való

  • elemeket
  • absztrakt
  • bevezetés
  • az eredmény
  • A vízminták biogeokémiai tulajdonságai
  • A mezőgazdasági zavar és a mintavételi idő hatása a BCC-re
  • Kulcsfontosságú baktériumcsaládok azonosítása a szezon alatti környezeti zavarok jellemzésére
  • Időromlás a hasonlósági viszony miatt
  • Kapcsolat a közösség baktériumszerkezete és a biogeokémiai tulajdonságok között
  • Stochasticity versus determináció a járási zavarban
  • A hálózatok feltárják a hálózat interakciós központjait
  • vita
  • mód
  • A vizsgálati hely és a mintavétel
  • DNS-extrakció, bakteriális 16S rRNS-gén amplifikáció és piroszekvenálás
  • Pyrosequencing adatfeldolgozás
  • Statisztikai analízis
  • További részletek
  • További információ
  • PDF fájlok
  • További információ
  • Hozzászólások

elemeket

absztrakt

az eredmény

A vízminták biogeokémiai tulajdonságai

Mintavételi periódusunk során a víz hőmérséklete monoton csökkent (S1. Ábra), amely összhangban volt a három évszak hőmérsékleti trendjével. A tápanyagszintek, például az oldott szerves szén (DOC), a kémiai oxigénigény (COD), az oldott szervetlen nitrogén (DIN) és a PO 4 3–, általában magasabbak voltak a haltenyésztési helyeken, mint a kontroll helyen (S1. Ábra). ) jelzi a tápanyagokkal dúsított környezet jelenlétét a halgazdaságban. Ezenkívül egy adott vízváltozó esetében a két hely közötti időváltozás hasonló volt; például a COD szint ősszel tetőzött, míg a teljes foszfát (TP) tartalom mindkét évszakban folyamatosan növekedett (S1. ábra).

A mezőgazdasági zavar és a mintavételi idő hatása a BCC-re

A szekvenálási erőfeszítések eredményeként négy minta kapott alacsony minőségű adatokat a W148C és a W148F termékektől; ezért ezt a négy mintát eltávolítottuk a további elemzésből. A maradék 44 mintában minőségi szűrés után összesen 239 335 leolvasás maradt, mintánként 3 873–7 177 baktériumszekvencia (átlag = 5439 ± 898). Az uralkodó phyll/osztályok az Alphaproteobacteriumok (átlagos relatív bőség, 23,8%), Bacteroidetes (16,0%), Gammaproteobacteriumok (14,9%), Cianobacteriumok (14,2%), Actinobacteriumok (11,0%) és Betaproteobacteriumok (9,0%) voltak, amelyek kumulatívan Az összes mintában található baktériumszekvenciák 88,9% -a. Általánosságban elmondható, hogy a cianobaktériumok és az aktinobaktériumok relatív mennyisége csökkent, míg a Bacteroidetes, a Gammaproteobacteria és a Betaproteobacteriumok három évszak alatt növekedtek (S2. Ábra). A mintákat a mintavételi idő és az élőhely (halgazdaság és kontrollhely, a 65. nap kivételével) szerint csoportosítottuk, még ennél a durva osztályozásnál is (S2. Ábra).

A PCoA biplotok kimutatták, hogy a bakterioblankton közösség (BCC) összetételének fő elkülönítése a mintavételi időn alapult, bár egyértelmű volt, hogy egyértelmű különbség van a tenyésztés helye és a kontroll között (1. ábra). Ezt a modellt a PERMANOVA tovább erősítette, amely azt mutatta, hogy a mintavételi idő 19,3% -ra korlátozódott (P 22, 26 pozitívan társultak a baktériumok α-diverzitás indexeivel (S2. Táblázat), és szignifikánsan korreláltak (Mantel-teszt, P = 0,001). és P = 0,013 a Myxococcales esetében) BCC variációkkal.

A mintákat évszakok és élőhelyek felvételével kódolták. S: nyár; V: ősz; W: tél; C: kontroll; F: halgazdaság. A számok az első gyűjtést követő napok intervallumait jelentik.

Teljes méretű kép

Asztal teljes méretben

Kulcsfontosságú baktériumcsaládok azonosítása a szezon alatti környezeti zavarok jellemzésére

A körök átmérői arányosak az egyes családok átlagos relatív incidenciájával (négyzetgyök-transzformációval) egy adott helyen három évszak alatt. S: nyár, A: ősz, ny: tél, C: kontroll, F: halgazdaság.

Teljes méretű kép

Időromlás a hasonlósági viszony miatt

A mezőgazdasági rendellenességek BCC időforgalomra gyakorolt ​​hatásainak értékeléséhez külön becsültük meg a haltenyésztő telep és az ellenőrzési hely időbeli hasonlósági viszonyát. A BCC hasonlóság szempontjából jelentős időromlást találtunk mindkét helyen (P

Időromlás a hasonlósági viszony szempontjából a baktériumközösségek számára a kontroll helyeken (A) és a haltenyésztési helyeken (B). A w forgalmi sebességet (regressziós meredekség) lineáris regresszióval (log-log tér megközelítés) becsüljük meg a párosított hasonlósági értékek és a mintavételi időintervallumok között.

Teljes méretű kép

Kapcsolat a közösség baktériumszerkezete és a biogeokémiai tulajdonságok között

Jelentős összefüggéseket találtak a BCC és az összes környezeti változó között (P

A szaggatott vonal ugyanazokat a feladatokat jelzi mindkét esetben. A vonal alatt a sztochaszticitás, felette pedig az elszántság dominál. Az egyes sorokhoz rendelt számok a meghatározás százalékos növekedését jelzik.

Teljes méretű kép

A hálózatok az interakció központjait tárják fel a hálózatban

Amint azt korábban javasoltuk, az alapszintű OTU-kra összpontosítottunk, amelyeket az egyes helyszíneken a minták több mint 50% -ában találtunk 21, ami 189 OTU-t eredményezett a kontrollhoz és 227 OTU-t. A hálózati grafikon azt mutatta, hogy a faj baktériumai közötti interakciók összetettebbek és jobban összekapcsolódtak a fajok között a halgazdaságban, mint a kontrollhelyen, bár a modulus számát a kontroll helyén találtuk magasabbnak (5. ábra). Ezen túlmenően a pozitív fajtársulások aránya a halgazdaságban nagyobb volt, mint a kontroll helyen (87,9% vs. 80,5%). Ezt a modellt tovább erősítették a legfontosabb hálózati topológiai paraméterek, beleértve a magasabb kapcsolatokat, az átlagos fokozatot és a fürtözési tényezőt, valamint az alacsonyabb átlagos utat (3. táblázat). Ez a modell nagyobb számú kölcsönhatásban lévő fajt, komplexitást, magasabb modulstruktúra-tartományt és szorosabb csomópontokat tár fel a halgazdaságok baktériumközösségének hálózatában 21, mint a védekezés helyén.

Hálózati grafikon a kontroll hely (A) és a halgazdaságok (B) baktériumközösségeihez szubmoduláris felépítéssel, a gyors kapzsi modularitás módszerrel 21. Minden csomópont egy bakteriális OTU-t képvisel. A csomópont színei jelzik a különböző főbb növényi növényekhez vagy a fehérjebaktériumok osztályához kapcsolódó OTU-kat. A kék szegély pozitív, míg a piros szegély két egyedi csomópont közötti negatív interakciót jelez.

Teljes méretű kép

Asztal teljes méretben

vita

Röviden, a növénynemesítés hosszú távú megzavarása nagymértékben csillapítja a BCC átmeneti megfordulását, de fokozza a fajok közötti interakciókat, azaz a baktériumok csoportjai közötti jobb ökológiai interakciókat a zavarok befogadására. Az állandóan növekvő determinisztikus folyamatok alakítják az időbeli dinamikát a járás megszakadása miatt. Ezért a bakteriális közösség a hosszú távú rendellenességekre reagálva alternatív stabil állapotba léphet. Ezenkívül 14 olyan baktériumcsaládot azonosítottunk, amelyek következetesen reagálnak az esküvői zavarokra, bár a BCC három évszakban nagyon változó volt. Vizsgálatunk betekintést nyújt az alapvető mechanizmusokba, amelyek alakítják a BCC időbeli dinamikáját, ami fontos az antropogén zavarokra adott ökoszisztéma-válaszok előrejelzésében. Ennek a modellnek az érvényesítéséhez azonban évektől évtizedekig tartó további vizsgálatokra van szükség.

mód

A vizsgálati hely és a mintavétel

A víz hőmérsékletét in situ rögzítettük. Az oldott oxigént (DO) Winkler-titrálással 38 mértük. A DOC, az összes nitrogén (TN), a TP, a NO 3 -, a NO 2 -, a PO 4+ és a COD szintjét standard módszerekkel elemeztük 41. A DIN-koncentrációt az NH 4 +, NO 3 - és NO 2 - összegeként számoltuk. A Chla-t a korábban leírt módszerekkel mértük 11 .

DNS-extrakció, bakteriális 16S rRNS-gén amplifikáció és piroszekvenálás

A mintavétel napján körülbelül 1 liter vizet előszűrtünk egy nejlon hálón (pórusméret 100 μm) keresztül, a DNS-ek extrahálásához. A mintákat ezután 0,22 μm membránra (Millipore, Boston, MA, USA) szűrjük, hogy mikrobiális biomasszát kapjunk. A genomi DNS-t MOBIO Power Water DNS DNS izoláló készlettel (MP Biomedicals, Irvine, CA, USA) extraháltuk a gyártó protokolljainak megfelelően. A DNS-kivonatokat NanoDrop ND-1000 spektrofotométerrel (NanoDrop Technologies, Wilmington, USA) számszerűsítettük és -80 ° C-on tároltuk amplifikációig.

Az egyes mintákból származó DNS arányt (50 ng) alkalmaztunk templátként a bakteriális 16S rRNS gén amplifikálásához. A V4-V5 régiót régióspecifikus láncindítók segítségével amplifikáltuk: F515 primer: GTGCCAGCMGCCGCGG, amely egy Roche 454 "A" pirokonzonációs adaptert és egyedülálló 11 bázisú vonalkód-szekvenciát tartalmazott, valamint az R907: CCGTCAATTCMTTRAGTTT4 primert, amely a Roche 454-et tartalmazta. "A". "B" szekvenciaadapter a 42-es alapozó 5'-végén. A véletlenszerű PCR-amplifikáció hatásának csökkentése érdekében az összes mintát három példányban amplifikáltuk a következő reakciókörülmények között: 30 denaturálási ciklus 94 ° C-on 30 másodpercig, izzítás 55 ° C-on 30 másodpercig, és kiterjesztés 72 ° C-on 30 ° ss, s végső meghosszabbítás 72 ° C-on 10 percig 11. Az egyes mintákhoz tartozó PCR-termékeket egyesítettük és QIAquick PCR-tisztító készlettel (Qiagen, GmbH, Hilden, Németország) tisztítottuk, majd PicoGreen kit (Invitrogen, Carlsbad, CA, USA) segítségével számszerűsítettük. Az egyes mintákhoz tartozó ekvimoláris mennyiségű PCR-termékeket egy csőbe egyesítettük egy Roche FLX + 454 piroconnectoron (Roche Diagnostics Corporation, Branford, CT, USA) történő elemzés céljából, hogy előremenő irányokat kapjunk (F515 vonalkóddal).

Pyrosequencing adatfeldolgozás

Statisztikai analízis

A BCC 48 összesített különbségének értékeléséhez súlyozott UniFrac távolságon alapuló koordinátanalízist (PCoA) és hasonlóság-elemzést (ANOSIM) végeztünk. A hasonlósági viszony időbeli bomlását (TDR) alkalmazták a BCC időbeli forgalmi sebességének értékelésére 4. Annak tesztelésére, hogy a TDR forgalma eltér-e a nullától, bootstrap-ot alkalmaztunk olyan regresszív változókra, amelyek megsértették a függetlenség feltételezését 49. A sebességet egy mintás t teszttel teszteltük az eredeti sebesség és a rendszerindítási sebesség átlaga között, az eredeti készlet véletlenszerű párosításával. A molekuláris ökológiai hálózatok (MEN) elemzését egy nyílt hozzáférésű csővezeték (//ieg2.ou.edu/MENA) segítségével értékelték a tengerészeti tenyésztés zavarának a baktériumok fajok közötti kölcsönhatásaira gyakorolt ​​hatására. Ez a megközelítés figyelemre méltó abban az értelemben, hogy a hálózat automatikusan definiálódik és robusztus a zajjal szemben. A hálózatot a Cytoscape 3.1.1 50-ben ábrázoltuk .

A következő elemzéseket az R vegán és vegán csomagokkal végeztük (3.0.2 verzió, //www.r-project.org). Permutációs többváltozós varianciaanalízist (PERMANOVA) ADONIS funkcióval végeztünk az élőhelyek (halgazdaság és ellenőrző hely) és a mintavételi idő részének a BCC 51, 52 variációihoz való kvantitatív értékeléséhez. A BCC-t jelentősen korlátozó tényezők meghatározásához a környezeti változókat előre választással választottuk ki távolság-alapú többváltozós lineáris modellben (DistLM) 53. Az egyes környezeti változók hozzájárulását „marginális tesztek” segítségével értékeltük, hogy értékeljük az egyes változók statisztikai szignifikanciáját és százalékos hozzájárulását önmagában, majd „szekvenciális tesztek” segítségével értékeljük a környezeti változók kumulatív hatását, magyarázva a BCC 54 változásait. A null modellanalízist alkalmazták kvantitatív módon a determinisztikus szelekciós folyamatoknak a BCC alakításában betöltött szerepének értékelésére, amelyet a megfigyelt hasonlóság és a nullhipotézis alatt várható hasonlóság közötti különbség hányadosa és a megfigyelt hasonlóság 56 arányában számítottak .

További részletek

Hogyan lehet idézni ezt a cikket: Xiong, J. és mtsai. Bizonyíték a bakterioplankton közösség alkalmazkodásáról a hosszú távú mariculture zavarra reagálva. Sci. ismétlés. 5., 15274; doi: 10.1038/srep15274 (2015).