| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شماره‌ها | 3,086 |
| تعداد مقالات | 34,441 |
| تعداد مشاهده مقاله | 48,883,930 |
| تعداد دریافت فایل اصل مقاله | 79,338,091 |
بررسی فعالیت آنزیم پراکسیداز با استفاده از مدل‌های رگرسیون چند متغیره، شبکه عصبی مصنوعی و نروفازی در میوه سیب تیمار شده با عصاره گیاهی و عامل بیماری Penicillium expansum | ||
| آفات و بیماری های گیاهی | ||
| مقاله 1، دوره 86، شماره 1 - شماره پیاپی 106، شهریور 1397، صفحه 1-12 اصل مقاله (3.83 M) | ||
| نوع مقاله: بیماری‌شناسی گیاهی | ||
| شناسه دیجیتال (DOI): 10.22092/jaep.2018.108960.1148 | ||
| نویسندگان | ||
| جلال غلام نژاد* 1؛ روح الله تقی زاده2؛ فاطمه ناصری نسب3 | ||
| 1استادیار, دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان، یزد، ایران | ||
| 2استادیار، دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان، یزد، ایران | ||
| 3کارمند وزارت جهاد کشاورزی استان البرز؛ دانش‌آموخته‌ی دکتری بیماری‌شناسی گیاهی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران | ||
| چکیده | ||
| استفاده از عصاره‌های گیاهی به عنوان یک جایگزین مناسب به جای مصرف سموم در رابطه با بیماری‌های بعد از برداشت و به خصوص بیماری کپک آبی مطرح بوده است. اندازه‌گیری فعالیت آنزیم‌های درگیر در فعالیت‌های دفاعی گیاهی روشی کارآمد و در عین حال هزینه بر در ارزیابی سطح بیماری می‌باشد. در این تحقیق ابتدا فعالیت آنزیم پراکسیداز در هشت روز متوالی در میوه سیب که تحت تیمارهای مختلف عصاره اسطوخودوس (Lavandula officinalis) و قارچ بیمارگر Penicillium expansum قرار گرفته بود بررسی شد. سپس بر اساس اطلاعاتی که از این آزمون به دست آمد با استفاده از مدل‌های رگرسیون چند متغیره خطی، شبکه عصبی مصنوعی و مدل نروفازی فعالیت آنزیم پراکسیداز در میوه سیب پیش‌بینی شد. نتایج نشان داد در روز پنجم بیشترین میزان فعالیت آنزیم همانند روزهای قبل در سیب‌های آلوده تیمار شده با عصاره مشاهده شد و این افزیش نسب به تیمارهای دیگر معنی دار بود و بیشترین فعالیت آنزیم در همه تیمارها به غیر از شاهد سالم در این روز مشاهده شد. همچنین نتایج نشان داد که مدل نروفازی کارایی بالاتری را جهت پیش‌بینی فعالیت آنزیم پراکسیداز نسبت به سایر مدل‌ها دارد. لذا در تحقیقات آینده پیشنهاد می‌شود از مدل نامبرده جهت پیش‌بینی رفتار آنزیم‌ها استفاده شود، همچنین کاربرد چنین روش‌هایی هزینه و زمان آزمایش را کاهش می‌دهد. | ||
| کلیدواژه‌ها | ||
| آنزیم پراکسیداز؛ چند متغیره؛ رگرسیون شبکه عصبی؛ نروفازی؛ Penicillium expansum | ||
| عنوان مقاله [English] | ||
| The evaluation of peroxidase using multivariate regression models, neural networks and neuro-fuzzy in apple fruit treated with plant extract and Penicillium expansum | ||
| نویسندگان [English] | ||
| J. GHOLAMNEJAD1؛ R. TAGHIZADEH-MEHRJARDI2؛ F. NASERINASAB3 | ||
| 1Assistant Professor, Faculty of Agriculture and Natural Resources, Ardakan University, Yazd, Iran; | ||
| 2Assistant Professor, Faculty of Agriculture and Natural Resources, Ardakan University, Yazd, Iran | ||
| 3Ministry of Jihad-e Agriculture, Alborz Province; PhD. Graduate, Science and Research Branch, Islamic Azad University, Tehran, Iran | ||
| چکیده [English] | ||
| The use of plant extracts can consider as an alternative for pesticides, to control post-harvest diseases like apple blue mold. It was efficient method the measuring the enzymes activity involved in plant defense systems to evaluate the disease, but it was expensive method. At present research, the peroxidase activity in treated apple fruits with lavender extracts and pathogen during eight days was investigated. Then, we applied three common models (i.e. multiple linear regression models, neural networks and neuro-fuzzy) to predict the peroxidase activity based on the information of the previous test. The results showed the highest enzyme activity was observed in the infected apples treated with the extract in fifth days, as the days before and it was significant compared to other treatments. The most activity of peroxidase was observed in all treatments except control, was observed on the fifth day. Our constructed models revealed that neuro-fuzzy model had higher performance in the peroxidase activity prediction compared with the other models. | ||
| کلیدواژه‌ها [English] | ||
| Neural network, Neuro-fuzzy, Multivariate regression, Penicillium expansum, peroxidase, Systemic Aquried Resistance | ||
| مراجع | ||
|
Abdulaziz, A., Y. Al-Askar and M. Rashad, 2010. Efficacy of some plant extracts against Rhizoctonia solani on Pea. Journal of Plant Protection Research, 50 (3): 239-243.
Amini, M., K. C. Abbaspour, H. Khademi, N. Fathianpour, M. Afyuni and R. Schulin, 2005. Neural network models to prediction exchange capacity in arid regions of Iran. Europian Journal of Soil Science. 53: 748–757.
Azimi, A. A., H. B. Delnavaz and G. A. Mansour, 2006. Antifungal effect of aqueous alcoholic and phenolic extracts of seed and leaves of Sorghum bicolor against Fusarium solani, Fusarium poa in Persian. Journal of Medicinal Plants, 6 (1): 26 - 32.
Bakkali, F., S. Averbeck, D. Averbeck and M. Idaomar, 2008. Biological effects of essential oils- A review. Food Chemistry Toxicology, 46: 446–475.
Barcelo, A. R. 1997. Lignification in plant cell walls. International Review of Cytology, 176: 87–132.
Batta, Y. A. 2004. Effect of treatment with Trichoderma harzianum Rifia formulated in invert emulsion on postharvest decay of blue mold. Food Microbiology, 96: 281– 288.
Bradford, M. M. 1967. A rapid sensitive method for the quantification of microgram quantities of protein utilizing the principle of protein-dye binding. Analytical Biochemistry, 72: 248-254.
Brus, D. J., Kempen, B. and G. B. M. Heuvlink, 2011. Sampling for validation of digital soil maps. European Journal of Soil Science,62: 394-407.
Daayf, F., A. Schmitt and R. R. Belanger 1997. Evidence of phytoalexins in cucumber leaves infected with powdery mildew following treatment with leaf extracts of Reynoutria sachalinensis. Plant Physiology, 113: 719 – 727.
De Gara, L., M. C. de Pinto and F. Tommasi, 2003. The antioxidant systems visavis reactive oxygen species during plant–pathogen interaction. Plant Physiology and Biochemistry, 41: 863–870.
Durner, J., J. Shah and D. F. Klessig, 1997. Salicylic acid and disease in plants. Trends in Plant Science, 2: 266–274.
Etebarian, H. R., P. L. Sholberg, K. C. Eastwell, and R. J. Sayler, 2005. Biological control of apple blue mold with Pseudomonas fluorescens. Microbiology, 51: 591-598.
Gholamnejad, J., H. R. Etebarian, A. Roustaee, and N. A. Sahebani, 2009. Biological control of apples blue mold by isolates of Saccharomyces cerevisiae. Journal of Plant Protection Research, 49: 270-275.
Gholamnezhad, J., f. Sanjarian, E. m. Goltapeh, N. Safaei and K. Razavi, 2016. Effect of salicylic acid on enzyme activity in wheat in immediate early time after infection with of salacilic acid Mycosphaerella graminicola. Plant Sciences, 47: 1-8.
Gong, Y., P. M. A. Toivonen, O. L. Lau and P. A. Wiersma., 2001. Antioxidant system level in `Braeburn' apple is related to its browning disorder. Academia Sinica Taipei Journal, 42: 259-264.
Han, J., M. Kamber and J. Pei, 2011. Data mining: concepts and techniques. Elsevier.
Herger, G., F. D. Klingauf, E. H. Mangold, P. Pommer and M. Scherer, 1988. Efficacy of extracts of Reynoutria sachalinensis (F. Schmidt) Nakai against fungal diseases, especially powdery mildews. Nachrichtenblatt des Deutschen Pflanzenschutzdienstes, 40(4): 56 – 60.
Janisiewicz, W. J. and L. Korestent, 2002. Biological control of postharvest disease of fruits. Annual Review of Phytophatology, 40: 411-441.
Javadzarin, I. and B. Moteshare zadeh, 2016. Evaluation of multivariate regression models and artificial neural network to predict the activity of antioxidant enzymes in wheat shoots (Tritivum aestivum) under cadmium toxicity. Iranian Journal of Soil and Water Research, 46: 727-737. (In Persian)
Mohammadi, J. 2007. Testing an artificial neural network for predicting soil water retention characteristics from soil physical and chemical properties. 17th World Congress of Soil Science, Thailand, Paper No 221.
Mohammadi J. and M. Taheri, 2005. Estimation of pedotransfer function using fuzzy regression. Journal of Agriculture Science and Technology, 2: 51-60. (In Persian)
Padmavathi, m. 2013. Fuzzy modeling and optimization of lipase production using Pseudomonas aeruginosa. International Journal of Current Biotechnology, 2(1):1-6.
Schaap, M. G., F. J. Leij and M. T. Van Genuchten, 1998. Neural network analysis for hierarchical prediction of soil hydraulic properties. Journal of Soil Science Society of America,62: 847-855.
Sirous, A. and A. H. Jamali zavareh, 2014. Effectiveness of celery leaf extraction the induction of resistance against cucumber powdery mildew, 50(2): 151-161.
Taghizadeh Mehrjardi, R., F. Sarmadian, G. R. Savaghebi, M. Omid, N. Tomanian, M. G. Rousta and M. H. Rahimian, 2013. Comparison of fuzzy techniques, genetic algorithms, neural networks and multivariate regression prediction of soil salinity (Case study: Ardekan city). Journal of Range and Watershed Management,66: 207-222. (In Persian). | ||
|
آمار تعداد مشاهده مقاله: 994 تعداد دریافت فایل اصل مقاله: 1,089 |
||