نقشه برداری از تنوع ژنتیکی Castanea sativa : بهره برداری از تجزیه و تحلیل فضایی برای مطالعات جغرافیای زیستی و حفاظتی

نقشه برداری از تنوع ژنتیکی Castanea sativa : بهره برداری از تجزیه و تحلیل فضایی برای مطالعات جغرافیای زیستی و حفاظتی

توزیع فعلی گونه های درختان جنگلی نتیجه فرآیندهای تاریخی و معاصر طبیعی یا انسانی است. آگاهی از توزیع فضایی تنوع و واگرایی جمعیت ها برای مدیریت و حفظ منابع ژنتیکی در گونه های درختان جنگلی حیاتی است. بنابراین با ترکیب ابزارهای ژنتیک جمعیت، اکولوژی منظر و آمار فضایی، ژنتیک منظر روشی قدرتمند برای ارزیابی الگوهای جغرافیایی منابع ژنتیکی در سطح جمعیت نشان می‌دهد. در این مطالعه، ما امکان ترکیب داده‌های تنوع ژنتیکی، ابزارهای آمار فضایی و فناوری‌های GIS برای نقشه‌برداری از واگرایی و تنوع ژنتیکی 31 Castanea sativa را بررسی می‌کنیم. جمعیت های جمع آوری شده در اسپانیا، ایتالیا، یونان و ترکیه. روش IDW برای درونیابی مقادیر تنوع و شاخص‌های واگرایی به‌عنوان هترئوزیگوسیتی مورد انتظار (He)، غنای آللی (Rs)، غنای آللی خصوصی (PRs)، و مقادیر عضویت (Q) هر جمعیت در خوشه‌های مختلف استفاده شد. نقشه های تنوع ژنتیکی و یک نقشه مصنوعی از ساختار ژنتیکی فضایی جمعیت شاه بلوط اروپایی تولید شد. همزمانی فضایی بین عناصر چشم‌انداز و ناپیوستگی‌های ژنتیکی معنی‌دار آماری بین جمعیت‌ها مورد بررسی قرار گرفت. شواهدی از اهمیت خروجی های نقشه برداری تولید شده در این مطالعه و سودمندی آنها در مدیریت منابع ژنتیکی ارائه شده است.

کلید واژه ها

ژنتیک منظر ، ریزماهواره ها، ساختار ژنتیکی ، درونیابی فضایی ، موانع ژنتیکی

1. مقدمه

توزیع کنونی گونه ها با تعاملات پیچیده ای شکل گرفته است که در طول زمان و مکان بین فرآیندهای زیستی، فیزیکی و اجتماعی-فرهنگی رخ می دهد. درک توزیع جغرافیایی زیستی، الگوهای تنوع گونه‌های زنده و فرآیندهای تکاملی اساسی برای حفظ و مدیریت منابع ژنتیکی کلیدی است [ 1 ]. هم عوامل طبیعی و هم عوامل انسانی منجر به تکه تکه شدن زیستگاه و از بین رفتن تنوع زیستی شده است که به عنوان مسائل اصلی در زیست شناسی حفاظت در نظر گرفته می شود [ 2 ]. فرآیندهای مهم اکولوژیکی و چشم‌انداز در مقیاس‌های مکانی و زمانی مختلف و چندگانه رخ می‌دهند که بر زیست‌شناسی تکاملی گونه‌های گیاهی تأثیر می‌گذارد [ 3 ]] . علاوه بر این، عوامل انسانی، مانند بهره برداری بیش از حد، معرفی گونه های مهاجم و تغییرات آب و هوایی می توانند توزیع جغرافیایی گونه های گیاهی را در مکان و زمان تغییر دهند [ 4 ] [ 5 ].

در دهه های اخیر، روش های بین رشته ای به منظور درک روابط پیچیده بین فرآیندهای طبیعی و انسانی توسعه یافته است. ژنتیک منظر به عنوان رشته‌ای پدید آمده است که مفاهیم و روش‌های بوم‌شناسی منظر، ژنتیک جمعیت، جغرافیا و آمار فضایی [ 6 ] [ 7 ] را ترکیب می‌کند و نیاز به همکاری میان رشته‌ای قابل توجهی دارد [ 8 ]. هدف آن درک این است که چگونه ناهمگونی مکانی و زمانی چشم انداز، توزیع فضایی تغییرات ژنتیکی را که بر انتخاب محیطی و جریان ژن تأثیر می گذارد، شکل داده است [ 9 ].

بنابراین، ژنتیک منظر می‌تواند برای تخمین تأثیر ترکیب منظر بر ساختار ژنتیکی فضایی جمعیت‌های طبیعی گیاهان و برنامه‌های ژنتیکی حفاظتی جدید حیاتی باشد. پیشرفت در تجزیه و تحلیل مولکولی، روش‌های تحلیل فضایی، فن‌آوری‌های GIS و دستیابی به مجموعه داده‌های فضایی واضح از متغیرهای محیطی به توسعه و انتشار ژنتیک چشم‌انداز کمک کرده است [ 10 ]. تجزیه و تحلیل فضایی GIS روابط فضایی بین اجزای بیولوژیکی، فیزیکی و چشم انداز انسانی را برجسته می کند [ 11 ]. علاوه بر این، استفاده از داده های ژنتیکی ارجاع داده شده در یک GIS به یک پیش نیاز برای تجزیه و تحلیل فضایی فرآیندهای اکولوژیکی تبدیل شده است [ 12 ].] . تجزیه و تحلیل فضایی همچنین می تواند اطلاعات قابل توجهی در مورد تنوع گونه ها در یک منطقه جغرافیایی خاص ارائه دهد، به طوری که قادر به ارزیابی وضعیت حفاظتی فعلی گونه های گیاهی و اولویت بندی مناطق برای حفاظت است [ 13 ].

جنگل های طبیعی اکوسیستم های کلیدی با سطح بالایی از تنوع زیستی هستند [ 14 ]. مطالعات ژنتیکی چشم انداز به ویژه برای گونه های درختی مناسب است که به طور فزاینده ای در معرض از دست دادن تنوع ژنتیکی ناشی از تغییر کاربری زمین و تخریب زمین هستند [ 15 ]. تعداد فزاینده ای از مطالعات تا به امروز در مورد ژنتیک چشم انداز درختان جنگل منتشر شده است [ 10 ] [ 16 ] – [ 18 ]. به ویژه مطالعات اخیر، تنوع ژنتیکی Araucaria araucana [ 19 ]، Juglans regia [ 20 ] و Annona cherimola [ 21 ] را ترسیم کرده است.

ما روی Castanea sativa، درختی با اهمیت اقتصادی و زیست محیطی و تنها گونه از جنس Castanea در اروپا تمرکز می کنیم. الگوهای کنونی توزیع زیست جغرافیایی C. sativa به عنوان پاسخی به تاریخچه تکامل گونه شناخته شده است، در رابطه با فرآیندهای اقلیمی و ژئومورفولوژیکی که در مقیاس زمانی زمین‌شناسی و فعالیت‌های انسانی در طول قرن‌ها رخ داده‌اند.

اگرچه مطالعات زیادی در مورد ساختار ژنتیکی و تنوع شاه بلوط در سراسر اروپا وجود دارد [ 22 ] – [ 26 ]، تنها اخیراً الگوهای فضایی ساختار ژنتیکی و تنوع شاه بلوط مورد توجه قرار گرفته است. برای مثال، مارتین [ 27 ] و لوسینی [ 28 ] که الگوهای فضایی ساختار ژنتیکی و تنوع جمعیت‌های شاه بلوط طبیعی اسپانیایی و بلغاری را با استفاده از نشانگرهای ریزماهواره ارزیابی کردند ، یک رویکرد ژنتیکی چشم‌انداز برای شاه بلوط اعمال شد . با این حال، این مطالعات به جمعیت در مناطق جغرافیایی محدود اشاره کرد و هیچ اطلاعاتی در مورد توزیع فضایی تنوع گونه ها در سراسر اروپا ارائه نکرد.

در این مطالعه، ما امکان ترکیب تکنیک‌های آنالیز فضایی با داده‌های مولکولی را برای نقشه‌برداری از تنوع ژنتیکی مجموعه بزرگی از جمعیت‌های C. sativa اروپایی در امتداد منطقه توزیع گونه بررسی می‌کنیم. ما از تکنیک همپوشانی ژنتیکی چشم‌انداز [ 17 ] برای تجزیه و تحلیل مجموعه‌ای از داده‌های ژنتیکی ارجاع‌شده جغرافیایی ارائه‌شده در انتشارات قبلی [ 26 ] استفاده کردیم.] . اهداف عبارت بودند از: 1) آزمایش پتانسیل تجزیه و تحلیل فضایی برای تجسم و درک بهتر تنوع ژنتیکی درون جمعیتی و ساختار ژنتیکی فضایی جمعیت های طبیعی اروپا. 2) شناسایی مناطق به عنوان مخازن تنوع ژنتیکی. 3) تشخیص همپوشانی موانع ژنتیکی و جغرافیایی؛ 4) بررسی اثرات ساختار چشم انداز بر جریان ژن و تنوع ژنتیکی. 5) توصیه هایی برای برنامه ریزی حفاظتی ارائه کنید.

2. مواد و روش ها

در سه دهه گذشته، مؤسسه زیست‌شناسی کشاورزی و محیطی و جنگلی CNR (IBAF، پورانو، ایتالیا) در مطالعه تنوع ژنتیکی جمعیت‌های شاه بلوط اروپایی مشارکت داشته است و مجموعه بزرگی از جمعیت‌های C. sativa را جمع‌آوری کرده است. در این مطالعه، ما تجزیه و تحلیل فضایی 31 جمعیت شاه بلوط اروپایی (779 درخت وحشی) را با استفاده از مجموعه ای از داده های ژنتیکی که قبلاً توسط Mattioni [ 26 ] با استفاده از نشانگرهای ریزماهواره به دست آمده بود، انجام دادیم ( شکل 1 ؛ جدول S1 ). داده های ژنتیکی و داده های جغرافیایی ارجاع داده شده در یک پایگاه جغرافیایی ESRI ArcGIS 9.3 سازماندهی شدند. مدل جهانی ارتفاع دیجیتال GTOPO30 بدست آمد ( https://lta.cr.usgs.gov/GTOPO30). ما همچنین مناطق اصلی پناهگاه شاه بلوط اروپایی را با توجه به سطح احتمال آنها که توسط کربس تولید شده بود، بازسازی کردیم [ 29 ]. ما از نرم افزار ArcGIS 9.3 هم برای تجربه تلفیقی خود در استفاده از آن و هم برای محبوبیت و گسترش آن در مطالعات اخیر ژنتیک منظر استفاده کردیم. داده های ژنتیکی جمعیت و ابزارهای آمار مکانی توسط فناوری GIS ترکیب شدند. ما از تکنیک پوشش توصیف شده توسط هولدرگر [ 17 ] استفاده کردیم] که شامل: 1) شناسایی خوشه های ژنتیکی اصلی جمعیت ها. 2) تشخیص ناپیوستگی یا موانع ژنتیکی؛ 3) درونیابی پارامترهای ژنتیکی برای ایجاد نقشه های سطح ژنتیکی. پس از آن، نقشه‌های سطح ژنتیکی به‌دست‌آمده روی نقشه‌های توپوگرافی قرار می‌گیرند تا همزمانی فضایی بین موانع ژنتیکی و ناپیوستگی‌ها با عناصر منظر را جستجو کنند.

2.1. بازنمایی فضایی شاخص های ژنتیکی درون جمعیتی

غنای آللی (Rs) و غنای آللی خصوصی (PRs) با روش نادر با نرم افزار HP-RARE [ 30 ] محاسبه شد، هتروزیگوسیتی مورد انتظار (He) [ 31 ] با استفاده از نرم افزار GeneAlEx 6 [ 32 ] محاسبه شد. الگوریتم Inverse Distance Weighted (IDW) [ 33 ] [ 34 ] پیاده سازی شده در ArcGIS 9.3 برای درونیابی مقادیر هتروزیگوسیتی مورد انتظار (He)، غنای آللی (Rs) و غنای آللی خصوصی (PRs) از تمام 31 جمعیت شاه بلوط و برای استخراج استفاده شد. نقشه های تنوع ژنتیکی درون یابی IDW مقادیر سلول را با استفاده از ترکیب وزنی خطی از مجموعه ای از نقاط نمونه تعیین می کند، با توجه به اینکه تأثیر محلی هر نقطه با فاصله کاهش می یابد.

2.2. بازنمایی فضایی ساختار جمعیت

یک رویکرد خوشه‌بندی بیزی پیاده‌سازی شده در نرم‌افزار STRUCTURE 2.3.3 [ 35 ] برای شناسایی

ساختار ژنتیکی جمعیت C. sativa. توضیحات کاملی از روش توسط Mattioni [ 26 ] گزارش شده است. مقادیر Q-عضویت جمعیت برای خوشه های K استنباط شده توسط STRUCTURE با استفاده از تابع IDW نرم افزار ArcGIS 9.3 [ 20 ] [ 36 ] به صورت فضایی درون یابی شدند.] . نقشه‌های سطحی خوشه‌بندی K، نشان‌دهنده الگوهای فضایی خوشه‌های ژنتیکی استنباط‌شده، تولید شد. در نهایت ما سطوح خوشه‌بندی K را به صورت فضایی پوشانده‌ایم، با ترکیب باندهای شطرنجی متعدد (شطرنج درون‌یابی K) در یک مجموعه داده شطرنجی چند باندی (نقشه مصنوعی حاصل)، توسط تابع باندهای ترکیبی ArcGIS 9.3، برای تولید یک نقشه مصنوعی که ژنتیک فضایی را نشان می‌دهد. ساختار 31 جمعیت شاه بلوط اروپایی ابزار Color Composite ما را قادر می سازد تا ترکیبی از سه باند مختلف (قرمز-سبز-آبی، مربوط به سه سطح خوشه بندی ما) را به صورت گرافیکی نمایش دهیم. علاوه بر این، ما وجود موانع ژنتیکی را در میان جمعیت‌های شاه بلوط با استفاده از الگوریتم حداکثر اختلاف Monmonier که در نرم‌افزار BARRIER 2.2 پیاده‌سازی شده است [ 37 ] بررسی کردیم.] . تشخیص ناپیوستگی های ژنتیکی بر اساس مثلث دلونی (ارتباط شبکه ای بین مختصات جغرافیایی هر جمعیت) و تسلیح ورونوی حاصل شد. هر لبه چند ضلعی های Voronoi با مقدار فاصله ژنتیکی Nei [ 38 ] مربوطه (D _A ) بین جفت جمعیت، که با تابع GENDIST در نرم افزار PHYLIP محاسبه شده است، مرتبط بود . این رویه مرز را در امتداد تسلیحات Voronoi ترسیم می کند که با لبه ای شروع می شود که بالاترین مقدار D _{A به آن مرتبط است.}بین دو جمعیت، و به شناسایی موانع متعدد در پیشرفت سلسله مراتبی ادامه می دهد. اهمیت این موانع ژنتیکی با استفاده از 100 ماتریس بوت استرپ نمونه برداری مجدد از فواصل ژنتیکی Nei [ 38 ]، محاسبه شده با تابع SEQBOOT و GENDIST در بسته نرم افزاری PHYLIP [ 39 ] آزمایش شد. ما فقط ناپیوستگی های ژنتیکی را با پشتیبانی خودسرانه بوت استرپ P> 0.50 در نظر گرفتیم. موانع ژنتیکی شناسایی شده، مربوط به تغییر ناگهانی در الگوهای تنوع ژنتیکی در میان جمعیت‌ها، با استفاده از تابع چند ضلعی Voronoi در ArcGis 9.3 بازسازی شدند و بر روی یک مدل ارتفاعی دیجیتال GTOPO30 برای جستجوی همزمانی‌های فضایی این مرزهای ژنتیکی با عناصر منظره قرار گرفتند.

3. نتایج و بحث

3.1. بازنمایی فضایی تنوع ژنتیکی درون جمعیتی

درونیابی جغرافیایی شاخص‌های تنوع ژنتیکی ما را قادر ساخت تا داده‌های مکانی جدیدی را نماینده تنوع ژنتیکی شاه بلوط اروپایی تولید کنیم. مقادیر هتروزیگوسیتی مورد انتظار (He)، غنای آللی (Rs) و غنای آللی خصوصی (PRs) (داده های گزارش شده در [ 26 ]) با استفاده از تابع IDW درونیابی شدند و نقشه های مشتق شده مربوطه از تنوع ژنتیکی در شکل 2 نشان داده شده است. نمایش صریح فضایی شاخص‌های تنوع، تفسیر نتایج را به منظور درک توزیع جغرافیایی تنوع ژنتیکی شاه بلوط تسهیل می‌کند.

جمعیت های ترکیه شرقی مقادیر متوسط ​​هتروزیگوسیتی مورد انتظار (He)، و همچنین بالاترین مقادیر غنای آللی (Rs) و غنای آللی خصوصی (PRs) را نشان دادند. جمعیت های مختلف ترک غربی و دو جمعیت از مرکز و شمال ایتالیا نیز مقادیر بالایی از هتروزیگوسیتی مورد انتظار (He) و غنای آللی (Rs) را نشان دادند ( شکل 2 ).). جمعیت اسپانیایی مقادیر پایینی از هتروزیگوسیتی مورد انتظار (او) و غنای آللی (Rs) را ارائه کردند. تنها یک جمعیت از گالیسیا (شمال اسپانیا) مقادیر بالایی از غنای آللی خصوصی (PRs) را نشان داد. جمعیت یونانی مقادیر کم هتروزیگوسیتی مورد انتظار (He) و مقادیر غنای آللی کم تا متوسط ​​(Rs) را نشان دادند، به جز یک جمعیت از مقدونیه مرکزی. مقادیر صفر غنای آللی خصوصی (PRs) برای همه جمعیت‌های یونانی نشان داده شد.

نقشه‌برداری فضایی تنوع ژنتیکی نیز به شناسایی واحدهای اولویت‌دار برای حفاظت از منابع ژنتیکی کمک کرد. بنابراین خروجی‌های حاصل از همپوشانی فضایی سه نقشه هتروزیگوسیتی مورد انتظار (He)، غنای آللی (Rs) و غنای آللی خصوصی (PRs) اطلاعات مهمی را در مورد تنوع جمعیت‌های شاه بلوط در سراسر اروپا ارائه کردند و می‌توان آن را به عنوان معیارهای اساسی برای شناسایی مناطق در نظر گرفت. برای حفاظت با توجه به اینکه غنای آللی یک معیار کلیدی در تجزیه و تحلیل حفاظت از تنوع ژنتیکی گونه ها در نظر گرفته می شود [ 40 ]]، مناطقی را با بالاترین سطح تنوع به عنوان مناسب ترین مناطق برای حفاظت شناسایی کردیم. علاوه بر این، استخرهای ژنی با آلل‌های کمیاب یا خصوصی که در هر صورت می‌توان آن‌ها را برای حفاظت مهم دانست، از نظر جغرافیایی شناسایی شد.

نتایج ما نشان داد که مراکز اصلی تنوع ژنتیکی شاه بلوط اروپایی در شرقی ترین نواحی ترکیه، در غرب ترکیه و در مرکز و شمال ایتالیا واقع شده است. بنابراین ما یک تطابق فضایی بین این سایت‌ها و مناطق جغرافیایی شناسایی‌شده توسط کربس [ 29 ] به عنوان پناهگاه کواترنر C. sativa مشاهده کردیم.

3.2. بازنمایی فضایی ساختار جمعیت

در کار قبلی [ 26 ]، ما دو خوشه ژنتیکی اصلی را برجسته کردیم: K = 2 و K = 3. با این حال، برای تجزیه و تحلیل انجام شده در کار حاضر، ما فقط داده های به دست آمده برای K = 3 را به عنوان بهترین نمایش در نظر گرفتیم. ساختار سلسله مراتبی جمعیت شاه بلوط اروپایی شکل 3 سه نقشه سطح خوشه‌بندی را نشان می‌دهد، در نتیجه درون یابی فضایی مقادیر عضویت جمعیت برآورد شده (Q) در خوشه‌های K = 3 استنباط‌شده توسط STRUCTURE. در هر نقشه (شکل 3(a)-(c)) که یک خوشه متفاوت از جمعیت ها را نشان می دهد، مناطق با رنگ شدیدتر (اشباع) نشان دهنده قوی ترین شباهت ژنتیکی بین جمعیت های متعلق به همان خوشه است و تغییر تدریجی به رنگ های روشن تر نشان می دهد. کاهش تدریجی شباهت ژنتیکی

اولین خوشه، به رنگ سبز در شکل 3 (الف)، شامل جمعیت هایی از شرق و مرکز ترکیه است. جمعیت های غرب ترکیه و یونان به خوشه دوم با رنگ قرمز اختصاص داده شدند ( شکل 3 (ب)). خوشه سوم، به رنگ آبی در شکل 3 (ج) شامل تمام جمعیت های ایتالیا و اسپانیا است. با ترکیب سه سطح خوشه بندی قبلی، شکل 4نقشه مصنوعی ساختار ژنتیکی فضایی جمعیت های شاه بلوط و همچنین نمودار نواری رابطه ژنتیکی بین جمعیت ها را نشان می دهد که با تجزیه و تحلیل ساختار برای K = 3 تخمین زده شده است. نقشه مصنوعی مربوط به نمایش فضایی نمودار میله ای ساختار است: متفاوت رنگ ها مربوط به ترکیب های مختلف از سه جزء، که سه نقشه سطح خوشه ای هستند. در نقشه مصنوعی، سه مقدار سلول شطرنجی به هر جمعیت مربوط می شود، بنابراین درصد تخمینی Q-عضویت جمعیت در خوشه های 1، 2 و 3 و ترکیبی از سه جزء رنگی (سبز = خوشه 1، قرمز = خوشه 2، را نشان می دهد. آبی = خوشه 3).

حضور جمعیت های متعلق به سه استخر ژنی مختلف در شکل 4 مشخص شده است (مانند شکل 3(a)-(c)، به عنوان یک منطقه درونی. خوشه 1 به رنگ سبز و خوشه 2 به رنگ قرمز) و با سایه هایی از سبز تا قرمز در نقشه مصنوعی و با دو رنگ (سبز و قرمز) در همان نوار نمودار ساختار نشان داده شده است.

اگرچه نقشه مصنوعی ساختار ژنتیکی یک نمایش جغرافیایی جامع از مخازن ژنی اصلی در یک نقشه ارائه می‌کند، اما محدودیت‌هایی دارد. در واقع، اگر K تعداد خوشه‌های استنباط‌شده با تجزیه و تحلیل STRUCTURE بیشتر از سه باشد، نمی‌توان آن را به صورت گرافیکی نمایش داد و لازم است K نقشه‌های سطح خوشه‌بندی مختلف را ترسیم کرد. این محدودیت‌ها از ترکیب حداکثر سه باند رنگی (قرمز-سبز-آبی) در یک زمان به دست می‌آیند تا مجموعه داده شطرنجی چند باندی را که ساختار ژنتیکی را نشان می‌دهد به صورت گرافیکی نمایش دهد. با این حال، هنوز هم می‌توان نقشه سطح خوشه‌بندی K را بدون در نظر گرفتن تعداد K خوشه‌های استنباط‌شده توسط STRUCTURE نشان داد.

نقشه‌برداری از خوشه‌بندی فضایی جمعیت‌های شاه بلوط اروپایی، سه مخزن ژنی متمایز را، در توافق با آن‌هایی که قبلاً شناسایی کرده بودیم، برجسته کرد : اولی مربوط به جمعیت‌های شرق و مرکز ترکیه، دومی مربوط به جمعیت‌های غرب ترکیه و یونان، و سومی است. به جمعیت ایتالیایی و اسپانیایی علاوه بر این، الگوهای فضایی ساختار ژنتیکی مطابقت جغرافیایی را تأیید می کند که ما قبلاً بین خوشه های ژنتیکی شناسایی شده و پناهگاه یخبندان شاه بلوط اروپایی فرضیه کربس [ 29 ]، بر اساس یک رویکرد پالینولوژیک توسعه یافته مشاهده کرده بودیم.

سه مانع ژنتیکی مهم با استفاده از الگوریتم ماکزیمم تفاوت Monmonier، با پشتیبانی بوت استرپ >50 درصد شناسایی شد. جمعیت‌های ایتالیا و اسپانیا با مانع ژنتیکی اصلی از جمعیت یونانی و ترکی جدا شدند (الف در شکل 5 ). احتمالاً شکاف نمونه برداری بین جمعیت های غربی و شرقی

به شناسایی این مانع اصلی کمک کرد. ناپیوستگی دوم و سوم (“ب” و “ج” در شکل 5 ) جمعیت یونانی و ترک غربی را از جمعیت ترک مرکزی و شرقی تقسیم کرد. ناپیوستگی‌های ژنتیکی شناسایی‌شده، بر اساس تسلیحات Voronoi بازسازی شدند و بر روی یک مدل ارتفاعی دیجیتال GTOPO30 قرار گرفتند ( شکل 5 ). سه مانع ژنتیکی مهم که توسط الگوریتم ماکزیمم تفاوت Monmonier شناسایی شده‌اند، جمعیت‌های شاه بلوط را به سه گروه اصلی تقسیم می‌کنند، بنابراین با نتایج تجزیه و تحلیل خوشه‌بندی بیزی مطابقت دارند.

با توجه به پیچیدگی ساختاری و ژئومورفولوژیکی نواحی مدیترانه، این احتمال وجود دارد که موانع جغرافیایی با جریان ژنی بین جمعیت‌های شاه بلوط تداخل داشته باشد. یک تناظر جغرافیایی بین مانع ژنتیکی اصلی شناسایی شده در این مطالعه و کوه‌های آلپ دیناریک وجود دارد که می‌تواند به عنوان مانعی برای جریان ژن بین جمعیت‌های اروپای شرقی و غربی C. sativa عمل کند و دریای آدریاتیک نیز می‌تواند مانع شود. تبادل ژرم پلاسم بین شبه جزیره بالکان و ایتالیا علاوه بر این، ناپیوستگی‌های ژنتیکی بین جمعیت‌های غربی و مرکزی شرقی ترکیه ممکن است کوه‌های توروس را به عنوان یک مانع فیزیکی فرضی برای جریان ژن بین جمعیت‌های ترکیه نشان دهد.

4. نتیجه گیری

در این مطالعه، الگوهای فضایی تنوع ژنتیکی و ساختار جمعیت‌های طبیعی C. sativa در مقیاس اروپایی مورد تجزیه و تحلیل قرار گرفت. این رویکرد میان رشته‌ای ما را قادر ساخت تا داده‌ها و روش‌هایی را از ژنتیک جمعیت، اکولوژی منظر و تجزیه و تحلیل فضایی ترکیب کنیم تا به صراحت اثر پیکربندی منظر بر تنوع ژنتیکی را کمی کنیم. استفاده از GIS به دلیل توانایی آن در ذخیره، مدیریت و ادغام داده‌های مولکولی و مکانی و استخراج اطلاعات عمیق‌تر از داده‌های موجود کمک قابل توجهی کرد. GIS همچنین برای تجزیه و تحلیل فضایی، مدل سازی، تجسم داده ها و نقشه برداری مفید است.

تحلیل‌های فضایی، مانند درونیابی شاخص‌های تنوع و مقدار ضریب عضویت Q هر جمعیت به خوشه‌های K استنباط‌شده توسط SRUCTURE، بازنمایی‌های بصری واضح‌تر و شهودی‌تری از تنوع ژنتیکی درون جمعیت و ساختار جمعیت‌های شاه بلوط اروپایی ایجاد می‌کنند. تکنیک همپوشانی ژنتیکی منظر ما را قادر ساخت تا مناطق با تنوع ژنتیکی متفاوت را بهتر نمایش دهیم، توزیع جغرافیایی مخازن ژنی مختلف را برجسته کنیم و همپوشانی موانع ژنتیکی و جغرافیایی را نشان دهیم.

نتایج همچنین ما را قادر ساخت تا مناطق را به عنوان مخازن تنوع ژنتیکی نشان دهیم، در مورد اثرات ساختار چشم انداز بر جریان ژن و تنوع ژنتیکی حدس بزنیم، و پیشنهاداتی برای برنامه ریزی حفاظت ارائه کنیم. همه این خروجی‌های فضایی از نتایج انتشارات قبلی ما پشتیبانی می‌کنند، که نشان‌دهنده واگرایی بین جمعیت‌های شرقی و غربی شاه بلوط اروپایی است، و بنابراین وجود دو استخر ژنی مختلف و یک منطقه نفوذی در ترکیه را تأیید می‌کند [ 22 ] [ 26 ]. سطوح بالایی از تنوع ژنتیکی در اکثر جمعیت‌های اروپایی شاه بلوط شیرین یافت شد که روی پناهگاه یخچالی فرضی شاه بلوط شناسایی شده توسط کربس [ 29 ] همپوشانی دارند.] . رویکرد همپوشانی نشان می‌دهد که موانع بالقوه برای جریان ژن، مانند آلپ‌های دیناریک و دریای آدریاتیک، ممکن است به جدایی بین جمعیت‌های شرقی و غربی منجر شده باشد. یک مطالعه ژنتیکی چشم انداز شامل جمعیت های شاه بلوط از اسپانیا تا منطقه ماوراء قفقاز می تواند به روشن شدن مسیر مهاجرت C. sativa در سراسر محدوده مدیترانه کمک کند.

در نتیجه، ما نشان داده‌ایم که چگونه ژنتیک منظر، ترکیب تکنیک‌های تحلیل فضایی با داده‌های مولکولی در مطالعه تنوع ژنتیکی جمعیت‌های طبیعی شاه بلوط، می‌تواند به افزایش دانش و درک تاریخ زیست جغرافیایی و توزیع C. sativa در اروپا کمک کند. خروجی های قابل توجه تولید شده به راحتی قابل درک و قابل استفاده در موجودی، حفاظت و مدیریت منابع ژنتیکی است.

منابع

[ 1 ]	Cox, B. and Moore P. (2005) Biogeography: An Ecological and Evolutionary Approach. جان وایلی و پسران، چیچستر، 439-472.
[ 2 ]	فیشر، جی و لیندن مایر، دی بی (2007) اصلاح منظر و تکه تکه شدن زیستگاه: یک سنتز. اکولوژی جهانی و جغرافیای زیستی، 16، 265-280.
[ 3 ]	Anderson، CD، Epperson، BK، Fortin، MJ، Holderegger، R.، James، PMA، Rosenberg، MS، Scribner، KT و Spear، SF (2010) در نظر گرفتن مقیاس فضایی و زمانی در مطالعات منظر ژنتیکی جریان ژن. اکولوژی مولکولی، 19، 3565-3575. https://dx.doi.org/10.1111/j.1365-294X.2010.04757.x
[ 4 ]	Butchart، SHM، Walpole، M.، Collen، B.، van Strien، A.، و همکاران. (2010) تنوع زیستی جهانی: شاخص های کاهش اخیر. علم، 328، 1164-1168. https://dx.doi.org/10.1126/science.1187512
[ 5 ]	رندز، ام آر دبلیو، آدامز، دبلیو ام، بنون، ال.، بوچارت، SHM، کلمنتز، آ.، کومز، دی.، انتویستل، ای.، هاج، آی.، کاپو، وی، شارلمن، جی پی دبلیو، ساترلند، دبلیو جی و ویرا، بی. (2010) حفاظت از تنوع زیستی: چالش های فراتر از 2010. علم، 329، 1298-1303. https://dx.doi.org/10.1126/science.1189138
[ 6 ]	Manel, S., Schwartz, MK, Luikart, G. and Taberlet, P. (2003) Genetics Landscape: Combining Landscape Ecology and Population Genetics. روندها در اکولوژی و تکامل، 18، 189-197. https://dx.doi.org/10.1016/S0169-5347(03)00008-9
[ 7 ]	هولدرگر، آر و واگنر، HH (2008) ژنتیک منظر. BioScience، 58، 199-207. https://dx.doi.org/10.1641/B580306
[ 8 ]	Holderegger, R. and Wagner, HH (2006) راهنمای مختصری برای ژنتیک منظر. بوم شناسی چشم انداز، 21، 793-796. https://dx.doi.org/10.1007/s10980-005-6058-6
[ 9 ]	واگنر، اچ و فورتین، ام جی (2013) یک چارچوب مفهومی برای تجزیه و تحلیل فضایی داده های ژنتیکی چشم انداز. ژنتیک حفاظت، 14، 253-261. https://dx.doi.org/10.1007/s10592-012-0391-5
[ 10 ]	استورفر، آ.، مورفی، کارشناسی ارشد، اسپیر، اس‌اف، هولدرگر، آر و ویتس، ال‌پی (2010) ژنتیک منظر: اکنون کجا هستیم؟ اکولوژی مولکولی، 19، 3496-3514. https://dx.doi.org/10.1111/j.1365-294X.2010.04691.x
[ 11 ]	فورتین، ام جی و دیل، MRT (2005) تحلیل فضایی: راهنمای بوم شناسان. انتشارات دانشگاه کمبریج، کمبریج، 1-30.
[ 12 ]	Etherington، TR (2011) ابزارهای GIS مبتنی بر پایتون برای ژنتیک منظر: تجسم ارتباط ژنتیکی و اندازه‌گیری اتصال منظره. روش ها در بوم شناسی و تکامل، 2، 52-55. https://dx.doi.org/10.1111/j.2041-210X.2010.00048.x
[ 13 ]	Scheldeman, X. and van Zonneveld, M. (2010) راهنمای آموزشی در زمینه تجزیه و تحلیل فضایی تنوع و پراکنش گیاهان. بین المللی تنوع زیستی، رم، 97-138.
[ 14 ]	Pautasso, M. (2009) ژنتیک جغرافیایی و حفاظت از درختان جنگل. دیدگاه هایی در بوم شناسی گیاهی، تکامل و سیستماتیک، 11، 157-189. https://dx.doi.org/10.1016/j.ppees.2009.01.003
[ 15 ]	Manel, S. and Holderegger, R. (2013) Ten Years of Landscape Genetics. روندها در اکولوژی و تکامل، 28، 614-621. https://dx.doi.org/10.1016/j.tree.2013.05.012
[ 16 ]	Smulders، MJM، Cobben، MMP، Arens، P. و Verboom، J. (2008) ژنتیک چشم انداز جنگل های تکه تکه شده: پیش بینی تغییرات آب و هوایی با تسهیل مهاجرت. iForest, 2, 128-132. https://dx.doi.org/10.3832/ifor0505-002
[ 17 ]	Holderegger, R., Buehler, D., Gugerli, F. and Manel, S. (2010) Landscape Genetics of Plants. روند در علوم گیاهی، 15، 675-683. https://dx.doi.org/10.1016/j.tplants.2010.09.002
[ 18 ]	اسماعیل، SA، غزول، جی.، راویکانث، جی.، کوشالاپا، سی جی، اوما شانکر، آر و کتل، سی جی (2014) درختان جنگلی در مناظر اصلاح شده انسانی: محرک های اکولوژیکی و ژنتیکی شکست استخدام در Dysoxylum malabaricum (Meliaceae) . PLoS One, 9, e89437. https://dx.doi.org/10.1371/journal.pone.0089437
[ 19 ]	Martín، MA، Mattioni، C.، Lusini، I.، Molina، JK، Cherubini، M.، Drake، F.، Herrera، MA، Villani، F. and Martín، LM (2014) بینش های جدید در مورد ساختار ژنتیکی جنگل‌های Araucaria araucana بر اساس شواهد مولکولی و تاریخی. ژنتیک درخت و ژنوم، 10، 839-851. https://dx.doi.org/10.1007/s11295-014-0725-1
[ 20 ]	Pollegioni, P., Woeste, K., Chiocchini, F., Olimpieri, I., Tortolano, V., Clark, J., Hemery, GE, Mapelli, S. and Malvolti, ME (2014) ژنتیک منظر گردوی ایرانی (Juglans regia L.) در سراسر محدوده آسیایی آن. ژنتیک درخت و ژنوم، 10، 1027-1043. https://dx.doi.org/10.1007/s11295-014-0740-2
[ 21 ]	van Zonneveld، M.، Scheldeman، X.، Escribano، P.، Viruel، MA، Van Damme، P.، Garcia، W.، Tapia. C., Romero, J., Siguenas, M. and Hormaza, JI (2012) نقشه برداری تنوع ژنتیکی Cherimoya (Annona cherimola Mill.): کاربرد آنالیز فضایی برای حفاظت و استفاده از منابع ژنتیکی گیاهی. PLoS ONE، 7، e29845. https://dx.doi.org/10.1371/journal.pone.0029845
[ 22 ]	Villani, F., Sansotta, A., Cherubini, M., Cesaroni, D. and Sbordoni, V. (1999) ساختار ژنتیکی جمعیتهای طبیعی Castanea sativa در ترکیه: شواهدی از یک منطقه ترکیبی. مجله زیست شناسی تکاملی، 12، 233-244. https://dx.doi.org/10.1046/j.1420-9101.1999.00033.x
[ 23 ]	Fineschi, S., Taurchini, D., Villani, F. and Vendramin, GG (2000) چند شکلی DNA کلروپلاست ساختار جغرافیایی کمی را در آسیاب Castanea sativa آشکار می کند. (Fagaceae) در سراسر کشورهای جنوب اروپا. اکولوژی مولکولی، 9، 1495-1503. https://dx.doi.org/10.1046/j.1365-294x.2000.01029.x
[ 24 ]	Mattioni, C., Cherubini, M., Micheli, E., Villani, F. and Bucci, G. (2008) نقش اهلی سازی در شکل دادن به تنوع ژنتیکی Castanea sativa در اروپا. ژنتیک درخت و ژنوم، 4، 563-574. https://dx.doi.org/10.1007/s11295-008-0132-6
[ 25 ]	Martín، MA، Mattioni، C.، Cherubini، M.، Taurchini، D. and Villani، F. (2010) تنوع ژنتیکی در جمعیت شاه بلوط اروپا با استفاده از نشانگرهای ریزماهواره ژنومی و ژنیک. ژنتیک درخت و ژنوم، 6، 735-744. https://dx.doi.org/10.1007/s11295-010-0287-9
[ 26 ]	Mattioni، C.، Martín، MA، Pollegioni، P.، Cherubini، M. and Villani، F. (2013) نشانگرهای ریزماهواره یک ساختار جغرافیایی قوی در جمعیت اروپایی Castanea sativa (Fagaceae): شواهدی برای پناهگاه های یخی چندگانه را نشان می دهند. مجله آمریکایی گیاه شناسی، 100، 951-961. https://dx.doi.org/10.3732/ajb.1200194
[ 27 ]	Martín، MA، Mattioni، C.، Molina، JR، Alvarez، JB، Cherubini، M.، Herrera، MA، Villani، F. and Martín، LM (2012) ساختار ژنتیکی چشم انداز شاه بلوط (Castanea sativa Mill.) در اسپانیا . ژنتیک درخت و ژنوم، 8، 127-136. https://dx.doi.org/10.1007/s11295-011-0427-x
[ 28 ]	Lusini, I., Velichkov, I., Pollegioni, P., Chiocchini, F., Hinkov, G., Zlatanov, T., Cherubini, M. and Mattioni, C. (2014) برآورد تنوع ژنتیکی و ساختار فضایی جمعیت بلغاری Castanea sativa توسط SSRs: مفاهیم برای حفاظت. ژنتیک حفاظت، 15، 283-293. https://dx.doi.org/10.1007/s10592-013-0537-0
[ 29 ]	Krebs, P., Conedera, M., Pradella, M., Torriani, D., Felber, M. and Tinner, W. (2004) Refugia Quaternary of the Sweet Chestnut (Castanea sativa Mill): An Extended Palynological Approach. تاریخچه گیاهی و باستان شناسی، 13، 145-160. https://dx.doi.org/10.1007/s00334-004-0048-5
[ 30 ]	Kalinowski، ST (2005) HP-Rare: یک برنامه کامپیوتری برای انجام نادر بودن در اندازه گیری های تنوع آللی. یادداشت های اکولوژی مولکولی، 5، 187-189. https://dx.doi.org/10.1111/j.1471-8286.2004.00845.x
[ 31 ]	Nei, M. (1973) تجزیه و تحلیل تنوع ژنی در جمعیت های تقسیم شده. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا، 70، 3321-3323. https://dx.doi.org/10.1073/pnas.70.12.3321
[ 32 ]	Peakall, R. and Smouse, PE (2005) GenAlEx v6: تجزیه و تحلیل ژنتیکی در اکسل. نرم افزار ژنتیک جمعیت برای آموزش و پژوهش. یادداشت های اکولوژی مولکولی، 6، 288-295. https://dx.doi.org/10.1111/j.1471-8286.2005.01155.x
[ 33 ]	Shepard, D. (1968) تابع درونیابی دو بعدی برای داده های با فاصله نامنظم. مجموعه مقالات کنفرانس ملی ACM 1968، نیویورک، 27-29 اوت 1968، 517-524. https://dx.doi.org/10.1145/800186.810616
[ 34 ]	Hengl, T. (2009) راهنمای عملی برای نقشه برداری زمین آماری. دانشگاه آمستردام، آمستردام، 1-26. https://spatial-analyst.net/book/
[ 35 ]	Pritchard, JK, Stephens, M. and Donnelly, P. (2000) استنتاج ساختار جمعیت با استفاده از داده های ژنوتیپ چند لوکوس. ژنتیک، 155، 945-959.
[ 36 ]	مورفی، MA، ایوانز، جی اس، کوشمن، SA و استورفر، A. (2008) بازنمایی تنوع ژنتیکی به عنوان سطوح پیوسته: رویکردی برای شناسایی وابستگی فضایی در مطالعات ژنتیکی منظر. اکوگرافی، 31، 685-697. https://dx.doi.org/10.1111/j.1600-0587.2008.05428.x
[ 37 ]	Manni, F., Guerard, E. and Heyer, E. (2004) الگوهای جغرافیایی تنوع (ژنتیکی، مورفولوژیکی، زبانی): چگونه می توان موانع را با استفاده از الگوریتم مونمونیر تشخیص داد. زیست شناسی انسانی، 76، 173-190. https://dx.doi.org/10.1353/hub.2004.0034
[ 38 ]	Nei, M. (1972) فاصله ژنتیکی بین جمعیت ها. طبیعت شناس آمریکایی، 106، 283-392. https://dx.doi.org/10.1086/282771
[ 39 ]	Felsenstein, J. (2005) PHYLIP (بسته استنتاج فیلوژنی). گروه علوم ژنوم، دانشگاه واشنگتن، سیاتل.
[ 40 ]	Petit, RJ, El Mousadik, A. and Pons, O. (1998) شناسایی جمعیت ها برای حفاظت بر اساس نشانگرهای ژنتیکی. زیست شناسی حفاظتی، 12، 844-855. https://dx.doi.org/10.1046/j.1523-1739.1998.96489.x
[ 41 ]	EUFORGEN (2009) نقشه پراکنش شاه بلوط (Castanea sativa). www.euforgen.org.