以基因拷贝数标准化的异养土壤呼吸作为反映土壤微生物群休眠状态和碳利用效率的野外指标——概念验证
《Applied Soil Ecology》:Gene-copy normalized heterotrophic soil respiration as a field proxy for the soil microbiomes' dormancy and carbon use efficiency – A proof-of-concept
【字体:
大
中
小
】
时间:2026年07月03日
来源:Applied Soil Ecology 5.6
编辑推荐:
Magdalena Nagler|Michael Steinwandter|Michael Bahn|Julia Seeber
奥地利因斯布鲁克大学微生物学研究所,Technikerstra?e 25d,6020因斯布鲁克
摘要
土壤呼吸是陆地生态系统向大气释放碳的
Magdalena Nagler|Michael Steinwandter|Michael Bahn|Julia Seeber
奥地利因斯布鲁克大学微生物学研究所,Technikerstra?e 25d,6020因斯布鲁克
摘要
土壤呼吸是陆地生态系统向大气释放碳的主要途径,但由微生物群驱动的异养土壤呼吸背后的生理机制仍不甚明了。本文提出了一种概念验证方法——基因拷贝数归一化的呼吸速率(SRGC),这是一种可在野外应用的指标,通过基于细胞内DNA的微生物基因拷贝数来归一化异养土壤呼吸。由于休眠细胞仍保留完整的DNA且往往具有基础呼吸作用,而活性细胞的碳利用效率则有所不同,因此SRGC能够反映群落层面的生理特征,包括休眠状态和碳分配策略的差异,无需直接检测休眠状态或碳利用效率。
我们在欧洲阿尔卑斯山的山地和高山草地上测量了SRGC,并分析了其受环境因素和生物因素的影响。在海拔较低、坡度较陡、pH值较高以及碳氮比较高的条件下,SRGC值上升,表明在这些有利环境下微生物活动更活跃,休眠程度更低。土壤动物多样性与SRGC呈负相关,说明动物多样性对微生物碳损失具有调控作用。值得注意的是,SRGC与异养土壤呼吸的温度敏感性(Q10)呈正相关,尽管这两个参数对应不同的代谢途径,这表明碳利用效率较低的群落对温度也更敏感。
虽然不同分类群和界之间的rRNA基因拷贝数差异可能影响绝对数值,但SRGC反映的是微生物群层面的生理趋势,而非特定分类群的呼吸速率。我们的研究结果表明,SRGC有望作为评估微生物群生理状态和碳分配策略的比较指标,可补充实验室研究方法,并为预测环境变化下的土壤碳动态提供新的思路。
1. 引言
大气中二氧化碳浓度的上升是全球变暖的关键因素(Calvin等人,2023)。土壤呼吸是将碳从陆地生态系统释放到大气中的主要过程(Nissan等人,2023),这一过程由生物、化学和物理过程之间的复杂相互作用决定。气候变化会显著影响土壤呼吸,尤其是在高纬度和高海拔地区(Bhattarai等人,2022;Protti-Sánchez等人,2025),但由于对微生物作用的了解有限,预测土壤呼吸产生的碳排放仍存在较大不确定性(Barba等人,2018;Huang等人,2020)。
总土壤呼吸包括植物根系产生的二氧化碳排放(自养呼吸,SRA)以及微生物和土壤动物产生的二氧化碳排放(异养呼吸,SRH)(Kuzyakov,2006)。异养土壤呼吸是陆地碳释放的最大途径之一,过去二十年来全球范围内都在增加(Bond-Lamberty和Thomson,2010;Calvin等人,2023)。其温度敏感性通常用Q10表示,即温度每上升10°C时土壤呼吸的增加倍数。最新研究表明,不同生态系统之间Q10值的差异很大程度上可由土壤微生物群解释(Sáez-Sandino等人,2023),但其背后的生理机制仍未明确。
异养土壤呼吸受活性微生物与休眠微生物种群动态平衡的调控,这种平衡的变化会使得微生物群的整体代谢输出随环境条件而改变(Joergensen和Wichern,2018)。尽管不同分类群和环境条件下休眠微生物的呼吸强度有所不同,但一般认为它们仅进行低水平的维持性呼吸。而活性微生物的呼吸速率则高于休眠微生物,且它们会在生长和呼吸之间分配碳,这一特性体现在它们的碳利用效率上。碳利用效率是由物种的生存策略和代谢限制决定的特定物种特征,但土壤中所有微生物的集体行为则形成了群落层面的碳利用效率。它被认为是决定碳是保留在微生物生物量中还是以二氧化碳形式流失的关键因素,进而影响土壤碳通量的大小和稳定性(Geyer等人,2016)——如果总碳同化量保持不变,更高效的碳利用效率意味着通过呼吸或死亡损失的碳会更少(Hu等人,2025)。因此,碳利用效率被视为决定全球土壤有机碳储量的重要因素(Tao等人,2023)。土壤动物还会通过啃食、扰动土壤以及间接影响群落组成和更新速率来调节微生物活动,从而可能影响碳利用效率和休眠动态(Bray等人,2019)。然而,在碳通量研究中,土壤无脊椎动物很少与微生物群一起被考虑(Praeg等人,2025)。
尽管测量土壤有机碳储量至关重要,但测定微生物群的代谢活性或生理状态却十分困难。代谢商数(qCO2,即单位微生物生物量的呼吸量)已被用于了解土壤微生物群的活动情况(Salazar-Villegas等人,2016),而定量稳定同位素探针技术则越来越多地被用于测定特定底物的相对生长速率和碳利用效率(Alcolombri等人,2022;Wang等人,2021;Xu等人,2024)。尽管qSIP和qCO?等方法为测定微生物生长、底物特异性呼吸及维持过程提供了重要且成熟的工具,但它们需要可控的实验室条件、专用试剂以及复杂的分析流程,难以大规模应用于生态监测。相比之下,大规模研究通常使用土壤eDNA来测定微生物丰度。然而,由于生理原因和方法学限制,传统的基于eDNA的微生物丰度数据与异养土壤呼吸速率几乎不存在相关性:首先,微生物的生理状态(活性/休眠、合成代谢/分解代谢)会随着环境条件的变化而动态变化,同时也会受其固有生理能力的制约,这些因素都会影响它们的碳利用效率,进而影响单位生物量的二氧化碳产生量(Bradley,2025;He等人,2024;Joergensen等人,2024);其次,总eDNA不仅包含来自完整细胞的DNA(细胞内DNA,iDNA),还包含由分泌物或细胞裂解产生的细胞外DNA(exDNA),后者在土壤中可存在不同时长,根据土壤类型和环境条件,其含量可能占土壤eDNA的很大比例(高达60%)(Nagler等人,2022;Nagler等人,2018a)。而iDNA则包含来自所有完整细胞的遗传物质,无论这些细胞是处于活性状态还是休眠状态,研究表明它与微生物活动的关联度比总eDNA更高(Carini等人,2016;Nagler等人,2021;Nagler等人,2020;Nagler等人,2018b)。
为填补这一空白,我们提出了基因拷贝数归一化的呼吸速率(SRGC)——这是一种概念验证指标,通过基于细胞内DNA的微生物基因拷贝数来归一化异养土壤呼吸。由于休眠细胞含有完整的DNA且可能仅进行低水平的维持性呼吸,因此它们既会被计入异养土壤呼吸的测量结果中,也会被纳入基于iDNA的qPCR检测结果中。此外,不同分类群和界之间的基因拷贝数差异,尤其是ITS序列和rRNA序列之间的差异,也可能影响SRGC的值。因此,尽管没有直接测量生长状态或休眠状态,SRGC仍有望反映每个平均微生物基因拷贝所产生的二氧化碳量,理论上可综合体现活性群落在将碳用于生长还是呼吸方面的效率、休眠细胞的比例以及rRNA与ITS序列基因的比例。
计算SRGC所需的两个数值——异养土壤呼吸速率和基于iDNA的基因拷贝数——都可以通过简单且标准化的方法测定,无需在实验室中进行培养。因此,尽管SRGC的机制基础仍属于假设性质,需谨慎解读,但这一指标有望用于评估原位环境条件下的土壤微生物群整体生理状态。它不受基于扩增子的生活史类型预测(如寡营养型/多营养型)的影响,而是反映经过微生物基因拷贝数归一化的实际呼吸速率。这样一来,它或许能够捕捉到在实验室操作过程中常常丢失或发生改变的生理过程。由于其可在野外应用,SRGC有望成为进一步揭示土壤是作为二氧化碳的净来源还是净汇的机制的重要工具,同时还能将这些生理状态与土壤呼吸的温度敏感性等衍生特征联系起来。此外,由于该方法基于可在不同生态系统中应用的标准化测量方法,它或许能为生态监测以及将微生物生理学纳入景观尺度碳评估提供可行的工具。
1.1 概念
我们将基因拷贝数归一化的呼吸速率定义为通过基于细胞内DNA的微生物基因拷贝数来归一化的异养土壤呼吸。为涵盖所有主要的土壤微生物类群,基因拷贝数是通过16S rRNA序列和ITS序列目标区域的拷贝数之和来确定的。由此得到的比率反映了每个平均微生物基因拷贝所产生的二氧化碳量。
图1展示了土壤微生物群三种假想的生理状态,以及它们对异养土壤呼吸、基因拷贝数和最终SRGC值的预期影响:
• 休眠状态:完整细胞含有细胞内DNA,但可能仅进行基础呼吸(Joergensen和Wichern,2018)。此时异养土壤呼吸速率较低,相对于基因拷贝数而言,SRGC值也较低。
• 活跃且以生长为主的状态(合成代谢):细胞大量繁殖,基因拷贝数增加,同时进行中等强度的异养土壤呼吸。SRGC值处于中间水平,反映出高效的碳利用效率。
• 活跃且以呼吸为主的状态(分解代谢):细胞剧烈呼吸,但生物量并不增加。此时异养土壤呼吸速率很高,而基因拷贝数保持不变,导致SRGC值很高,碳利用效率很低。
下载:高分辨率图像(158KB)
下载:全尺寸图像
图1. 概念图。展示了微生物群生理状态、相应的异养土壤呼吸速率、微生物基因拷贝数以及群落层面的碳利用效率之间的关系。箭头表示给定生理状态下异养土壤呼吸速率或基因拷贝数的相对水平:高(↑)、中(?)、低(↓)。基因拷贝数归一化的呼吸速率是通过将异养土壤呼吸速率除以基因拷贝数来计算的。与活跃的微生物群相比,休眠的微生物群具有较低的异养土壤呼吸速率,但基因拷贝数相近,因此SRGC值也较低。那些以呼吸而非生长为代谢重点的活跃微生物群,其SRGC值最高。在研究活跃微生物群时,SRGC可作为群落层面碳利用效率的逆向指标。
一个值得注意的复杂性在于细菌和真菌在基因拷贝数和细胞大小方面的差异。例如,在真菌占优势的地点,即使单位生物量的碳利用效率与细菌占优势的地点相似,由于每单位呼吸生物量的ITS序列拷贝数较少,其SRGC值也可能更高。因此,SRGC值的差异可能既反映了生理上的差异,也反映了细菌与真菌比例的变化。
虽然上述三种状态属于理论模型,但由众多不同物种构成的环境微生物群会根据环境条件形成各种中间状态。因此,SRGC有望综合体现以下几方面因素:(I)群落层面的碳利用效率(用于生长的碳与总同化碳的比率);(II)活性细胞与休眠细胞之间的平衡;(III)细菌与真菌的比例。非常低的SRGC值可能表明休眠程度很高,中等值可能反映高效的生长,而高值则可能表明呼吸效率低下(见图1)。由于细胞内DNA包含活跃细胞和休眠细胞的DNA,而异养土壤呼吸则反映了所有微生物的呼吸总量,二者的比值或许能作为野外条件下微生物群生理状态的可靠指标。不过,由于并未直接测量生长状态或休眠状态,SRGC应被理解为一种基于基因拷贝数归一化的呼吸指数,其值可能受到群落层面的碳分配模式和休眠动态的影响。至于SRGC在多大程度上能反映碳利用效率,仍有待进一步研究。
为了验证这一概念,我们在山地和高山海拔带的集约化管理牧场土壤中进行了实地研究,测量了土壤呼吸和异养土壤呼吸速率。山区地形、微气候以及与海拔相关的环境条件极为多样,这为我们提供了在地理和地质条件相似的区域测试多种环境条件的可能。
由于环境响应往往呈现非线性或阈值型特征,我们构建了一个序数指数,将连续的SRGC值划分为具有生态学意义的类别,从而使这些逐步变化的关系在分析中更加清晰,最终将SRGC值按碳损失程度从低到高分为不同的等级(碳损失指数,CLI)。CLI并非独立的指标,而是对SRGC数值的一种分类方式,用以进一步揭示和理解生态关系。我们检验了以下假设:(I)基因拷贝数归一化的呼吸速率和碳损失指数会受到环境因素的影响,较高的温度、接近中性的pH值以及较高的C:N比率会提升微生物的代谢活性并减少其休眠状态,从而导致SRGC和CLI数值上升。(II)基因拷贝数归一化的呼吸速率和碳损失指数还会受到土壤生物的影响,较高的生物多样性可能通过营养调控和提升微生物效率来抑制微生物的碳损失,进而使SRGC和CLI数值降低。(III)这些指标还受现有微生物种类、它们潜在的宏基因组功能以及生命史策略的影响。(IV)作为土壤微生物群生理状态的替代指标,基因拷贝数归一化的呼吸速率与异养土壤呼吸的温度敏感性(Q10)存在关联。(V)基因拷贝数归一化的呼吸速率及其相关特性还会受到细菌或原核生物基因拷贝数与真菌基因拷贝数比例的影响。通过验证这些假设,本研究首次阐明了(SRGC)是如何受微气候条件及微生物功能影响的,也在很大程度上解释了土壤呼吸的温度敏感性(Q10)。2. 方法2.1 野外监测研究在意大利北部欧洲阿尔卑斯山区的南蒂罗尔省的六个地点进行,其GPS坐标为北纬46.69008°,东经11.35805°。这些地点包括三处海拔在1296至1531米之间的大规模管理的山地草地(“Astfeld”“Nobls”和“Flaas”),以及三处海拔在2368至2465米之间、有少量放牧活动的高山草地(“Ifinger”“Pens”和“Reinswald”)。所有山地采样点都属于 cambisols 类型土壤,而高山地区的土壤则为处于早期阶段的cambisols或leptosols类型。较低海拔地区的年平均温度约为10℃,较高海拔地区则约为4℃(具体地点信息及研究设计详见表S1和图S1)。为测量SRH,在一个20米×20米的、朝向西南到东南的采样区域内随机选取位置,安装了10个直径为10厘米的PVC环。这些环的安装深度为土壤表面下20厘米,目的是将根部包裹起来,从而消除由根部产生的呼吸作用。地面上的植物部分则通过修剪去除。为尽量减少根部分解对SRH速率的影响,这些环在首次进行SR测量前的4个月和8个月时分别安装。在每个SRH测量点旁边,还安装了10个用于测量总SR的浅层环,同时也将地面上的植物部分去除。对于每对环(SR+SRH),都会记录其精确的倾斜角度、方向以及土壤深度。在整个生长季节内,我们在每个站点(共6个站点)的每对核心样本(共10对)上进行了4次(高海拔地区)或6次(低海拔地区)SR和SRH测量,所使用的仪器为便携式CO2气体分析仪(EGM-5,PP Systems,美国),同时还会记录每个环中10厘米深度处的土壤含水量(体积含水量,VWC)和温度(Hydrosense II,Campbell Scientific,美国)。对于每个环,呼吸作用的Q10值是按照Liang等人(2015年)的方法,运用公式(1)计算得出的:(1)Q10=R2/R1×10^(T2?T1),其中T1和T2分别是测得的温度,R1和R2则是对应温度下的CO2排放率。对于所有环而言,经过多次测量后,呼吸作用均随温度升高而呈单调上升趋势,这证实了公式(1)中所假设的指数级温度响应关系成立。各站点的具体Q10值则是通过将这些单独的数值取平均值得到的。除了用于计算Q10值的环温数据外,我们还确定了站点级的温度指标(年平均温度、MAT以及平均季节性日温差),以此探究不同站点间的较大温度差异是否会影响SRGC与Q10之间的关系,为此我们在每个站点都安装了一个TMS-4数据记录器(TOMST,捷克共和国布拉格)。由于无法获得连续的环级温度记录,这些温度指标是在站点层面计算得出的。在补充的线性模型中,这些站点级的温度变量被作为协变量使用,但并未在主要分析中作为核心预测因子。2.2 微生物群落与动物采样在最后一次SR测量期间,我们从每个站点采集了20份土壤样本(SRH和SR各10份),具体方法是挖出深管,再使用PVC管收集等量的土壤用于SR检测。这些土壤被冷却后运送到实验室。按照Nagler等人(2018b年)的方案,我们在同一天采集了用于后续eDNA提取的样本;我们将每个PVC管中的5份随机子样本混合在一起,放入2毫升的试管中,加入土壤直至达到0.5毫升刻度线(约0.6克土壤),并记录下实际重量。为了分离出exDNA,我们将土壤与5毫摩尔/升的EDTA以及0.125%的胰蛋白酶混合在pH值为7±0.1的磷酸盐缓冲液中,这种混合物可以通过酶的作用分解DNA-蛋白质复合物,同时螯合那些能稳定DNA与土壤矿物结合的阳离子,从而在不破坏iDNA的情况下释放出exDNA。随后将混合液在300次/分钟的转速下振荡15分钟,然后在5000×g的离心力下离心5分钟(MiniSpin?,Eppendorf,德国)。取出不含exDNA的上清液,将含有iDNA的洗涤后的土壤颗粒储存在-20℃环境中,等待进一步处理。土壤中的动物生物则使用改良版的Kempson热提取器从剩余土壤中提取,提取时间至少为4天(Kempson等人,1963年)。提取出来的土壤动物生物会被称重,并尽可能利用解剖体视显微镜(SMZ-171,Motic,中国香港)根据Klausnitzer(2011年)为大多数无脊椎动物制定的鉴定钥匙、Nentwig等人(2024年)为蜘蛛类制定的鉴定方法,以及Thyssen(2009年)为双翅目幼虫制定的鉴定方法,确定其分类等级,直至科级或目级。为确认根系已被有效排除,我们会检查经过干燥和筛分的土壤中是否还有残留的根系碎片;如果SRH环中残留的根系质量低于相应SR环中根系质量的15%,则说明该环已无根系存在,这表明根系已经分解,且没有新的根系生长出来。2.3 DNA提取我们使用300至500毫克的新鲜样本,借助商业试剂盒(DNeasy PowerSoil pro,Qiagen,荷兰)从iDNA样本中提取DNA,提取过程中使用了涡旋破碎装置(最大转速设置,15分钟)来实现细胞破碎。虽然我们没有对不同类型的土壤进行提取效率的定量分析,但本研究中涉及的cambisols和leptosols都属于粗质土壤,黏土含量较低。此外,这里采用的序贯提取方案(包括exDNA分离步骤)已被证明相比传统的单步提取方法,能够提高DNA的回收率,并降低基质对提取过程的干扰(Ascher等人,2009年)。提取得到的DNA还会经过进一步纯化处理(NucleoSpin? Gel and PCR Clean-up,Macherey-Nagel,德国),其质量与数量则分别通过分光光度法(DeNovix DS-11 FX,DeNovix Inc.,美国)和荧光法(使用Qubit? 1× dsDNA BR Assay,Thermo Fisher Scientific,美国)进行测定。此外,我们还会将每份样本的适当量在80℃下烘干过夜,以此测定其干重。2.4 qPCR检测我们对所有iDNA样本(即来自SRH环的样本,共60份)进行了两次重复的经典qPCR检测,检测工作在热循环仪(CFX 96,C1000 Touch Thermal Cycler,Bio-Rad Laboratories, Inc.,美国)上进行,所使用的化学试剂为iTaq? Universal SYBR? Green Supermix(Bio-Rad Laboratories, Inc.,美国)。对于每份样本,我们使用2微升浓度为1:10稀释过的DNA提取物作为模板,进行35轮扩增。检测总细菌数量时,我们使用了1055f/1392r引物对,该引物对可以扩增16S rRNA基因高变区V7/V8段337碱基对的序列(Ferris等人,1996年);而检测总真菌数量时,则使用了ITS3/ITS4引物对,该引物对可以扩增真菌18S rRNA基因350碱基对的序列(Vainio和Hantula,2000年)。检测结果以每克干重中的基因拷贝数来表示。为制作标准曲线,我们分别使用了欧洲硝化单胞菌和Conc-F1054 Chile品系的Stephanopus伞菌(康塞普西翁大学提供)的纯培养物作为原核生物和真菌的检测标准,这两种微生物都通过五次平行的终点PCR反应进行扩增,反应在PCR循环仪(Doppio Thermocycler,VWR International,美国)上进行,所使用的引物与上述引物相同,扩增反应也采用了iProof?高保真PCR技术(Bio-Rad Laboratories Inc.,美国)。扩增产物之后会用NucleoSpin Gel and PCR Clean-up试剂盒(Macherey-Nagel,德国杜伦市)进行纯化处理,最终模板浓度则通过上述荧光法测定。我们制作的标准DNA曲线覆盖的范围是从10^7到10^3个基因拷贝/微升。所有的标准曲线都显示出R2值大于0.999,这说明检测产物的质量良好。我们还通过熔解曲线分析来检测产物质量,测试时将温度从65℃逐步升高,每次升高0.5℃,直至95℃。2.5 基因拷贝数归一化的呼吸速率(SRGC)呼吸作用强度与基因拷贝数的比值是依据公式(2)计算得出的。为了得到按质量归一化的呼吸速率,我们需要将基于面积的SRH通量值(单位为μmol CO? m^-2 s^-1)除以每平方米土壤上层20厘米深度的干重值(单位为mg DW m^-2),这样就能得到单位土壤质量下的呼吸速率(单位为μmol CO? mg DW^-1 s^-1)。再将这个数值除以16S rRNA基因和ITS基因的拷贝数总和(单位为基因拷贝数/毫克干重),最终就可以得到基因拷贝数归一化的呼吸速率,其单位为μmol CO2/基因拷贝数·秒^-1。为了让数值处于更便于分析的范围,我们还乘以了10^15这个换算因子。这一指标与传统的代谢商类似,传统代谢商是将标准条件下的基础呼吸作用与微生物生物量C联系起来(表达为q CO2),而此处计算出的指标则表示田间条件下的基因拷贝数归一化呼吸速率(SRGC,见公式(2))。如果少量的微生物就能产生大量的CO2,那么SRGC值就会上升,反之则下降。(2)SRGC=SRH/(microbial GC*DW*sec*10^15)2.6 Illumina MiSeq测序DNA宏条形码文库的制备与测序工作由AllGenetics & Biology SL公司(西班牙奥莱罗斯)负责,他们使用iDNA提取物开展相关工作。对于原核生物文库的制备,我们使用了515F/806R引物,扩增16S rRNA基因V4结构域约300碱基对的序列(包含引物序列在内)(Herlemann等人,2011年;Parada等人,2016年)。而对于真菌,我们则使用ITS3/ITS4引物扩增ITS2区域序列(White等人,1990年)。这些文库随后使用Mag-Bind RXNPure Plus磁珠(Omega Bio-tek,美国)进行纯化处理,然后根据Qubit? dsDNA HS Assay检测的结果,按等摩尔比例将不同文库的样本混合在一起。这些混合后的样本会在NovaSeq PE250流式细胞仪(Illumina,美国加利福尼亚州)中进行测序,目标是总共生成22吉碱基对的序列数据(每对引物对应的序列数据量为11吉碱基对)。任何残留的接头二聚体都会通过Cutadapt v3.5软件(Martin,2011年)被去除。后续还会对测序数据进行分析,并预测宏基因组的功能。我们使用Nephele这个云平台来分析经过修剪后的Illumina读取序列,该平台旨在实现简化、标准化且可重复的微生物组数据分析(Weber等人,2018年),它整合了多种工具和分析流程,包括mothur(Schloss等人,2009年)、QIIME和QIIME2(Caporaso等人,2010年)以及DADA2(Callahan等人,2016年)。简而言之,我们会先对原核生物和真菌的读取序列进行过滤,要求每个序列最多只有2个预期错误(maxEE=2)。随后会将正向序列和反向序列合并,允许存在最多2个错配位点,之后还会生成一个推断出的扩增子序列变异体(ASV)的频率表。我们会去除嵌合体序列,然后将V4结构和ITS2结构的ASV序列分别与SILVA v.138.1(Yilmaz等人,2014年)和UNITE v.10.0(K?ljalg等人,2020年)数据库进行比对。对于原核生物而言,所有样本的测序深度在20,398到61,567对读取序列之间不等;而真菌的测序深度则在27,197到68,046对读取序列之间。之后我们会将原核生物和真菌的序列分别简化到20,398和对27,197对读取序列的深度,同时还会生成相应的ASV表格,列出每个样本中所有检测到的真菌和原核生物ASV的总量。为了对整个微生物群落进行非度量多维尺度分析(nMDS),我们将两个ASV表格中的序列数量都简化到每个样本20,000条序列,这个数值的选择既能够保留所有样本的信息,又接近最低测序深度,同时还处于稀有化曲线显示群落丰富度和组成不再发生变化的阈值之外。所有的分析都是使用R统计软件(R Core Team,2025年)以及vegan软件包(Jari Oksanen等人,2024年)完成的。对于那些在至少4个样本中出现且数量至少为30条的读取序列,我们使用Nephele平台上的PICRUSt2软件(Douglas等人,2020年)来预测其对应的宏基因组功能,这些数据也被用于上述的nMDS分析中。2.7 统计分析2.7.1 碳损失指数(CLI)我们采用聚类分析的方法,根据SRGC值对观测数据分组,以此研究16S rRNA基因和ITS基因的拷贝数与SRH之间的关系。我们通过对SRGC值进行K均值聚类,最小化簇内的方差,同时通过计算不同簇数所能解释的方差百分比来确定最优的簇数。为确定簇的数量,我们使用R语言中的cluster包(Maechler等人,1999年),通过方差解释比例以及簇有效性指数(间隙统计量)来评估k=2到10的不同值。对于每个识别出的簇,都进行了以微生物基因拷贝数为因变量、SRH为因变量的线性回归分析,通过计算回归系数和决定系数(R2)来评估各子组内的关联强度。这一过程得出了一个描述不同SRGC类别的有序变量,即碳损失指数(CLI)。需要指出的是,CLI并非独立的预测因子,而是对连续型SRGC指标的分类简化形式,其作用在于将土壤按不同的代谢状态分组,从而便于生态学解读。六个簇在保持簇内同质性与簇间差异之间取得了合理平衡,同时避免了数据过度碎片化。所有推断性分析也基于连续型SRGC进行;基于CLI的结果则作为补充性的分类总结呈现。此外还研究了Q10与SRGC/CLI之间的关系。
为评估SRGC与Q10之间的关系以及站点温度的影响,我们建立了包含年平均温度(MAT)和季节性日变化温度作为协变量的辅助线性模型(SRGC~Q10+MAT+diurnal_temp_var以及Q10~SRGC+MAT+diurnal_temp_var)。所有分析均使用R语言中的基础线性建模函数完成(R核心团队,2025年)。
2.7.2 与SRGC相关的ASV
为消除测序深度差异的影响,我们对分类群丰度数据进行了z分数标准化处理。为评估ASV与SRGC之间的相关性,我们建立了线性模型(y=β0+β1x)、二次模型(y=β0+β1x+β2x2,当β2>0时呈驼峰形或U形)、倒数模型(y=β0+β1/x)以及倒数平方模型(y=β0+β1/x2)。根据调整后的R2值和最小的赤池信息量准则(AIC),为每个ASV选择了最佳模型。经过FDR校正后,仅保留了在至少10个样本中出现的具有显著关联性的ASV(pFDR<0.05)。这些分析均使用R统计软件中的mgcv、stats、dplyr和tidyverse包完成(R核心团队,2025年)。
2.7.3 寡营养型与丰营养型微生物的比例
根据微生物的生活习性,可将微生物分为丰营养型和寡营养型:前者在营养丰富的环境中生长旺盛,后者则在营养贫乏的环境中更为常见。有研究指出,土壤的Q10值会随着微生物群中寡营养型与丰营养型微生物的比例上升而增加(Li等人,2021年)。在此,我们依据最新研究建议(Ho等人,2017年;Maillard等人,2023年),将原核生物和真菌的各类群分别归为丰营养型或寡营养型。具体而言,拟杆菌门、芽孢杆菌门(原属厚壁菌门)、珠菌门、黏球菌门以及β-变形菌纲的细菌ASV被归为丰营养型,而酸杆菌门、放线菌门、浮霉菌门、绿弯菌门以及α-和δ-变形菌纲的细菌ASV则被归为寡营养型。真菌ASV通常被划分为寡营养型(担子菌门、死丝菌门)和丰营养型(子囊菌门),对于某些特定属,则有更细致的分类标准(Ho等人,2017年):丰营养型包括链格孢属、链格孢菌属、金黄枝孢属、枝孢属、头状霉属、毛霉属、根霉属和须霉属;寡营养型包括多孔菌属、牛肝菌属、光孢菌属、密孔菌属、裂蹄菌属和层孔菌属(均为担子菌门),以及青霉属、柱孢霉属、镰刀菌属、地霉属、小孢霉属和青霉属(子囊菌门)。
那些如2.7.2节所述与SRGC或CLI存在相关性的ASV,在有相关文献支持的情况下,会被进一步细化到更低的分类层级(Ho等人,2017年;Stone等人,2023年)。整个微生物群落的寡营养型与丰营养型比例则是通过统计属于寡营养型或丰营养型的原核生物和真菌ASV的数量并计算得出。
2.7.4 预测的宏基因组功能相关性
为找出与SRGC、CLI和Q10存在显著相关性的预测宏基因组功能,我们测试了五种关系类型:线性关系(y=β0+β1x)、二次关系(y=β0+β1x+β2x2,当β2>0时为驼峰形,β2<0时为U形)、倒数关系(y=β0+β1/x)以及倒数平方关系(y=β0+β1/x2)。对于每一组路径变量,我们都使用R语言中的普通最小二乘回归方法建立模型(R核心团队,2025年)。那些有效数据点少于10个或自变量缺乏变异性的模型则被排除在外。模型的拟合优度通过R2值来评估,统计显著性则通过经FDR校正后的p值来确定。那些存在显著相关性的路径(t检验,p<0.05)会根据MetaCyc数据库中的代谢路径分类体系进行分类(Caspi等人,2020年)。
2.7.5 结构方程模型
为探究SRGC与CLI之间的关系,以及它们与所有已确定的环境及分子变量之间的关联,我们采用了结构方程建模方法:使用R语言中的mgcv包,为每组预测变量与结果变量组合分别建立了线性模型、二次模型和广义加性模型(GAMs)(Wood,2011年;R核心团队,2025年)。线性模型和二次模型通过传统回归方法进行评估,而GAMs则利用平滑项来捕捉潜在的非线性趋势。模型的性能通过调整后的R2值和赤池信息量准则(AIC)来进行比较。每组变量中对解释能力最强且AIC值最低的模型被选为最优模型。我们会识别出存在自相关性的变量,并选择其中影响最大的那个进行展示。其余具有显著相关性的预测变量(p<0.05)也会被纳入结构方程模型中。该模型的构建使用了lavaan包(Rosseel等人,2012年),并通过采用稳健标准误差和DWLS估计方法来考虑CLI变量的有序性质。模型的拟合程度则通过CFI和RMSEA指数来评估(Xia和Yang,2019年)。
2.8 rRNA/ITS基因密度的影响分析
需要指出的是,不同微生物群体间的基因拷贝数存在很大差异,通常情况下,真菌单位生物量中的基因密度低于细菌(Joergensen等人,2024年),尽管其基因拷贝数较少,但产生的CO?量可能更多。虽然这可能会影响SRGC的绝对数值,但由于该方法关注的是群落层面的生理趋势而非特定分类群的呼吸速率,因此仍具有较高的稳定性。为探究不同界别中基因密度差异的影响,我们通过用rRNA或ITS序列对应的基因拷贝数而非方程式2中所用的总基因拷贝数来对SRH进行标准化处理,进而分别计算出真菌和细菌特有的SRGC及CLI值。我们通过建立线性模型、二次模型和GAM模型,并应用如2.7.2节所述的FDR校正方法,来研究这两种SRGC值彼此之间的关系,以及它们与之前已确定的能够影响SRGC或CLI的环境变量之间的关联模式,同时比较真菌和细菌特异性关联的形态及其显著性与我们所观察到的整体SRGC关联的差异。
3. 结果
3.1 野外监测
在生长季节内,土壤温度逐渐上升,而在8月下旬进行采样时,位于较高位置的“Ifinger”和“Pens”站点的土壤含水量则出现了下降(图S2,A)。尤其是“Ifinger”站点,土壤含水量甚至低于20%,处于较为干燥的状态。在整个生长季节中,自养呼吸与异养呼吸的比率(SRA:SRH)基本保持稳定(图S2,A),而在较低位置的站点则观察到了SRH与SRA之间的正相关关系(图S2,B)。而在较高位置的站点,SRA:SRH比率随时间略有上升,且SRH与SRA之间不存在正相关关系(图S2 A,B)。
3.2 Q10值
总体而言,随着土壤温度的升高,SR和SRH的值也随之上升(图S3,A)。Q10值的范围从“Pens”站点的1.31(SR)到“Reinswald”站点的3.86(SR),且SR的Q10值高于SRH(图S3,B,C,pANOVA<0.05)。自养呼吸(SRA)的数值通常低于SRH,且其随土壤温度上升的幅度也小于SRH(图S3,E)。由于SRH的斜率(0.3206)大于SRA的斜率(0.2533),因此SR的上升幅度更大,这就导致了在较高温度下SRA:SRH比率上升,进而使得总SR对温度的反应更为明显(图S3,D,E)。
3.3 SRGC/CLI与Q10值
通过定量PCR检测,16S rRNA和ITS目标基因的平均基因拷贝数分别为4.42×10^6±1.98×10^6个/克干重,以及1.85×10^5±1.22×10^5个/克干重(平均值±标准差)。由此可知,真菌基因仅占细菌基因总量的4.0±3.1%。在测序数据集中,古菌ASV仅占所有原核生物读段的0.29±0.34%,这说明在这些草原土壤中,古菌对总基因拷贝数的贡献极小。
尽管仅使用了iDNA(即来自完整细胞内部的DNA,已去除细胞外的环境DNA),但采样当天的SRH值与基于iDNA计算的细菌和真菌的总基因拷贝数之间并无关联(图2,A)。通过计算得到的SRGC值范围在2.0到41.6微摩尔CO2/(GC*秒)*10^15之间。通过K均值聚类分析,我们发现了6个碳损失指数,其中当k=6时间隙统计量达到最优值,此时对应的回归系数R2范围在0.5457到0.9498之间,各个指数区间分别为:指数1<4,指数2=4–6,指数3=6–8,指数4=8–11,指数5=11–20,指数6>20微摩尔CO2/(GC*秒)*10^15(图2,B)。由于CLI是由SRGC衍生而来的,因此包含CLI的模型主要用于对各代谢类别进行描述性比较,而非用于检测某种独立的驱动因素。由于根系会额外产生CO2,而所取样的土壤样本中微生物数量与根系相当,因此SRH处理组的SRGC值低于SR处理组(图2,C)。同时,我们还发现Q10与SRGC之间存在线性相关关系(p<0.001,R2=0.356),与CLI也存在线性相关关系(p=0.001,R2=0.371,图2,D)。
下载:下载高分辨率图像(411KB)
下载:下载全尺寸图像
图2. SRGC。A)基于iDNA的微生物(ITS+16S rRNA)基因拷贝数与SRH之间的总体关系。B)同一关系根据碳损失指数(CLI)进行着色,该指数是基于SRGC划分出的分类。SRGC是通过用实测的微生物(16S rRNA+ITS)基因拷贝数对SRH进行标准化处理后得出的。例如,较低的SRGC值和CLI意味着即便微生物基因拷贝数较多,产生的CO2量也很少。C)不同研究站点上的SRGC值,根据处理方式从最低值(Astfeld)到最高值(Reinswald)排序。实心框代表SR处理组,条纹框代表SRH处理组。D)CLI与Q10之间的关系(p=0.001,R2=0.371)。
为探究SRGC与Q10之间的关系是否由站点间的温度差异所致,我们在线性模型中加入了年平均温度和季节性日变化温度作为协变量。然而,MAT和日变化温度并未能解释SRGC的变化,且SRGC与Q10之间的相关性依然显著(表S2)。在以Q10作为响应变量的模型中,SRGC和MAT都是显著的预测因子,但温度因素的加入并未改变SRGC效应的强度或显著性。这些结果表明,所观察到的SRGC与Q10之间的关系并非由站点温度差异造成的。
3.4 SRGC或CLI与土壤动物群
在将动物群生物量与实测的SRH值以及计算得到的SRGC值进行对比时,未发现两者之间存在显著的相关性。不过,在SR值和SRGC值均较低的样本中,动物群生物量反而最高(数据未显示)。
此外,我们还发现CLI与动物群分类群的丰富度(R2=0.205)以及香农多样性指数(R2=0.233)之间存在显著的负相关关系(图S4,表S3)。
3.5 微生物群落
3.5.1 基于ASV和预测宏基因组功能的群落组成
通过非度量多维尺度分析,我们可以清晰地看到高海拔和低海拔站点上的整体微生物群落存在明显差异(图3,A)。虽然“Astfeld”和“Nobls”站点的微生物群落较为相似,但其他所有站点的群落则互不相同。SR处理组和SRH处理组的样本大多聚集在相近的位置。再加上这些样本在分化方向上并不统一,因此可以推断,由于缺乏根系的存在,土壤整体群落组成并未发生统一的变化。在基于iDNA的非度量多维尺度分析中,CLI并未形成明显的聚类现象。通过进一步分析可以发现,尽管SR处理组通常会产生更高的CLI值,但在非度量多维尺度分析的第1轴和第2轴上,并没有出现与微生物代谢状态相关的统一变化趋势。
下载:下载高分辨率图像(253KB)
下载:下载全尺寸图像
图3. 微生物群落。A)基于16S rRNA和ITS序列的ASV以及预测的宏基因组功能的非度量多维尺度分析结果。B)SR处理组和SRH处理组的样本之间通过黑线相连。
3.5.2 SRGC或CLI与ASV的关系
统计分析表明,共有162种原核生物ASV和23种真菌ASV与SRGC或微生物活性水平存在显著关联。其中,大部分ASV(原核生物占77%,真菌占74%)与SRGC的关联更为密切,而非与活性水平相关。对于大多数原核生物ASV和真菌ASV而言,驼峰形曲线是最为常见的关联形态,分别有59%和74%的ASV呈现出这种关系,而二次关系和线性关系的出现频率则相对较低,分别为原核生物的28%和13%,真菌的9%和17%(分别对应U形和线性关系),通过直观观察还可发现五种常见的关联类型:在活性最高时出现急剧上升的趋势(原核生物占27%,真菌占48%),呈线性上升或下降趋势(原核生物分别为17%和29%,真菌分别为13%和26%),以及U形和驼峰形关联趋势(原核生物分别为5%和20%,真菌分别为9%和4%)(图S5)。有一些原核生物分类群与SRGC或CLI之间存在持续的正向关联(如几丁质食菌目、Tistrellales目、Burkholderiales目、假单胞菌目、类固醇细菌目;以及酸热菌科、根瘤菌科和Xiphinematobacteraceae科),或者呈线性负相关关系(如酸微菌纲、Ktedonobacterales目、醋酸杆菌目和黄单胞菌目,以及酸杆菌科),又或者呈二次相关关系(如Gaiellales目和Elsterales目),相关结果见表S4。在真菌方面,多孔菌纲和动物状菌目中的ASVs仅与SRGC呈现正相关关系(表S5)。3.5.3 SRGC/CLI与寡营养型/大量营养型比例:94%的与SRGC相关的原核生物ASVs被归类为寡营养型,而仅有6%的ASVs明显属于大量营养型。原核生物中的寡营养型ASVs与SRGC存在各种类型的关系,而大量营养型ASVs中有75%与SRGC呈正相关关系(表S4)。在真菌ASVs中,分别有22%和48%被归类为大量营养型和寡营养型。寡营养型真菌ASVs与相似类型的真菌ASVs之间存在正相关、负相关以及U形关系,而73%的大量营养型真菌ASVs与SRGC呈正相关关系(表S5)。从所有检测到的ASVs来看,寡营养型/大量营养型比例与SRGC或CLI之间没有显著相关性。不过,基于16S rRNA的比例随CLI呈上升趋势,而随Q10则显著上升(图S6,C、I)。这一现象是由于随着Q10和CLI的增加,大量营养型生物的数量显著减少,而非寡营养型生物数量增加所致(图S6,A、B、G、H)。3.5.4 SRGC与预测的宏基因组功能:对基于16S rRNA的序列运行PICRUSt2分析后,共得到了422种预测的宏基因组功能。总体而言,由于轴分辨率的不同,路径分布之间的差异要小于ASV分布之间的差异(见图3,A与图3,B),但这并不影响结果解读,因为NMDS轴是无量纲的,能够反映不同相似性结构之间的差异。在“Pens”和“Reinswald”这两个高海拔区域,预测的功能彼此聚集,而第三个高海拔区域“Ifinger”则与所有低海拔区域的函数聚集在一起(图3,B)。SR和SRH指标的变化方向类似(从图的右下角指向左上角),表明去除根系生态系统后,土壤的整体功能特性发生了变化。我们发现有89条路径与SRGC显著相关,66条与CLI相关,65条与Q10相关(表S6)。与SRGC相关的关联中,83%为负相关(线性负相关2%,倒数负相关23%,平方倒数负相关58%),11%为线性正相关,6%为凹形或U形相关。与有序数值CLI显著相关的路径中,75%与SRGC相关的路径相同,但许多关联为U形(68%),其次是负相关(线性负相关12%,倒数负相关6%,平方倒数负相关12%)以及线性正相关(2%)。在检测路径与Q10的关联时,90%的关联也为负相关(线性负相关89%,倒数负相关2%),6%为线性正相关,3%为U形或凹形相关。有趣的是,只有13%与Q10相关的路径也与SRGC或CLI相关。在所有与SRGC、CLI或Q10相关的155条路径中,72条与各种分子的生物合成有关,65条与这些分子的降解有关,14条与能量代谢有关(表S6和S7)。与SRGC和CLI相关的路径更多与降解过程相关,如胺类、氨基酸、芳香化合物、碳水化合物以及羧酸的降解,而在辅因子和细胞结构的生物合成方面则相对较少;而Q10则与更多的能量代谢路径相关,包括发酵和厌氧呼吸,以及多种辅因子、核苷酸和多胺的生物合成。如前所述,大多数关联为负相关或U形相关。与SRGC和Q10的正相关关系都十分少见且强度较低(见表S6和S7)。3.6 结构方程模型:为更好地理解影响SRGC和CLI的环境、动物群及微生物因素之间的复杂相互作用,我们构建了一个结构方程模型。虽然环境变量如坡度、海拔、C:N比和pH值与连续型的SRGC相关性最高,但有序数值CLI则更受动物群以及基于16S rRNA的丰富度和香农多样性因素的影响(表S8、S9,图S4)。在选出非自相关的变量后,我们将六个在生态学上最具有解释力的、能影响SRGC和CLI的变量纳入结构方程模型中(图4)。该模型的整体拟合度尚可(χ2(6) = 8.82,p = 0.184;CFI = 0.923;TLI = 0.987;SRMR = 0.000),不过RMSEA值偏高(RMSEA = 0.095,90%置信区间为0.000–0.219),这在自由度较低的模型中是常见现象(Kenny等人,2015年)。鉴于样本量较小(n = 53),为避免过度拟合,该模型仅使用了之前分析中选定的、互不相关的预测变量;如果纳入所有环境变量,将会超出观测值与自由参数的建议比例,进而降低模型的稳定性。下载:下载高分辨率图像(102KB)下载:下载全尺寸图像图4 SRGC和CLI的影响因素。该结构方程模型展示了影响山地和高山土壤中微生物休眠/活性以及碳动态的主要驱动因素及相互作用。主要响应变量为SRGC(以基因拷贝数归一化的呼吸速率,表示根据微生物基因丰度归一化的土壤群落的呼吸作用强度)和CLI(碳损失指数,反映通过微生物呼吸作用损失的碳占生物量总量的比例)。预测变量(白色框)与结果变量(灰色框)之间的显著关联用双向箭头表示,共变关系用双向箭头体现,回归关系则用有向箭头表示。箭头宽度与标准化后的回归系数成正比(0.045–0.478);颜色则用于区分正相关关系(绿色)、负相关关系(红色)以及U形相关关系(二项式,灰色)。比较拟合指数CFI = 0.923,近似均方根误差RMSEA = 0.095。未被预测变量解释的方差则用环状箭头表示。标准化后的回归系数范围从0.045(pH值)到0.478(动物群分类单元的丰富度),其中SRGC的方差解释总量为1.003,CLI的方差解释总量为0.612,而两种变量仍有0.704(SRGC)和0.753(CLI)的残差方差未被解释。SRGC和CLI的方差解释程度较低(R2 ≈ 0.25–0.30),这反映了土壤微生物过程的固有复杂性及随机性(完整的结构方程模型输出见表S9)。3.7 rRNA/ITS基因密度的影响分析:除低海拔地区的“Flaas”站点外,各站点的细菌与真菌的基因拷贝数比例相当(图S7,A)。由于真菌基因仅占细菌基因的4.0 ± 3.1%,因此以真菌为基准计算的SRGC数值绝对值要高于以细菌为基准的计算值(分别为38.7–1513.8 μmol CO2/(gene-copies*sec)*1015和2.1–45.23 μmol CO2/(gene-copies*sec)*1015)。由此可见,细菌的基因拷贝数是决定整体SRGC水平的主要因素,而真菌的作用则相对较小。比较ITS特异性和rRNA特异性的SRGC数值可知,两者之间存在对数-对数关系,而“Flaas”站点的数值因细菌与真菌的比例较高而出现明显偏离(图S7,B)。与整体SRGC的模式相比(图S4),ITS特异性和rRNA特异性的SRGC在整体模式上并无差异,尤其是“Flaas”站点的数据点也没有出现特殊偏差(图S7,C)。4. 讨论:本研究将异养土壤呼吸作用与基于细胞内DNA的微生物基因拷贝数相结合,从而得出了以基因拷贝数归一化的呼吸速率SRGC这一指标,该指标能够综合反映微生物群的生理状态,涵盖微生物组成、微生物休眠状态以及碳利用效率等因素。我们假设SRGC及其分类衍生指标——碳损失指数CLI,会受到环境条件、土壤动物群以及微生物群落组成的影响,而且这两项指标都与SRH的温度敏感性Q10有关。虽然结构方程模型揭示了若干假设中的关联关系,但其整体拟合度仅为中等水平。SRGC和CLI的方差解释程度较低,这既反映了土壤微生物过程的固有复杂性,也可能是因为模型仅使用了预先选定的变量,导致其设定较为保守。由于这项概念验证研究是在六处相对相似的山地和高山草地土壤中进行的,因此其结论不宜推广到其他类型的土壤中,而SRGC在干旱或半干旱土壤等不同环境中的适用性则需通过专门的研究来验证。不过,在我们所研究的地点,研究结果支持了上述假设,并表明SRGC是一种有意义的、可用于实地评估微生物生理状态的指标。4.1 微气候因素对SRGC的影响(假设I):在我们的研究中,SRGC值在坡度较大的站点较高(图S4,A),这可能是因为这些站点在早晨能接收到更直接的阳光照射,温度上升更快,从而更有利于微生物群落的活跃生长(Seyfried等人,2021年)。SRGC值较高的微生物群落还具有更适宜的pH值和C:N比,且位于较低的海拔位置。我们认为,这些条件使得活跃细胞的比例上升,而休眠细胞的比例下降,或者促使微生物群落从以合成代谢为主转向以分解代谢为主。此外,有机物的易变性以及养分可用性也会影响微生物的生理状态,进而影响SRGC值,不过这些基质质量方面的影响在此研究中没有直接得到验证,未来需要进一步研究。尽管不同土壤样本中的微生物群落在组成上基本一致,但它们的SRGC值却存在显著差异,这说明在较小的空间尺度上,微生物的活跃度与休眠状态以及碳利用效率存在差异。这一现象与相关研究结果一致,即微生物能够很好地适应不同的微生境,而小尺度的差异也会显著影响生态系统层面的呼吸作用和微生物活动(Smercina等人,2021年)。4.2 土壤动物群对SRGC的影响(假设II):根据现有文献,土壤动物群对土壤呼吸作用的贡献并不显著(Angst等人,2024年),本研究也证实了这一点,因为测得的SRH值与土壤动物群生物量之间不存在显著相关性。不过,我们的数据表明,土壤动物群多样性较高时,微生物群落的碳损失程度较低,反之亦然。这说明,多样性较高的土壤动物群可能通过改变底物可用性、重新分配有机物或啃食微生物生物量等方式,来调控微生物的碳损失情况(Angst等人,2024年)。这类相互作用有助于让微生物群落将更多碳用于生长而非呼吸,从而降低CLI值。有趣的是,这种关联仅在CLI指标中显现,而在SRGC指标中则没有出现。虽然通常情况下,连续型环境变量比分类型变量更具参考价值(Austin,2007年),但我们的数据中的CLI分类似乎反映了真正的生态学阈值,而连续型的SRGC则削弱了这些阈值的显著性,这也解释了为何只有分类型指标才能显示出微生物群落与土壤动物群之间的显著关联。尽管我们的研究仅限于土壤动物群多样性较低的山区草地(Praeg等人,2025年),但研究结果仍凸显出多营养级相互作用在塑造微生物生理状态方面的潜在重要性。4.3 微生物群落对SRGC的影响(假设III):群落分析显示,尽管基于iDNA分析,相似的微生物群落在不同环境条件下,其SRGC值也可能存在差异。此外,与高SRGC值或低SRGC值相关的微生物分类单元属于不同的系统发育类群和功能类别,这说明在SRGC值较高或较低的情况下,原核生物的多样性都可能较高,但在不同的环境条件下,不同的分类单元会成为优势物种(图S4,B)。不过,ASV与SRGC之间的关联关系需谨慎解读,因为引物特异性扩增效应可能会削弱基于测序得到的丰度数据与qPCR检测得到的基因拷贝数之间的对应关系。寡营养型/大量营养型比例与SRGC或CLI之间缺乏关联,这可能反映出微生物策略的情境依赖性、在恶劣环境中获取资源所需的能量成本(Feng等人,2021年),以及在高分类级别上难以准确判断微生物的生活方式(Ho等人,2017年)。由于大量营养型/寡营养型分类是基于扩增子分类法得出的,它们可能无法完全反映微生物的实际生理策略,因为这些策略在很大程度上取决于环境条件以及菌株的适应性。因此,生活方式与SRGC之间的关联关系也应谨慎对待,将其视为粗略的生态学规律。4.4 SRH的温度敏感性及其与SRGC的关系(假设IV):与其他研究类似,有研究表明,随着海拔的升高,SR和SRH的Q10值呈下降趋势(Yan等人,2024年)。造成这一现象的原因可能有多种。低海拔地区的土壤条件更为优越,比如pH值更高,C:N比更低,而且测量点往往位于坡度较大的地方,因此在早晨和傍晚时分温度上升更快。这些地区还有更高的植物生产力,这会增加根系呼吸作用以及凋落物的输入,从而促进SRH的发生(Hernández-Cáceres等人,2022年)。再加上低海拔地区土壤的微生物总活性更高,这些因素共同导致了高海拔地区与低海拔地区微生物群落的显著差异,进而使得两者的Q10值也有所不同。Q10值还与原核生物的寡营养型/大量营养型比例呈正相关,这一结果与近期的一些研究结果相符(Li等人,2021年,Li等人,2022年)。一种可能的解释是,温度上升会加快微生物的代谢速率,加剧对易获取底物的竞争,从而使那些在温暖环境下能增强呼吸作用的营养限制型微生物占据优势(Abreu等人,2023年)。不过,真菌并未表现出这种趋势,这可能是因为真菌能够通过菌根共生更高效地获取养分,或者是因为在高分类级别上难以准确判断其生活方式。Q10值较高的微生物群落,其原核生物、真菌以及土壤动物群的ASV丰富度往往较低,且生物合成途径和能量代谢途径也明显减少。这表明那些对温度敏感度较高的微生物群落功能上存在限制,其代谢灵活性较低,支持生长或能量保存的途径也较少。这类群落可能依赖较少的分解代谢过程,因此更容易受到环境变化的影响。有趣的是,与Q10相关的途径中仅有13%也与GSRR或CLI存在关联,这说明这些指标反映了不同的生理特征。Q10反映的是呼吸作用的短期动力学温度敏感性,而SRGC和CLI则更与微生物的活性状态、碳利用效率以及长期的碳处理特性相关。两者之间的重叠有限,这一事实支持了这样的观点:Q10、SRGC和CLI分别描述了微生物功能的互补但非重复的方面。SRGC只是某一时间点上微生物效率的低效状态体现,而Q10则整合了多次采样时的响应情况。尽管存在这些差异,但二者之间的正相关性表明存在共同的潜在限制:那些碳利用效率低且代谢灵活性有限的群落,既会出现较高的即时碳损失,也会表现出较强的温度敏感性。虽然温度会显著影响微生物的代谢活动,但现场温度因素并不能解释所观察到的SRGC与Q10之间的关系,这说明SRGC反映的生理差异并非仅仅由简单的温度梯度造成。不过,未来的研究应明确量化微生物的休眠状态和碳利用效率,以区分它们对SRGC和Q10的各自贡献,并探究诸如底物可用性等其他可能影响这两个指标的因素。
4.5. rRNA/ITS基因密度对SRGC的影响(假设IV)在我们的数据集中,除Flaas地区外,不同地点的细菌与真菌基因拷贝比例大致相似,而在Flaas地区,真菌基因拷贝数量明显较少,这导致了细菌与真菌的比例上升,进而使SRGC值升高(图S7,A)。这表明当群落组成发生变化——无论是细菌与真菌的比例还是相应操作子拷贝数的分布发生变化时——SRGC可能不仅反映了生理差异,还部分反映了群落的组成结构。在分析ITS和rRNA特异性SRGC时也出现了类似的趋势(图S7,B):尽管较低的细菌与真菌比例会提高SRGC值,但环境趋势仍保持一致(图S7,C)。总体而言,当不同地点的细菌与真菌比例相近时,SRGC的值可能最为可靠,但这种影响的程度需要在未来的研究中进行进一步验证。
4.6. 更广泛的视野与未来研究方向总的来说,SRGC受环境因素以及生物因素的影响,包括其中存在的微生物种类多样性以及微生物群落本身的多样性。然而,仍有相当一部分观察到的变异现象未能得到解释,因此还有必要通过进一步的研究来确定在微生物休眠状态和特定碳利用效率的共同作用下,究竟哪些因素对SRGC的影响最大。SRGC与Q10之间存在正相关关系,这一现象表明那些基因拷贝数标准化后的呼吸作用强度较高的群落,可能也具有更高的温度敏感性。但由于碳利用效率和微生物休眠状态并未被直接测量,这一关系需谨慎解读,其他可能的解释——如底物可用性或微气候差异——也同样合理。将这种方法应用到其他生态系统和管理模式中,并将SRGC的测量结果与微生物的生长、生物量及休眠状态的直接测量数据相结合,有助于验证这一概念的机制基础,同时也能确定此处所报道的规律是否具有普遍性。此外,SRGC方法的一个局限性在于不同分类群之间的rRNA基因拷贝数差异较大(Miao等人,2024年),这可能会影响绝对qPCR检测值的准确性。不过,我们的目标并非确定不同分类群的特定呼吸速率,而是把握群落层面的生理趋势。从这个意义上说,SRGC为比较不同土壤中的微生物状态提供了一个可靠的替代指标,而未来的研究则应探索针对不同分类群的校正因子或宏基因组标准化方法,以便更精确地得出绝对数值。
5. 结论本研究为了解山区草地中微生物因素与环境因素对土壤呼吸速率的调控作用提供了新的见解。通过引入基因拷贝数标准化的呼吸速率指标SRGC,该指标或许能够综合考虑群落层面的碳利用效率与微生物休眠状态,为我们解读土壤二氧化碳通量提供了新的视角,可弥补传统温度敏感性指标如Q10的不足。我们的研究结果基本支持了我们提出的假设:(1)SRGC及其分类指标CLI受当地生境条件的影响,包括海拔、坡度、pH值以及碳氮比;(2)当土壤中的微生物种类多样性较高时,SRGC值最低;(3)微生物群落的组成及其功能特征会影响SRGC值,但这种影响并非严格遵循贫营养型与富营养型的规律;(4)SRGC与异养呼吸作用的Q10值呈正相关,这说明那些碳利用效率较低且活跃微生物占比较高的群落,可能也具有更高的温度敏感性。然而,SRGC与Q10之间的关系并不意味着微生物的代谢能力更强。相反,高SRGC值和高Q10值都伴随着生物合成和能量代谢途径的减少,这表明这类群落在功能上存在限制。它们并非具备多样的代谢能力,反而似乎依赖较少的分解代谢过程,这可能反映出它们正在适应压力环境,或者减少了在生长方面的投入。这种功能上的简化可能使它们更容易受到环境变化的影响,尤其是气候变暖带来的影响。尽管我们的研究是基于两种高山草地土壤进行的,但所观察到的微生物温度敏感性、代谢限制以及碳处理特性之间的关联,为土壤群落如何应对气候变暖提供了潜在的启示。这些规律表明,那些Q10值较高的群落可能更容易受到温度变化的影响,但还需要在更多不同类型的土壤中进行研究,以评估这种反应的普遍性。将SRGC这类微生物生理指标纳入地球系统模型中,有助于更准确地预测在快速变化的气候条件下土壤碳循环的变化趋势,同时也可作为监测生态恢复进展和长期土壤健康状况的实际指标,为可持续的土地管理以及气候缓解工作提供支持。
作者贡献说明Magdalena Nagler:撰写——初稿撰写、可视化分析、项目管理、方法设计、研究实施、资金申请、数据分析、概念构思。Michael Steinwandter:撰写——审阅与编辑、结果验证、方法设计、数据整理。Michael Bahn:撰写——审阅与编辑、研究指导、方法设计、概念构思。Julia Seeber:撰写——审阅与编辑、研究指导、项目管理、数据整理、概念构思。
关于写作过程中生成式人工智能及人工智能辅助技术的声明在撰写本论文时,作者们使用了Microsoft Copilot来辅助整合复杂的文献资料和研究结果。在使用该工具之后,作者们对内容进行了必要的审阅和修改,并对最终发表文章的内容负全责。
资金来源本项目获得了欧盟“地平线2020”研究与创新计划的资助,具体为玛丽·居里行动计划下的资助项目,项目编号为101026119。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号