ACTA Scientiarum Naturalium Universitatis Pekinensis
中国东部水稻土壤丁酸互营降解微生物的地理分布格局
费媛媛 焦硕 陆雅海†
北京大学城市与环境学院, 北京 100871; † 通信作者, E-mail: luyh@pku.edu.cn
摘要 沿纬度梯度收集中国东部34个水稻土壤样品, 在实验室条件下, 以丁酸钠为底物, 进行二次厌氧富集实验。运用微生物高通量测序技术, 分析样地水稻土壤中丁酸互营降解过程的微生物群落特征、功能活性及互营单胞菌相对丰度地理分布格局。结果表明, 丁酸降解产甲烷的延滞期(3~14天)随着样地纬度的升高而加长, 但最大产甲烷速率没有显著的差异。环境因子相关分析结果表明, 丁酸降解细菌的关键类群为互营单胞菌(Syntrophomonas), 互营单胞菌的相对丰度主要受年平均温度(MAT)的影响。互营单胞菌相对丰度较大的样地, 丁酸完全降解所需时间较短。丁酸互营降解微生物的群落结构表现出显著的距离衰减关系(p<0.05),表明微生物群落的构建同时受到空间距离和环境因子的驱动。关键词 丁酸降解; 产甲烷; 互营单胞菌相对丰度; 微生物地理分布
甲烷(CH4)气体的排放源较为复杂, 大致分为自然排放源和人为排放源。农业排放源约占人为排放源的14%以上[1], 其中水稻土壤是主要的农业排放源之一。水稻土壤中有机物厌氧降解产生甲烷的过程主要分为3个阶段。首先, 植物残体等有机质大分子在初级发酵菌作用下分解成小分子物质(如
脂肪酸和醇类等); 然后, 在次级发酵菌(又称互营细菌)的作用下, 小分子物质进一步分解成乙酸、H2和CO2等甲烷前体物质; 最后, 在产甲烷菌的作用下, 甲烷前体物质转化成CH4[2–3]。最复杂的环节为短链脂肪酸的厌氧降解, 丁酸是有机物降解的重要中间产物之一[4]。本文将丁酸通过厌氧降解产生CH4的过程简称为丁酸互营降解。
在热力学条件限制下, 丁酸互营降解过程是互营细菌和产甲烷古菌共同作用的结果[2], 其中的互营细菌主要为互营单胞菌科Syntrophomonadaceae。Zou 等[5]的研究表明, 水稻土壤中参与丁酸互营降解的产甲烷古菌主要为甲烷八叠球菌科(Methanosarcinaceae)和甲烷胞菌目(Methanocellales)。通常认为, H2和甲酸盐是丁酸互营氧化过程中的主要电子载体, 但我们在前期的研究中发现导电特性纳米材料(如纳米磁铁矿和碳纳米管)可以显著地促进丁酸互营氧化, 推测可能存在直接种间电子传递作用(direct interspecies electron transfer, DIET)[6]。水稻土壤和湖泊底泥等缺氧环境中参与丁酸盐降解和CH4生成的互营细菌主要为互营单胞菌和地杆菌(Geobacteraceae), 产甲烷古菌为甲烷八叠球菌、甲烷胞菌和甲烷杆菌(Methanobacteriales)等[7–9]。研究微生物群落的地理分布格局, 旨在探索它
[10]们的栖息地、数量和多样性等特征及机理 。距离衰减关系(distance−decay relationship, DDR)常用于表征微生物的生物地理模式, 表示微生物群落相似性随着地理距离的增加而降低, 体现群落的β多样性在空间尺度上的变化[11]。一般来说, 对微生物群落产生影响的环境因子主要有温度、ph、盐度
[12]和地理距离等 。另外, 在丁酸互营降解过程中,丁酸盐氧化菌受到热力学条件限制[2], 因此不但难以被分离培养, 而且在土壤微生物群落中占比很小,使得原位研究的难度较大。
本文从我国东部主要稻米生产区采集34个水稻土壤样品, 通过实验室培养和分子生态学技术相结合的方法, 研究水稻土壤丁酸互营降解过程及关键微生物种类的地理分布特征, 旨在为预测不同地区水稻土壤中有机质厌氧分解、丁酸等脂肪酸中间产物的动态变化以及甲烷排放的空间变异特征提供科学依据。研究内容包括: 1) 通过观察不同地点水稻土壤的产甲烷延滞期、最大产甲烷速率及丁酸完全降解时间, 探究丁酸互营降解过程的区域地理特征; 2) 探究丁酸互营降解微生物的地理分布格局及环境因子的影响。
1 材料与方法1.1 土壤样品采集和分析
于水稻种植季节(2017年7—9月), 沿纬度梯度自北向南, 从我国东部稻米主要生产区(108.8885° — 126.9806°E, 18.4466— 46.6135°N)采集 34个耕作层样品。在每个样地随机选取3个采样点(每个采样点的面积均为100 m2), 依据五点采样法, 在每个采样点对角线的中点及外围四处(与中点距离相等),在 0~15 cm深度范围内采取5个土壤样本, 保证每个土壤样本的采样深度及采样量均匀。先将每个采样点的5个样品混合, 再将3个采样点的土壤样本混合, 成为该样地最终的土壤样本。将样本运回实验室, 置于4℃冰箱内保存[13]。一部分样品在室温下自然风干, 用 2.0 mm筛子去除植物根系和石头等残留物, 用于土壤理化性质的分析。
[14]用标准土壤试验方法 分析土壤样本的物理化学特性, 包括PH、阳离子交换量(CEC)、有机质含量(OM)、溶解性有机碳(DOC)、微生物生物量碳(MBC)、微生物生物量氮(MBN)、硝态氮(NO3−)和铵态氮(NH4+)、总氮(TN)和有效氮(AN)、总磷(TP)和有效磷(AP)、总钾(TK)和有效钾(AK)、总硫(TS)和有效硫(AS)、总锰(TMN)和有效锰(AMN)、总铜(TCU)和有效铜(ACU)、总铁(TFE)和有效铁(AFE)、总锌(TZN)和有效锌(AZN)。此外, 从 Worldclim 数据库(https://www.worldclim.org/)获得 34个样地的气候数据, 包括年平均温度(mean annual temperature, Mat)和年平均降水量(mean annual precipitation, MAP)[13]。
1.2 丁酸互营降解厌氧培养实验
取适量土壤样本于烧杯中, 按照水土比5:1 (质量/体积)制备土壤悬浮液, 每个土壤样本设置3个平行实验。首先, 将搅拌均匀的土壤悬浮液置于100 ml西林瓶中, 充入纯度为 99.999%的 N2, 置换瓶内气体, 气体置换完毕后, 给每个培养瓶塞上丁基胶塞, 盖上铝盖, 并用封口器封口。然后, 向每个培养瓶中注入5 mmol的丁酸钠溶液, 再次充入纯N2进行气体置换, 之后将培养瓶放置于30℃恒温箱中, 开始第一次富集培养实验。土壤悬浮液中的丁酸钠被完全降解后, 再次向培养瓶中注入5 mmol丁酸钠溶液, 气体置换完毕后放置于30 ℃恒温箱中, 进行第二次富集培养实验。
将 5 mmol丁酸开始降解至其消耗结束所需时间定义为富集培养时间, 不同样地的培养时间各不相同, 第一代培养时间为11~22 天, 第二代培养时间比第一代短, 为4~10 天。在富集培养前期, 为了更精确地测定其产甲烷延滞期, 平均间隔1天测定一次CH4浓度。在富集培养中后期, 平均间隔2天测定一次CH4浓度。每一代富集培养丁酸浓度的测定次数为4~5次。
本研究对丁酸互营降解过程的特征设置3个分析指标: 1) 产甲烷延滞期, 即从实验开始到CH4浓度呈线性增加的时间[10]; 2) 利用产甲烷曲线的斜率计算第二代最大产甲烷速率(mmol/d); 3) 第二代丁酸完全降解所需时间。
1.3 微生物群落分析和统计方法1.3.1 16S RRNA高通量测序分析
富集培养实验结束后, 利用土壤DNA快速提取试剂盒(Fast DNA®SPIN Kit for Soil, MP, 美国)提取土壤样本的 DNA, 操作步骤按试剂盒说明书进行。细菌的引物为338F: 5’-ACTCCTACGGGAGG AGCA-3’; 806R: 5’- GGACTACHVGGGTWTCTAA T-3’[15]。古菌的引物为 1106F: 5’-TTWAGTCAGGC AACGAGC-3’; 1378R: 5’-TGTGCAAGGAGCAGG GAC-3’[16]。微生物群落的高通量测序由广东美格基因科技有限公司完成, 在 Illumina Hi-seq 2500平台(Illumina Inc, San Diego, 美国)进行分析。利用USEARCH (v8.0.1517, http://www.drive5.com/usear ch/)进行序列分析, 同时使用 UPARSE pipeline, 将相似性≥97%的序列定义为相同 OTU (operational taxonomic unit)[17], 之后筛选出每个OTU的代表性序列进行系统发育分类和统计分析。
1.3.2 统计分析
采用一元线性回归法, 分析丁酸完全降解时间与互营单胞菌(Syntrophomonas)相对丰度之间的关系。在丁酸完全降解时间与互营单胞菌相对丰度的散点图上添加趋势线, 获得二者的回归方程。通过DDRS来衡量微生物群落的扩散限制情况。利用R v3.5.1 语言软件(http://www.r-project.org/), 基于微生物群落的Bray-curtis距离和样地间地理距离两项指标, 对DDRS进行分析[18]。通过冗余分析(redundancy analysis, RDA)和主坐标约束分析(canonical analysis of principal coordinates, CAP), 分别探讨微生物地理分布格局和环境因素的影响。利用 ordir2step函数选出有显著影响的环境因子(p<0.05)[19],最后进行绘图。
利用R v3.5.1中的“maps”包绘制样地地图[20]。利用R软件“vegan”包里的“reg”函数进行线性回归计算, 获得互营单胞菌相对丰度与环境因子之间的关系。
为了探索微生物之间的共现性模式, 我们利用“Igraph”包[21]和 The Open Graph Viz平台[22]进行共发生网络分析。在共发生网络图中, 每一个节点表示一个菌属。在相关系数r>0.6, p<0.01 的情况下,
[23]认为共发生事件是有效的 。共发生网络参数主要包括平均度、节点数、边数、图密度和模块化指数等。
2 研究结果2.1 丁酸互营降解过程的特征及微生物群落的组成
通过高通量测序和抽平处理后, 对细菌共测得约 13200 个 OTUS, 并划分为80个科, 其中最常见的OTUS (科水平)为 Anaerolineaceae (6.1%), Syntrophomonadaceae(5.1%)和Xanthobacteraceae (2.4%),相对丰度最高的菌属(属水平)为 Syntrophomonas (5.1%)。对古菌测得约1004 个 OTUS, 划分为13个科, OTUS (门水平)分别为 Euryarchaeota (84.8%)和Thaumarchaeota (12.8%), 相对丰度最高的菌属(属水平)为 Methanocella (21.5%)。
丁酸互营降解过程具有以下特征: 1) 产甲烷延滞期随着纬度升高而加长(图1); 2) Syntrophomonas相对丰度较大的样地, 丁酸完全降解所需时间较短(图2)。
2.2 丁酸互营降解微生物的地理分布格局
丁酸互营降解微生物群落表现出显著的距离衰减关系(斜率=−0.011)(图 3), 表明微生物群落的构建同时受到空间距离和环境因子的驱动。为了进一步探究环境因子对微生物群落的驱动作用, 基于微生物群落的Bray-curtis距离进行CAP分析, 结果如图4所示。环境因子都具有显著影响(p<0.05), 温度(MAT)和土壤ph对微生物群落产生重要的影响(图4(a1)和(b1))。通过 RDA分析, 进一步探究不同环境因子对优势微生物(属水平)的影响, 结果表明,对于细菌群落, Syntrophomonas 和 Geobacter 受MAT和土壤 NH4+的影响最大(图 4 (a2)); 对于古菌群落, 产甲烷菌(Methanobacterium, Methanosarcina等)和一些其他古菌( Candidatus _ Nitro
cosmicus, Candidatus_nitrososphaera等)受ph和AN的影响较大(图4(b2))。
2.3 丁酸互营降解微生物对产甲烷延滞期和最大产甲烷速率的影响
产甲烷延滞期和最大产甲烷速率取决于微生物群落的结构和功能。Spearman相关性分析结果表明, 对于古菌群落(图5(a)), Methanospirillum, Methanosaeta, Methanoregular, Methanosarcina 和 Candidatus_methanoperedens的相对丰度均与产甲烷延滞期负相关, 即菌属的相对丰度越大, 产甲烷延滞期越短, 但 Methanobacterium 和 Candidatus_nitrocosmicus的相对丰度与产甲烷延滞期呈正相关。Methanosarcina, Methanospirillum, Methanosaeta, Candidatus_methanoperedens 和 Methanoregula 的相对丰度均与最大产甲烷速率正相关, 其中 Methanospirillum与最大产甲烷速率显著正相关(r = 0.42, p <0.05)。
对于细菌群落(图 5(b)), Syntrophomonas, Bacillus, Geobacter, Pseudarthrobacter 和 Gaiella的相对丰度均与产甲烷延滞期正相关, 但 Anaeromyxobacter, Anaerolinea 和 Adurb.bin063-1 的相对丰度与产甲烷延滞期负相关。此外, Syntrophomonas 的相对丰度与最大产甲烷速率显著正相关(r =0.27, p<0.05)。
2.4 互营单胞菌作为丁酸降解的关键类群
丁酸互营降解过程中, Syntrophomonas 对丁酸的降解起关键作用, 在细菌群落中其相对丰度最大。图6展现 Syntrophomonas的地理分布格局, 可以看到南部样地中Syntrophomonas的相对丰度明显大于北部样地。为了进一步探究这种地理分布格局产生的原因, 本文利用线性回归方法分析环境因子对 Syntrophomonas相对丰度的影响。图7显示, 温度(MAT)和 NH4+对 Syntrophomonas 的相对丰度产
生显著的正面影响(p<0.05)。
本文通过共发生网络分析, 探究丁酸互营降解微生物间的共存模式。如图8所示, 网络图具有75个节点和158条边, 每个节点代表一个菌属。网络图的平均度为 4.213, 图密度为 0.057, 模块化指数为 0.662。其中, Proteobacteria, Actinobacteria, Chloroflexi和 Firmicutes 为细菌的优势菌门, Euryarchaeota为古菌的优势菌门。关键分类单元主要包括 Methanoregula, Methanosaeta, Nitrososphaeraceae和 Methanocella (图8(a))。模块1主要由丁酸互营氧化菌、产甲烷菌和硝化菌组成, 进一步证明丁酸互营降解过程中互营代谢的重要性(图8(b))。
3 讨论与结论3.1 结论
1) 丁酸互营降解过程具有以下特征: 产甲烷延滞期随着纬度的升高而增大; 最大产甲烷速率没有表现出明显的地理分布差异; 互营单胞菌(Syntrophomonas)相对丰度较大的样地,其丁酸完全降解所需时间较短; 互营细菌的相对丰度呈现中国南部
明显高于北部的地理分布格局, 环境因子温度对其有关键性影响。
2) 丁酸互营降解微生物群落的地理分布格局具有显著的距离衰减关系, 其中细菌群落更加明显,表明微生物群落的构建同时受到空间距离和环境因子的驱动。
本文分析了丁酸互营降解过程的特征, 揭示了丁酸互营降解微生物的地理分布格局, 研究结果有助于预测不同样地的有机质厌氧分解特性和产甲烷潜力, 为减少CH4排放提供科学依据。
3.2 讨论
本研究针对丁酸互营降解过程共测定3 个指标。由于第二代已经历一次富集培养, 产甲烷延滞期大大缩短, 因此采用第一代的产甲烷延滞期进行
相关分析。每代的富集培养实验中, 丁酸盐浓度平均测定4~5 次, 由于测定次数较少, 无法计算丁酸最大降解速率, 因此用丁酸完全降解所需时间来表征丁酸降解过程。丁酸完全降解所需时间的分析中排除了两个异常点, 分别是HD (邯郸, 14 天)和 TJ (天津, 13天)。实验方法部分有关第一代和第二代培养时间的论述中也排除了这两个异常点。两个异常点的产生可能是由于该地点中互营细菌(如Syntrophomonas)的相对丰度都较高, 而产甲烷古菌的相对丰度相对较低,相对丰度的差异导致互营效率不一致。
本研究发现Syntrophomonas的相对丰度随着温度的升高而增大(图7), Syntrophomonas相对丰度的地理分布格局也符合这一规律(图 6), 这是由于南部低纬度地区温度较高, 导致相对丰度明显高于北部地区。与此相对应, 中国南部地区产甲烷延滞期低于北部地区, 也是由于南部地区水稻土壤温度相对较高, 土壤中 Syntrophomonas 的活性较强, 导致产甲烷延滞期较短。
本研究发现环境因子ph和温度对丁酸互营降解微生物群落有重要影响(图4), 可能由于ph是影响土壤有机物降解的关键, 会影响底物利用的有效性[24]。另外, 由于 Syntrophomonas的热力学限制特性, 因此温度对其相对丰度有显著的影响[25]。丁酸降解产氢产乙酸的过程为吸能反应, 受到热力学的限制不能自发地进行[25], 温度升高则有利于缓解热力学限制。这可能是互营单胞菌的相对丰度随纬度升高而降低的主要原因。
鉴于上述的热力学限制特性, 开展实验前, 我们预测温度可能对Syntrophomonas相对丰度的地理分布格局产生较强的影响。为了验证这种预测, 本文仅对丁酸降解的关键类群Syntrophomonas展开分析, 对产甲烷的关键类群则没有做详细的论述。在未来的研究中, 可对产甲烷的关键类群进行分析。
丁酸互营降解过程中, 互营细菌与产甲烷古菌之间通常形成团聚体, 以便维持较短的种间距离来
[26–27]保证丁酸的有效降解 。为了克服该过程中的热力学限制, 产甲烷古菌起到至关重要的作用[2]。本文通过共发生网络分析, 探究水稻土壤中丁酸互营降解微生物的共存模式, 互营细菌 Syntrophomonas和产甲烷古菌 Methanobacterium 被归为同一个模块, 说明微生物类群之间有着密切的互营代谢关系。
本研究采用年平均温度表示样地的温度。实际上, 土壤温度是影响土壤微生物更直接的指标。在未来的工作中, 拟通过直接测定土壤温度来探究温度对微生物群落的影响。致谢 研究工作得到中国科学院南京土壤研究所褚海燕研究员和冯毛毛同学的帮助, 谨致谢意。
参考文献
[1] Bouwman A F, Boumans L J M, Batjes N H. Emissions of N2O and NO from fertilized fields: Summary of available measurement data. Global Biogeochemical Cycles, 2002, 16(4): 774‒787
[2] Schink B. Energetics of syntrophic cooperation in methanogenic degradation. Microbiology and Molecular Biology Reviews, 1997, 61(2): 262‒280
[3] Schink B, Stams A J M. Syntrophism among prokaryotes. New York: Springer, 2006
[4] Roderick I. Metabolic activity of fatty acid-oxidizing bacteria and the contribution of acetate, propionate, butyrate, and CO2 to Methanogenesis in cattle waste at 40 and 60℃. Applied and Environmental Microbiology, 1981, 41(6): 1363‒1373
[5] Zou B Z, Takeda K, Tonouchi A, et al. Characteristics of an anaerobic, syntrophic, butyrate-degrading bacterium in paddy field soil. Bioscience Biotechnology and Biochemistry, 2003, 67(10): 2059–2067
[6] Wei Z, Jianchao Z, Yahai L. Stimulation of carbon nanomaterials on syntrophic oxidation of butyrate in sediment enrichments and a defined coculture. Scientific Reports, 2018, 8(1): 12185
[7] Li H, Chang J, Liu P, et al. Direct interspecies electron transfer accelerates syntrophic oxidation of butyrate in paddy soil enrichments. Environmental Microbiology, 2015, 17(5): 1533–1547
[8] Li F, Tianze S, Wei Z, et al. Stimulatory effect of magnetite nanoparticles on a highly enriched butyrateoxidizing consortium. Frontiers in microbiology, 2018, 9: 1480
[9] Zhang J, Lu Y. Conductive Fe 3O4 nanoparticles accelerate syntrophic methane production from butyrate oxidation in two different lake sediments. Frontiers in Microbiology, 2016, 7: 1316
[10] Martiny J B H, Bohannan B J M, Brown J H, et al. Microbial biogeography: putting microorganisms on the map. Nature Reviews Microbiology, 2006, 4(2):
102–112
[11] Morlon H, Chuyong G, Condit R, et al. A general framework for the distance-decay of similarity in ecological communities. Ecology Letters, 2008, 11(9): 904–917
[12] Zhao H X, Yang D C, Woese C R, et al. Assignment of fatty acid-β-oxidizing syntrophic bacteria to syntrophomonadaceae fam. nov. on the basis of 16S RRNA sequence analyses. International Journal of Systematic Bacteriology, 1993, 43(3): 278–286
[13] Jiao S, Xu Y, Zhang J, et al. Environmental filtering drives distinct continental atlases of soil archaea between dryland and wetland agricultural ecosystems. Microbiome, 2019, 7(1): 15
[14] Shi Y, Li Y, Xiang X, et al. Spatial scale affects the relative role of stochasticity versus determinism in soil bacterial communities in wheat fields across the North China Plain. Microbiome, 2018, 6(1): 27
[15] Jin L, Gao X, Du J, et al. Peat bacterial diversity and community structure in Gahai Lake wetlandin Gan’nan. Microbiology China, 2016, 43(11): 2396–2404
[16] Feng Y, Lin X, Yu Y, et al. Elevated ground-level O3 negatively influences paddy methanogenic archaeal community. Scientific Reports, 2013, 3: 3139
[17] Edgar R C, Haas B J, Clemente J C, et al. UCHIME improves sensitivity and speed of chimera detection. Bioinformatics, 2011, 27(16): 2194–2200
[18] Nekola J C, White P S. The distance decay of similarity in biogeography and ecology. Journal of Biogeography, 1999, 26(4): 867–878
[19] Givens D I, Lovegrove J A. Higher PUFA and n-3 PUFA, conjugated linoleic acid, α-tocopherol and iron, but lower iodine and selenium concentrations in or-ganic milk: a systematic literature review and meta- and redundancy analyses. British Journal of Nutrition, 2016, 116(1): 1–2
[20] Hiemstra P H, Pebesma E J, Twenhofel C J W, et al. Real-time automatic interpolation of ambient gamma dose rates from the Dutch radioactivity monitoring network. Computers & Geosciences, 2009, 35(8): 1711–1721
[21] Kaikuo X, Changjie T, Rong T, et al. A comparative study of six software packages for complex network research // The Second International Conference on Communication Software and Networks. Singapore, 2010: 350–354
[22] Jiao S, Liu Z, Lin Y, et al. Bacterial communities in oil contaminated soils: biogeography and cooccurrence patterns. Soil Biology & Biochemistry, 2016, 98: 64–73
[23] Barberan A, Bates S T, Casamayor E O, et al. Using network analysis to explore co-occurrence patterns in soil microbial communities. ISME Journal, 2014, 6 (4): 343–351
[24] Grybos M, Davranche M, Gruau G, et al. Increasing ph drives organic matter solubilization from wetland soils under reducing conditions. Geoderma, 2009, 154 (1/2): 13–19
[25] Sieber J R, Mcinerney M J, Gunsalus R P. Genomic insights into syntrophy: the paradigm for anaerobic metabolic cooperation. Annual Review of Microbiology, 2012, 66(1): 429–452
[26] Ishii S I, Kosaka T, Hotta Y, et al. Simulating the contribution of coaggregation to interspecies hydrogen fluxes in syntrophic methanogenic consortia. Applied and Environmental Microbiology, 2006, 72(7): 5093– 5096
[27] Ishii S, Kosaka T, Hori K, et al. Coaggregation facilitates interspecies hydrogen transfer between Pelotomaculum thermopropionicum and Methanothermobacter thermautotrophicus. Applied and Environmental Microbiology, 2005, 71(12): 7838–7845