【原】利用土壤細菌群落預測土壤理化變量和土壤質(zhì)量

微生信生物 2021-01-16

展開全文

文獻解讀：牛國慶（碩士在讀）

Using soil bacterial communities to predict physico-chemical variables and soil quality

DOI：https:///10.1186/s40168-020-00858-1

第一作者：Syrie M. Hermans

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

寫在前面

微生物似乎是無孔不入的，也似乎與任何事情都有關系，在人類相關微生物研究中，我們看到了可以預測人類各種疾病的微生物群落，那么在腸道微生物總能是否會存在這樣的情況呢？今天：Syrie M. Hermans帶來這篇文章為我們探索了土壤的化學因子和微生物群落之間的關系，同時進一步學習一下機器學習方法在研究微生物群落中的重要作用。

摘要

背景：
土壤生態(tài)系統(tǒng)是由生物群落和物理化學變量之間復雜的相互作用組成的，它們共同決定著土壤的整體質(zhì)量。
盡管如此，大多數(shù)土壤監(jiān)測項目忽視了細菌群落的變化，這對確保土地管理實踐的可持續(xù)性至關重要。
我們應用16srRNA基因測序技術對新西蘭606個地點的3000多份土壤樣品進行了細菌群落組成的測定。
地點被劃分為本土森林、外來森林種植園、園藝或牧區(qū)草原；
還收集了與土壤質(zhì)量有關的土壤物理化學變量。
利用土壤細菌群落組成預測各立地的土地利用和土壤理化變量。
本文目的:（1）確定管理土壤中的細菌群落與自然、未受干擾環(huán)境中的細菌群落有何不同，（2）確定管理土壤中的細菌群落能在多大程度上預測土壤的物理化學特征，（3）探索這些預測是否足夠準確和可靠，可用于土壤質(zhì)量監(jiān)測。

結(jié)果

1.不同土地利用類型的土壤細菌群落組成

四種土地利用方式的細菌群落組成差異顯著，在解釋變量中，PH和C:H的相關性相對最高，其中兩種林地的C:H含量較高，而園藝用地的olsenP濃度較高，容重較高。利用隨機森林模型，我們確認細菌群落的組成與土地利用密切相關，在某種程度上，某一地點的土壤細菌可用于預測土地利用，準確率為85%，如下圖

圖1

2.利用細菌群落組成預測土壤狀況

（1）對于細菌群落數(shù)據(jù)的子集，包括來自所有管理(AM)或所有非牧草地管理(NPG)站點的數(shù)據(jù)，我們?yōu)槠浞峙淞恕巴寥兰骸保蓪ζ渫寥览砘h(huán)境進行一般定義。
再利用隨機森林模型，僅根據(jù)細菌群落數(shù)據(jù)評估，AM和NGP位點的聚類預測準確率分別為60%和83%。
（AM和NPG位點的E組和D組的樣本量較小，由離群點組成；
這可能是導致這些聚類無法正確分配的原因。
）如下圖圖2
the lowest carbon, low total nitrogen and anaerobic min- eralizable nitrogen, high pH and Olsen P concentration and the highest bulk density (最低碳、低全氮、厭氧礦化氮、高pH、高olsenp濃度和最高容重)

圖3

（2）每個位點的細菌群落也可以用于預測單個土壤理化變量和土壤PCA得分。
上圖展示是預測值與實際土壤變量進行比較的回歸模型分析，所有管理（AM)地點相關性從弱到強（R20.35-0.73)、非牧區(qū)草地管理（NGP)的相關性為中度至強（R2 0.48-0.79),AM位點在PH、全氮、大孔隙、體積密度（容重）和主成分分析軸2方面比NPG位點預測更準確，而在碳、厭氧礦化氮，有效磷和PCA分析軸1方面NPG比AM更準確，（模型的斜率接近1代表完美的預測）。
其中牧區(qū)草地位點的模型表現(xiàn)不佳。

圖4

該圖a展示了AM位點和NPG位點幾個在重要分類單元和9種隨機森林模型，Chiamydiae（衣原體菌門）、Firmicutes（厚壁菌門）、Nitrospirae（硝化螺旋菌門）、bacteroidetes（擬桿菌門）、Gemmatimonadetes（芽單胞菌門）、planctomycetes（浮霉狀菌）、Chloroflexi（綠彎菌門）、Verrucomicrobia（疣微菌門）、actinobacteria（放線菌門）、acidobacteria(酸桿菌門)、proteobacteria（變形菌門），在AM位點模型中，acidobacteria(酸桿菌門)、proteobacteria（變形菌門）、Verrucomicrobia（疣微菌門）、actinobacteria（放線菌門）較豐富；
在NPG位點模型中acidobacteria(酸桿菌門)、proteobacteria（變形菌門）、actinobacteria（放線菌門）較豐富，而Verrucomicrobia（疣微菌門）則不太豐富。

圖b表示在超過6個模型中不存在的一個分類單元，沒有一個重要的OTU。

根據(jù)預測的理化值確定土壤質(zhì)量狀況

預測的土壤變量與實際的土壤變量用質(zhì)量分數(shù)表示再進行對比，結(jié)果可分為錯誤（相反）、差（即預測的質(zhì)量分數(shù)比實際的）、較好和正確。預測值轉(zhuǎn)化為正確的“質(zhì)量分數(shù)”

圖5 圖中AM和NGP模型對PH值的預測正確率分別為87.5%和95%。當模型不正確時，它們往往會產(chǎn)生比真實情況更好的評分類別。

討論

（1）盡管預測的土壤變量值存在一定程度的誤差，但大多數(shù)情況下，預測值轉(zhuǎn)化為正確的“質(zhì)量分數(shù)”，突出了細菌群落作為土壤質(zhì)量指標的潛力。
當質(zhì)量分數(shù)被錯誤地預測時，模型傾向于分配比真實情況更好的質(zhì)量分數(shù)。
因此，被歸類為土壤質(zhì)量差的樣本可能是可靠的，而我們的模型指定為使用優(yōu)質(zhì)土壤的部分樣本將是不正確的。
（2）這里的結(jié)果強調(diào)了細菌群落作為土壤質(zhì)量有用指標的潛力；
這個概念的證明應該鼓勵進一步的研究來完善和補充這里的發(fā)現(xiàn)。
例如，使用RNA而不是DNA來確定群落的組成，從而檢查細菌群落的活性部分，可以突出土壤質(zhì)量與細菌群落之間更密切的關系；
有一些以DNA和RNA為基礎的方法被用于補體，以增加我們對微生物對污染事件反應的理解[46]。
或者，探索細菌群落對土壤的功能性貢獻可以提供關于土壤中發(fā)生的生態(tài)系統(tǒng)過程以及這些過程是如何受到土地管理影響的信息。
微生物基因，例如那些參與氮循環(huán)的基因，以前一直致力于為細菌提供的生態(tài)系統(tǒng)服務提供見解[47]。
宏基因組學、轉(zhuǎn)錄組學和蛋白質(zhì)組學方法都在迅速發(fā)展，變得更加容易獲得和負擔得起[48]。
由于它們提供了功能性的見解，如果我們能夠區(qū)分有益的或消極的生態(tài)系統(tǒng)過程，這些方法甚至可以增加我們對什么是“健康”土壤的理解。
了解土壤細菌群落對土壤生態(tài)系統(tǒng)的功能貢獻，也可以讓我們更好地預測未來隨著氣候和人類土地利用強度的不斷變化，我們的土壤將如何發(fā)揮作用。
最后，將本文的結(jié)果擴展到更廣泛的對土壤生態(tài)系統(tǒng)很重要的非細菌類群[49]，例如真菌和其他微真核生物，不僅有助于我們預測土壤質(zhì)量的能力，而且有助于我們理解不同生物在決定土壤質(zhì)量方面的生物學作用。
總的來說，應用其他方法來描述健康和退化土壤中的微生物群落，有可能增加我們對人類活動如何影響土壤微生物提供的生態(tài)系統(tǒng)服務的理解。
（3)細菌群落受土地管理措施的強烈操縱，細菌群落數(shù)據(jù)在相似的土壤條件下形成類群，并且可以成功地預測土壤變量的具體質(zhì)量值。
（4）本地森林土壤樣本量少，所有精確度降低
（5）牧區(qū)草地的土地利用類型分類準確率最高，但細菌群落對特定土壤變量的預測能力較差。
模擬結(jié)果不佳并不是由于細菌群落的變異性不足，而是可能反映了變異性與其他未測量變量有關。
如果細菌群落對與土壤質(zhì)量無關的變化或差異反應更強烈，它們預測土壤質(zhì)量的能力就會減弱

結(jié)果

據(jù)全球估計，超過三分之一的土壤處于退化狀態(tài)[50]，加強監(jiān)測，同時加強土地管理，對于確保農(nóng)業(yè)和畜牧業(yè)的可持續(xù)性至關重要。鑒于生物群落對確保健康土壤生態(tài)系統(tǒng)功能的重要性，現(xiàn)在是監(jiān)測工作更好地解釋生物變量變化的時候了，而不是依靠非生物變化來確定土壤質(zhì)量。這里的研究顯示了細菌群落的巨大潛力。微生物組學（2020）8:79第9頁，共13頁，以測量人類土地利用的影響，以及這些影響對土壤環(huán)境的一般變化和特定土壤變量的變化。在生產(chǎn)景觀中更多地使用土壤微生物群落作為指標，不僅可以提高我們管理土壤資源的能力，而且可以為我們理解什么是“健康的”土壤提供重要的見解。

材料與方法

樣本收集

樣本采集自新西蘭十個地區(qū)，面積約196000 km2。樣本采集發(fā)生在2013年至2018年間，共有606個地點被取樣。根據(jù)國家指南根據(jù)土壤和土地利用的面積范圍選擇場地。抽樣的土地利用包括土著森林（n=61）、外來森林（主要是輻射松人工林；n=72）、園藝（n=139）和牧區(qū)草地（主要是奶牛場、綿羊場或牛肉場，n=334）。