Nút mạch là gì? Các công bố khoa học về Nút mạch

Chế độ ăn uống đóng vai trò quan trọng trong sự phát triển và phòng ngừa bệnh tim mạch (CVD), nhưng các cơ chế phân tử chưa được hiểu rõ hoàn toàn. DNA methyl hóa đã được cho là một cơ chế phân tử cơ bản có thể giải thích cho ảnh hưởng của các yếu tố chế độ ăn uống đối với sự phát triển và phòng ngừa bệnh CVD. DNA methyl hóa là một quá trình di truyền biểu sinh cung cấp “dấu hiệu” trong bộ gen mà theo đó các gen được kích hoạt hoặc làm nhạt đi. Các dấu hiệu di truyền biểu sinh có thể truyền từ thế hệ này sang thế hệ khác nhưng cũng nhạy cảm trước sự thay đổi môi trường, chẳng hạn như thay đổi về tình trạng dinh dưỡng, và đặc biệt nhạy cảm trong quá trình phát triển. S-adenosylmethionine là chất cho nhóm methyl cho quá trình DNA methyl hóa và nhiều chất dinh dưỡng là cần thiết cho sản xuất S-adenosylmethionine. Các chất dinh dưỡng chứa nhóm methyl này bao gồm vitamin (folate, riboflavin, vitamin B12, vitamin B6, choline) và acid amin (methionine, cysteine, serine, glycine). Do đó, sự mất cân bằng trong sự chuyển hóa của những chất dinh dưỡng này có khả năng ảnh hưởng đến việc methyl hóa DNA. Mục tiêu của bài đánh giá này là cung cấp một cái nhìn tổng quan về sự hiểu biết hiện tại về mối quan hệ giữa tình trạng chất dinh dưỡng chứa nhóm methyl và các kiểu methyl hóa DNA cũng như vai trò tiềm năng của sự tương tác này trong bệnh lý CVD.

Conventional methods of plant nutrient estimation for nutrient management need a huge number of leaf or tissue samples and extensive chemical analysis, which is time-consuming and expensive. Remote sensing is a viable tool to estimate the plant’s nutritional status to determine the appropriate amounts of fertilizer inputs. The aim of the study was to use remote sensing to characterize the foliar nutrient status of mango through the development of spectral indices, multivariate analysis, chemometrics, and machine learning modeling of the spectral data. A spectral database within the 350–1050 nm wavelength range of the leaf samples and leaf nutrients were analyzed for the development of spectral indices and multivariate model development. The normalized difference and ratio spectral indices and multivariate models–partial least square regression (PLSR), principal component regression, and support vector regression (SVR) were ineffective in predicting any of the leaf nutrients. An approach of using PLSR-combined machine learning models was found to be the best to predict most of the nutrients. Based on the independent validation performance and summed ranks, the best performing models were cubist (R2 ≥ 0.91, the ratio of performance to deviation (RPD) ≥ 3.3, and the ratio of performance to interquartile distance (RPIQ) ≥ 3.71) for nitrogen, phosphorus, potassium, and zinc, SVR (R2 ≥ 0.88, RPD ≥ 2.73, RPIQ ≥ 3.31) for calcium, iron, copper, boron, and elastic net (R2 ≥ 0.95, RPD ≥ 4.47, RPIQ ≥ 6.11) for magnesium and sulfur. The results of the study revealed the potential of using hyperspectral remote sensing data for non-destructive estimation of mango leaf macro- and micro-nutrients. The developed approach is suggested to be employed within operational retrieval workflows for precision management of mango orchard nutrients.