Microbiome：利用土壤细菌群落预测土壤理化指标与土壤质量 | 微生物专题

题目：Using soil bacterial communities to predict physico-chemical variables and soil quality利用土壤细菌群落预测土壤理化指标与土壤质量期刊:Microbiome上线时间：2020.6三年均IF：9.365通讯作者：Gavin Lear（奥克兰大学生物科学学院）

视频摘要

摘要：

背景

土壤生态系统是由生物群落与物理化学变量之间复杂的相互作用构成的，它们共同影响着土壤的整体质量。尽管如此，大多数土壤监测项目忽略了细菌群落的变化，这对于确保土地管理实践的可持续性至关重要。我们利用16srRNA基因测序法测定了新西兰606个地点3000多个土壤样本的细菌群落组成。地点分为土著森林、外来森林种植园、园艺与牧场；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地的土地利用和土壤理化指标。
结果

土壤细菌群落组成与土地利用密切相关，能准确确定土地使用情况，准确率达85%。尽管在约1300公里的距离梯度上取样引入了固有的变化，但细菌群落也可用于区分按关键理化性质分组的地点，准确率高达83%。此外，可以预测土壤pH、养分浓度和容重等个别土壤变量；预测值与真实值之间的相关性从弱（r2值=0.35）到强（r2值=0.79）。这些预测的准确性足以让细菌群落以50-95%的准确率分配正确的土壤质量分数。
结论

如果我们希望更好、更准确地了解土地管理对土壤生态系统的影响，在监测土壤质量时纳入生物信息至关重要。我们已经证明，土壤细菌群落可以提供有关土地利用对土壤生态系统影响的生物学相关见解。此外，它们能够指示土壤个别参数的变化，表明分析细菌DNA数据可以用来筛选土壤质量。
背景与目的1.土壤质量是指土壤作为生态系统组成部分的能力，它能够维持周围空气和水的质量，同时支持植物和动物的生产力。大多数直接监测土壤质量以达到应用目的的举措都侧重于非生物变量的变化，在土壤监测中纳入微生物指标，将对人为活动如何影响土壤环境提供更加敏感、相关和全面的见解。

2.前面研究中指出在大尺度上pH对细菌多样性有较好地解释，细菌群落的组成受到土壤环境变化的严重影响，其中许多是土地利用活动的直接结果。3.由于细菌的普遍性和对环境变化的敏感性，细菌群落可作为环境健康的有用指标。研究土壤细菌群落是否对人类土地利用、各种土壤的土壤理化、空间梯度和气候条件变化作出可预测的反应将揭示它们作为土壤质量指标的潜力。4.当使用微生物数据预测环境变化时，随机森林模型可能优于其他建模方法。利用从新西兰不同的自然和管理土地利用中收集的大量土壤样本数据集，旨在（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） 确定管理土壤中细菌群落对土壤理化特性的预测程度，（3）探讨这些预测是否准确可靠，是否足以用于土壤质量监测。
实验设计

共采集606个地点。根据土壤和土地利用的面积范围选择场地。采样的土地用途包括土著森林（n=61）、外来森林（主要是辐射松种植园；n=72）、园艺（n=139）和牧场（主要是奶牛场、绵羊场或牛肉场，n=334）。0-10cm采土，测理化+提取DNA进行16srRNA基因序列分析。主要分析是通过聚类与随机森林完成。

图1：生成随机森林模型所采取步骤的摘要。基于三个不同的数据子集，创建了一系列模型：所有自然和管理站点、仅所有管理（AM）站点或仅非牧草地（NPG）管理站点。使用带有默认参数的“random forest”包进行随机森林分析（Liaw和Wiener 2002） 
实验主要结果

1.不同土地利用类型土壤细菌群落组成

图2：不同土地利用地点细菌群落组成的相对组成差异（Bray-Curtis差异）。向量表示与排序显著相关的土壤环境变量（基于999个排列，P<0.05）；黑色变量表示具有明确定义的土壤质量指南的变量，因此在随后的建模中使用。排序的应力值为0.14。基于细菌群落数据的随机森林分类，土地利用类型的正确（n=103）和错误（n=18）预测数。黑边框表示正确的分类。四种土地利用方式的细菌群落组成差异显著（PERMANOVA双边矫正P<0.01），土地利用方式可以解释17.9%的细菌群落组成差异。测得的土壤变量与不同地间细菌群落组成的潜在差异显著相关。在解释变量中，pH和C:N的相关性最高（图2a）。两种林地利用中C：N含量较高，而园艺地Olsen P含量较高，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，一个地点的土壤细菌可用于预测土地利用，准确率为85%（图2b）。
2.利用细菌群落组成预测土壤条件

图3：根据细菌群落数据的随机森林分类，对一个地点所属的化学簇进行正确和错误预测的次数。模型基于属于a所有管理（AM）土地利用类型（园艺、外来或牧场）的所有场地或对非牧草管理地（NPG）b。黑色边框表示正确的分类（a：n=62/104；b：n=33/40）。每一个簇都可以由这些簇内的土壤特征来定义，如每一个矩阵的右边所示。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，“土壤簇”定义为被分配给土壤物理化学环境。例如，AM细菌数据集的A类包含的位点通常具有最低的碳、低总氮和厌氧可矿化氮、高的pH和Olsen P浓度以及最高的容重（与不同群中的所有其他位点相比）。

图4：基于随机森林回归分析与实际值的预测a-g土壤变量值或h，i PCA轴得分。模型基于（灰色）所有属于管理土地利用类型（AM；园艺、外来或牧草地）的场地或（绿色）属于非牧草地管理土地利用（NPG）的场地。黑色虚线表示一个完美的预测点应该落在哪里。各线性回归的调整r2和斜率值在曲线图上显示。

图5：每个随机森林模型中包含前15个最重要分类单元的OTUs的门级分类。a每个OTU都很重要的模型。A：每个OTU都很重要的模型。B：每个OTU重要的模型总数，虽然有九个模型（每个土壤变量预测一个），但在六个以上的模型中，没有一个OTU是重要的。

在所有的土壤样本中，变形菌、酸杆菌和放线菌是最丰富的种类，对于属于这些门的每一个随机森林模型来说，它们是最重要的（基于当这些otu包括在模型中时均方误差的减少图5）。AM模型的几个重要OTU是疣微杆菌，但在NPG模型的重要OTU中，这个分类群不太丰富。对于AM站点，前15个最重要的OTU中的大多数对于每个模型都是唯一的，而对于NPG位点，约55%的otu在至少两个模型中是重要的（图5b）。3.基于预测理化值确定土壤质量状况

图6：根据图4a-g中的模型计算的土壤变量质量分数的准确性。在考虑土地利用类型和土壤类型时，计算了每个变量的土壤质量类别。预测的土壤变量会导致正确的质量分数（根据分配给实际值的质量分数）、更差或更好的质量类别，或是数量级相同但方向错误的质量类别（例如，当实际分数极低时极高）。图4中的预测值被转换为以下类别：非常低、低、正常、高和非常高。然后，我们确定预测变量是否导致正确的分配（例如，地点的实际得分为“低”，预测得分也为“低”），更好的分配（例如，实际得分为“低”，但预测得分为“正常”）或更差的分配（例如，实际得分为“低”，但预测得分“非常低”）。对于包含所有管理（AM）站点的模型和仅使用非草原管理（NPG）站点的模型，正确率>50%。
结论

据全球估计，超过三分之一的土壤处于退化状态，加强监测和更好的土地管理对确保农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考虑生物变量变化而不仅是依靠非生物变化来确定土壤质量。他在这里的研究显示了细菌群落的巨大潜力衡量人类土地利用的影响，以及这些影响对土壤环境的总体和特定土壤变量的变化。在生产中更多地使用土壤微生物群落作为指标，不仅将提高我们管理土壤资源的能力，而且还将有助于我们了解什么是“健康”土壤。

相关阅读