利用土壤细菌群落预测土壤理化变量和土壤质量

文献解读：牛国庆（硕士在读）

Using soil bacterial communities to predictphysico-chemical variables and soil quality

DOI：https://doi.org/10.1186/s40168-020-00858-1

第一作者：Syrie M. Hermans

单位；School of Biological Sciences, University of Auckland, 3A Symonds Street,Auckland 1010, New Zealand

写在前面

微生物似乎是无孔不入的，也似乎与任何事情都有关系，在人类相关微生物研究中，我们看到了可以预测人类各种疾病的微生物群落，那么在肠道微生物总能是否会存在这样的情况呢？今天：Syrie M. Hermans带来这篇文章为我们探索了土壤的化学因子和微生物群落之间的关系，同时进一步学习一下机器学习方法在研究微生物群落中的重要作用。

摘要

  • 背景：

    土壤生态系统是由生物群落和物理化学变量之间复杂的相互作用组成的，它们共同决定着土壤的整体质量。

    尽管如此，大多数土壤监测项目忽视了细菌群落的变化，这对确保土地管理实践的可持续性至关重要。

    我们应用16srRNA基因测序技术对新西兰606个地点的3000多份土壤样品进行了细菌群落组成的测定。

    地点被划分为本土森林、外来森林种植园、园艺或牧区草原；

    还收集了与土壤质量有关的土壤物理化学变量。

    利用土壤细菌群落组成预测各立地的土地利用和土壤理化变量。

  • 本文目的:（1）确定管理土壤中的细菌群落与自然、未受干扰环境中的细菌群落有何不同，（2）确定管理土壤中的细菌群落能在多大程度上预测土壤的物理化学特征，（3）探索这些预测是否足够准确和可靠，可用于土壤质量监测。

结果

1.不同土地利用类型的土壤细菌群落组成

四种土地利用方式的细菌群落组成差异显著，在解释变量中，PH和C:H的相关性相对最高，其中两种林地的C:H含量较高，而园艺用地的olsenP浓度较高，容重较高。利用随机森林模型，我们确认细菌群落的组成与土地利用密切相关，在某种程度上，某一地点的土壤细菌可用于预测土地利用，准确率为85%，如下图

图1

2.利用细菌群落组成预测土壤状况

  • （1）对于细菌群落数据的子集，包括来自所有管理(AM)或所有非牧草地管理(NPG)站点的数据，我们为其分配了“土壤集群”，可对其土壤理化环境进行一般定义。

    再利用随机森林模型，仅根据细菌群落数据评估，AM和NGP位点的聚类预测准确率分别为60%和83%。

    （AM和NPG位点的E组和D组的样本量较小，由离群点组成；

    这可能是导致这些聚类无法正确分配的原因。

    ）如下图

    图2

  • the lowest carbon, low total nitrogen and anaerobic min-eralizable nitrogen, high pH and Olsen P concentrationand the highest bulk density (最低碳、低全氮、厌氧矿化氮、高pH、高olsenp浓度和最高容重)

图3

  • （2）每个位点的细菌群落也可以用于预测单个土壤理化变量和土壤PCA得分。

    上图展示是预测值与实际土壤变量进行比较的回归模型分析，所有管理（AM)地点相关性从弱到强（R20.35-0.73)、非牧区草地管理（NGP)的相关性为中度至强（R2 0.48-0.79),AM位点在PH、全氮、大孔隙、体积密度（容重）和主成分分析轴2方面比NPG位点预测更准确，而在碳、厌氧矿化氮，有效磷和PCA分析轴1方面NPG比AM更准确，（模型的斜率接近1代表完美的预测）。

    其中牧区草地位点的模型表现不佳。

图4

  • 该图a展示了AM位点和NPG位点几个在重要分类单元和9种随机森林模型，Chiamydiae（衣原体菌门）、Firmicutes（厚壁菌门）、Nitrospirae（硝化螺旋菌门）、bacteroidetes（拟杆菌门）、Gemmatimonadetes（芽单胞菌门）、planctomycetes（浮霉状菌）、Chloroflexi（绿弯菌门）、Verrucomicrobia（疣微菌门）、actinobacteria（放线菌门）、acidobacteria(酸杆菌门)、proteobacteria（变形菌门），在AM位点模型中，acidobacteria(酸杆菌门)、proteobacteria（变形菌门）、Verrucomicrobia（疣微菌门）、actinobacteria（放线菌门）较丰富；

    在NPG位点模型中acidobacteria(酸杆菌门)、proteobacteria（变形菌门）、actinobacteria（放线菌门）较丰富，而Verrucomicrobia（疣微菌门）则不太丰富。

图b表示在超过6个模型中不存在的一个分类单元，没有一个重要的OTU。

根据预测的理化值确定土壤质量状况

预测的土壤变量与实际的土壤变量用质量分数表示再进行对比，结果可分为错误（相反）、差（即预测的质量分数比实际的）、较好和正确。预测值转化为正确的“质量分数”

图5图中AM和NGP模型对PH值的预测正确率分别为87.5%和95%。当模型不正确时，它们往往会产生比真实情况更好的评分类别。

讨论

  • （1）尽管预测的土壤变量值存在一定程度的误差，但大多数情况下，预测值转化为正确的“质量分数”，突出了细菌群落作为土壤质量指标的潜力。

    当质量分数被错误地预测时，模型倾向于分配比真实情况更好的质量分数。

    因此，被归类为土壤质量差的样本可能是可靠的，而我们的模型指定为使用优质土壤的部分样本将是不正确的。

  • （2）这里的结果强调了细菌群落作为土壤质量有用指标的潜力；

    这个概念的证明应该鼓励进一步的研究来完善和补充这里的发现。

    例如，使用RNA而不是DNA来确定群落的组成，从而检查细菌群落的活性部分，可以突出土壤质量与细菌群落之间更密切的关系；

    有一些以DNA和RNA为基础的方法被用于补体，以增加我们对微生物对污染事件反应的理解[46]。

    或者，探索细菌群落对土壤的功能性贡献可以提供关于土壤中发生的生态系统过程以及这些过程是如何受到土地管理影响的信息。

    微生物基因，例如那些参与氮循环的基因，以前一直致力于为细菌提供的生态系统服务提供见解[47]。

    宏基因组学、转录组学和蛋白质组学方法都在迅速发展，变得更加容易获得和负担得起[48]。

    由于它们提供了功能性的见解，如果我们能够区分有益的或消极的生态系统过程，这些方法甚至可以增加我们对什么是“健康”土壤的理解。

    了解土壤细菌群落对土壤生态系统的功能贡献，也可以让我们更好地预测未来随着气候和人类土地利用强度的不断变化，我们的土壤将如何发挥作用。

    最后，将本文的结果扩展到更广泛的对土壤生态系统很重要的非细菌类群[49]，例如真菌和其他微真核生物，不仅有助于我们预测土壤质量的能力，而且有助于我们理解不同生物在决定土壤质量方面的生物学作用。

    总的来说，应用其他方法来描述健康和退化土壤中的微生物群落，有可能增加我们对人类活动如何影响土壤微生物提供的生态系统服务的理解。

  • （3)细菌群落受土地管理措施的强烈操纵，细菌群落数据在相似的土壤条件下形成类群，并且可以成功地预测土壤变量的具体质量值。

  • （4）本地森林土壤样本量少，所有精确度降低

  • （5）牧区草地的土地利用类型分类准确率最高，但细菌群落对特定土壤变量的预测能力较差。

    模拟结果不佳并不是由于细菌群落的变异性不足，而是可能反映了变异性与其他未测量变量有关。

    如果细菌群落对与土壤质量无关的变化或差异反应更强烈，它们预测土壤质量的能力就会减弱

结果

据全球估计，超过三分之一的土壤处于退化状态[50]，加强监测，同时加强土地管理，对于确保农业和畜牧业的可持续性至关重要。鉴于生物群落对确保健康土壤生态系统功能的重要性，现在是监测工作更好地解释生物变量变化的时候了，而不是依靠非生物变化来确定土壤质量。这里的研究显示了细菌群落的巨大潜力。微生物组学（2020）8:79第9页，共13页，以测量人类土地利用的影响，以及这些影响对土壤环境的一般变化和特定土壤变量的变化。在生产景观中更多地使用土壤微生物群落作为指标，不仅可以提高我们管理土壤资源的能力，而且可以为我们理解什么是“健康的”土壤提供重要的见解。

材料与方法

样本收集

样本采集自新西兰十个地区，面积约196000 km2。样本采集发生在2013年至2018年间，共有606个地点被取样。根据国家指南根据土壤和土地利用的面积范围选择场地。抽样的土地利用包括土著森林（n=61）、外来森林（主要是辐射松人工林；n=72）、园艺（n=139）和牧区草地（主要是奶牛场、绵羊场或牛肉场，n=334）。

分子分析

提dna,16srrna v3-v4测序，后续的分析方法

赞 (0)

相关推荐