CC BY
28
УДК 577.19+577.29
1,2Е.А. Курашов, 3Е.В. Федорова, 2Ю.В. Крылова
'Институт озероведения РАН, [email protected] 2Государственный научно-исследовательский институт озерного и речного
рыбного хозяйства им. Л.С. Берга 3 ООО «Онтаргет ЛАБС»
ИСПОЛЬЗОВАНИЕ МЕТОДА QSAR ДЛЯ ВЫЯВЛЕНИЯ НАИБОЛЕЕ ПЕРСПЕКТИВНЫХ АЛЛЕЛОХЕМИКОВ В ОТНОШЕНИИ ЦИАНОБАКТЕРИЙ
Проведено исследование потенциальных биологических активностей мажорных низкомолекулярных метаболитов водных макрофитов при помощи метода Р8ЛЯ. Выявлены наиболее перспективные аллелохемики, способные индуцировать подавление роста цианобактерий. Дальнейшие исследования на основе полученных результатов предполагают уточняющие экспериментальные исследования реакции различных видов цианобактерий на воздействие избранных аллелохемиков. Полученные результаты подтверждают необходимость и перспективность разработки конвергентной технологии ограничения развития цианобактерий в водных экосистемах на основе природного механизма аллелопатии.
Ключевые слова: аллелопатия; аллелохемики; водные макрофиты; цианобактерии; Р8ЛЯ.
Введение
Аллелопатия является одним из механизмов, при помощи которого происходит регуляция развития популяций растений и цианобактерий в водных гидробиоценозах (Fink, 2007). Несмотря на важность этого явления в природе, аллелопатия в водных местообитаниях существенно менее изучена, чем в наземных экосистемах среди высших растений, хотя она должна рассматриваться как важнейший регулирующий фактор динамики и состава фитопланктонных сообществ (Cyanobac-teria ..., 2013).
Аллелопатические взаимодействия осуществляются через синтез специфических низкомолекулярных органических соединений (НОС) (в том числе летучих) - аллелохемиков. Высшие водные растения представляют собой один из ключевых компонентов внутренних водоемов, выполняя важнейшую средообразующую функцию. В том числе, ряд видов макрофитов являются активными продуцентами аллелохемиков, подавляя развитие фитопланктона в мелководных озерах (Blindow et al., 2002; Hilt, Gross, 2008).
Показано (Курашов и др., 2014), что из исследованных макрофитов (учитывая наши данные и литературные источники) наиболее перспективными, в качестве продуцентов аллелохемиков, можно считать Myriophyllum spicatum L, Cera-tophyllum demersum L., Nuphar lutea (L.) Smith., Elodea canadensis Michx., а также представителей рода Potamogeton и сем. Characeae.
Использование аллелохемиков водных макрофитов лежит в основе разрабатываемого метода метаболитного контроля «цветения» водоемов при эвтрофировании (Hu, Hong, 2008). В этой связи стоит задача выбора наиболее перспективных аллелохемиков, которые могли бы использоваться в виде природных альгицидов для подавления развития цианобактериального «цветения» водоемов. Однако к настоящему времени в наших исследованиях выявлено свыше 1200 НОС - метаболитов водных макрофитов. Кроме того, выявленные НОС могут характеризоваться множественностью биологических эффектов, экспериментально открыть и проверить которые весьма затруднительно. Оптимальным решением проблемы обнаружения наиболее перспективных метаболитов-аллелохемиков является использование биоинформационной методологии QSAR (Quantitative Structure-Activity Relationship), т.е. прогнозирование характеристик биологической активности по структурам химических соединений) (Filimonov et al., 2014). Данный метод позволяет подобрать наиболее перспективные соединения в натуральном сырье, обладающие тем или иным необходимым эффектом, для их дальнейшего целенаправленного экспериментального исследования для целей медицинского, фармакологического, биологического или экологического применения.
В связи с этим, целью настоящей работы было: для идентифицированных мажорных компонен-
тов эфирного масла водных макрофитов спрогнозировать спектр биологических активностей при помощи процедур QSAR и выявить соединения перспективные для дальнейших экспериментальных исследований для целей подавления развития цианобактерий.
Материалы и методы исследования
Все выявленные НОС у водных макрофитов заслуживают внимания с точки зрения оценки их биологической активности. Однако на данном этапе целесообразно было сосредоточиться на выявлении типов биологической активности у мажорных компонентов (> 1 % по содержанию в эфирном масле) всего спектра НОС.
Информация о составе мажорных НОС различных видов водных макрофитов, произрастающих в разнотипных водоемах европейской части России, Республики Беларусь и Украины, была получена из результатов наших исследований, в том числе, частично опубликованных (Курашов и др., 2014; Крылова и др., 2016а; Крылова и др., 2016б; Курашов и др., 2018а; Курашов и др., 2018б; Kurashov et al., 2016).
Для оценки биологических активностей НОС в рамках использования процедур QSAR использовалась компьютерная система PASS (Prediction of Activity Spectra for Substances - прогноз спектров биологической активности органических соединений) (Филимонов и др., 1985; Поройков и др., 1996; Филимонов, Поройков, 2006) в ее современной версии PASS 2014 Refined (http://genexplain. com/pass/), позволяющей предсказывать с точностью выше 95% около 7000 видов биологической активности органических соединений (Filimonov et al., 2014).
PASS 2014 - компьютерная программа, позволяющая выполнять прогноз спектров биологической активности химических соединений на основе анализа взаимосвязей «структура-активность» в обучающей выборке. При обучении PASS генерируется база знаний, содержащая информацию о взаимосвязях между структурой химических соединений и их действием на белки-мишени (Structure-Activity Relationships Base - SAR base), которая в дальнейшем используется для прогноза. Результаты прогноза PASS Targets для каждой анализируемой молекулы содержат списки мишеней с оценками вероятности наличия взаимодействия - Pa и вероятности отсутствия взаимодействия - P В процессе обучения в программе PASS производится валидация точности прогноза по методу скользящего контроля с исключением по одному (Leave-One-Out Cross-Validation - LOO CV): из обучающей выборки
поочередно исключается по одному соединению, для которого выполняется прогноз на основе данных об оставшихся в обучающей выборке соединениях. Процесс повторяется итеративно для всех соединений из обучающей выборки. Результаты сопоставляют с известными экспериментальными данными об активности, и на основе этого сравнения рассчитывается критерий оценки точности прогноза - инвариантная точность прогноза (Invariant Accuracy of Prediction - IAP). IAP численно соответствует вероятности того, что пара соединений (активное и неактивное), взятая из выборки случайным образом, будет правильно классифицирована программой (значение Pa для активного соединения будет выше, чем значение Pa для неактивного).
Критерий оценки точности IAP также может быть рассчитан по методу двадцатикратной кросс-валидации (20-fold Cross Validation - 20-fCV). В качестве входной информации в программе PASS используется информация о структурной формуле молекулы, представленная в виде файла в формате Molfile (BIOVIA, Inc., http://www.3ds-biovia.com/) (для одной структуры), либо в виде файла в формате SDfile (BIOVIA, Inc., http://ww-w.3dsbiovia.com/) - для выборки структур (Dalby et al., 1992).
В качестве выходной информации пользователь получает список прогнозируемых видов активности с оценками вероятности наличия каждого вида активности Pa и вероятности отсутствия каждого вида активности P которые могут принимать значения в диапазоне от нуля до единицы. Вероятности Pa и Pi являются также оценками вероятностей ошибок первого и второго рода, соответственно. Их можно рассматривать и как меры принадлежности прогнозируемого соединения к нечетким классам «активных» и «неактивных» веществ. Все эти интерпретации вероятностей P и P являются эквивалентными и полезными
a i
для анализа результатов прогноза. На их основе можно сконструировать самые разные критерии анализа результатов прогноза, соответствующие решению конкретных практических задач. Чем больше для конкретной активности величина Pa и, чем меньше величина Pi, тем больше шанс обнаружить данную активность в эксперименте.
Фактически оценки вероятности проявления активности (P3 - соединение активно; Pi - неактивно) нам важны для целей дальнейших экспериментальных работ с конкретным соединением. Чем больше, в общем случае, Ра - тем перспективней может быть данное соединение в отношении ожидаемого эффекта. Порог Pa>Pi используется «по умолчанию» для отсечения вероятных видов
активности при прогнозе.
Результаты и их обсуждение
Для 30 мажорных соединений-метаболитов в соответствии с процедурой QSAR были просчитаны и оценены более 2700 биологических активностей (табл.). Этот полученный огромный материал был сформирован в виде базы биологических активностей мажорных метаболитов водных макрофитов для того, чтобы понимать, за счет чего при использовании конкретных метабо-литов-аллелохемиков может идти ингибирование развития цианобактерий.
Анализ базы данных показал, что наибольшее число биоактивностей с Ра>0.7 характерно для одноосновных предельных карбоновых кислот, 14-пентадеценовой кислоты и галловой кислоты. Другие карбоновые кислоты, такие как цис-6-ок-тадеценовая кислота, цис-9-октадеценовая кислота, пальмитолеиновая кислота, линоленовая кислота и 9-цис-12-цис-линолевая кислота также характеризуются высокой вероятностью проявления различных биоактивностей в отношении цианобактерий (табл.). Результат, вытекающий из анализа базы данных, включающей в общей сложности 68364 оценок биоактивностей для избранных НОС макрофитов, согласуется с литературными данными о антицианобактериальной активности карбоновых кислот и галловой кислоты (Nakai et al., 2000; Nakai et al., 2005).
Анализ результатов показал, что для карбоно-вых кислот характерно наибольшее разнообразие биоактивностей с наивысшей вероятностью проявления (Ра>0.9) способных индуцировать подавление роста цианобактерий:
1) карбоксипептидазная ингибирующая активность (ингибитор Taq карбоксипептидазы (Carboxypeptidase Taq inhibitor)). Наличие данной активности свидетельствует об общей карбокси-пептидазной ингибирующей активности тестируемого соединения. Таким образом, высокая карбоксипептидазная ингибирующая активность будет способствовать подавлению роста циано-бактериальной культуры;
2) нарушения цикла гликогена у цианобак-терий (Ингибитор глюкан-эндо-1,3-бета^-глю-козидазы (Glucan endo-1,3-beta-D-glucosidase inhibitor)). Данная ингибирующая функция будет приводить к нарушениям цикла гликогена у циа-нобактерий (Konishi et al., 1995; Attwater, 2010).
3) ингибирование процессов синтеза ксило-зидазы у цианобактерий (ингибитор ксилан-эн-до-1,3-бета-ксилозидазы (Xylan endo-1,3-beta-xylosidase inhibitor)). В работе (Attwater, 2010) показано, что цианобактерии Nodularia spumigena
Mertens ex Bornet & Flahault и Microcystis aeruginosa Kutzing продуцируют следующие внеклеточные ферменты: лауратэстеразу, капри-латэстеразу, пропионатную эстеразу, бутиратэ-стеразу, ацетатэстеразу, фосфатазу, сульфатазу, Р-глюкуронидазу, целлобиозидазу, а-глюкозидазу, Р-глюкозидазу, ксилозидазу, Р-фукозидазу, Р-га-лактозидазу, P-N-ацетилглюкозаминидазы, гуани-динобензоатпротеазы и лейцин-аминопептидазы. Таким образом, данная активность будет ингиби-ровать процессы синтеза ксилозидазы у циано-бактерий;
4) ингибирование эндопептидаз, приводящее к нарушениям в формировании участков клеточной оболочки (IgA-специфический ингибитор металлоэндопептидазы, ингибитор эндопепти-дазы (IgA-specific metalloendopeptidase inhibitor, Endopeptidase So inhibitor)). В работе (Loffelhardt, Bohnert, 2004) были получены данные по биосинтезу растворимого предшественника UDP-N-а-цетилмурамилпентапептида в строме цианелл. Показано, что биосинтез осуществляется по пути, аналогичному таковому у Escherichia coli (Migula). Полученные результаты показали, что ферменты, действующие на уже полимеризован-ные участки пептидогликана (такие как DD- и LD-карбоксипептидаза и эндопептидаза) расположены в периплазме цианеллы. Выявлено, что пептидогликан в периплазматическом пространстве зажат между внешней и внутренней мембранами и что ферменты находятся на внешней поверхности внутренней мембраны. Таким образом, ингибирование эндопептидаз будет приводить к нарушениям в формировании участков клеточной оболочки цианобактерий.
Для галловой же кислоты характерны другие биоактивности с наивысшей вероятностью проявления (Ра > 0.9), способные индуцировать подавление роста цианобактерий: ингибитор 4-эпимеразы UDP-N-ацетилглюкозамина (UDP-N-acetylglucosamine 4-epimerase inhibitor)) и ингибитор глутамилэндопептидазы II ( Glutamyl endopeptidase II inhibitor), которые также приводят к нарушениям в формировании участков клеточной оболочки.
Пептидогликан (или муреин) - это макромо-лекула-гетерополимер, построенный из цепочек, в которых чередуются остатки N-ацетилглюко-замина и N-ацетилмурамовой кислоты (N-аце-тилглюкозаминлактата), которые соединяются между собой Р-1,4-гликозидными связями (Шле-гель, 1987). Данное вещество характерно только для бактерий, но найдено также у глаукоцисто-фитовых водорослей, в которых оно входит в состав клеточных стенок цианелл, эволюционно
Таблица. Общее число биоактивностей мажорных метаболитов водных макрофитов, общее число биоактивностей, проявляющихся в отношении цианобактерий и число биоактивностей в отношении цианобактерий с вероятностью проявления Р >0.7 (оценка по методу QSAR)
№ НОС Общее число оцененных биоактивностей Общее число биоактивностей в отношении цианобактерий Число биоактивностей в отношении цианобактерий с Р > 0.7 а
1 галловая кислота (gallic acid) 2594 50 18
2 нонановая кислота (nonanoic acid) 2712 52 19
3 октадекановая кислота (octadecanoic acid) 2712 52 19
4 цис-6-октадеценовая кислота (cis-6-octadecenoic acid) 2481 49 12
5 цис-9-октадеценовая кислота (cis-9-octadecenoic acid) 2481 49 12
6 6,10,14-триметилпентадекан-2-он (6,10,14-trimethylpentade-can-2-one) 2055 44 4
7 14-пентадеценовая кислота (14-pentadecenoic acid) 2712 50 19
8 линоленовая кислота (linolenic acid) 2332 49 11
9 3,7,11,15-тетраметилгексадец-2-ен-1-ил ацетат (3,7,11,15-tetramethylhexadec-2-en-1-yl acetate) 1341 44 0
10 додекановая кислота (dodecanoic acid) 2712 52 19
11 тетрадеканаль (tetradecanal) 2266 48 11
12 5,8,11-гептадекатриен-1-ол (5,8,11-heptadecatrien-1-ol) 2262 45 8
13 цис-цис-цис-7,10,13-гексадекатриеналь (cis,cis,-cis-7,10,13-hexadecatrienal) 1885 45 4
14 1-этенил-4-метоксибензол (1-ethenyl-4-methoxybenzene) 2009 43 1
15 октановая кислота (octanoic acid) 2712 52 19
16 деканаль (decanal) 2266 48 11
17 декановая кислота (decanoic acid) 2712 52 19
18 пентадекановая кислота (pentadecanoic acid) 2712 50 19
19 бензальдегид (benzaldehyde) 2410 48 8
20 гексеналь (hexenal) 2091 47 6
21 фенилметил бензоат (phenvlmethvl benzoate) 2496 53 10
22 гептановая кислота (heptanoic acid) 2712 52 19
23 тридекановая кислота (tridecanoic acid) 2712 52 19
24 антикопаловая кислота (anticopalic acid) 477 4 0
25 1-бутил-3-(2-хлор-4,6-диметил-пиридин-3-ил)-моче-вина (1-butvl-3-(2-chloro-4,6-dimethvl-pvridin-3-yl)-urea) 407 7 1
26 пальмитолеиновая кислота (palmitoleic acid) 2481 51 12
27 тетрадекановая кислота (tetradecanoic acid) 2712 52 19
28 9-цис-12-цис-линолевая кислота (9-cis,12-cis-linoleic acid) 2375 49 12
29 гексадекановая кислота (hexadecanoic acid) 2712 52 19
30 фитол (phytol) 1823 48 1
ВСЕГО оценок 68364 - -
происходящих из древних бактерий (Löffelhardt, Bohnert, 2004). Пептидогликан является важнейшим компонентом клеточной стенки цианобактерий, формируя ее опорный скелет. Он выполняет защитные функции (например, осмотическая защита), механические функции, а также антигенные функции. Поэтому активное ингибирование формирования пептидогликана будет приводить к деградации цианобактериальной популяции.
Заключение
Исследования потенциальных биологических активностей мажорных НОС водных макрофитов при помощи метода QSAR показали, что для кар-боновых кислот и галловой кислоты характерны различные типы биоактивностей с наивысшей вероятностью проявления (Ра>0.9), способные индуцировать подавление роста цианобактерий. Дальнейшие исследования на основе полученных результатов предполагают уточняющие экспериментальные исследования реакции различных видов цианобактерий на воздействие избранных аллелохемиков. Наличие у метаболитов макро-фитов выраженных биоактивностей с высокой вероятностью проявления в отношении супрессии различных функций развития цианобактерий подтверждают необходимость и перспективность разработки конвергентной технологии ограничения развития цианобактерий в водных экосистемах на основе такого природного механизма как аллелопатия.
Работа выполнена в рамках государственного задания ИНОЗ РАН по теме № 0154-2018-0001 -01201363377.
Список литературы
1. Крылова Ю.В., Курашов Е.А., Митрукова Г.Г. Компонентный состав летучих низкомолекулярных органических соединений Ceratophyllum demersum (Ceratophyllaceae), произрастающего в различных климатических условиях // Вода: химия и экология. 2016а. № 8. С. 11-25.
2. Крылова Ю.В., Курашов Е.А., Митрукова Г.Г. Компонентный состав эфирного масла Potamogeton perfoliatus L. из Ладожского озера в начале периода плодоношения // Химия растительного сырья. 2016б. №2. С. 79-88.
3. Курашов Е.А., Крылова Ю.В., Митрукова Г.Г., Чернова А.М. Летучие низкомолекулярные метаболиты водных макрофитов, произрастающих на территории России, и их роль в гидроэкосистемах // Сибирский экологический журнал. 2014. №4. С. 573-591.
4. Курашов Е.А., Крылова Ю.В., Егорова А.А., Хамитов А.С., Ходонович В.В., Явид Е.Я. Перспективы использования низкомолекулярного метаболома водных макрофитов для индикации экологического состояния водных экосистем // Вода: химия и экология. 2018а. №1-3. С. 68-79.
5. Курашов Е.А., Митрукова Г.Г., Крылова Ю.В. Межгодовая изменчивость состава низкомолекулярных метаболитов Ceratophyllum demersum (Ceratophyllaceae) в пойменном озере с изменяющимся трофическим состоянием // Сибир-
ский экологический журнал. 2018б. №2. С. 207-224.
6. Поройков В.В., Филимонов Д.А., Степанчикова А.В., Рудницких А.В., Будунова А.П., Шилова Е.В., Селезнева Т.М., Гончаренко Л.В. Оптимизация синтеза и фармакологического исследования веществ на основе компьютерного прогнозирования их спектров биологической активности // Хим.-фарм. журн. 1996. Т. 30, №9. С. 20-23.
7. Филимонов Д.А., Поройков В.В. Прогноз спектра биологической активности органических соединений // Российский химический журнал. 2006. Т. L, № 2. С. 66-75.
8. Филимонов Д.А., Поройков В.В., Караичева Е.И. Компьютерное прогнозирование спектра биологической активности химических соединений по их структурной формуле: система PASS // Экспериментальная и клиническая фармакология. 1985. Т. 58, №2. С. 56-62.
9. Шлегель Г. Общая микробиология. М: Мир, 1987. 567 с.
10. Attwater L.J. Extracellular enzymes of cyanobacteria Nodularia spumigena, Microcystis aeruginosa and green alga Mychonastes homosphaera // MSc Thesis. University of Western Sydney, 2010. 123 p. [URL: http://researchdirect.uws.edu.au/is-landora/object/uws%3A11165/ datastream/PDF/view].
11. Blindow I., Hargeby A., Andersson G. Seasonal changes of mechanisms maintaining clear water in a shallow lake with abundant Chara vegetation // Aquatic Botany. 2002. V.72. P. 315-334.
12. Cyanobacteria: Ecology, Toxicology and Management. Aloysio Da S. Ferrao-Filho (Ed.). Nova Science Pub Inc., New York, 2013. 225 p.
13. Dalby A., Nourse J.G., Hounshell W.D., Gushurst A.K.I., Grier D. L., Leland B.A., Laufer J. Description of several chemical structure file formats used by computer programs developed at Molecular Design Limited // J. Chem. Inf. Comput. Sci. 1992. V. 32. P. 244-255.
14. Filimonov D.A., Lagunin A.A., Gloriozova T.A., Rudik A.V., Druzhilovskii D.S., Pogodin P.V., Poroikov V.V. Prediction of the biological activity spectra of organic compounds using the PASS online web resource // Chemistry of Heterocyclic Compounds. 2014. V.50, № 3. P. 444-457.
15. Fink P. Ecological functions of volatile organic compounds in aquatic systems // Mar. Freshwater Behav. Physiol. 2007. V 40, № 3. P. 155-168.
16. Hilt S., Gross E.M. Can allelopathically active submerged macrophytes stabilize clear-water states in shallow lakes? // Basic and Applied Ecology. 2008. V. 9. P. 422-432.
17. Hu H., Hong Y. Algal-bloom control by allelopathy of aquatic macrophytes—A review // Front. Environ. Sci. Engin. China. 2008. V. 2, № 4. P. 421-438.
18. Konishi Y., Takahashi N., Muthuvelan B., Fujimori K. Glycogen as Primordial Carbon Reserve and a-Glucosidase in the Genera Lynghya-Phormidium-Plectonema, Thermophilic Cyanobacteria // Bioscience, Biotechnology, and Biochemistry. 1995. V. 59. P. 546-548. DOI: 10.1271/bbb.59.546
19. Kurashov E.A., Mitrukova G.G., Krylova J.V., Aleshina D.G., Bataeva Y.V., Astafyeva O.V. Low-molecular weight metabolites in Spirodela polyrhiza (L.) Scheiden from Northwest Russia in the middle of the growing season // PONTE. 2016. V. 72, №10. P. 10-22.
20. Loffelhardt W., Bohnert H.J. Molecular Biology of Cy-anelles // The Molecular Biology of Cyanobacteria, 2004. P. 65-89.
21. Nakai S., Inoue Y., Hosomi M., Murakami A. Myrio-phyllum spicatum-released allelopathic polyphenols inhibiting growth of blue-green algae Microcystis aeruginosa // Water Res. 2000. V. 34. №11. P. 3026-3032.
22. Nakai S., Yamada S., Hosomi M. Anti-cyanobacterial fatty acids released from Myriophyllum spicatum // Hydrobiologia. 2005. V. 543. P. 71-78.
E.A. Kurashov, E.V. Fedorova, Yu.V. Krylova. Using the QSAR method to identify the most perspective allelochemicals in relation to cyanobacte-ria.
The study of potential biological activities of major low-molecular weight metabolites of aquatic macrophytes was carried out with QSAR. The most perspective allelochemicals capable to induce growth inhibition of cyanobacteria were identified. Further studies on the basis of the results suggest specifying experimental studies of the reaction of various types of cyanobacteria to the effects of selected allelechem-icals. The obtained results confirm the necessity and prospects of development of convergent technology for suppressing the development of cyanobacteria in aquatic ecosystems based on the natural mechanism of allelopathy.
Keywords: allelopathy; allelochemicals; aquatic macrophytes; cyanobacteria; QSAR.
Информация об авторах
Курашов Евгений Александрович, доктор биологических наук, профессор, заведующий лабораторией, Институт озероведения РАН, 196105, Россия, г. Санкт-Петербург, ул. Севастьянова, 9; главный научный сотрудник, Государственный научно-исследовательский институт озерного и речного рыбного хозяйства им. Л.С. Берга, 199053, г Санкт-Петербург, наб. Макарова, 26; E-mail: [email protected].
Федорова Елена Викторовна, кандидат химических наук, инженер-исследователь, ООО «Онтаргет ЛАБС», 191119, Россия, г. Санкт-Петербург, Литовский пр., 113, E-mail: [email protected].
Крылова Юлия Викторовна, кандидат географических наук, доцент, и.о. зав. лабораторией, Государственный научно-исследовательский институт озерного и речного рыбного хозяйства им. Л.С. Берга, 199053, Россия, г Санкт-Петербург, наб. Макарова, д.26, E-mail: [email protected].
Information about the authors
Evgeny A. Kurashov, D.Sc. in Biology, Professor, Head of Laboratory, Institute of Limnology, Russian Academy of Sciences, 9, Sevast'yanova st., St. Petersburg, 196105, Russia; Chief Researcher, Berg State Researh Institute on Lake and River Fisheries, 26, Nab. Makarova, St. Petersburg, 199053, Russia, E-mail: [email protected].
Elena V. Fedorova, Ph.D. in Chemistry, Research Engineer, OnTarget, 113, Ligovsky st., St. Petersburg, 191119, Russia, E-mail: [email protected].
Julia V. Krylova, Ph.D. in Geography, Associate Professor, Acting Head of the Laboratory, Berg State Researh Institute on Lake and River Fisheries, 26, Nab. Makarova, St. Petersburg, 199053, Russia, E-mail: [email protected].
