La distancia euclidiana puede reconocer el mejor genotipo y entorno de Stevia para producir rebaudiósido y esteviósido en condiciones controladas
DOI:
https://doi.org/10.21704/pja.v6i3.1974Palabras clave:
bioestadística, Métodos de búsqueda, glucósidos, rasgos fenotípicos, hierba dulceResumen
Stevia rebaudiana se considera una importante planta medicinal que posee edulcorantes glucósidos bajos en calorías. El presente trabajo describe la comparación de tres genotipos de stevia (IBT 1, IBT 2 e IBT 3) en dos ambientes contrastantes simulados bajo condiciones controladas: Sullana en Perú; y Misiones en Paraguay (considerado como el centro de origen de la Stevia). Exploramos la distancia euclidiana como un indicador integrador para la selección simultánea de varios rasgos de stevia. Los científicos de plantas suelen registrar múltiples indicadores morfológicos, fisiológicos y bioquímicos en sus experimentos. Las evaluaciones de datos estadísticos comunes implican análisis univariados como la prueba t, Mann-Whitney y el análisis de varianza seguido de Tukey HSD. Sin embargo, dichos análisis no evalúan integralmente los efectos de los tratamientos experimentales porque cada indicador se analiza de forma independiente. Se calculó la distancia euclidiana de cada combinación de tratamientos al fenotipo ideal de las plántulas de stevia. IBT 2 cultivado en condiciones ambientales de Sullana presentó los mejores resultados integrales, mientras que IBT 1 mostró los peores resultados. El análisis indica que el uso de la distancia euclidiana podría contribuir a establecer una evaluación más integrada de los genotipos contrastantes de Stevia. Así también, puede ayudar a comparar diferentes rasgos fenotípicos.
Descargas
Referencias
Angassa, D., & Mohammed, J. (2022). Agro-morphological Variability Study of Ethiopian Barley (Hordeum vulgare L.) Accessions for Their Important Agronomical Traits at Hadiya Zone, Southern Ethiopia. J Plant Sci., 10,19–25
Blasius, J., Eilers, P., & Gower, J. C. (2009). Better Biplots. Computational Statistics and Data Analysis, 53(8), 3145–3158
Brahmachari, G., Mandal, L. C., Roy, R., Mondal. S., & Brahmachari, A. K. (2011). Stevioside and related compunds - molecules of pharmaceutical promise: a critical overview. Arch Pharm, 344(1), 5–19
Büyük, G., Bayram, C. A., İnan, M., & Kırpık, M. (2022). The effect of organic and inorganic fertilizers on plant nutrient content and agronomic performance of stevia. Journal of Plant Nutrition, 45(15), 2303–2314. https://doi.org/10.1080/01904167.2022.2063739
Chapman, S., Shenk, P., Kazan, K., & Manners, J. (2001). Using Biplots to interpret gene expression pattern in plants. Bioinf Applic Note, 18(1), 202–204
Christaki, E., Bonos. E., Giannenas. I., Karatzia, M. A., & Florou-Paneri, P. (2013). Stevia rebaudiana as a novel source of food additives. Journal of Food & Nutrition Research, 52(4), 167–178.
Duda, R., Hart, P., & Stork, D. (2001). Pattern Classification. John Wiley & Sons Inc, New York.
Faria, J. C., Demétrio, C. G. B., & Allaman, I. B. (2008). BPCA: Biplot of multivariate data based on principal components analysis (R package; version 1.02) UESC and ESALQ, Ilheus, Bahia, Brasil and Piracicaba, Sao Paulo, Brasil. http://CRAN.R-project.org/package=bpca
Fliege, J., Qi, H-D., & Xiu, N. (2019). Euclidean distance matrix optimization for sensor network localization. In: C. Gao, G. Zhao & H. Fourati (eds.), Cooperative Localization and Navigation: Theory, Research and Practice. CRC Press, Boca Raton, FL
Gabriel, K. R. (2002). Goodness of fit of biplots and correspondence analysis. Biometrika, 89(2), 423–436
Giuffre, L., Romaniuk, R., & Ciarlo, E. (2013). Stevia, ka’a he’e, wild sweet herb from South America-An overview. Emirates Journal of Food and Agriculture, 25(10), 746–50, https://doi.org/10.9755/ejfa.v25i10.16405
Gomez-Pando, L., Jimenez-Davalos, J., Eguiluz-de la Barra, A., Aguilar-Castellanos, E., Falconí-Palomino, J., Ibañez-Tremolada, M., Varela, M., & Lorenzo, J.C. (2009). Field performance of new in vitro androgenesis-derived double haploids of barley. Euphytica, 166, 269–276. https://doi.org/10.1007/s10681-008-9840-0
Gómez, D., Hernández, L., Yabor, L., Beemster, G. T. S., Tebbe, C. C., Papenbrock, J., & Lorenzo, J. C. (2018). Euclidean distance can identify the mannitol level that produces the most remarkable integral effect on sugarcane micropropagation in temporary immersion bioreactors. Journal of Plant Research, 131, 719–724. https://doi.org/10.1007/s10265-018-1028-7
Granahan, J., & Sweet, J. (2001). An evaluation of atmospheric correction techniques using the spectral similarity scale. IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium, 5, 2022–2024. https://doi.org/10.1109/IGARSS.2001.977890
Gusmaini, Kartikawati, A., Nurhayati, H., Permadi, R., & Syakir, M. (2022). The utilization of plant growth-promoting bacteria to enhance stevia (Stevia rebaudiana) herb yield at low land. IOP Conference Series: Earth and Environmental Science, 974, 012028. https://doi.org/10.1088/1755-1315/974/1/012028
Haque, F., & Haque, S. (2018). Plant recognition system using leaf shape features and minimum Euclidean distance. Ictact Journal On Image And Video Processing, (9)2, 1919–1925
Hossain, M., Islam, M., Islam, M., & Akhtar, S. (2017). Cultivation and uses of stevia (Stevia rebaudiana Bertoni): A review. African J. Food Agric. Nut. Dev. 17(4), 12745–12757. https://doi.org/10.18697/ajfand.80.16595
Ichino, M. (1988). General metrics for mixed features-the cartesian space theory for pattern recognition. Proceedings of the 1988 IEEE International Conference on Systems, Man, and Cybernetics, 494–497. https://doi.org/10.1109/ICSMC.1988.754346
Ijaz, M., Pirzada, A. M., Saqib, M., & Latif, M. (2015). Stevia rebaudiana: An alternative sugar crop in Pakistan–a review. Zeitschrift für Arznei- & Gewürzpflanzen, 20(2), 88–96
Jafar, M., & Zilouchian, A. (2001). Application of soft computing for desalination technology. In: A. Zilouchian & M. Jamshidi (eds.), Intelligent Control Systems Using Soft Computing Methodologies. (pp. 315–353). CRC Press, Boca Raton.
Kantardzic, M. (2003). Data mining: concepts, models, methods and algorithms. Wiley-IEEE Press.
Kogan, J. (2007). Introduction to Clustering Large and High Dimensional Data. Cambridge University Press, New York,
Krzanowski, W. J. (2004). Biplots for multifactorial analysis of distance. Biometric, 60(2), 517–524
Lorenzo, J. C., Varela, M., Hernández, M., Gutiérrez, A., Pérez, A., Loyola, O. (2013). Integrated criteria to identify the best treatment in plant biotechnology experiments. Acta Physiol Plant, 35, 3261–3264. https://doi.org/10.1007/s11738-013-1352-4
Lorenzo, J. C., Yabor, L., Medina, N., Quintana, N. & Wells V. (2015). Coefficient of variation can identify the most important effects of experimental treatments. Not Bot Horti Agrobo Cluj-Nap,43(1), 287–291. https://doi.org/10.15835/nbha4319881
Tavazoie, S., Hughes, J. Campbell, M., Cho, R., & Church, G. (1999). Systematic determination of genetic network architecture. Nat Genet, 22, 281–285. https://doi.org/10.1038/10343
Villalobos-Olivera, A., Hernández, L., Martínez, J., Quintana, N., Zevallos, B. E., Yabor, L., Martínez-Montero, M. E., González-Olmedo, J., Sershen, J. C. L. (2019) Euclidean distance can recognize the Biojas® concentration that produces the ideal physiological status of pineapple in vitro-plantlets. In Vitro Cell.Dev.Biol.-Plant, 56, 259–263 (2020). https://doi.org/10.1007/s11627-019-10023-5
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2022 María de Lourdes Tapia y Figueroa, Luz R. Gómez Pando
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
