PART 1 Cistanche Salsa에 대한 환경의 영향 공개: 글로벌 생태 지역화에서 토양 미생물 군집 특성까지

요약:환경과 환경 사이의 규제 관계를 이해하려면시탕슈 살사, 여기에서 우리는 거시적 차원과 미시적 차원 방법을 통합했습니다. 거시적 관점에서 MaxEnt 모델은 중국, 이집트, 리비아와 같은 일대일로 이니셔티브에 따른 국가가 특히 성장에 적합하다는 것을 나타냈습니다.C. 살사고대(마지막 빙하 극대 및 홀로세 중기)부터 미래(2050 및 2070)까지. Jackknife 테스트는 강수량이 C. salsa의 분포에 영향을 미치는 중요한 생태학적 요인임을 보여주었습니다. 거시적 관점에서 16S rRNA 앰플리콘 시퀀싱 데이터는 세 가지 생태형(사막 대초원, 초원, 자갈 사막)의 토양 미생물 군집이 상당히 다르다는 것을 보여주었습니다(p < 0.001).="" 핵심="" 미생물군집="" 분석은="" 박테리아="" 속="" arthrobacter,="" sphingomonas="" 및="" bacillus="">C. 살사. Gillisia(사막 대초원), Flavisolibacter(초지) 및 Variibacter를 발굴하기 위해 LEfSe 및 무작위 숲이 사용되었습니다.(자갈-사막)은 세 가지 생태형에서 미생물 군집을 구별할 수 있는 바이오마커입니다. 예측 프로파일은 미생물 군집의 대사 기능이 대사 경로 및 환경 정보 처리에서 풍부하다는 것을 보여주었다. 상관 분석에 따르면 고도, 가장 따뜻한 지역의 강수량(bio18), 평균 일교차(bio2), 가장 따뜻한 지역의 평균 기온(bio10)이 토양 미생물 군집의 구성에 영향을 미치는 중요한 생태학적 요인인 것으로 나타났습니다. 이 작업은 적절한 분포 사이의 규제 관계에 대한 새로운 통찰력을 제공했습니다.C. 살사, 토양 미생물 군집 및 생태적 동인. 또한 사막 식물과 건조한 환경의 생태적 요인 간의 상호 작용에 대한 이해를 심화했습니다.

키워드:시탕슈 살사, MaxEnt, 16S rRNA 앰플리콘 시퀀싱, 토양 미생물 군집, 환경 영향.

Cistanche Deserticola에는 많은 효과가 있습니다. 자세한 내용을 보려면 여기를 클릭하십시오.

자세한 내용은 다음으로 문의하십시오.Joanna.jia@wecistanche.com

1. 소개

약용식물의 경제적 가치는 최근 세계적으로 천연식물의 개발과 이용으로 급속히 증가하고 있다. 의 다육질 줄기시탕슈 살사식용 및 약용 식물 기관으로 신장 강장제, 최음제, 노화 방지 및 항산화제, 장 완하제, 간 보호제 및 방사선 방지제로 일반적으로 사용됩니다. C. 살사에 대한 현대적인 식물화학 연구는 중요한 의학적 가치와 식용 가치가 있는 다양한 페닐에타노이드 배당체, 이리도이드, 알디톨 및 리그닌과 같은 상당한 양의 생리활성 화합물을 식별하고 분리하는 결과를 가져왔습니다.1 시장의 급속한 발전과 함께 의약품 및 건강 식품에 대한 수요C. 살사급격히 증가했으며 야생 자원의 남획과 약탈이 동반되었습니다. 따라서 대규모 인공 도입 및 재배C. 살사야생 자원을 보호하고 생태적 사막화를 늦추기 위한 중요한 조치가 되었습니다. 그러나 인공재배에 대한 연구는C. 살사제한적으로 남아 있습니다.

환경은 C. salsa의 성장과 발달에 막대한 영향을 미칩니다.2 식물은 다양한 환경에서 자라며, 비활성 성분과 유전자 발현에 상당한 변화를 나타내는 다양한 생태형을 형성합니다.3,4 거시적 수준에서 연구에 따르면 온도, 빛, 강수 및 토양 유형은 모두 식물 성장과 활성 성분에 영향을 미칩니다.5,6 환경과 식물 사이의 상호 작용에 대한 연구와 식물의 다양한 생태형에 대한 포괄적인 특성화는 높은 식물의 선택 및 재배에 유익합니다. -품질 품종.7 거시적 관점에서 볼 때, 식물은 뿌리를 통해 토양 시스템과 거의 또는 전혀 직접적인 접촉이 없더라도 토양 유기체에 상당한 영향을 미칠 수 있습니다.8,9 그러나 식물과 식물 사이의 관계에 대한 현재 연구 기후 요인 및 토양 미생물 군집을 포함한 환경은 여전히 ​​​​불분명합니다.

종 분포 모델(SDM)은 기존의 종 분포 데이터와 환경 변수를 사용하여 종의 생태학적 요구를 추론하고 잠재적인 분포 지역을 예측하기 위해 수립된 통계 모델이며,10,11 기후와 토양 요인을 결합하여 적합한 성장 지역을 탐색하고, 약용 식물에 적합한 환경을 결정하고 멸종 위기에 처한 식물을 과학적으로 보호 및 성장시킵니다.12,13 MaxEnt 및 biomod2와 같은 SDM은 기후 변화 동안 멸종 위기에 처한 식물과 생태 식물에 부과되는 분포 추세 예측에 성공적으로 대응했습니다.14,15

식물 근권 토양 샘플의 16S rRNA 앰플리콘 시퀀싱은 미생물 군집의 다양성을 탐색하기 위해 수행되어 식물과 토양 미생물 군집 간의 관계에 대한 새로운 통찰력을 제공합니다.16,17

이 연구에서 우리는 환경과C. 살사거시적 차원과 미시적 차원에서. 우리는 다음을 수행했습니다. (1) MaxEnt 모델을 사용하여 전 세계적으로 적합한 성장 영역을 예측했습니다.C. 살사고대부터 미래까지(5개 기간: 마지막 빙하기 최대치[LGM], 홀로세 중기[MH], 현재, 2050년, 2070년)를 계산하고 다양한 수준의 적절한 면적과 생물기후 변수의 기여율 및 범위를 계산했습니다. 배포C. 살사.(2) 현장 조사와 함께 우리는 가장 잘 자라는 지역(Tacheng 및 Xinjiang)에서 세 가지 생태형(사막-대초원, 초원 및 자갈-사막) 토양 샘플을 수집했습니다.

C. 살사. 토양 미생물 군집의 특성을 탐색하기 위해 16S rRNA 앰플리콘 시퀀싱을 수행했습니다. 우리는 또한 세 가지 생태형에서 토양 미생물군집의 차이를 비교하고 세 가지 생태형을 구별할 수 있는 핵심 미생물군집과 바이오마커를 결정했습니다. (3) 우리는 핵심 미생물군집, 바이오마커 및 생물기후 변수의 풍부함을 기반으로 상관 분석 및 중복 분석을 수행하여C. 살사그리고 환경.

시스탄체피로회복에 많은 효과가 있습니다

2. 재료 및 방법

2.1. 생태 틈새 모델링.

이 연구에서는 5개의 리소스를 사용하여 현재 사이트를 검색했습니다.C. 살사전 세계: (1) GBIF ; (3) 국가 표본 정보 기반 시설 (4) 출판된 문헌; 및 (5) 현장 작업. 위도와 경도가 없는 샘플 데이터는 온라인 지도 위도 및 경도 쿼리를 기반으로 했습니다. 버퍼 분석 방법을 사용하여 얻은 분포 지점을 교정하고 필터링하여 큰 공간 상관 관계로 인한 과적합 시뮬레이션의 영향을 제거했습니다. 생물기후변수의 공간해상도는 2.5 arc-min(약 4.5km2)이고 완충거리는 3km로 설정하였다. 분배 지점 간의 거리가 3km 미만인 경우 분배 지점은 하나만 유지되었습니다. 중복 지점이 제거된 후 C. salsa의 정품 생산 지역에서 모두 76건이 수집되어 분석에 사용되었습니다(그림 1a, 보충 파일 1).

WorldClim의 19가지 생물기후 변수를 환경 예측 변수로 사용했습니다. 이 연구의 현재 생물기후 변수 데이터는 1960-1990년 동안 WorldClim 버전 1.4 데이터베이스18의 모니터링 데이터에서 2.5 arc-min의 분해능으로 수집되었습니다. WorldClim 버전 1.4에서 2.5 arc-min 해상도로 사용 가능한 고대(LGM 및 MH) 및 미래(미래 2050 및 미래 2070) 생물기후 변수를 종 분포 모델의 예측 변수로 사용했습니다. 다중 공선성을 피하기 위해 배경 점에 대한 상관 분석을 실행하고 Pearson과 함께 각 쌍의 변수 중 하나를 제거했습니다.

상관 값 > 0.819(그림 S1). 모델에 최종적으로 포함된 8가지 생물기후 변수는 평균 일교차(bio2), 가장 습한 분기의 평균 기온(bio8), 가장 건조한 분기의 평균 기온(bio9), 가장 따뜻한 분기의 평균 기온(bio10)이었습니다. , 연간 강수량(bio12), 가장 건조한 분기의 강수량(bio17), 가장 따뜻한 분기의 강수량(bio18), 가장 추운 분기의 강수량(bio19).

우리는 오픈 소스 소프트웨어 패키지 최대 엔트로피 모델(MaxEnt v.3.4.0)20을 사용하여 종 분포 모델을 구축하기 위해 다운로드할 수 있습니다.C. 살사. 기본 설정에서 다음 매개변수가 사용되었습니다: 무작위 시드 및 25회 및 10회 반복의 무작위 테스트 백분율. 무작위 테스트 백분율을 25%로 설정하여 훈련 세트에 대한 분포 지점의 75%를 무작위로 선택했습니다. 반복 횟수를 10으로 설정하여 동일한 설정으로 모델을 10번 실행하고 모든 실행의 출력을 평균화하여 최종 결과를 얻었습니다. 모델의 적합도를 평가하기 위해 수신 연산자 곡선 아래 영역(AUC)을 사용했으며 AUC 값이 가장 높은 모델을 최고의 성능으로 간주했습니다. 잭나이프 절차는 변수의 중요성을 평가하는 데 사용되었습니다. 반응 곡선은 생물기후 변수의 범위를 얻기 위해 사용되었습니다.

ArcGIS는 C. salsa의 분포에 영향을 미치는 생물기후 변수를 분석하고 생산에 적합한 지역을 분류 및 계산하는 데 사용되었습니다.

2.2. 토양 샘플 수집 및 설명. C. 살사

자갈 - 사막, 초원, 사막 - 대초원의 세 가지 생태형에 자연적으로 분포합니다. 2017년 4월에 우리는 중국 신장 타청에서 C. salsa의 주요 생태형을 나타내는 다육질 줄기와 토양 샘플을 수집했습니다(그림 1b, 표 1). 자갈-사막 샘플은 Hejiaoke, Toli County(HJ1, HJ2 및 HJ3)에서 수집되었습니다. 초원 샘플은 Yumin County(YM1, YM2, YM3 및 YM4)에서 수집되었습니다. 사막 대초원 샘플은 Jiang Alhan(JA1, JA2, JA3, JA4, JA5 및 JA6)에서 수집되었습니다. 우리가 수집한 토양 샘플은 모두 C. salsa 표면의 토양과 숙주 기생 장소에서 가져온 것입니다. 상품권 견본

20170510079-DT에서 20170510091-DT까지의 바우처 번호는 중국 베이징에 있는 중국 의학 아카데미 약용 식물 개발 연구소 식물 표본관에 기탁되었습니다. 세척 후 다육질 줄기 조직을 작은 조각으로 자르고 즉시 액체 질소에 얼린 다음 추가 처리가 있을 때까지 -80도에서 보관했습니다. 20cm 깊이의 토양 코어를 사용하여

직경 5cm의 스테인레스 스틸 원통형 드릴러를 휴대용 냉장고에 -20도에서 보관하십시오. 실험실로 운반된 토양 샘플은 2mm 체에 통과시켜 식물 조직, 뿌리, 암석 및 기타 파편을 제거한 다음 추가 실험 전에 -20도 냉장고에 보관했습니다.

2.3. DNA 추출 및 16S rRNA 시퀀싱.

토양 DNA는 매뉴얼에 따라 PowerSoil DNA Isolation Kit(MoBio Laboratories, Carlsbad, CA)를 사용하여 추출되었습니다. 게놈 DNA의 순도와 품질은 0.8% 아가로스 겔에서 확인되었습니다. 박테리아 16S rRNA 유전자의 V3-4 초가변 영역은 프라이머 338F(ACTCCTACGGGAGGCAGCAG) 및 806R(GGACTACHVGGGTWTCTAAT)로 증폭되었습니다.21 각 토양 샘플에 대해 10- 자리 바코드 서열이 5에 추가되었습니다. ' 정방향 및 역방향 프라이머의 끝(Allwegene Co., Beijing). PCR은 12.5μL의 KAPA 2G Robust HotStart ReadyMix, 1μL의 포워딩 프라이머(5μM), 1μL의 역방향 프라이머(5μM), 5μL의 DNA(총 템플릿 수량은 30ng) 및 5.5μL의 H2O. 사이클링 매개변수는 다음과 같습니다: 5분 동안 95도, 45초 동안 95도, 50초 동안 55도, 45초 동안 72도의 28주기, 10분 동안 72도에서 최종 확장. 반응 수준 PCR 편향을 완화하기 위해 샘플당 3개의 PCR 산물을 풀링했습니다. PCR 산물은 QIAquick Gel Extraction Kit(QIAGEN, Germany)를 사용하여 정제한 다음 실시간 PCR을 사용하여 정량화했습니다. 딥 시퀀싱은 Allwegene Co.(Beijing)의 MiSeq 플랫폼에서 수행되었습니다. 실행 후 Illumina Analysis Pipeline 버전 2.6을 사용하여 이미지 분석, 염기 호출 및 오류 추정을 수행했습니다.

2.4. 16S rRNA 앰플리콘 시퀀싱 데이터 분석.

모든 시퀀싱 데이터는 SRA 제출 SUB7456002에 따라 NCBI Short Archive(SRA)에 제출되었습니다. 원시 데이터를 먼저 스크리닝하고 다음 고려 사항에 따라 서열을 제거했습니다: 낮은 품질 점수(20 이하)의 200bp 미만 서열 및 모호한 염기를 포함하거나 프라이머 서열 및 바코드 태그와 일치하지 않습니다. 샘플별 바코드 시퀀스를 사용하여 검증된 판독값을 분리하고 Illumina Analysis Pipeline 버전 2.6으로 트리밍했습니다. 그런 다음 QIIME를 사용하여 데이터 세트를 분석했습니다. 시퀀스는 97% 22의 유사성 수준에서 운영 분류 단위(OTU)로 클러스터링되어 희박 곡선을 생성하고 풍부함 및 다양성 지수를 계산했습니다. Ribosomal Database Project Classifier 도구는 모든 시퀀스를 다른 분류 그룹으로 분류하는 데 사용되었으며, 여기서 신뢰 임계값은 0.7.23으로 설정되었습니다. 클러스터링 분석은 R 3.6.1을 사용하여 각 샘플의 OTU 정보를 기반으로 수행되었습니다. 서로 다른 시료 사이의 유사성.24 각 시료의 미생물 군집 사이의 UniFrac 거리 행렬은 Tayc 계수를 사용하여 계산되었으며 다음 간의 비유사성(1- 유사성)을 설명하는 산술 평균 클러스터링 트리를 사용하여 비가중 쌍 그룹 방법으로 표시되었습니다. 여러 샘플.25 이 분석을 통해 Newick 형식의 트리 파일도 생성되었습니다. 알파 다양성은 Chao1, 관찰 종, Shannon 및 Fisher의 네 가지 지표를 사용하여 샘플에 대한 종 다양성의 복잡성을 분석하기 위해 적용되었습니다.

다양성 지수. 이 색인은 Python(v.1.8.0)(미국 캘리포니아주 La Jolla)의 QIIME 소프트웨어(미국 콜로라도주 볼더)를 사용하여 계산되었습니다. 종의 복잡성. 베타 다양성은 QIIME의 주요 좌표 분석(PCoA) 및 클러스터 분석을 사용하여 계산되었습니다.27 분자 분산 분석(AMOVA)은 모체를 사용하여 수행되었습니다.28 Kruskal-Wallis 테스트를 사용하여 그룹 간의 OTU 차이(p-값<0.05), and="" heat="" maps="" were="" drawn="" using="" pheatmap="" (r="" package).="" core="" microbiome="" analysis="" was="" adopted="" from="" the="" core="" function="" in="" the="" r="" package="" microbiome="" (sample="" prevalence="20%," relative="" abundance="0.01%)" by="" microbiomeanalyst29="" (https://www.="">

MicrobiomeAnalyst 웹 사이트의 선형 판별 분석(LDA) 및 랜덤 포레스트(RF) 방법을 사용하여 미생물군집 바이오마커를 결정했습니다. 비모수 요인 Kruskal-Wallis sum-rank test는 실험적 요인 또는 관심 클래스를 고려하여 유의미한 차등 풍부를 갖는 특징을 식별하기 위해 먼저 수행되었습니다. 다음으로, LDA(임계값은 2로 설정됨)를 수행하여 차등적으로 풍부한 각 기능의 효과 크기를 계산했습니다. 기능은 조정된 p-값을 기준으로 유의미한 것으로 간주되었습니다. 기본 조정된 p-값 cutoff는 0.05였습니다. RF 분석은 randomForest 패키지5를 사용하여 수행되었습니다. 이 방법은 분류 트리의 앙상블을 활용하며, 각 분류 트리는 각 분기의 부트스트랩 샘플에서 임의의 기능 선택을 통해 성장합니다.

Tax4Fun(R 패키지, http://tax4fun.gobics.de/)은 토양 샘플에서 미생물군집의 미생물 기능 프로필을 예측하는 데 사용되었습니다. 토양 미생물군집의 OTU Biom 테이블은 C. salsa 토양 샘플의 메타게놈 대치에 대한 입력 파일로 사용되었습니다. 그런 다음 KEGG Orthology(KO) 그룹 수준 3에서 예측된 유전자 클래스 풍부도를 분석했습니다. Tax4Fun의 결과는 Doby(R 패키지)에서 분석되었습니다.

2.5.주요 미생물 군집과 생물기후 요인의 상관관계 분석.

ArcGIS를 사용하여 13개의 토양 샘플링 지점에서 주요 생물기후 요인을 수치적으로 추출했습니다. 미생물 군집의 주요 속(5개의 바이오마커, 5개의 핵심 미생물군집) 및 생물기후 요인의 중복 분석은 다음을 사용하여 수행되었습니다.

Canoco 5 소프트웨어. Log2 데이터 변환은 분석 전에 균일하게 수행되었습니다. SPSS를 적용하여 5개의 바이오마커, 5개의 핵심 미생물군집 및 생물기후 인자 데이터 통합의 풍부함에 대해 Spearman 상관 계수를 계산했습니다. 상관분석 결과는 pheatmap(R package)으로 도출하였다.

시스탄체노화에 저항할 수 있다

3. 결과

다른 기간에 C. salsa의 글로벌 분포 이동의 예측. 계산된 ROC는

AUC 값이 {0}}.977(그림 S2)로, 모델이 데이터와 잘 일치함을 나타냅니다.30 5개 기간(LGM, MH, 현재, 2050, 2070)에 대한 서식지 적합성 시뮬레이션 결과 C. 살사 재배 적합성은 통계적 임계값에 따라 부적합(class 5: 0-20%), 한계(class 4: 20-50%), 보통(클래스 3: 50-75%), 좋음(클래스 2: 75-

90% ) 및 우수(클래스 1: 90-100% ). 이 기사에서는 클래스 1, 클래스 2 및 클래스 3에 대한 적절한 분포 지역에 대해서만 논의했습니다. C. salsa의 현재 잠재적 분포는 이 종이 온대 사막 기후, 아열대 지중해 기후 및 열대 사막의 세 가지 기후대에 널리 분포되어 있음을 나타냅니다. 기후 지역. 남극 대륙을 제외한 모든 대륙에는 C. 살사에 적합한 지역이 있습니다. 이 지역은 주로 중앙아시아와 서부아시아, 북아프리카에 분포하였고, 북아메리카 중서부, 남아메리카 중부, 오세아니아 서부에 흩어져 있었다. 우수한(class 1) 적합 지역은 이집트(76 750 km2)에서 가장 널리 분포된 반면, good(class 2) 및 보통(class 3) 적합 지역은 중국(class 2: {{ 13}} km2 및 클래스 3: 1 024 600 km2). 아시아에서 생태학적으로 적합한 지역은 주로 중국(class 1: 45 775 km2), 요르단(class 1: 16 075 km2), 이스라엘(class 1: 14 975 km2), 사우디 아라비아(등급 1: 14 925km2) 및 이란(등급 1: 12 600km2). 아프리카에서 C. salsa의 적합한 지역은 주로 이집트, 리비아(1급: 34 400km2), 튀니지(1급: 275km2)에 분포하였다. 남아메리카에서 C. salsa에 적합한 지역은 주로 칠레에 분포하였다(class 1: 16 550 km2).

공간적 관점에서(그림 2), 5개 기간에 대한 적절한 지역적 변화 경향은 처음에는 증가했다가 2050년에 가장 큰 면적으로 감소했습니다(그림 3a, 그림 S3). 다른 4개 기간에 비해 LGM 내 적절한 C. 살사 면적이 크게 감소했습니다. 현재(4 358 775km2)와 비교하여 적정 면적은 LGM 기간에 50%(2 160 975km2), MH 기간에 10%(MH: 3 910 350km2) 감소, 2070년 기간에는 1%({13}}km2), 2050년 기간에는 2%({17}}km2) 증가했습니다. 특히, 현재부터 미래(1960년부터 2080년까지)에 걸쳐 C. salsa의 우수면적(class 1)은 점차 축소되었다(현재, 243 200km2; 2050, 232 425km2; 2070, { {29}}km2).

시스탄체추출물에는 많은건강혜택

3.2. 중국 C. salsa의 적합한 분포 지역 및 생물 기후 변수의 범위 예측.

중국에서 C. 살사 재배에 적합한 지역은 주로 신장 북서부, 내몽골 중부, 산시성 북부, 산시성 북부, 칭하이 북동부, 간쑤성 북부 및 대부분의 닝샤 지역으로 제한되었습니다(그림 2b). 중국에서 가장 적합한 지역은 주로 신장에 분포되어 있으며 그 중 우수한 지역(class 1)은 23 650km2, 좋은 지역(class 1)은

2) 면적은 220 950km2이고 박람회 지역(클래스 3)은 189 975km2입니다. 좋은 지역(2등급) 중 신장(Xinjiang)이 60.99%를 차지했으며 내몽골(86 300km2)과 간쑤({11}}km2)가 각각 23.82%와 6.75%를 차지했습니다(그림 3b). MaxEnt 모델의 결과는 Xinjiang이 C. salsa 성장에 특히 적합함을 나타냅니다. 그러나 자갈-사막, 초원, 사막 대초원과 같은 다양한 서식지가 현장 여행 중에 동일한 지역에서 발견되었습니다. 따라서 우리는 중국 신장 타청의 다양한 생태형에서 토양 미생물 군집의 특성과 환경과의 관계에 대해 높은 관심을 보였습니다.

C. salsa 분포에 대한 각 생물기후 변수의 중요성은 표 2에 나와 있습니다. 모든 값은 1회 반복 실행의 평균이었습니다. C. salsa 분포에 가장 큰 영향을 미치는 상위 세 가지 생물기후 변수는 가장 건조한 분기의 강수량(bio17), 가장 따뜻한 분기의 강수량(bio18), 평균 일교차(bio2)였으며 상대 기여율은 25.81입니다. 퍼센트 , 17.65 퍼센트 및 13.70 퍼센트 , 각각. MaxEnt 모델에서 얻은 응답곡선에서 알 수 있듯이 예측확률이 0.5를 초과할 때 바이오인자의 범위를 계산할 수 있다. 예를 들어, bio17의 범위는 -135.30 ~ 11.34mm, bio 18의 범위는 -206.60 ~ 4.40mm, bio2의 범위는 11.65 ~ 12.50도입니다.

3.3. 뚜렷하고 겹치는 미생물 군집을 나타내는 C. salsa의 세 가지 생태형에서 나온 토양 미생물군집.

16S rRNA 시퀀싱 결과 518 217개의 원시 판독값이 생성되었으며 그 중 441 576의 품질과 길이가 스크리닝되었습니다. 데이터 세트에는 샘플당 11 818−26 431(평균: 20 150) 시퀀스가 ​​포함되었습니다. 고품질 읽기는 다음을 기반으로 클러스터링되었습니다.

>2 788 미생물 OTU에 대한 97% 서열 동일성(표 1).

미생물 군집은 34개의 문과 321개의 속으로 분류되었다. 문 수준에서(그림 4a), Actinobacteria(DS, 31.94%, GD, 46.42%, GL, 33.33%), Proteobacteria(DS,

23.25% ; GD, 22.53% ; GL, 24.68%) 및 Gemmatimonadetes(DS, 17.77% ; GD, 8.02% ; GL, 8.36% )는 세 가지 생태형에서 우세했습니다. 속 수준(그림 4b)에서 사막 대초원은 Euzebya(4.82%)와 Arthrobacter(1.74%)가 우세한 반면 자갈에서 가장 우세한 속은 Arthrobacter(8.35%)와 Bacillus(4.95%)였습니다. ). Bacillus(6.89%)와 Arthrobacter(5.57%)가 초원에서 우점했다. 사막 대초원의 상위 10개 풍부한 미생물 군집은 8개의 문으로 분류되었고(그림 4c), 자갈-사막의 미생물 군집은 7개의 문으로 분류되었으며(그림 4d), 초원의 미생물 군집은 10개의 문으로 분류되었습니다(그림 4e). ).

샘플 내 다양성(-다양성)의 측정은 초원에서 자갈-사막 및 사막-대초원으로의 다양성 변화를 보여주었습니다(그림 4f). Shannon, Chao 1, Fisher에서 각 샘플의 토양 미생물 군집의 다양성을 평가하고 종 다양성 지수를 관찰했습니다. Shannon, Chao 1, 관찰된 종 및 Fisher 지수는 초원 토양 군집의 다양성이

다른 두 생태형 커뮤니티보다 높았다. 희박곡선(그림 S5)의 결과는 YM1 및 HJ3을 제외하고 위의 결과와 유사했습니다. AMOVA 결과(표 S3)는 세 가지 생태형 간에 상당한 차이가 있음을 보여줍니다(p < 0.01).="" 가중되지="" 않은="" unifrac="" 거리="" 2d="" 플롯(그림="" 4g)의="" 비제약="" pcoa="" 결과는="" ym1="" 및="" hj3을="" 제외한="" 다양한="" 생태형의="" 박테리아="" 미생물군집의="" 토양="" 샘플이="" 잘="" 클러스터링되었음을="" 나타냅니다.="" 세="" 가지="" 생태형="" 토양="" 샘플의="" 단일="" 클러스터링="" 알고리즘="" 결과(그림="" 4h)를="" 기반으로="" 한="" bray="" 거리="" 다양성="" 나무="" 클러스터링은="" ym2를="" 제외한="" 초원="" 샘플이="" 밀접하게="" 클러스터링되어="" 있고="" ja1을="" 제외한="" 사막="" 대초원="" 토양="" 샘플이="" 밀접하게="" 클러스터링되어="" 있음을="" 보여주었습니다.="" 자갈-사막="" 토양="" 샘플은="" 밀접하게="" 밀집되어="">

3.4. C. 살사의 세 가지 생태형의 차등 미생물군유전체 스크리닝.

다양한 속의 풍부도에 대한 열 지도(그림 5a)는 사막 대초원의 샘플의 속 풍부도가 다른 두 생태형의 샘플과 다르다는 것을 나타냅니다. 의 결과에 나타난 바와 같이

LEfSe(그림 5c) 및 RF(그림 5d), 오른쪽의 미니 히트 맵은 속 수준에서 세 가지 생태형의 미생물 특징이 풍부함을 나타냅니다. 사막 대초원 생태형을 대표할 수 있는 속은 Gillisia, Illumatobacter, Salegentibacter, Marinimicrobium 등이 있습니다. Variibacter는 상징적인

자갈-사막 생태형을 나타낼 수 있는 속 수준. 초원 생태형의 바이오마커에는 플라비솔리박터와 아그로마이세스가 포함되어 있습니다. 두 방법의 결과를 결합한 후, 11개의 바이오마커를 선택하였다(표 S4). 그림 5b는 11개의 바이오마커 풍부도의 히트 맵을 보여줍니다.

3.5. C. salsa의 세 가지 생태형의 핵심 미생물군유전체 스크리닝 및 대사 기능 예측.

모든 토양 샘플에서 얻은 OTU에 대해 벤 다이어그램(그림 5e)을 표시했으며 결과는 세 가지 생태형이 1712개의 OTU를 공유하는 것으로 나타났습니다. C. salsa의 세 가지 생태형에서 핵심 미생물군유전체를 식별하기 위해 R 패키지 미생물군집의 핵심 기능에서 지속성 방법을 채택했습니다. 이 핵심 박테리아 미생물군집은 6개의 OTU를 포함하며 전체 미생물군집의 19.64%에 해당합니다. 정의되지 않고 중복된 속을 제외하고 이러한 OTU를 6개의 속으로 분류하고 그 풍부도를 히트 맵에 표시했습니다(그림 5f).

기능적 예측 결과(그림 6, 보충 파일 2)는 C. salsa의 세 가지 생태형에서 토양 미생물군의 기능적 대사 경로가 탄수화물에서 동일하고 대사 경로 중 아미노산 대사가 풍부함을 시사했습니다. 막 수송과 신호 전달은 환경 정보 처리에서도 풍부했습니다.

3.6.C. salsa의 세 가지 생태형의 미생물 군집과 생물기후 변수 간의 상관관계 분석.

코어, 바이오마커 미생물군집 풍부도, 생물기후변수에 대한 중복분석은 속 수준에서 수행하였고, 재분석은 효과에 기초하여 수행하였다. 분산의 수정된 해석은 32.5%였습니다. 가장 따뜻한 분기(bio18)의 강수량은 미생물 군집의 23.9%를 설명합니다(p=0.07). 가장 따뜻한 분기(bio10)의 평균 기온과 평균 일교차(bio2)는 Illumatobacter와 양의 상관관계가 있었고 Bacillus와 음의 상관관계가 있었습니다(그림 7a).

핵심, 바이오마커 미생물군집 존재도 및 7가지 생물기후 변수에 대한 상관관계 분석을 수행했습니다. 상관 네트워크 결과(그림 7b)는 Illumatobacter와 Salegentibacter(사막 대초원의 바이오마커)가 평균 일교차(bio2) 및 가장 따뜻한 분기의 평균 기온(bio10)과 유의하게 양의 상관관계가 있음을 보여주지만 고도( alt) 및 가장 따뜻한 분기의 강수량(bio18). 반대로, Agromyces(초원의 바이오마커)는 고도(alt) 및 가장 따뜻한 분기의 강수량(bio18)과 양의 상관관계가 있었지만 평균 일교차(bio2) 및 가장 따뜻한 분기의 평균 기온(bio10)과는 음의 상관관계가 있었습니다. 또한, Arthrobacter(핵심 미생물군집)는 평균 일교차(bio2) 및 가장 따뜻한 분기의 평균 기온(bio10)과 유의하게 음의 상관관계가 있었습니다. Rubrobacter는 연간 강수량과 유의하게 양의 상관관계가 있었습니다(bio12).