《Forests》:Bioinformatics-Based Data Mining of GenBank and Diversity Patterns of Soil Fungal Sequences
编辑推荐:
摘要:土壤真菌是陆地生态系统功能的关键驱动因子,参与有机质分解、养分循环及植物–微生物互作。尽管其重要性已被公认,但公共数据库中土壤真菌全球分布记录及结构性偏倚仍缺乏系统表征。本研究采用自定义R语言生物信息学流程,分析从NCBI GenBank数据库检索的土壤
摘要:土壤真菌是陆地生态系统功能的关键驱动因子,参与有机质分解、养分循环及植物–微生物互作。尽管其重要性已被公认,但公共数据库中土壤真菌全球分布记录及结构性偏倚仍缺乏系统表征。本研究采用自定义R语言生物信息学流程,分析从NCBI GenBank数据库检索的土壤关联真菌DNA序列。经过滤与元数据标准化后获得544,554条过滤后序列记录。数据集分类组成以子囊菌门(Ascomycota, 69.62%)为主,其次为担子菌门(Basidiomycota)、球囊菌门(Glomeromycota)和毛霉门(Mucoromycota),最常见属为木霉属(Trichoderma)、青霉属(Penicillium)和曲霉属(Aspergillus)。地理分布显示强烈采样偏倚,中国与美国的记录合计超总数三分之一。生态元数据表明根际土与森林土为最主要序列来源;基因标记分析确认内部转录间隔区(internal transcribed spacer, ITS)为最常用的真菌条形码(barcode)。序列多样性分析揭示各大陆存在差异,欧洲与亚洲中位多样性较高;排序分析显示序列谱聚类特征,尤其来自极端环境的记录聚类明显。本研究证明公共序列数据库可用于大尺度生物多样性评估,同时揭示了采样偏倚影响及元数据局限性。
论文解读——《Forests》刊载:基于生物信息学数据挖掘GenBank数据库及土壤真菌序列多样性格局分析
一、研究背景与立项依据
土壤是地球上生物多样性最丰富的生境之一,土壤真菌(soil fungi)作为关键组分,通过有机质分解、养分矿化、土壤团聚体形成、碳固存及与植物形成菌根共生(mycorrhizal association)、内生或病原关系,深刻影响陆地生态系统的生产力与稳定性。传统培养依赖的形态学鉴定受"大平板计数异常(great plate count anomaly)"及形态可塑性限制严重低估真实多样性。基于内部转录间隔区(internal transcribed spacer, ITS)的分子鉴定与环境DNA(environmental DNA, eDNA)/宏条形码(metabarcoding)技术革新了真菌多样性研究。NCBI GenBank等公共核苷酸序列数据库呈指数增长,为大规模生物多样性分析提供了契机,但其记录存在注释质量不均、元数据不完整及采样偏倚等问题,且土壤真菌在主要序列库中的代表性及结构偏倚尚缺乏系统量化。因此,研究人员通过开展基于GenBank元数据的数据挖掘与统计分析,旨在揭示土壤真菌DNA序列的分类组成、地理分布模式、主导类群及采样偏差,为理解公共数据库反映的自然生物多样性程度提供依据。
二、主要关键技术方法概述
研究人员以NCBI GenBank为数据源,使用R语言rentrez包(v4.5.3)通过Entrez Programming Utilities(E-utilities)以真菌界(txid4751[Organism:exp])联合扩展土壤环境关键词(soil OR soils OR topsoil OR soilborne OR "soil-borne" OR field OR rhizosphere OR litter OR peat OR compost OR sand OR clay OR humus OR detritus OR loam OR silt OR dirt OR mud)按门分次检索;启用API key与超时设置,实现容错分批下载(每批2000条);自定义正则表达式函数从GenBank flatfile提取种名、登录号、分离源(isolation_source)、国家、分类阶元(门/亚门/纲/目/科/属)及基因标记(ITS、大亚基核糖体RNA 28S LSU、小亚基核糖体RNA 18S SSU、钙调蛋白 calmodulin CaM、β-微管蛋白 beta-tubulin BenA、翻译延伸因子1-α TEF、RNA聚合酶II第二大亚基 RPB2、甘油醛-3-磷酸脱氢酶 GPDH);仅保留isolation_source含土壤关键词且具标准注释的记录,剔除基因组组装 scaffold/contig、未注释条目及无环境元数据记录,基于登录号去重;国家名标准化(countrycode包赋ISO3),物种名列歧义修饰(去"cf."、"uncultured"等);按门、国、分离源、年份汇总统计;排除未鉴定序列后进行α多样性(Shannon、Simpson指数,vegan包个体水平抽平 rrarefy,国家<1000条剔除)与β多样性(二元Jaccard相异度 Jaccard dissimilarity,主坐标分析 principal coordinates analysis PCoA);可视化采用ggplot2、pheatmap(log10(x+1)归一化、欧氏距离完全联动聚类)、plotly(旭日图 sunburst diagram)、rnaturalearth(世界面量图 choropleth map);关联世界银行GDP数据(WDI包)分析社会经济偏倚;未鉴定序列按含"unidentified""sp.""spp.""incertae sedis""uncultured"等判定。初检2,334,820条→过滤后544,554条→去除未鉴定后470,308条用于分类分析;α/β多样性分析另剔缺国名等得445,770条。
三、研究结果
3.1. Global Distribution and Diversity of Soil Fungal Sequences(土壤真菌序列的全球分布与多样性)
经筛选后544,554条有效序列中(分类统计用470,308条剔除未鉴定),子囊菌门 Ascomycota 占69.00%,担子菌门 Basidiomycota 17.21%,球囊菌门 Glomeromycota 10.94%,毛霉门 Mucoromycota 2.14%,其余<1%。最优势属依次为木霉属 Trichoderma(16.01%)、青霉属 Penicillium(8.48%)、曲霉属 Aspergillus(4.51%)及球囊霉属 Glomus(4.10%)。地理分布极不均衡:中国(18.44%)与美国(14.32%)居前两位,其后德国、日本、爱沙尼亚、加拿大等;序列数与各国GDP呈正相关趋势。年提交量2012–2014年骤增后维持高位平台,2020与2024年为峰值;未鉴定比例10.51%。生态元数据以根际土(rhizosphere, 34.71%)与森林土(forest soil, 24.12%)为主,另有甘蔗田、桉树人工林、农田、果园等。基因标记ITS最普遍(>半数),次为LSU与SSU;蛋白编码标记(CaM、BenA、GPDH、TEF)集中于高关注度子囊菌(如 Aspergillus、Penicillium、Trichoderma),Glomus 以SSU/LSU为主而蛋白编码标记少。α多样性抽平分析显示欧洲与亚洲中位Shannon及Simpson指数最高(欧洲IQR宽),美洲与非洲中等(内变异大),大洋洲最低;南极数值稳定但样本少。基于二元Jaccard的PCoA显示各大洲真菌序列组成存在分化,南极与大洋洲分离明显,美洲、亚洲、欧洲、非洲相互较近;高属丰富度国家聚为紧密簇,高β多样性距离国较离散。
3.2. Distribution Across Phyla(各门水平的分布特征)
子囊菌门(>324,000条,约2/3)以粪壳菌纲 Sordariomycetes(46.23%)、散囊菌纲 Eurotiomycetes(22.61%)、锤舌菌纲 Leotiomycetes(10.60%)及座囊菌纲 Dothideomycetes(5.88%)为主;优势属 Trichoderma(子囊菌中23.21%)、Penicillium(12.26%)、Aspergillus(6.56%)、Calonectria(4.13%);热图显示中、美为核心提交国,广泛微真菌呈跨国共沉积模式。担子菌门(~81,000条,约17%)以伞菌纲 Agaricomycetes(67.01%)、银耳纲 Tremellomycetes(16.74%)为主;优势属 Kwoniella、Inocybe、Russula、Cortinarius、Tomentella、Sebacina、Lactarius;分布较均匀但局部强信号(如 Kwoniella 限少数国家),热图较子囊菌均质。球囊菌门(~35,000条,~11%)高度极化——Glomus 单一属占主导且种级分辨率低。毛霉门(~10,000条,~2%)以被孢霉属 Mortierella 与毛霉属 Mucor 为主,序列量向美国倾斜。其余各门(壶菌门 Chytridiomycota、捕虫霉门 Zoopagomycota、罗泽菌门 Rozellomycota等)占比可忽略。
四、讨论与结论总结
讨论指出:自定义R流程可有效排除基因组组装碎片造成的类群计数人为膨胀;公共库元数据为用户自提交,准确性不一,且同一菌株不同标记分开发布无法完全去冗余,但大数据集弱化了个别注释错误影响。全球分布不均反映真实生态与严重采样偏倚叠加——中、美主导源于科研投入与测序能力(与GDP相关),欧洲与亚洲"高多样性"部分归因广覆盖采样,非洲、美洲中低值多因采样不均而非真正贫乏,大洋洲低值同理;南极高指数系定向 niche 采样产物。PCoA 中北半球聚类近(共有广布类群),南极分离符合极端生境特化群落,支持公共库保存地理界限分子印记。根际与森林土高频反映"热点"及经济/可及偏倚,偏远/极端环境欠采样。ITS为最常用真菌条形码但 Glomeromycota 易受引物错配影响致低估。研究证实公共序列库可揭示宏观生物多样性趋势,但应视作序列多样性指示而非真实生态多度直接估计。
结论:土壤真菌序列高度多样但类群与地理代表不均;Ascomycota 尤其是广布与功能多样类群占优;全球数据偏向中、美,凸显采样力度差异;根际、森林及农用土代表度高,极端/偏远生境欠探索;温带区序列多样性较高且分类组成相似,隔离/极端环境具独特组合;公共分子数据库是生物多样性研究有力资源,可综合大尺度生态格局,未来需更全面标准化采样策略。