ČÁST 1 Odhalení dopadu životního prostředí na Cistanche Salsa: Od globální ekologické regionalizace k půdním mikrobiálním charakteristikám komunity

ABSTRAKTNÍ:Pochopit regulační vztah mezi prostředím aCistanche salsa, zde jsme integrovali metody makro- a mikrorozměrů. Z makro pohledu model MaxEnt naznačil, že země podél iniciativy Pás a stezka, jako je Čína, Egypt a Libye, byly zvláště vhodné pro růstC. salsaod starověku (poslední glaciální maximum a střední holocén) do budoucnosti (2050 a 2070). Jackknife test odhalil, že srážky jsou důležitým ekologickým faktorem, který ovlivňuje rozšíření C. salsa. Z makro pohledu data sekvenování amplikonu 16S rRNA ukázala, že půdní mikrobiální společenstva tří ekotypů (poušť–step, travní porost a štěrková poušť) byla významně odlišná (p < 0,001).="" analýza="" jádrového="" mikrobiomu="" prokázala,="" že="" bakteriální="" rody="" arthrobacter,="" sphingomonas="" a="" bacillus="" byly="" obohacené="" jádrovými="">C. salsa. LEfSe a náhodný les byly použity k vykopání Gillisia (pouštní step), Flaviolibacter (pastviny) a Variibacter(štěrková poušť) jako biomarkery, které mohou rozlišovat mezi mikrobiálními společenstvy ze tří ekotypů. Predikční profil ukázal, že metabolická funkce mikrobiální komunity byla obohacena o metabolické dráhy a zpracování environmentálních informací. Korelační analýzy odhalily, že nadmořská výška, srážky nejteplejší čtvrti (bio18), průměrný denní rozsah (bio2) a průměrná teplota nejteplejší čtvrti (bio10) byly důležitými ekologickými faktory, které ovlivňují složení půdních mikrobiálních společenstev. Tato práce poskytla nový pohled na regulační vztah mezi vhodnou distribucíC. salsa, půdní mikrobiální společenství a ekologické faktory. Kromě toho prohloubilo pochopení interakce mezi pouštními rostlinami a ekologickými faktory v aridním prostředí.

KLÍČOVÁ SLOVA:Cistanche salsa, MaxEnt, sekvenování amplikonu 16S rRNA, půdní mikrobiální komunita, dopad na životní prostředí.

Cistanche deserticola má mnoho účinků, klikněte sem a dozvíte se více

Pro více informací prosím kontaktujte:Joanna.jia@wecistanche.com

1. ÚVOD

Ekonomická hodnota léčivých rostlin v posledních letech rapidně vzrostla s celosvětovým rozvojem a využíváním přírodních rostlin. Dužnatý stonekCistanche salsaje jedlý a léčivý rostlinný orgán, který se běžně používá jako ledvinové tonikum, afrodiziakum, léčba proti stárnutí a antioxidační léčbě, střevní projímadlo, léčba na ochranu jater a léčba proti záření. Moderní fytochemické studie na C. salsa vedly k identifikaci a izolaci značného množství bioaktivních sloučenin, jako jsou různé fenylethanoidové glykosidy, iridoidy, alditoly a lignin, které mají důležité lékařské a jedlé hodnoty.1 S rychlým rozvojem trhu pro léky a zdravé potraviny, poptávka poC. salsaprudce vzrostla a je doprovázena nadměrným využíváním a drancováním divokých zdrojů. Proto rozsáhlé umělé zavádění a pěstováníC. salsase staly důležitým opatřením na ochranu divokých zdrojů a pomalé ekologické dezertifikace. Nicméně výzkum umělého pěstováníC. salsazůstává omezená.

Prostředí má obrovský vliv na růst a vývoj C. salsa.2 Rostliny rostou v různých prostředích a tvoří různé ekotypy, které vykazují významné změny neaktivních složek a genové exprese.3,4 Na makro úrovni výzkum zjistil, že teplota, světlo, srážky a typy půdy, to vše má vliv na růst rostlin a jejich aktivní složky.5,6 Studium interakce mezi prostředím a rostlinami a komplexní charakterizace různých ekotypů rostlin jsou přínosné pro výběr a pěstování vysokých -kvalitní odrůdy.7 Z makro pohledu mohou mít rostliny značný vliv na půdní organismy, i když mají malý nebo žádný přímý kontakt s půdním systémem prostřednictvím svých kořenů.8,9 Současné výzkumy vztahu mezi rostlinami a prostředí, včetně klimatických faktorů a půdního mikrobiálního společenství, je stále nejasné.

Model distribuce druhů (SDM) je statistický model, který byl vytvořen pomocí existujících údajů o distribuci druhů a proměnných prostředí k odvození ekologických potřeb druhů a projektování oblastí jejich potenciálního rozšíření,10,11 prozkoumávat vhodné oblasti růstu kombinací klimatických a půdních faktorů, určit vhodné prostředí pro léčivé rostliny a vědecky chránit a pěstovat ohrožené rostliny.12,13 SDM, jako je MaxEnt a biomod2, úspěšně reagovaly na předpovědi trendů distribuce, které byly vystaveny ohroženým a ekologickým rostlinám během klimatických změn.14,15

Bylo provedeno sekvenování amplikonů 16S rRNA vzorků půdy rostlinné rhizosféry, aby se prozkoumala diverzita mikrobiálních společenstev, což poskytuje nový pohled na vztah mezi rostlinami a půdními mikrobiálními společenstvy.16,17

V této studii jsme zkoumali vztah mezi prostředím aC. salsaz makro- a mikrodimenze. Provedli jsme následující. (1) Použili jsme model MaxEnt k predikci vhodných oblastí globálního růstuC. salsaod starověku do budoucnosti (pět období: poslední ledovcové maximum [LGM], střední holocén [MH], současnost, 2050 a 2070) a vypočítal vhodné oblasti různých úrovní a míru příspěvku a rozsah bioklimatických proměnných ovlivňujících distribuceC. salsa.(2) V kombinaci s terénní prací jsme shromáždili tři ekotypové vzorky (poušť-step, pastviny a štěrková poušť) vzorky půdy z nejlépe pěstované oblasti (Tacheng a Xinjiang)

C. salsa. Provedli jsme sekvenování amplikonu 16S rRNA, abychom prozkoumali charakteristiky půdních mikrobiálních komunit. Porovnali jsme také rozdíly v půdních mikrobiomech ve třech ekotypech a určili jsme základní mikrobiomy a biomarkery, které by mohly rozlišovat mezi těmito třemi ekotypy. (3) Provedli jsme korelační analýzu a redundantní analýzu na základě množství základních mikrobiomů, biomarkerů a bioklimatických proměnných, abychom prozkoumali regulační vztah meziC. salsaa životní prostředí.

Cistanchemá mnoho účinků proti únavě

2. MATERIÁLY A METODY

2.1. Ekologické modelování mezer.

V tomto výzkumu bylo použito pět zdrojů k hledání současných lokalitC. salsacelosvětově: (1) GBIF ; (3) Národní vzorová informační infrastruktura (4) publikovaná literatura; a (5) práce v terénu. Ukázková data bez zeměpisné šířky a délky vycházela z online dotazu na zeměpisnou šířku a délku mapy. Ke kontrole a filtraci získaných distribučních bodů byla použita metoda vyrovnávací paměti, aby se eliminoval efekt simulace překrytí způsobeného velkou prostorovou korelací. Prostorové rozlišení bioklimatických proměnných bylo 2,5 obloukové minuty (asi 4,5 km2) a vzdálenost nárazníku byla nastavena na 3 km. Pokud byla vzdálenost mezi distribučními místy menší než 3 km, bylo zachováno pouze jedno distribuční místo. Po odstranění duplicitních bodů bylo shromážděno a použito k analýze 76 výskytů, všechny z pravé produkční oblasti C. salsa (obrázek 1a, doplňkový soubor 1).

Použili jsme 19 bioklimatických proměnných WorldClim jako environmentální prediktory. Současná data bioklimatických proměnných této studie byla shromážděna z monitorovacích dat databáze WorldClim verze 1.418 v letech 1960–1990 s rozlišením 2,5 obloukové minuty. Starobylé (LGM a MH) a budoucí (budoucnost 2050 a budoucnost 2070) bioklimatické proměnné dostupné ve WorldClim verze 1.4 s rozlišením 2,5 obloukových minut byly použity jako prediktory modelů distribuce druhů. Abychom se vyhnuli multikolinearitě, provedli jsme korelační analýzu bodů pozadí a eliminovali jsme jednu z proměnných v každém páru pomocí Pearsonovy

hodnota korelace > 0,819 (obrázek S1). Osm bioklimatických proměnných nakonec zahrnutých do modelů bylo průměrný denní rozsah (bio2), průměrná teplota nejvlhčí čtvrti (bio8), průměrná teplota nejsušší čtvrti (bio9), průměrná teplota nejteplejší čtvrti (bio10) , roční srážky (bio12), srážky v nejsušší čtvrti (bio17), srážky v nejteplejší čtvrti (bio18) a srážky v nejchladnější čtvrti (bio19).

Použili jsme model maximální entropie s otevřeným zdrojovým kódem (MaxEnt v.3.4.0),20 který lze stáhnout za účelem vytvoření modelu distribuce druhů proC. salsa. V základním nastavení byly použity následující parametry: náhodné semeno a procento náhodného testu 25 a 10 replikátů. Nastavením procenta náhodného testu na 25 procent jsme náhodně vybrali 75 procent distribučních bodů pro trénovací sadu. Nastavením počtu replikací na 10 jsme provedli model 10krát se stejným nastavením a zprůměrovali výstup všech běhů, abychom získali konečný výsledek. Plocha pod křivkou přijímajícího operátora (AUC) byla použita k vyhodnocení dobré shody modelu a model s nejvyšší hodnotou AUC byl považován za nejlepší. K posouzení důležitosti proměnných byl použit postup jackknife. K získání rozsahu bioklimatických proměnných byly použity křivky odezvy.

ArcGIS byl použit k analýze bioklimatických proměnných, které ovlivňují rozšíření C. salsa a ke klasifikaci a výpočtu oblasti vhodné pro produkci.

2.2. Sběr a popis vzorků půdy. C. salsa

je přirozeně rozšířena ve třech ekotypech štěrkové pouště, pastviny a pouštní stepi. V dubnu 2017 jsme shromáždili vzorky masitých stonků a půdy představující hlavní ekotypy C. salsa v Tacheng, Xinjiang, Čína (obrázek 1b, tabulka 1). Vzorky štěrkové pouště byly odebrány z Hejiaoke, Toli County (HJ1, HJ2 a HJ3). Vzorky travních porostů byly odebrány z okresu Yumin (YM1, YM2, YM3 a YM4). Vzorky pouštních stepí byly odebrány z Jiang Alhan (JA1, JA2, JA3, JA4, JA5 a JA6). Vzorky půdy, které jsme odebrali, jsou všechny z půdy na povrchu C. salsa a její hostitelské parazitické lokalitě. Poukazové vzorky s

čísla voucherů od 20170510079-DT do 20170510091-DT byla uložena v herbáři Institutu vývoje léčivých rostlin při Čínské akademii lékařských věd v Pekingu, Čína. Po vyčištění byly sukulentní kmenové tkáně nakrájeny na malé kousky, okamžitě zmrazeny v kapalném dusíku a poté skladovány při -80 stupních až do dalšího zpracování. Půdní jádra byla odebrána v hloubce 20 cm pomocí

nerezovou válcovou vrtačku o průměru 5 cm a poté uskladněnou při -20 stupních v přenosné chladničce. Po transportu do laboratoře byly vzorky půdy prosety přes 2 mm síto, aby se odstranily rostlinné tkáně, kořeny, kameny a další zbytky, a poté byly před dalšími experimenty uloženy při teplotě -20 stupňů v chladničce.

2.3. Extrakce DNA a sekvenování 16S rRNA.

Půdní DNA byla extrahována pomocí PowerSoil DNA Isolation Kit (MoBio Laboratories, Carlsbad, CA) v souladu s manuálem. Čistota a kvalita genomové DNA byla kontrolována na 0,8% agarózových gelech. Hypervariabilní oblast V3-4 bakteriálního genu 16S rRNA byla amplifikována primery 338F (ACTCCTACGGGAGGCAGCAG) a 806R (GGACTACHVGGGTWTCTAAT).21 Pro každý vzorek půdy byla k sekvenci čárového kódu 10- číslice přidána ′ konec přímých a reverzních primerů (Allwegene Co., Peking). PCR byla provedena na Mastercycler Gradient (Eppendorf, Německo) s použitím 25 μl reakčních objemů obsahujících 12,5 μl KAPA 2G Robust HotStart ReadyMix, 1 μl forwarding primeru (5 μM), 1 μl reverzního primeru (5 μM), 5 μl DNA (celkové množství templátu je 30 ng) a 5,5 μl H2O. Parametry cyklování byly následující: 95 stupňů po dobu 5 minut, následovalo 28 cyklů 95 stupňů po dobu 45 s, 55 stupňů po dobu 50 s a 72 stupňů po dobu 45 s, s konečným prodloužením při 72 stupních po dobu 10 minut. Tři produkty PCR na vzorek byly spojeny, aby se zmírnily zkreslení PCR na reakční úrovni. Produkty PCR byly purifikovány pomocí soupravy QIAquick Gel Extraction Kit (QIAGEN, Německo) a poté kvantifikovány pomocí PCR v reálném čase. Hluboké sekvenování bylo provedeno na platformě MiSeq od Allwegene Co. (Peking). Po běhu byla provedena analýza obrazu, základní volání a odhad chyb pomocí Illumina Analysis Pipeline verze 2.6.

2.4. Analýza dat sekvenování 16S rRNA amplikonu.

Všechna sekvenační data byla odeslána do NCBI Short Archive (SRA) pod SRA podáním SUB7456002. Nezpracovaná data byla nejprve skrínována a sekvence byly odstraněny na základě následujících úvah: sekvence kratší než 200 bp se skóre nízké kvality (méně než nebo rovné 20) a obsahující nejednoznačné báze nebo neodpovídající sekvence primerů a značky čárového kódu. Kvalifikované odečty byly odděleny pomocí sekvencí čárových kódů specifických pro vzorek a oříznuty pomocí Illumina Analysis Pipeline verze 2.6. Poté byly soubory dat analyzovány pomocí QIIME. Sekvence byly seskupeny do operačních taxonomických jednotek (OTU) na úrovni podobnosti 97 procent22, aby se vytvořily křivky zředění a vypočítaly se indexy bohatosti a diverzity. Ke klasifikaci všech sekvencí do různých taxonomických skupin, ve kterých je práh spolehlivosti nastaven na 0,7,23, byl použit nástroj Ribosomal Database Project Classifier. podobnost mezi různými vzorky.24 Matice vzdáleností UniFrac mezi mikrobiálními komunitami z každého vzorku byla vypočtena pomocí Taycova koeficientu a reprezentována jako metoda nevážených párových skupin s aritmetickým průměrem shlukovacího stromu, který popisuje odlišnost (1- podobnost) mezi více vzorků.25 Prostřednictvím této analýzy byl také vytvořen stromový soubor ve formátu Newick. Alfa diverzita byla použita k analýze složitosti druhové diverzity pro vzorek pomocí čtyř indexů, jmenovitě Chao1, pozorované druhy a Shannon a Fisher.

indexy diverzity. Tyto indexy byly vypočteny pomocí softwaru QIIME (Boulder, CO, USA) v Pythonu (v.1.8.0) (La Jolla, CA, USA).26 Analýza diverzity beta byla použita k vyhodnocení rozdílů ve vzorcích z hlediska druhová složitost. Beta diverzita byla vypočtena pomocí hlavní souřadnicové analýzy (PCoA) a shlukové analýzy v QIIME.27 Analýza molekulární variance (AMOVA) byla provedena pomocí matky.28 K výpočtu rozdílu OTU mezi skupinami (p-hodnota) byl použit Kruskal-Wallisův test<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.="">

K určení biomarkerů mikrobiomu byly použity metody lineární diskriminační analýzy (LDA) a náhodného lesa (RF) na webu MicrobiomeAnalyst. Nejprve byl proveden neparametrický faktoriální Kruskal-Wallisův sum-rank test, aby se identifikovaly rysy s významnou rozdílnou četností s ohledem na experimentální faktor nebo zájmovou třídu. Dále bylo provedeno LDA (prahová hodnota je nastavena na 2), aby se vypočítala velikost účinku každého odlišně hojného prvku. Vlastnosti byly považovány za významné na základě jejich upravené p-hodnoty. Výchozí upravená mezní hodnota p byla 0,05. RF analýza byla provedena pomocí balíčku randomForest5. Tato metoda využívá soubor klasifikačních stromů, z nichž každý je vypěstován náhodným výběrem vlastností ze vzorku bootstrapu v každé větvi.

Tax4Fun (balíček R, http://tax4fun.gobics.de/) byl použit k predikci mikrobiálních funkčních profilů mikrobiomů ve vzorcích půdy. Tabulka OTU Biom půdního mikrobiomu byla použita jako vstupní soubor pro imputaci metagenomu půdních vzorků C. salsa. Poté byly předpovězené četnosti genových tříd analyzovány na úrovni KEGG Orthology (KO) skupiny 3. Výsledky z Tax4Fun byly analyzovány v Doby (R balíček).

2.5. Korelační analýza klíčových mikrobiálních společenstev a bioklimatických faktorů.

Použili jsme ArcGIS k numerické extrakci klíčových bioklimatických faktorů ze 13 vzorků půd. Redundantní analýza klíčových rodů mikrobiálních společenstev (pět biomarkerů, pět jádrových mikrobiomů) a bioklimatických faktorů byla provedena pomocí

Software Canoco 5. Konverze dat log2 byla před analýzou jednotně provedena. Spearmanovy korelační koeficienty byly vypočteny pro množství pěti biomarkerů, pěti jádrových mikrobiomů a integraci dat bioklimatického faktoru aplikací SPSS. Výsledky korelační analýzy byly vykresleny pomocí pheatmap (balíček R).

Cistanchedokáže odolávat stárnutí

3. VÝSLEDKY

Predikce globálního distribučního posunu C. salsa v různých obdobích. Ukázalo se vypočítané ROC

že hodnota AUC byla {{0}},977 (obrázek S2), což naznačuje, že model dobře souhlasil s údaji.30 Výsledky simulace vhodnosti stanovišť pro pět období (LGM, MH, současnost, 2050 a 2070 ) jsou znázorněny na obrázku 2 a tabulce 2. C. vhodnost pro pěstování salsy byla na základě statistického prahování rozdělena do pěti kategorií: nevhodné (třída 5: 0–20 procent), okrajové (třída 4: 20–50 procent), spravedlivé (třída 3: 50−75 procent), dobré (třída 2: 75−

90 procent) a vynikající (třída 1: 90–100 procent). Tento článek pojednával pouze o vhodných oblastech rozšíření pro třídu 1, třídu 2 a třídu 3. Současné potenciální rozšíření C. salsa naznačovalo, že tento druh byl široce rozšířen ve třech klimatických pásmech: mírné pouštní klima, subtropické středomořské klima a tropická poušť klimatické oblasti. Všechny kontinenty, kromě Antarktidy, obsahují oblasti, které byly vhodné pro C. salsa. Tyto oblasti byly distribuovány hlavně ve střední a západní Asii a severní Africe a byly rozptýleny ve střední a západní Severní Americe, střední Jižní Americe a západní Oceánii. Vynikající (třída 1) vhodné oblasti byly nejrozšířenější v Egyptě (76 750 km2), zatímco dobré (třída 2) a spravedlivé (třída 3) vhodné oblasti byly nejrozšířenější v Číně (třída 2: {{ 13}} km2 a třída 3: 1 024 600 km2). Ekologicky vhodné oblasti v Asii byly primárně omezeny na Čínu (třída 1: 45 775 km2), Jordánsko (třída 1: 16 075 km2), Izrael (třída 1: 14 975 km2), Saúdskou Arábii Arábie (třída 1: 14 925 km2) a Írán (třída 1: 12 600 km2). Vhodné oblasti C. salsa v Africe byly rozšířeny především v Egyptě, Libyi (třída 1: 34 400 km2) a Tunisku (třída 1: 275 km2). Vhodné oblasti pro C. salsa v Jižní Americe byly distribuovány především v Chile (třída 1: 16 550 km2).

Z prostorového hlediska (obrázek 2) se vhodný trend regionálních změn pro pět období nejprve zvýšil a poté se snížil s největší plochou v roce 2050 (obrázek 3a, obrázek S3). Viděli jsme velký pokles vhodné oblasti C. salsa v rámci LGM ve srovnání s oblastí v ostatních čtyřech obdobích. V porovnání se současností (4 358 775 km2) se vhodné plochy v období LGM zmenšily o 50 procent (2 160 975 km2), v období MH o 10 procent (MH: 3 910 350 km2), a o 1 procento (4 328 800 km2) v období roku 2070 a vzrostl o 2 procenta (4 428 950 km2) v období roku 2050. Je pozoruhodné, že od současnosti do budoucnosti (od roku 1960 do roku 2080) se vynikající oblast (třída 1) pro C. salsa postupně zmenšovala (současnost, 243 200 km2; 2050, 232 425 km2; 2070, { {29}} km2).

Cistancheextrakt má mnohozdravívýhod

3.2. Predikce vhodných oblastí rozšíření C. salsa v Číně a rozsah bioklimatických proměnných.

Vhodné oblasti pro růst C. salsa v Číně byly omezeny hlavně na severozápad Sin-ťiangu, střední Vnitřní Mongolsko, severní Shaanxi, severní Shanxi, severovýchodní Qinghai, severní Gansu a většinu Ningxie (obrázek 2b). Nejvhodnější oblasti v Číně byly rozmístěny především v Sin-ťiangu, z nichž vynikající oblast (třída 1) pokrývala 23 650 km2, dobrá oblast (tř.

2) pokryto 220 950 km2 a výstavní plocha (třída 3) pokrývala 189 975 km2. Mezi dobrými oblastmi (třída 2) připadá Sin-ťiang 60,99 procenta, následuje Vnitřní Mongolsko (86 300 km2) a Gansu (24 450 km2) s 23,82 procenty a 6,75 procenty (obrázek 3b). Výsledky modelu MaxEnt ukázaly, že Xinjiang byl zvláště vhodný pro růst C. salsa. Během terénních výletů však byla ve stejné oblasti nalezena různá stanoviště, jako je štěrková poušť, pastviny a pouštní stepi. Proto jsme se velmi zajímali o charakteristiky půdních mikrobiálních společenstev a jejich vztah k životnímu prostředí v různých ekotypech C. salsa v Tacheng, Xinjiang, Čína.

Důležitost každé bioklimatické proměnné pro distribuci C. salsa je uvedena v tabulce 2. Všechny hodnoty byly průměry z 1 0 opakovaných běhů. Tři hlavní bioklimatické proměnné s největším vlivem na distribuci C. salsa byly srážky v nejsušší čtvrti (bio17), srážky v nejteplejší čtvrti (bio18) a průměrný denní rozsah (bio2) s relativní mírou příspěvku 25,81 procenta , 17,65 procenta a 13,70 procenta . Jak ukazuje křivka odezvy získaná modelem MaxEnt, rozsah bio faktoru bylo možné vypočítat, když pravděpodobnost predikce přesáhla 0,5. Například rozsah bio17 byl od -135,30 do 11,34 mm, rozsah bio 18 byl od -206,60 do 4,40 mm a rozsah bio2 byl od 11,65 do 12,50 stupně.

3.3. Půdní mikrobiomy ze tří ekotypů C. salsa vykazující odlišná a překrývající se mikrobiální společenstva.

Sekvenování 16S rRNA vedlo k 518 217 nezpracovaným čtením, z nichž 441 576 bylo testováno na kvalitu a délku. Soubor dat obsahoval 11 818−26 431 (průměr: 20 150) sekvence na vzorek. Vysoce kvalitní čtení byly seskupeny na základě

>97procentní sekvenční identita do 2 788 mikrobiálních OTU (tabulka 1).

Mikrobiální komunita byla klasifikována do 34 kmenů a 321 rodů. Na úrovni kmene (obrázek 4a), Actinobacteria (DS, 31,94 procenta; GD; 46,42 procenta; GL, 33,33 procenta), Proteobacteria (DS,

23,25 procenta; GD, 22,53 procenta; GL, 24,68 procenta) a Gemmatimonadetes (DS, 17,77 procenta; GD, 8,02 procenta; GL, 8,36 procenta) byly dominantní ve třech ekotypech. Na úrovni rodu (obrázek 4b) dominovaly pouštní stepi Euzebya (4,82 procenta) a Arthrobacter (1,74 procenta), zatímco nejdominantnějšími rody ve štěrkové - poušti byly Arthrobacter (8,35 procenta) a Bacillus (4,95 procenta). ). Na pastvinách dominovaly Bacillus (6,89 procenta) a Arthrobacter (5,57 procenta). 10 nejhojnějších mikrobiálních společenstev v pouštní stepi bylo klasifikováno do osmi kmenů (obrázek 4c), společenstva ve štěrkové poušti byla klasifikována do sedmi kmenů (obrázek 4d) a společenstva v pastvinách byla klasifikována do 10 kmenů (obrázek 4e ).

Měření diverzity v rámci vzorku ( -diverzita) odhalilo změnu diverzity od travních porostů po štěrkovou poušť a pouštní step (obrázek 4f). Diverzita půdních mikrobiálních společenstev v každém vzorku byla hodnocena pomocí indexů Shannon, Chao 1, Fisher a sledovaných indexů druhové diverzity. Shannon, Chao 1, pozorované druhy a Fisherovy indexy naznačují, že rozmanitost travinných půdních společenství

byla vyšší než u ostatních dvou ekotypových společenstev. Výsledky křivek zředění (obrázek S5) byly podobné výsledkům výše, s výjimkou YM1 a HJ3. Výsledky AMOVA (tabulka S3) ukázaly, že mezi těmito třemi ekotypy existují významné rozdíly (p < 0,01).="" výsledky="" neomezených="" pcoas="" nevážených="" 2d="" grafů="" vzdálenosti="" unifrac="" (obrázek="" 4g)="" ukázaly,="" že="" vzorky="" půdy="" bakteriálních="" mikrobiomů="" z="" různých="" ekotypů,="" kromě="" ym1="" a="" hj3,="" byly="" dobře="" shluky.="" shlukování="" stromů="" diverzity="" vzdálenosti="" podle="" bray="" na="" základě="" výsledků="" algoritmu="" s="" jedním="" shlukováním="" (obrázek="" 4h)="" vzorků="" půdy="" tří="" ekotypů="" prokázalo,="" že="" vzorky="" travních="" porostů,="" kromě="" ym2,="" byly="" těsně="" shluky,="" vzorky="" půdy="" z="" pouštních="" stepí,="" kromě="" ja1,="" byly="" těsně="" shluky,="" a="" vzorky="" štěrkopuštní="" půdy="" byly="" těsně="">

3.4. Diferenciální mikrobiomový screening tří ekotypů C. salsa.

Tepelné mapy četnosti různých rodů (obrázek 5a) ukázaly, že četnost rodu vzorků z pouštní stepi se lišila od četnosti vzorků z ostatních dvou ekotypů. Jak je uvedeno ve výsledcích

LEfSe (obrázek 5c) a RF (obrázek 5d), mini tepelná mapa vpravo ukazuje množství mikrobiálních znaků ve třech ekotypech na úrovni rodu. Mezi rody, které mohou reprezentovat pouštně-stepní ekotyp, patří Gillisia, Illumatobacter, Salegentibacter, Marinimicrobium atd. Variibacter je symbol

úroveň rodu, která může reprezentovat ekotyp štěrkové pouště. Biomarkery v ekotypu travních porostů obsahují Flavisolibacter a Agromyces. Po spojení výsledků obou metod bylo vybráno 11 biomarkerů (tabulka S4). Obrázek 5b ukazuje tepelnou mapu množství 11 biomarkerů.

3.5. Screening základního mikrobiomu a predikce metabolické funkce tří ekotypů C. salsa.

Vennův diagram (obrázek 5e) byl vykreslen pro OTU získané ze všech vzorků půdy a výsledky ukázaly, že tyto tři ekotypy sdílely 1712 OTU. Metoda persistence byla převzata ze základní funkce v mikrobiomu balíčku R k identifikaci základního mikrobiomu ve třech ekotypech C. salsa. Tento základní bakteriální mikrobiom obsahoval šest OTU a odpovídal 19,64 procentům celého mikrobiomu. S vyloučením nedefinovaných a duplikovaných rodů byly tyto OTU klasifikovány do šesti rodů a jejich početnost byla zakreslena do tepelné mapy (obrázek 5f).

Výsledky funkční predikce (obrázek 6, doplňkový soubor 2) naznačovaly, že funkční metabolické dráhy půdních mikrobiomů ve třech ekotypech C. salsa byly identické v uhlohydrátech a že metabolismus aminokyselin byl mezi metabolickými cestami hojný. Membránový transport a přenos signálu byly také hojné při zpracování informací o životním prostředí.

3.6. Korelační analýza mezi mikrobiálními komunitami a bioklimatickými proměnnými tří ekotypů C. salsa.

Redundantní analýza jádra, abundance biomarkeru mikrobiomu a bioklimatických proměnných byla provedena na úrovni rodu a reanalýza byla provedena na základě efektů. Upravená interpretace rozptylu byla 32,5 procenta. Srážky v nejteplejší čtvrti (bio18) vysvětlily 23,9 procenta mikrobiálních komunit (p=0,07). Průměrná teplota nejteplejší čtvrti (bio10) a průměrný denní rozsah (bio2) pozitivně korelovaly s Illumatobacter a negativně korelovaly s Bacillus (obrázek 7a).

Korelační analýza byla provedena pro jádro, biomarkerové množství mikrobiomu a sedm bioklimatických proměnných. Výsledky korelační sítě (obrázek 7b) odhalily, že Illumatobacter a Salegentibacter (biomarkery v pouštní stepi) významně pozitivně korelovaly s průměrným denním rozsahem (bio2) a průměrnou teplotou nejteplejší čtvrti (bio10), ale významně negativně korelovaly s nadmořskou výškou ( alt) a srážky nejteplejší čtvrti (bio18). Naopak Agromyces (biomarker v travnatých porostech) pozitivně koreloval s nadmořskou výškou (alt) a srážkami nejteplejší čtvrti (bio18), ale negativně koreloval s průměrným denním rozsahem (bio2) a průměrnou teplotou nejteplejší čtvrti (bio10). Kromě toho byl Arthrobacter (jádrový mikrobiom) významně negativně korelován s průměrným denním rozmezím (bio2) a průměrnou teplotou nejteplejší čtvrti (bio10). Rubrobacter významně pozitivně koreloval s ročními srážkami (bio12).