Differential analysis of microRNAs in zebrafish gills under hypoxic stress
-
摘要: 为研究microRNAs (miRNAs) 应对低氧胁迫的生物学功能，对低氧胁迫和常氧条件下斑马鱼 (Danio rerio) 鳃组织进行高通量miRNAs测序，分析了低氧胁迫与常氧条件下斑马鱼鳃中miRNAs的表达差异。结果表明，低氧胁迫和常氧条件下，斑马鱼鳃中共有15个miRNAs呈显著差异表达，其中13个miRNAs在低氧胁迫斑马鱼鳃中的表达量显著上调，2个miRNAs表达量显著下调。对miRNAs测序和斑马鱼鳃转录组进行关联分析，针对前期筛选获得的低氧胁迫与常氧条件下显著差异表达的28个热休克蛋白基因进行靶基因预测，结果显示，低氧胁迫下显著低表达的miR-455-3p同时靶向提高热休克蛋白基因hspa14和dnajb6b的表达，以增强对低氧的适应能力。另外，低氧胁迫下显著高表达的miR-194a和miR-155可以分别靶向5个热休克蛋白基因 (hspa12a, dnajc5aa, hspb7, hsp70.3, dnajb2) 和4个热休克蛋白基因 (hspa12a, hspg2, hspa13, dnajb2) 来调控斑马鱼对低氧环境的适应。Abstract: In order to study the biological function of microRNAs (miRNAs) in response to hypoxic stress, we perfomed high-throughput miRNAs sequencing in the gill tissues of zebrafish (Danio rerio) under hypoxic stress and normoxic condition, and analyzed the differences in miRNAs expression in the gill tissues of zebrafish. The results show that a total of 15 miRNAs are significantly differentially expressed in the gills of zebrafish under hypoxic stress and normoxic condition, among which 13 miRNAs were up-regulated significantly and 2 miRNAs were down-regulated significantly. Moreover, we performed a correlation analysis on miRNAs sequencing and zebrafish gill transcriptome, and predicted the target genes for 28 heat shock protein genes that were significantly differentially expressed under hypoxic stress and normoxic condition screened in the previous stage. The result shows that miR-455-3p, which was expressed significantly low under hypoxic stress, targeted to increase the expression of hspa14 and dnajb6b and enhance the adaptability to hypoxic stress. In addition, miR-194a and miR-155, which were highly expressed under hypoxic stress, targeted five heat shock protein genes (hspa12a, dnajc5aa, hspb7, hsp70.3, dnajb2) and four heat shock protein genes (hspa12a, hspg2, hspa13, dnajb2) to regulate zebrafish's adaptation to hypoxic condition.
-
Keywords:
- Danio rerio /
- miRNAs /
- High-throughput sequencing /
- Heat shock protein gene /
- Target gene prediction
-
2015年我国开始在北印度洋公海进行围网捕捞作业，主要作业区域在阿拉伯海公海海域，经纬度介于50°E—70°E、10°N—20°N，渔获物以澳洲鲐 (Scomber australasicus) 占比最大，年产量约3万吨[1]。由于阿拉伯海鲐鱼 (Pneumatophorus japonicus) 灯光围网渔场开发较晚，缺乏必要的渔业数据积累，因此相关的渔情信息研究开展较少。鲐鱼属于暖水性中上层鱼类，主要分布于印度洋、太平洋、大西洋亚热带和温带近岸海域，是重要的经济渔业资源之一[2]。中上层海洋鱼类资源分布与海洋表层、次表层的物理、生物、化学环境密切相关[3-5]，Chen等[6]分析了东中国海的海表温度 (Sea surface temperature, SST)、海表盐度和叶绿素a浓度 (Chlorophyll-a concentration, CHL) 的变化对东海鲐鱼 (S. japonicus) 资源变动的影响。杨胜龙等[1, 4, 7]研究了阿拉伯海鲐鱼渔场的分布与SST、CHL、海面高度等环境变量的相关性，并分别基于频次分析、经验累积分布函数和广义加性模型 (Generalized Additive Model, GAM) 得到了各环境变量的最适值范围。
栖息地模型可以用来模拟生物对其周围环境因子的反应，现已广泛应用于渔情预报[8]。Lee等[9]利用一元非线性函数拟合海表温度、海面高度异常 (Sea level anomaly, SLA) 和CHL与初级生产力之间的关系，然后基于算术平均法得到了朝鲜半岛周边海域的太平洋褶柔鱼 (Todarodes pacificus) 综合栖息地指数 (Habitat suitability index, HSI) 的时空分布，结果显示气候态月平均HSI分布的热点区 (HSI>0.7) 正好与该海区太平洋褶柔鱼产卵场和觅食地重叠，该研究表明HSI可以对太平洋褶柔鱼渔场作出可靠预测。渔场分布的栖息地模型可以依赖于不同捕捞数据来建立，主要有捕捞次数、渔获量、单位捕捞努力量渔获量 (Catch per unit effort, CPUE)。Zhou等[10]采用外包络法拟合及算术平均法建立了基于SST和SLA的南海外海鸢乌贼 (Sthenoteuthis oualaniensis) 的栖息地适应性指数模型，指出基于作业网次建立的模型预报精度稍好于基于CPUE的模型。
在构建综合栖息地指数模型时，采用算术平均法或几何平均法[11-12]的前提是假设各环境因子对渔场分布的影响程度相同，不考虑各环境因子的权重。这些模型中不能输入与渔场分布无关的因子，因为各个因子的适应性指数 (Suitability index, SI) 平均后会降低模型的预报精度。蒋瑞等[13]建立的秋冬季智利竹䇲鱼 (Trachurus murphyi) 栖息地指数模型显示考虑环境变量权重的模型预报结果优于未考虑权重的模型。采用约束线性的方法求出各环境因子的权重系数，影响渔场资源分布小的因子会被降低权重，从而提高HSI模型的预报精度。
为了更好地了解和可持续开发利用阿拉伯海鲐鱼资源，本文采用近几年我国在阿拉伯海公海海域灯光围网作业的澳洲鲐捕捞生产数据，结合SST、SLA、混合层厚度 (Mixed-layer thickness, MLT)、CHL环境数据，分别基于渔获量和作业次数，并考虑环境变量权重，构建了阿拉伯海鲐鱼的综合栖息地指数，探索其在阿拉伯海鲐鱼渔场预报中的可行性，以期为我国灯光围网渔船在阿拉伯海公海海域合理开发鲐鱼资源提供科学依据。
1. 数据与方法
1.1 数据来源
鲐鱼渔获数据来自中国远洋渔业协会公海拖围网技术组提供的2016—2018年我国在印度洋的围网作业捕捞数据。数据记录包括作业日期、经纬度、主要鱼种产量等。2016—2018年大部分的作业区域位于阿拉伯海，经纬度介于50 °E—70 °E、10 °N—20 °N，主要渔获物为鲐鱼。图1显示2016—2018年各月总产量，秋末到翌年春初属渔汛期[1]，1、2、11和12月的实际产量较高，故本文选择1、2、11和12月的生产数据建立HSI模型。
![]()
图 1 2016—2018年阿拉伯海鲐鱼月产量Figure 1. Monthly catches of S. australasicus in Arabian Sea during 2016–2018叶绿素数据来自CMEMS (Copernicus Marine Environment Monitoring Service) 提供的多源卫星观测融合的4级全球海洋CHL数据 (http://marine.copernicus.eu/services-portfolio/access-to-products/)，时间分辨率为月平均，空间分辨率为1/24° (约4 km)。SLA数据是CMEMS提供的月平均再分析数据，空间分辨率为1/12°(约8 km)。SST和MLT是CMEMS提供的月平均分析数据，空间分辨率为1/4° (约24 km)。环境数据的空间分辨率统一插值到1/12°。混合层 (Ocean mixed-layer, OML) 是指一层水，将混合良好的表层水与温跃层分开，又称障碍层[14]。MLT为混合层的厚度指标，是海洋上层动力过程，也是生态环境的基本物理量[15]。故尝试将MLT作为对鲐鱼分布可能有影响的因子之一。
1.2 处理方法
1.2.1 SI模型的计算
作业次数 (Fishing times, FT) 代表鱼类出现或者鱼类利用情况的指标[11]，渔获量 (Fish caches, FC) 为鱼类资源丰度的直接体现，故分别利用作业次数和渔获量求得适应性指数SI的实际值。假定作业次数最高FTmax或者渔获量最多Cmax的海域为鲐鱼最适应的海域，设定SI为1；作业次数或者渔获量为0的海域为鲐鱼最不适应的海域，设定SI为0。SI实际值的计算公式为：
$${{\rm{SI}}_{i,{\rm{FT}} }}=\frac{{\rm F{T}}_i}{{\rm FT}_{i,\max}}\;\;\;{\text{或}}\;\;\;{{\rm{SI}}_{i,C }} =\frac{{{C_i}}}{{{C_{i,\max}}}}$$ (1) 其中
${{\rm{SI}}_{i,{\rm{FT}}}}$ 为i月以作业次数为基础的适应性指数，${{\rm{SI}}_{i,{{C}}}}$ 为i月以渔获量为基础的适应性指数，${{\rm{FT}}_{i,\max}}$ 为i月的最大作业次数，${C_{i,\max}}$ 为i月的最大渔获量。高斯函数一维形式为：
$$f\left( x \right) = {{{ae}}^{ - \frac{{{{\left( {x - b} \right)}^2}}}{{{{ c}^2}}}}}$$ (2) 其中a、b、c为任意实数，高斯一维图的形状为对称的钟形曲线，a是曲线尖峰的高度，b为尖峰中心的坐标，
$\frac{c}{{\sqrt 2 }}$ 为标准方差，表征钟形曲线的宽度。利用高斯公式进行一元非线性回归拟合，分别建立SST、MLT、SLA、CHL与SI之间的关系模型，将SI和环境因子之间的离散变量关系转变为连续的函数关系。SI的变化区间为[0,1]，故设a=1，SI的拟合公式变为：$${{\rm{SI}}_y} = {{\rm{e}}^{ - \frac{{{{\left( {x - {{b}}} \right)}^2}}}{{{c^2}}}}}$$ (3) 其中y为各环境因子，b、c为模型系数，x为各环境变量的值。
1.2.2 环境因子适应值区间和最适值的计算
高斯公式 (2) 中的
$\frac{{c}}{{\sqrt 2 }}$ 越小，则其对应的钟形曲线越窄，分布越集中；反之，$\frac{{c}}{{\sqrt 2 }}$ 越大，则钟形曲线宽度越宽，分布越分散。在高斯公式的钟形曲线下，高斯曲线尖峰中心左右一个标准差范围[${{b}} - \frac{{c}}{{\sqrt 2 }}$ ,${{b}} +$ $\frac{{c}}{{\sqrt 2 }}$ ]内的面积占该曲线与横轴之间总面积的68.27%。计算出公式(3)中，$x = {{b}} \pm$ $\frac{{c}}{{\sqrt 2 }}$ 对应的${{\rm{SI}}_y} = {{\rm{e}}^{ - \frac{1}{2}}} = 0.6$ 。这表明拟合后的SI曲线在环境因子值区间[$x - \frac{{c}}{{\sqrt 2 }}$ ,$x + \frac{{c}}{{\sqrt 2 }}$ ]中，对应的SI值区间为[0.6,1]，且两者间的面积占总面积的68.27%，表明环境变量在区间[$x - \frac{{c}}{{\sqrt 2 }}$ ,$x + \frac{{c}}{{\sqrt 2 }}$ ]中的值可作为阿拉伯海鲐鱼的环境因子适应值区间，曲线尖峰中心对应的值x为环境因子的最适值。1.2.3 HSI模型的计算
渔场分布是多种环境因子共同作用的结果，因此需要将多种环境因子的SI模型相结合，计算出综合的栖息地适宜指数HSI模型。将建立的各环境因子的模型带入多元线性回归方程计算HSI的理论值，公式为：
$${\rm{HSI}} = {{d}} \times {{\rm{SI}}_{{\rm{SST}}}} + {{e}} \times {{\rm{SI}}_{{\rm{MLT}}}} + {{f}} \times {{\rm{SI}}_{{\rm{SLA}}}} + {{g}} \times {{\rm{SI}}_{{\rm{CHL}}}}$$ (4) 其中d、e、f、g为各模型的权重值，均小于等于1，大于等于0，且各权重系数的和 (d+e+f+g)=1。HSI模型的权重系数利用MATLAB软件的有约束线性最小二乘法求解得到。分别将以作次数为基础和以渔获量为基础建立的两种HSI模型简称为FT-HSI模型和FC-HSI模型。
1.2.4 HSI模型精度的验证
对2018年1、2、11和12月的阿拉伯海鲐鱼渔场进行预报，并分别统计HSI预报值的3个区间[0,0.3)，[0.3,0.6)，[0.6,1]中，渔获量占当月总渔获量的比重，同时将实际的捕捞数据和HSI预报值进行空间分布叠加对比，探讨该HSI模型预测阿拉伯海鲐鱼中心渔场的可行性。
2. 结果
2.1 各环境因子的SI
利用2016—2017年的环境数据和捕捞作业数据，分别基于作业次数和渔获量并按照不同月份，采用一元非线性回归求解公式 (3) 中的模型系数b、c，建立各环境因子的SI模型。各模型的具体表达式见表1、表2，形态分布见图2。各模型的SI曲线拟合结果的P值和拟合优度见表3，P均小于设定的显著性水平0.05，表明通过了置信度为95%的显著性检验，各模型的拟合结果准确。拟合优度的统计量可决系数R2大多接近1，表明各模型的SI曲线对SI实际值的拟合程度很好。CHL的分布属于偏态分布，需要利用自然对数对其纠偏后，再进行拟合，所以得到的拟合结果为CHL对数的SI模型。
表 1 2016－2017年以渔获量为基础的各因子适应性指数模型Table 1. SI model for each factor based on fish catches during 2016–2017月份
MonthSST的适应性指数
SISSTMLT的适应性指数
SIMLTSLA的适应性指数
SISLACHL的适应性指数
SICHL1 ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 26.192 \; 2} \right)}^2}}}{{{{0.388 \; 0}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 55.864 \; 8} \right)}^2}}}{{{{6.983 \; 6}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 1.287 \; 4} \right)}^2}}}{{{{4.924 \; 3}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 1.216 \; 2} \right)}^2}}}{{{{0.182 \; 6}^2}}}}}$ 2 ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 25.796 \; 2} \right)}^2}}}{{{{0.441 \; 1}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 45.092 \; 5} \right)}^2}}}{{{{12.363 \; 2}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 0.922 \; 1} \right)}^2}}}{{{{5.656 \; 3}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 0.985 \; 1} \right)}^2}}}{{{{0.209 \; 3}^2}}}}}$ 11 ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 27.734 \; 6} \right)}^2}}}{{{{0.541 \; 2}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 28.730 \; 2} \right)}^2}}}{{{{4.532 \; 4}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 4.793 \; 8} \right)}^2}}}{{{{8.247 \; 9}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 1.102 \; 4} \right)}^2}}}{{{{0.286 \; 3}^2}}}}}$ 12 ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 26.582 \; 3} \right)}^2}}}{{{{0.695 \; 6}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 42.042 \; 8} \right)}^2}}}{{{{7.533 \; 1}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 2.482 \; 0} \right)}^2}}}{{{{7.711 \; 7}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 1.140 \; 9} \right)}^2}}}{{{{0.214 \; 3}^2}}}}}$ 表 2 2016－2017年以作业次数为基础的各因子适应性指数模型Table 2. SI model for each factor based on fishing times during 2016–2017月份
MonthSST的适应性指数
SISSTMLT的适应性指数
SIMLTSLA的适应性指数
SISLACHL的适应性指数
SICHL1 ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 26.061 \; 5} \right)}^2}}}{{{{0.351 \; 9}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 55.604 \; 8} \right)}^2}}}{{{{6.597 \; 4}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 1.691 \; 5} \right)}^2}}}{{{{5.498 \; 3}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 1.150 \; 0} \right)}^2}}}{{{{0.267 \; 2}^2}}}}}$ 2 ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 25.736 \; 0} \right)}^2}}}{{{{0.371 \; 6}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 42.193 \; 5} \right)}^2}}}{{{{9.849 \; 2}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 0.043 \; 3} \right)}^2}}}{{{{5.308 \; 9}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 0.987 \; 1} \right)}^2}}}{{{{0.195 \; 0}^2}}}}}$ 11 ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 27.712 \; 7} \right)}^2}}}{{{{0.533 \; 7}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 28.574 \; 4} \right)}^2}}}{{{{4.453 \; 0}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 5.039 \; 2} \right)}^2}}}{{{{8.235 \; 2}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 1.052 \; 4} \right)}^2}}}{{{{0.312 \; 7}^2}}}}}$ 12 ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 26.418 \; 0} \right)}^2}}}{{{{0.591 \; 5}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x - 44.049 \; 8} \right)}^2}}}{{{{10.173 \; 3}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 0.494 \; 4} \right)}^2}}}{{{{10.509 \; 6}^2}}}}}$ ${\rm{SI}} = {{\rm{e}}^{ - \frac{{{{\left( {x + 1.074 \; 6} \right)}^2}}}{{{{0.210 \; 0}^2}}}}}$ ![]()
图 2 阿拉伯海鲐鱼渔场海表温度、混合层厚度、海面高度异常、叶绿素 a适应性指数曲线Figure 2. SI curves of SST, MLT, SLA, CHL for fishing ground of S. australasicus表 3 以渔获量和作业次数为基础的SI模型的拟合优度和差异性分析Table 3. Goodness-of-fit of SI models and P values based on fish catches and fishing times月份
Month以渔获量为基础的SI模型
Based on fish catches以作业次数为基础的SI模型
Based on fishing timesR2 P R2 P 1 SISST 0.807 0.001 04 SISST 0.932 0.000 05 SIMLT 0.823 0.003 93 SIMLT 0.954 0.000 16 SISLA 0.328 0.003 17 SISLA −0.048 0.015 10 SICHL 0.999 <0.000 01 SICHL 0.998 <0.000 01 2 SISST 0.909 0.000 47 SISST 0.843 0.001 65 SIMLT 0.735 0.016 90 SIMLT 0.887 0.003 49 SISLA 0.931 0.000 02 SISLA 0.964 <0.000 01 SICHL 0.968 <0.000 01 SICHL 0.944 <0.000 01 11 SISST 0.979 0.000 03 SISST 0.964 0.000 11 SIMLT 0.752 0.002 25 SIMLT 0.791 0.002 33 SISLA 0.993 <0.000 01 SISLA 0.986 <0.000 01 SICHL 0.909 0.002 15 SICHL 0.821 0.005 06 12 SISST 0.965 0.000 01 SISST 0.893 0.000 19 SIMLT 0.94 <0.000 01 SIMLT 0.948 <0.000 01 SISLA 0.867 0.000 67 SISLA 0.828 0.001 30 SICHL 0.989 <0.000 01 SICHL 0.994 <0.000 01 2.2 各环境因子的适应值区间和最适值
选择SI大于0.6对应的环境因子的区间值作为适应区间值，SI等于1对应的环境因子的值作为最适值，各因子不同月份的适应值区间和最适值见图3。以渔获量为基础和以作业次数为基础计算的适应值区间的变化趋势相近，适应值区间的范围也接近。利用以作业次数为基础计算的适应值区间变化为例来分析，SST适应值2月最低 [(25.74±0.26) ℃]，11月达到最高值 [(27.71±0.38) ℃]，呈先减后增再减的变化趋势 (图3-a)。MLT的适应值1月最高 [(55±4.67) m]，11月达到最低值 [(28.57±3.15) m]，呈先减后增的倒三角形 (图3-b)。SLA的适应值区间在0 cm偏正值附近，适应值11月最大 [(5.04±5.82) cm]，12月到达最小值 [(−2.48±7.43) cm]，整体变化趋势较平缓 (图3-c)。CHL最适值在1月最低 (0.316 6 mg·m−3)，适应值区间0.262 1~0.385 0 mg·m−3，2月到达最高 (0.372 6 mg·m−3)，适应值区间0.324 6~0.428 6 mg·m−3，11和12月逐渐降低，呈先增后减的正三角形 (图3-d)。
![]()
图 3 各因子适应值区间和最适值Figure 3. Suitable value range and most suitable value for each factor2.3 HSI模型系数的确定
根据公式 (4)，利用MATLAB软件进行有约束线性最小二乘法求解，得到各环境因子的SI模型的系数，从而使得模型计算的HSI理论值与SI实际值更接近。分别计算得到以作业次数为基础和以渔获量为基础建立的SI模型的不同月份的权重系数。表4中的d、e、f、g分别为SST、MLT、SLA、CHL的SI模型的权重系数。从FT-HSI模型来看，CHL的权重系数在1月为0.889 8，2月为0.855 1，11月为0.613 8，12月为0.313 6，平均值为0.668 1，而SLA、MLT权重系数除在12月稍高外，其他月份均很低，平均值分别为0.225 5和0.028 8，SST的权重系数在11月为0.310 5，其他月份很低，平均值为0.077 6。表明阿拉伯海鲐鱼的分布与CHL的关系较为密切。
表 4 2016—2017年各模型的权重系数Table 4. Weights for SI of four environment factors during 2016–2017SI来源
Source of SI权重
Weight1月
January2月
February11月
November12月
December平均
Mean渔获量 Catches d 0.000 0 0.000 0 0.312 6 0.000 0 0.078 1 e 0.113 7 0.000 0 0.000 0 0.380 0 0.123 4 f 0.000 0 0.094 5 0.118 1 0.620 0 0.208 1 g 0.886 3 0.905 5 0.569 3 0.000 0 0.590 3 作业次数 Fishing times d 0.000 0 0.000 0 0.310 5 0.000 0 0.077 6 e 0.110 2 0.000 0 0.000 0 0.004 9 0.028 8 f 0.000 0 0.144 9 0.075 7 0.681 5 0.225 5 g 0.889 8 0.855 1 0.613 8 0.313 6 0.668 1 2.4 HSI模型分析
将2016—2017年的环境因子的值输入表1和表2所示的SI模型，计算得到适应性指数SI，然后再带入公式(4)中计算出综合栖息地指数HSI，并计算出2016—2017年1、2、11和12月不同HSI级别下实际产量所占的比重 (表5)。当HIS>0.6时，1月FC-HSI和FT-HSI模型的实际渔获产量占比分别为73.07%和78.61%；2月分别为59.10%和55.24%；11月分别为94.83%和97.69%；12月分别为78.01%和88.60%。当HIS<0.3时，1月FC-HSI和FT-HSI模型的实际渔获产量占比分别为22.26%和15.51%；2月分别为14.38%和20.11%；11月均为0.17%；12月分别为5.51%和0.25%。据此可见，FC-HSI和FT-HSI模型能很好地反映阿拉伯海鲐鱼渔场资源的分布情况，且以作业次数为基础的FT-HSI模型稍好于以渔获量为基础的FC-HSI模型。
表 5 2016—2017年不同综合栖息地指数级别下实际产量所占比重Table 5. Percentage of practical catches at different levels of HSI during 2016–2017% HSI来源
Source of HSIHSI级别
HSI level实际渔获产量占比 Proportion of practical fish catches 1月
January2月
February11月
November12月
December平均
Mean渔获量 Catches [0,0.3) 22.26 14.38 0.17 5.51 10.58 [0.3,0.6) 4.67 26.52 5.00 16.47 13.17 [0.6,1] 73.07 59.10 94.83 78.01 76.25 作业次数 Fishing times [0,0.3) 15.51 20.11 0.17 0.25 9.01 [0.3,0.6) 5.88 24.65 2.14 11.15 10.96 [0.6,1] 78.61 55.24 97.69 88.60 80.03 2.5 2018年1、2、11和12月渔场分布验证
根据2018年1、2、11和12月的SST、MLT、SLA、CHL环境因子的值，输入FC-HSI和FC-HSI模型分别计算出各月的HSI值，并与实际的捕捞作业情况进行叠加对比，结果见图4。红色圆圈所在位置为捕捞作业的区域，圆圈直径的大小表示渔获量的多少，实际渔场的位置主要位于HSI相对较大值 (暖色) 区域，1月、2月主要介于58 °E—61 °E、11 °N—16 °N，11月主要介于60.5 °E—63 °E、15.5 °N—19.5 °N，12月主要介于58 °E—62 °E、12 °N—18.5 °N，两者在空间上具有较好的重叠度。统计结果见表6。当HSI>0.6时，FC-HSI和FT-HSI模型的1、2、11和12月的平均实际渔获产量占比分别为45.68%和50.15%；当HSI<0.3时，两者分别为13.29%和15.21%。表明这两个模型均能较好地预测阿拉伯海鲐鱼中心渔场，并且以作业次数为基础的FT-HSI模型的预测结果更优。
![]()
图 4 2018年阿拉伯海鲐鱼实际作业渔场与以作业次数为基础HSI模型预报结果对比Figure 4. Comparison of practical fishing ground of S. australasicus and forecast result of HSI model based on fishing times表 6 2018年不同综合栖息地指数级别下和实际产量所占比重Table 6. Percentage of practical catches at different levels of HSI in 2018% HSI 来源
Source of HSIHSI 级别
HSI level实际渔获产量占比 Proportion of practical fish catches 1月
January2月
February11月
November12月
December平均
Mean渔获量 Catches [0,0.3) 13.25 19.45 18.15 2.3 13.29 [0.3,0.6) 31.18 28.02 66.44 38.51 41.04 [0.6,1] 55.57 52.54 15.41 59.19 45.68 作业次数 Fishing times [0,0.3) 1.47 22.00 18.15 19.23 15.21 [0.3,0.6) 28.95 36.79 66.51 6.29 34.64 [0.6,1] 69.58 41.21 15.35 74.47 50.15 3. 讨论
3.1 各因子最适值分析
阿拉伯海位于印度洋的西北区域，处于热带季风气候区，上层海温的年变化呈现双峰特征[16]，阿拉伯海中部海域6和11月表层水温处于峰值区，常在28 ℃以上，1和8月转为低值区 (24~25 ℃)[17]，温差约4 ℃，冬、夏季温差不大，SST较稳定，鲐鱼不需要洄游越冬。计算得到鲐鱼的SST的最适值11月达到最高值27.71 ℃，2月达到最低值25.74 ℃，最适值的最高值和最低值相差约2 ℃，变化幅度较小(图3-a)。MLT的最适值范围各月有较大的差异，1月最高值和11月最低值区间相差约27 m(图3-b)，表明阿拉伯海鲐鱼对MLT变化的适应性较强，MLT对鲐鱼渔场的影响较小。
SLA是海面高度SSH (Sea surface height) 减去多年平均值后的值，SLA大于0表示海流的辐聚，辐聚的水流表现为汇，中心水体下降，把表层高温暖水向下层输送，常常出现暖水团。SLA小于0表示海流的辐散，辐散的水流表现为源，中心水体涌升，把下层低温冷水向表层输送，常导致出现冷水团的同时，将底层海域丰富的营养盐也不断地向上层输送[18]。SLA的0值表示海面高度的最极大值和极小值的交汇处。阿拉伯海鲐鱼各月SLA的适应值区间和最适值基本都分布在0值附近，略偏正值(图3-c)，例如1月的最适值为1.69 cm、2月为−0.04 cm、11月为5.04 cm、12月为0.49 cm，表明鲐鱼主要出现在冷暖水团的交汇区且靠近暖水团一侧的海域[3, 19]。分析认为鱼群没有分布在营养丰富的上升流中心区域，而分布在其边缘海域，是因为在这些区域即可获得丰富的食物，又可避开上升流中心从下层涌升的冷水。
雷茜等[17]的研究表明阿拉伯海域的CHL均值介于0.7~1.4 mg·m−3，海域北部CHL浓度非常高，由近岸向远海逐渐递减。鲐鱼的CHL最适值介于0.262 1~0.428 6 mg·m−3(图3-d)，阿拉伯海围网作业主要分布在阿拉伯海西部阿曼湾出口附近海域，并未分布在CHL最高的北部区域。高CHL表明浮游生物出现大量增殖，有时会发生一种叫水华的水生生态异常现象。阿拉伯海近岸常在冬季发生水华[20]，水华生物的代谢产物有毒，死亡后经细菌分解又会产生有害物质，同时造成水体缺氧[21]，不利于鱼类生存。
3.2 各因子的权重系数分析
权重系数反映了各环境因子对HSI值的贡献程度，系数越高表明相应的环境值对渔场分布的影响越大。崔雪森等[22]在建立西北太平洋柔鱼 (Ommastrephes bartramii) HSI模型的过程中，基于逐步回归剔除了不显著的解释变量，并且发现环境变量的权重值随着季节的变化会不同，如在主渔汛期间，100 m水深的温度对渔场资源分布起关键作用，而在渔汛末期，海表温度则成为最重要的因子。范江涛等[23]基于不同权重系数的SST、海面高度和CHL的栖息地指数构建了南海北部枪乌贼 (Uroteuthis sp.) 渔情预报模型，通过权重系数分析得到，CHL是影响枪乌贼渔场分布的重要因素，模型验证结果表明，其准确率超过75%。以FT-HSI模型为例，CHL在1、2和11月的权重较大，且平均值达到0.6左右，而MLT、SLA、SST均值很小，除了SLA的权重系数均值在0.2附近，MLT、SST的均值都未超过0.1，表明阿拉伯海的鲐鱼渔场更容易受到CHL即饵料生物分布的影响[24-25]。雷茜等[17]研究表明阿拉伯海秋、冬季11月至3月的CHL均值明显高于春、夏季, 秋、冬季表层水温度降低，密度加大，引起上层水体的不稳定，加上强烈的东北季风搅拌，加大了混合层厚度，丰富的营养盐涌到上层，导致阿拉伯海CHL升高[26]。秋冬季正好是阿拉伯海鲐鱼的渔汛期，表明CHL对渔场分布的影响极其重要。在实际的渔场资源预报中，根据CHL数据可对阿拉伯海鲐鱼渔场的位置进行大致判断。
3.3 不同栖息地指数模型的比较分析
作业次数是指渔船在一定时间一定地点放网的次数，可以代表鱼类出现或渔业资源被利用情况的指标，渔获量则可作为渔业资源丰度指标，且很多研究表明CPUE与环境因子的关系密切程度不及作业网次，因为资源丰度较高的海域，作业渔船数量较多，作业网次比较集中，会使得CPUE降低[27]。崔雪森等[22]分别基于渔获量和CPUE建立西北太平洋柔鱼的栖息地指数预报模型，比较这两种模型的拟合优度，结果显示基于渔获量建立的HSI模型具有更高的精度。因此本文分别以作业次数和渔获量来计算实际的SI，并建立FC-HSI和FT-HSI模型，结果显示FT-HSI模型预报结果稍优于FC-HSI模型 (表5，表6)，表明作业渔船集中的海域，渔船之间的相互干扰不仅使CPUE下降，也导致捕捞产量下降，因此，基于作网次数构建的栖息地模型可以更真实地反映环境因子与鱼类栖息地分布的关系。
3.4 鲐鱼栖息地模型的改善
本研究建模所用的捕捞数据时间跨度为2年 (2016—2017年)，环境因子对渔场资源分布的影响难以全部表达出来，如能用多年的捕捞数据构建模型，HSI模型将更加完善，渔场预报的准确度也会更高。渔场的形成及其分布受环境因子影响的过程较为复杂，阿拉伯海春、夏季盛行西南季风，秋、冬季11月至3月常吹东北季风。海流受季风的影响明显，吹西南季风时海流呈顺时针，吹东北季风时则呈逆时针，半年一度的季风逆转使得阿拉伯海成为世界海洋高生产力地区之一[28]。杨胜龙等[7]指出阿拉伯海鲐鱼渔场重心的移动趋势与表层的季风海流相关，鲐鱼属于中上层小型鱼类，其产卵、索饵、洄游可能受到阿拉伯海的季风影响。通常次表层的垂直水温分布[29]及温跃层[30]是否存在是寻找中心渔场的指标之一[31]，因此在今后的研究中，需对鲐鱼的洄游习性及群系分布进行深入的研究，考虑更多的环境因子，如上述海流、季风、温跃层等，以建立更加准确和完善的综合栖息地指数模型。
-
![]()
图 1 常氧与低氧中鳃组织miRNA占小RNA的比例
Figure 1. Proportion of miRNA in whole small RNAs sequence in normoxic and hypoxic gill tissues
![]()
图 2 常氧和低氧鳃组织差异miRNAs火山图
Figure 2. miRNAs volcano map of difference between normoxic and hypoxic gill tissues
![]()
图 3 常氧和低氧鳃组织差异miRNAs聚类图
Figure 3. miRNAs clustering map of difference between normoxic and hypoxic gill tissues
![]()
图 4 差异miRNAs靶基因数量统计分析
Figure 4. Statistical analysis of number of differential miRNAs target genes
![]()
图 5 差异miRNAs靶向的热休克蛋白基因GO富集
Figure 5. GO enrichment of differential miRNAs-targeted heat shock protein genes
表 1 斑马鱼低氧与常氧鳃中下调的miRNAs靶基因预测
Table 1 Prediction of down-regulated miRNAs target genes in hypoxic and normoxic gills of D. rerio
miRNA名称
miRNA name靶基因
Gene binding结合位点
Site目标区域的预测配对
Predicted pairing of target regiondre-miR-455-3p hspa14 935—941 
dnajb6b 1157—1163 
1829—1835 
下载: 导出CSV
表 2 斑马鱼低氧与常氧鳃中上调miRNAs靶基因预测
Table 2 Prediction of up-regulated miRNAs target genes in hypoxic and normoxic gills of D. rerio
miRNA名称
miRNA name靶基因
Gene binding结合位点
Site目标区域的预测配对
Predicted pairing of target regiondre-miR-194a hspa12a 2262—2268 
dnajc5aa 4114—4120 
hspb7 1644—1650 
hsp70.3 245—251 
dnajb2 3834—3840 
dre-miR-155 hspa12a 2771—2777 
hspg2 3611—3617 
hspa13 308—314 
903—910 
dnajb2 1484—1490 
3420—3426 
dre-miR-130c hspa12a 3219—3225 
4709—4715 
dnajb2 920—926 
dre-miR-9 dnajc5aa 2348—2354 
dnajb2 5033—5039 
dre-miR-29a hspg2 2832—2839 
dre-miR-96-5p dnajb2 2290—2296 
5045—5051 
5094—5100 
下载: 导出CSV
-
[1] RICHARDS J G. Physiological, behavioral and biochemical adaptations of intertidal fishes to hypoxia[J]. J Exp Biol, 2011, 214(2): 191-199. doi: 10.1242/jeb.047951
[2] 赵文文, 曹振东, 付世建. 溶氧水平对鳊鱼、中华倒刺鲃幼鱼游泳能力的影响[J]. 水生生物学报, 2013, 37(2): 314-320. doi: 10.7541/2013.20 [3] 钟雪萍, 王丹, 张义兵, 等. 鲫鱼低氧相关基因差减cDNA文库的构建与分析[J]. 水生生物学报, 2009, 33(1): 113-118. [4] BEST C, IKERT H, KOSTYNIUK D J, et al. Epigenetics in teleost fish: from molecular mechanisms to physiological phenotypes[J]. Comp Biochem Physiol B, 2018, 224: 210-244. doi: 10.1016/j.cbpb.2018.01.006
[5] 刘昌盛, 穆宇, 杜久林. 斑马鱼在生命科学研究中的应用[J]. 生命科学, 2007(4): 33-37. [6] SARASAMMA S, VARIKKODAN M M, LIANG S T, et al. Zebrafish: a premier vertebrate model for biomedical research in Indian scenario[J]. Zebrafish, 2017, 14(6): 589-605. doi: 10.1089/zeb.2017.1447
[7] 刘春晓, 吕为群, 杨志刚, 等. TGF-β/Smad信号通路响应光周期变化参与调控斑马鱼卵巢发育[J]. 南方水产科学, 2019, 15(3): 69-75. [8] SANTHAKUMAR K, JUDSON E C, ELKS P M, et al. A zebrafish model to study and therapeutically manipulate hypoxia signaling in tumorigenesis[J]. Cancer Res, 2012, 72(16): 4017-4027. doi: 10.1158/0008-5472.CAN-11-3148
[9] 张凡, 黄秋花, 陈赛娟, 等. 用斑马鱼模型研究低氧应激在造血和血液疾病中的作用[J]. 上海交通大学学报 (医学版), 2016, 36(8): 1237-1241. [10] 狄治朝, 周涛, 许强华. 低氧胁迫与常氧条件下斑马鱼鳃中热休克蛋白基因家族的表达差异比较[J]. 大连海洋大学学报, 2018, 33(6): 11-16. [11] 徐湛宁. 草鱼在低氧胁迫下鳃的差异蛋白质组学及热休克诱导草鱼四倍体育种研究[D]. 上海: 上海海洋大学, 2018: 11-12. [12] 陈世喜, 王鹏飞, 区又君, 等. 急性和慢性低氧胁迫对卵形鲳鲹鳃器官的影响[J]. 南方水产科学, 2017, 13(1): 124-130. doi: 10.3969/j.issn.2095-0780.2017.01.016 [13] REINHART B J, SLACK F J, BASSON M, et al. The 21-nucleotide let-7 RNA regulates developmental timing in Caenorhabditis elegans[J]. Nature, 2000, 403(6772): 901-906. doi: 10.1038/35002607
[14] 曾幼玲, 杨瑞瑞. 植物miRNA的生物学特性及在环境胁迫中的作用[J]. 中国农业科学, 2016, 49(19): 3671-3682. doi: 10.3864/j.issn.0578-1752.2016.19.001 [15] QIAN M, WANG S, GUO X, et al. Hypoxic glioma-derived exosomes deliver microRNA-1246 to induce M2 macrophage polarization by targeting TERF2IP via the STAT3 and NF-κB pathways[J]. Oncogene, 2020, 39(2): 428-442. doi: 10.1038/s41388-019-0996-y
[16] ZHAO Y, ZHU C D, YAN B, et al. miRNA-directed regulation of VEGF in tilapia under hypoxia condition[J]. Biochem Bioph Res Commun, 2014, 454: 183-188. doi: 10.1016/j.bbrc.2014.10.068
[17] SUN X H, WANG X, ZHANG Y, et al. Exosomes of bone-marrow stromal cells inhibit cardiomyocyte apoptosis under ischemic and hypoxic conditions via miR-486-5p targeting the PTEN/PI3K/AKT signaling pathway[J]. Thromb Res, 2019, 177: 23-32. doi: 10.1016/j.thromres.2019.02.002
[18] 曲凌云, 孙修勤, 相建海, 等. 热休克蛋白研究进展[J]. 海洋科学进展, 2004, 22(3): 385-391. doi: 10.3969/j.issn.1671-6647.2004.03.019 [19] 黄勇, 龚望宝, 陈海刚, 等. 基于RNA-Seq高通量测序技术的大口黑鲈转录组分析[J]. 南方水产科学, 2019, 15(1): 106-112. doi: 10.12131/20180066 [20] NAORA H. Involvement of ribosomal proteins in regulating cell growth and apoptosis: translational modulation or recruitment for extraribosomal activity[J]. Immunol Cell Biol, 1999, 77(3): 197-205. doi: 10.1046/j.1440-1711.1999.00816.x
[21] ZHI F, SHAO N, XUE L, et al. Characteristic MicroRNA expression induced by δ-Opioid receptor activation in the rat liver under prolonged hypoxia[J]. Cell Physiol Biochem, 2017, 44(6): 2296-309. doi: 10.1159/000486067
[22] CHEN P J, WENG J Y, HSU P H, et al. NPGPx modulates CPEB2-controlled HIF-1α RNA translation in response to oxidative stress[J]. Nucleic Acids Res, 2015, 43(19): 9393-9404. doi: 10.1093/nar/gkv1010
[23] CAI Y H, LI Y P. Upregulation of miR-29b-3p protects cardiomyocytes from hypoxia-induced apoptosis by targeting TRAF5[J]. Cell Mol Biol Lett, 2019, 24(1): 27. doi: 10.1186/s11658-019-0151-3
[24] ZHANG H, LI H, GE A, et al. Long non-coding RNA TUG1 inhibits apoptosis and inflammatory response in LPS-treated H9c2 cells by down-regulation of miR-29b[J]. Biomed Pharmacother, 2018, 101: 663-669. doi: 10.1016/j.biopha.2018.02.129
[25] DING S, MIERADILIJIANG A, ZHOU Z, et al. Histamine deficiency aggravates cardiac injury through miR-206/216b-Atg13 axis-mediated autophagic-dependant apoptosis[J]. Cell Death Dis, 2018, 9(6): 694. doi: 10.1038/s41419-018-0723-6
[26] YAN Y, CHENG W, ZHOU W, et al. Elevation of circulating miR-210-3p in high-altitude hypoxic environment[J/OL]. Front Physiol, 2016, 7: 84. DOI: 10.3389/fphys.2016.00084.
[27] SHEN Y, ZHAO Y, WANG L, et al. MicroRNA-194 overexpression protects against hypoxia/reperfusion-induced HK-2 cell injury through direct targeting Rheb[J]. J Cell Biochem, 2018, 120(5): 8311-8318.
[28] MATSUURA Y, WADA H, EGUCHI H, et al. Exosomal miR-155 derived from hepatocellular carcinoma cells under hypoxia promotes angiogenesis in endothelial cells[J]. 2019, 64(3): 792-802.
[29] YAN J R, XUE H J, WU S Q, et al. Ginsenoside-Rb1 protects hypoxic- and ischemic-damaged cardiomyocytes by regulating expression of miRNAs[J]. EVID-Based Compl Alt, 2015, 171306. DOI: 10.1155/2015/171306.
[30] SHAN F, LI J, HUANG Q Y. HIF-1 alpha-induced up-regulation of miR-9 contributes to phenotypic modulation in pulmonary artery smooth muscle cells during hypoxia[J]. J Cell Physiol, 2014, 229(10): 1511-1520. doi: 10.1002/jcp.24593
[31] TIAN L, CAI D, ZHUANG D, et al. miR-96-5p regulates proliferation, migration, and apoptosis of vascular smooth muscle cell induced by angiotensin II via targeting NFAT5[J]. J Vasc Res, 2020, 57(2): 1-11.
[32] 郭伟, 许万福, 赵俊红, 等. microRNA-1和热休克蛋白90在心肌缺氧复氧中的关系[J]. 中国分子心脏病学杂志, 2019, 108(5): 57-61. [33] 苑洁, 邹云增. 压力超负荷致小鼠心肌肥厚中miR-378对热休克转录因子-1的调节作用[J]. 中国临床医学, 2019, 26(40): 543-648. [34] CLAEYS K G, SOZANSKA M, MARTIN J J, et al. DNAJB2 expression in normal and diseased human and mouse skeletal muscle[J]. Am J Pathol, 2010, 176(6): 2901-2910. doi: 10.2353/ajpath.2010.090663
[35] VINCENZO L, CARMEN A, ERWIN K, et al. Chaperonopathies: spotlight on hereditary motor neuropathies[J]. Front Mol Biosci, 2016, 3: 81. DOI: 10.3389/fmolb.2016.00081.
[36] ZHU Y, ZHOU H, ZHU Y, et al. Gene expression of Hsp70, Hsp90, and Hsp110 families in normal and abnormal embryonic development of mouse forelimbs[J]. Drug Chem Toxicol, 2012, 35(4): 432-444. doi: 10.3109/01480545.2011.640683
[37] DING Y, LIU W, GORE B, et al. Abstract 41: Dnajb6b is a novel genetic modifier for cardiomyopathy that regulates ER stress response[J]. Circul Res, 2014, 115(Suppl 1): A41.
[38] TRANLUNDMARK K, CHANG Y T, TANNENBERG P, et al. Lack of perlecan heparan sulfate impairs pulmonary vascular development and is protective in hypoxia induced pulmonary hypertension[J]. Cardiovasc Res, 2015, 107(1): 20-31. doi: 10.1093/cvr/cvv143
-
期刊类型引用(11)
1. 蔡润基，彭小红，叶双福，张天晨，高月芳，吕俊霖. 基于前后端生成概率密度图模型的虾苗自动计数. 南方水产科学. 2025(01): 173-184 . 
本站查看
2. 安文举，鱼亦凡，郝姗姗，王英弟，李小兵，麦旭东. 基于土地利用变化的陕北多沙粗沙区生境质量演变及响应分析. 干旱区地理. 2024(03): 474-484 . 百度学术
3. 张鸿霖，马有成，宋厚成，张健，曾志坚. 基于结构方程模型研究环境因子对毛里塔尼亚双拖鲣CPUE的影响. 中国水产科学. 2024(04): 465-475 . 百度学术
4. 邓光蔓，杨现坤，徐国良，符加方，莫凌梓，杨漫，凌雨楠，李俐宽，李委庭，蔡志云. 粤北南雄盆地县域土地利用变化与生境质量演变. 中国城市林业. 2024(04): 139-146 . 百度学术
5. 陆晴，胡慧敏，廖佳婧，陆辉. 长江中下游生境质量演变及其对土地利用变化的响应分析. 山东国土资源. 2024(12): 56-65 . 百度学术
6. 武孝慈，冯志萍，余为. 未来气候情境下中国东海鲐鱼栖息地的时空分布. 南方水产科学. 2023(01): 12-21 . 本站查看
7. 谢雨芳，吴鹏，刘永，肖雅元，唐广隆，王腾，林琳，李纯厚. 珠江河口凤鲚的栖息地适宜性评价. 南方水产科学. 2023(01): 22-29 . 本站查看
8. 姜珊，杨晓明，朱江峰. 中西太平洋金枪鱼围网鲣渔获率与海洋环境关系的时空异质性. 中国水产科学. 2022(05): 744-754 . 百度学术
9. 张佳泽，张胜茂，王书献，杨昱皞，戴阳，熊瑛. 基于3-2D融和模型的毛虾捕捞渔船行为识别. 南方水产科学. 2022(04): 126-135 . 本站查看
10. 朱若雅，许子安，汪金涛，邓荣成，隋恒寿，李彬，陈新军. 基于捕捞努力量的中西太平洋鲣鱼栖息地适宜性指数模型优化. 广东海洋大学学报. 2022(06): 81-87 . 百度学术
11. 杨彩莉，杨晓明，朱江峰. 不同类型厄尔尼诺事件中环境因子对中西太平洋金枪鱼围网鲣分布响应. 南方水产科学. 2021(03): 8-18 . 本站查看
其他类型引用(10)
计量
- 文章访问数: 584
- HTML全文浏览量: 246
- PDF下载量: 39
- 被引次数: 21
粤公网安备 44010502001741号
