679.
34. Alonzo M., Bookhagen B., Roberts D.A. Urban tree species mapping using hyperspectral and lidar data fusion. Remote Sens. Environ. 2014;148:70-83.
35. Ortiz S.M., Breidenbach J., Knuth R., Kändler G. The influence of DEM quality on mapping accuracy of coniferous- and deciduous-dominated forest using TerraSAR-X images. Remote Sens. 2012;4:661-681.
36. Fukushima K. Neocognitron: A Self-organizing Neural Network Model for A Mechanism of Pattern Recognition Unaffected by Shift in Position. Biological Cybernetics. 1980;36:193-202, doi: 10.1007/BF00344251.
37. Vapnik V.N. The Nature of Statistical Learning Theory. New York: Springer-Verlag Publ.; 1995. 314 p.
38. Huete A., Didan K., Miura T., Rodriguez E.P, Gao X., Ferreira L.G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment. 2002;83(1-2):195-213. Bibcode:2002 RSEnv. 83.195H. Doi:10.1016/S0034-4257(02)00096-2.
39. Breiman L. Random Forests. Machine Learning. 2001;45(1):5-32, doi: 10.1023/A:1010933404324.
40. Heinzel J., Koch. B. Investigating Multiple Data Sources for Tree Species Classification in Temperate Forest and Use for Single Tree Delineation. International Journal of Applied Earth Observation. 2012;18:101-110, doi: 10.1016/j.jag.2012.01.025.
41. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. The MIT Press; 2012.
42. Hinton G., Sejnowski T. Unsupervised Learning: Foundations of Neural Computation. MIT Press; 1999.
43. Rozov S.M., Deineko E.V. Bacterial intracellular pathogens: attack and defense strategies. Uspekhi sov-remennoi biologii = Advances in Modern Biology. 2015;135(5):464-479. (In Russ.).
44. Matyashova G.N. Development and improvement of methods for diagnosing phytoplasmas - causative agents of diseases offruit and berry crops. Dissertation. Moscow, 2017. 150 p. (In Russ.).
45. McNeil M., Roberts A.M.I., Cockerell V., Mulholland V. Real-time PCR assay for quantification of Tilletia caries contamination of UK wheat seed. Plant Pathology. 2004;53:741-750.
46. Kabashnikava L.F. Molecular mechanisms of interaction between plants and phytopathogens: innate immunity. Zhurnal Belorusskogo gos. un-ta. Ekologiya = Journal of the Belarusian State University. Ecology. 2018;(2):26-37. (In Russ.).
47. Shkalikov V.A., Dyakov Yu.T., Smirnov A.N. [et al.]. Plant immunity. Moscow: KolosS Publ.; 2005. 190 p. (In Russ.).
48. Nikolaichik Y.A. Induction and suppression of plant immune response by bacterial pathogen Pectobacte-rium carotovorum. Tr. BGU = Proceedings of BSU. 2012;7(1-2):43-55. (In Russ.).
49. Glowacki S., Macioszek V.K., Kononowicz A.K. Proteins as fundamentals of plant innate immunity. Cellular & Molecular Biology Lettars. 2011;16:1-24.
50. Shafikova T.N., Omelichkina Yu.V. Molecular genetic aspects of plant immunity to phytopathogenic bacteria and fungi. Fiziologiya rastenii = Plant Physiology. 2015;62(5):611-627, doi: 10.7868/S0015330315050140. (In Russ.).
51. Kopytina D.A., Kasenova A.M., Omasheva M.E., Kachieva Z.S., Galiakparov N.N. Molecular basis of plant immunity. Biotekhnologiya. Teoriya i praktika = Biotechnology. Theory and practice. 2012;(3):31-41. (In Russ.).
52. Vakhrusheva O.A., Nedospasov S.A. The system of innate immunity in plants. Molekulyarnaya biologiya = Molecular Biology. 2011;45(1):20-29. (In Russ.).
53. Polturak G., Dippe M., Stephenson M.J., Misra R.C., Owen C., Ramirez-Gonzalez R.H., Haidoulis J.F., Schoonbeek H.J., Chartrain L., Borrill P., Nelson D.R., Brown J.K.M., Nicholson P., Uauy C., Osbourn A. Pathogen-induced biosynthetic pathways encodedefense-related molecules in bread wheat. PNAS. 2022;119(16):e2123299119, https://doi.org/10.1073/pnas.2123299119.
54. Gröll K., Graeff S., Claupein W. Use of Vegetation indices to detect plant diseases. Agrarinformatik im Spannungsfeld zwischen Regionalisierung und globalen Wertschöpfungsketten, Referate der 27. GIL Jahrestagung, 5.-7. März 2007. Stuttgart, Germany, 2007:91-94.
Информация об авторах
Василий Александрович Чохели - кандидат биологических наук, младший научный сотрудник, ведущий инженер, Ботанический сад.
Павел Александрович Дмитриев - кандидат биологических наук, старший научный сотрудник, Ботанический сад.
Борис Леонидович Козловский - кандидат биологических наук, старший научный сотрудник, Ботанический сад.
ISSN 1026-2237 BULLETINOFHIGHEREDUCATIONAL INSTITUTIONS. NORTHCAUCASUSREGION. NATURAL SCIENCE. 2022. No. 4-2
Виктория Вячеславовна Степаненко - биолог, Ботанический сад. Анастасия Анатольевна Дмитриева - лаборант, Ботанический сад.
Анастасия Аркадьевна Бушкова - студент, кафедра ботаники, Академия биологии и биотехнологии им. Д.И. Ивановского.
Вишну Даял Раджпут - ведущий научный сотрудник, Академия биологии и биотехнологии им. Д.И. Ивановского.
Денис Павлович Купрюшкин - директор учебно-опытного хозяйства «Недвиговка», Академия биологии и биотехнологии им. Д.И. Ивановского.
Ольга Анатольевна Капралова - кандидат биологических наук, старший научный сотрудник, Ботанический сад.
Татьяна Викторовна Вардуни - доктор биологических наук, профессор, директор Ботанического сада.
Information about the authors
Vasiliy A. Chokheli - Candidate of Science (Biology), Junior Researcher, Leading Engineer, Botanical Garden.
Pavel A. Dmitriev - Candidate of Science (Biology), Senior Researcher, Botanical Garden.
Boris L. Kozlovsky - Candidate of Science (Biology), Senior Researcher, Botanical Garden.
Victoriya V. Stepanenko - Biologist, Botanical Garden.
Anastasia A. Dmitrieva - Laboratory Assistant, Botanical Garden.
Anastasia A. Bushkova - Student, Department of Botany, Academy of Biology and Biotechnology. Vishnu Dayal Rajput - Leading Researcher, Academy of Biology and Biotechnology.
Denis P. Kupryushkin - Director of the Educational and experimental farm "Nedvigovka ", Academy of Biology and Biotechnology.
Olga A. Kapralova - Candidate of Science (Biology), Senior Researcher, Botanical Garden. Tatiana V. Varduny - Doctor of Science (Biology), Professor, Director of the Botanical Garden.
Статья поступила в редакцию 11.07.2022; одобрена после рецензирования 16.08.2022; принята к публикации 15.11.2022. The article was submitted 11.07.2022; approved after reviewing 16.08.2022; accepted for publication 15.11.2022.
