MPB：西农焦硕组-微生物生物地理学研究方法

微生物生物地理学研究方法

Research Methods of Microbial Biogeography

彭子恒¹，焦硕^{1, *}，韦革宏¹

¹西北农林科技大学生命科学学院，旱区作物逆境生物学国家重要实验室，陕西省农业与环境微生物重点实验室，陕西杨凌

^*通讯作者邮箱:[e-mail]

摘要：微生物生物地理研究对于理解微生物多样性的形成和维持机制至关重要。目前高通量测序的突破为我们探究微生物地理分布格局提供了支持。本文以河西走廊森林土壤细菌的地理分布研究为示例，从纬度多样性模式、alpha-多样性的影响因子、群落结构的影响因子、距离衰减关系和群落生态过程等研究方法入手，阐述河西走廊森林土壤细菌的生物地理分布模式和群落构建机制，给出了微生物生物地理分布的常见研究方法和分析流程，为研究微生物生物地理学提供了科学案列和参考。

关键词：生物地理学；细菌群落；16S rRNA；空间分布；河西走廊

背景介绍：生物地理学是一门研究生物多样性在空间和时间上分布格局的生物学与地理学交叉学科，主要探究生物群落的组成、分布和形成原因。生物地理学的研究为生物多样性的形成和维持机制提供了见识，例如物种形成，灭绝，扩散和物种相互作用，并且有助于预测生态系统功能随环境的变化。生物地理学按照生物群落可以划分为植物生物地理、动物生物地理和微生物生物地理。当前，随着高通量技术的发展，微生物生物地理学迎来了发展机遇。

仪器设备

1.普通个人电脑

软件

1.R (v3.6.2)，所需依赖包：ggplot2、reshape2、patchwork、vegan、geosphere、psych、corrplot和pacman。

实验步骤

一、数据准备

本分析以河西走廊数据森林土壤细菌群落数据为示例，共28个样本，包含6个数据表，分别是细菌群落数据（OTU绝对丰度表）、细菌物种分类数据、土壤理化数据、气候数据、样点的经纬度数据、βNTI矩阵数据。

1.数据导入

env <- read.csv("env.csv", row.names = 1) #土壤理化数

geo <- read.csv("geo.csv", row.names = 1) #样点的经纬度数据

otu <- read.csv("otu.csv", row.names = 1) #细菌群落数据

taxon <- read.csv("taxon.csv", row.names = 1) #细菌物种分类数据

clim <- read.csv("clim.csv", row.names = 1) #气候数据

bnti <- read.csv("nti.csv", row.names = 1) # βNTI数据

2.加载包

library(pacman)

p_load(ggplot2,reshape2,patchwork,vegan,geosphere,psych,corrplot)

二、细菌物种组成

1.分析介绍：物种组成分析是最基本的生物地理模式之一。它主要回答了物种在何处分布以及如何分布的问题。

2.分析目的：探究河西走廊数据森林土壤细菌群落在主要门水平的分布

3.分析方法：堆叠柱形图

4.数据分析

otu_abun <- otu/colSums(otu) #转换为相对丰度

p<- aggregate(otu_abun, by=list(taxon$Phylum), sum) #门水平

rownames(p) <- p$Group.1

p <- p[,-1]

top <- names(head(sort(rowSums(p), decreasing = T), 57)) #基于相对丰度进行排序

top_10<- c("Proteobacteria", "Actinobacteria", "Acidobacteria", "Chloroflexi", "Gemmatimonadetes","Bacteroidetes", "Planctomycetes","Firmicutes", "Thermomicrobia", "Nitrospirae")

taxon$Phylum <- as.character(taxon$Phylum)

taxon$Phylum[!(taxon$Phylum)%in%top_10] <- "Others"

p_top <- aggregate(otu_abun, by=list(taxon$Phylum), sum) #获取top10

rownames(p_top) <- p_top[,1]

p_top <- p_top[,-1]

p_top <- p_top[order(rowSums(p_top)),] #按每行和排序

q_top <- t(p_top)

q_top <- as.data.frame(q_top)

q_top$sample <- rownames(q_top)

q <- melt(q_top,ID="names")

colnames(q)[names(q)=="variable"]<-"Taxa"

q$factor <- "forest"

5.数据绘图

colors<-c("grey50","darkolivegreen3","gold","dodgerblue4","darkseagreen",< span="">

"chartreuse4","darkorange","burlywood2","brown3","#984EA3","cyan3")

ggplot(q, aes( x = sample, y = value, fill = Taxa))+

geom_bar(position = "fill", stat = "identity")+

theme_bw()+

scale_fill_manual(values=colors)+

scale_y_continuous(expand = c(0,0))+

labs(x="",y="Relative Abundance",fill="Phylum")+

theme(text=element_text(size=12),

axis.text.y=element_text(size=12,color = "black"),

axis.text.x=element_text(size=12,color = "black",angle = 45, hjust = 0.5, vjust = 0.5),

legend.title=element_text(size=12),

legend.text=element_text(size=12))+

theme(panel.grid = element_blank(),

panel.background = element_rect(color = 'black', fill = 'transparent')) +

guides(fill=guide_legend(keywidth = 1.3, keyheight = 2))

图1. 细菌群落物种丰度堆叠柱形图

6.分析结果

变形菌门和放线菌门是丰度最高的两个门。

三、纬度多样性模式

1.分析介绍：纬度多样性模式是最重要的生物地理模式之一，即随着纬度的增加，物种多样性逐渐减小。目前微生物多样性的纬度梯度模式已经得到了广泛的研究。

2.分析目的：探究河西走廊数据森林土壤细菌群落随纬度的多样性模式

3.分析方法：线性拟合图

4.数据分析

otu <- as.data.frame(t(otu))

richness <- specnumber(otu) #计算丰富度

shannon <- diversity(otu,index = "shannon") #计算shannon多样性

diversity <- data.frame(richness,shannon)

aa <- cbind(geo, diversity)

summary(lm(aa$richness ~ aa$lat))

summary(lm(aa$shannon ~ aa$lat))

表1. 纬度与细菌alpha-多样性的线性回归

	Richness			Shannon
	Slope	R2	P	Slope	R2	P
Latitude	-103.64	0.105	0.051	-0.106	0.232	< 0.01

5.数据绘图

p1 <- ggplot(aa,aes(x = lat, y = richness))+

geom_point()+

geom_smooth(method = "lm",alpha = 0.2)

p2 <- ggplot(aa,aes(x = lat, y = shannon))+

geom_point()+

geom_smooth(method = "lm",alpha = 0.2)

plot <- p1 + p2

plot

图2. 细菌α-多样性随纬度的变化

6.分析结果

细菌群落多样性随着纬度的增加而下降，说明存在纬度多样性模式。

四、细菌α-多样性的影响因素

1.分析介绍：探究微生物多样性的影响因子主要是回答多样性为什么这样分布。微生物多样性的影响因子主要从土壤因子和气候因子两方面考虑。

2.分析目的：探究影响细菌多样性的主要环境因子

3.分析方法：相关性分析，通过热图展示

4.数据分析

diversity <- data.frame(richness,shannon)

cor_soil <- corr.test(diversity, env[,1:14], method = "spearman", adjust = "none")

cor_soil_r <- cor_soil$r

cor_soil_p <- cor_soil$p

cor_soil_p[cor_soil_p >= 0.05] <- -1

cor_soil_p[cor_soil_p < 0.05 & cor_soil_p >= 0] <- 1

cor_soil_p[cor_soil_p == -1] <- 0

corr_soil <- cor_soil_r*cor_soil_p

cor_clim <- corr.test(diversity, clim[,1:19],method = "spearman",adjust = "none")

cor_clim_r <- cor_clim$r

cor_clim_p <- cor_clim$p

cor_clim_p[cor_clim_p >= 0.05] <- -1

cor_clim_p[cor_clim_p < 0.05 & cor_clim_p >= 0] <- 1

cor_clim_p[cor_clim_p == -1] <- 0

corr_clim <- cor_clim_r*cor_clim_p

5.数据绘图

col<-colorRampPalette(c("#77AADD","#4477AA","#FFFFFF", "#EE9988","#BB4444"))

corrplot(corr_soil, method = 'color', addCoef.col = 'black',  number.cex = 0.8, rect.col = "black",addgrid.col = "black",col = col(200),tl.col = 'black', cl.pos = "n")

corrplot(corr_clim, method = 'color', addCoef.col = 'black', number.cex = 0.8, rect.col = "black",addgrid.col = "black",col = col(200),tl.col = 'black', cl.pos = "n")

图3. 细菌多样性与环境因子的相关性

6.分析结果

细菌多样性与NH4呈显著负相关，与bio4 (Temperature seasonality) 显著负相关，与bio12 (MAP) 显著正相关。

五、距离衰减关系

1.分析介绍：群落组成相似性的距离衰减是生物地理学的基本模式之一，即群落相似性随着地理距离的增加而下降。

2.分析目的：探究河西走廊森林土壤细菌群落的距离衰减关系，即细菌群落的相似性是否随着地理距离的增大而降低

3.分析方法：线性拟合图

4.数据分析

d.geo <- distm(geo, fun = distHaversine) #经纬度转换为地理距离

dist.geo <- as.dist(d.geo)

dist_geo <- as.data.frame(as.vector(dist.geo))

dist_geo <- dist_geo/1000 #地理距离单位转换为千米

colnames(dist_geo) <- "dist_geo"

dist.otu <- vegdist(otu, method = "bray")

dist_otu <- as.data.frame(as.vector(dist.otu))

colnames(dist_otu) <- "dist_otu"

data <- data.frame(dist_geo, dist_otu)

data$dist_otu <- 1-data$dist_otu

data$dist_otu <- data$dist_otu * 100 #转换为百分比

summary(lm(data$dist_otu ~ data$dist_geo))

表2. 细菌距离衰减关系的线性回归

	Slope	R2	P
Distance decay	-0.015	0.203	< 0.001

5.数据绘图

ggplot(data, aes(x = dist_geo,y = dist_otu)) +

geom_point() +

geom_smooth(method = "lm",alpha = 0.2) +

labs(x = "Geographic Distance (Km)", y = "Community Similarity (%) ")

图4. 距离衰减关系

6.分析结果

河西走廊森林土壤细菌群落呈现出显著的距离衰减关系。

六、细菌群落结构的影响因素

1.分析介绍：探究微生物群落结构的影响因子主要是回答细菌群落为什么这样分布。微生物群落结构的影响因子主要从土壤因子和气候因子两方面考虑。

2.分析目的：探究影响细菌群落结构的主要环境因子

3.分析方法：曼特尔检验 (Mantel test)

4.数据分析

dist.otu <- vegdist(otu, method = "bray")

soil <- NULL

for (i in 1:ncol(env)) {

aa <- mantel(dist.otu, dist(env[,i], method = "euclidean"), method = "pearson", permutations = 9999, na.rm = TRUE)

soil <- rbind(soil,c(colnames(env)[i],aa$statistic, aa$signif))

}

climate <- NULL

for (i in 1:ncol(clim)) {

aa <- mantel(dist.otu, dist(clim[,i],method = "euclidean"), method = "pearson", permutations = 9999, na.rm = TRUE)

climate <- rbind(climate,c(colnames(clim)[i],aa$statistic, aa$signif))

}

5.数据展示

表3. 细菌群落与环境因子的曼特尔检验

Mantel test
Soil	R	P	Climate	R	P
SOC	0.090	0.236	Bio1	0.094	0.199
pH	0.013	0.424	Bio2	0.156	0.120
Moisture	0.098	0.179	Bio3	0.012	0.419
CEC	0.243	0.008	Bio4	0.246	0.032
TP	-0.043	0.638	Bio5	0.177	0.083
TK	0.012	0.419	Bio6	0.010	0.382
AK	0.127	0.140	Bio7	0.186	0.100
AP	-0.127	0.838	Bio8	0.146	0.122
TN	0.121	0.145	Bio9	0.158	0.086
NO3	0.228	0.058	Bio10	0.132	0.138
NH4	0.007	0.437	Bio11	0.033	0.357
MBC	-0.093	0.755	Bio12	0.172	0.112
MBN	0.016	0.400	Bio13	0.221	0.059
DOC	-0.001	0.433	Bio14	0.060	0.277
			Bio15	0.102	0.220
			Bio16	0.193	0.082
			Bio17	0.086	0.256
			Bio18	0.203	0.077
			Bio19	0.074	0.261

6.分析结果

细菌群落结构与CEC (Cation Exchangeable Capacity)和bio4 (Temperature seasonality) 呈显著相关性。

七、细菌群落结构β多样性

1.分析介绍：探究微生物群落结构β多样性分布模式是生物地理模式的基本问题。

2.分析目的：探究细菌群落结构随CEC的分布模式

3.分析方法：PCoA 主坐标分析 (principal coordinate analysis)

4.数据分析

pcoa <- cmdscale(dist.otu, k = 3, eig = TRUE)

pcoa_eig <- (pcoa$eig)[1:2] / sum(pcoa$eig)

site <- data.frame(pcoa$points)[1:2]

site <- cbind(site,env$CEC)

colnames(site) <- c('PCoA1', 'PCoA2',"CEC")

5.数据展示

ggplot(site, aes(PCoA1, PCoA2)) +

geom_point(aes(color = CEC),size = 3)+

scale_color_gradient(low = "blue",high = "red") +

labs(x = paste('PCoA1: ', round(100 * pcoa_eig[1], 2), '%'),

y = paste('PCoA2: ', round(100 * pcoa_eig[2], 2), '%'))

6.分析结果

细菌群落β多样性随土壤CEC呈现出明显的变化。

八、群落生态过程

1.分析介绍：生态群落构建过程通常分为基于生态位的确定性过程和基于中性模型的随机性过程。目前扩散限制和环境选择已被广泛接受为驱动微生物分布的两个主要因素。

2.分析目的：探究空间和环境因子对河西走廊森林土壤细菌群落分布的影响

3.分析方法：null model by (Stegen, 2013)；饼图

## Beta_NTI计算方法

library(picante)

commu <- read.csv("otu.csv",fileEncoding = "UCS-2LE",row.names = 1)

phylo <- read.tree("OTUs.tre") #读入系统发育树

Beta_NTI<-function(phylo,comun,beta.reps=999){< span="">

comun=t(comun)

match.phylo.comun = match.phylo.data(phylo, t(comun))

beta.mntd.weighted = as.matrix(comdistnt(t(match.phylo.comun$data),cophenetic(match.phylo.comun$phy),abundance.weighted=T))

rand.weighted.bMNTD.comp = array(c(-999), dim=c(ncol(match.phylo.comun$data), ncol(match.phylo.comun$data),beta.reps))

for (rep in 1:beta.reps) {

rand.weighted.bMNTD.comp[,,rep] = as.matrix(comdistnt(t(match.phylo.comun$data),taxaShuffle(cophenetic(match.phylo.comun$phy)),abundance.weighted=T,exclude.conspecifics = F))

print(c(date(),rep))

}

weighted.bNTI = matrix(c(NA),nrow=ncol(match.phylo.comun$data),ncol=ncol(match.phylo.comun$data))

for(columns in 1:(ncol(match.phylo.comun$data)-1)) {

for(rows in (columns+1):ncol(match.phylo.comun$data)) {

rand.vals = rand.weighted.bMNTD.comp[rows,columns,];

weighted.bNTI[rows,columns] = (beta.mntd.weighted[rows,columns] - mean(rand.vals)) / sd(rand.vals)

rm("rand.vals")

}

}

rownames(weighted.bNTI) = colnames(match.phylo.comun$data);

colnames(weighted.bNTI) = colnames(match.phylo.comun$data);

return(as.dist(weighted.bNTI))

}

bnti <- Beta_NTI(phylo,comun,beta.reps=999)

注：Beta_NTI计算需要在服务器中进行，这里只给出计算方法。

4.数据分析

bnti <- bnti[lower.tri(bnti)]

sto <- length(which(abs(bnti)<2))< span="">

det <->2))

assem <- c(sto,det)

5.数据展示

pie(assem, labels=c("stochastic process","deterministic process"),col = c("#F8766D","#00BFC4"),radius = 1)

图5. 生态群落构建过程

6.分析结果

确定性过程 (50%) 和随机性过程 (50%) 共同解释了细菌群落的分布。

致谢

本项工作得到了国家自然科学基金委员会 (项目编号：41830755和41807030) 的资助。

参考文献

1.Stegen, J. C., Lin, X., Fredrickson, J. K., Chen, X., Kennedy, D. W., Murray, C. J., Rockhold, M. L. and Konopka, A. E. 2013. Quantifying community assembly processes and identifying features that impose them. The ISME Journal 7(11): 2069-2079.