基于机器学习与16S rRNA基因测序的俄罗斯土壤酸杆菌门和浮霉菌门空间分布图谱构建及其生态驱动机制解析

本研究通过整合16S rRNA基因扩增子测序与随机森林(RF)机器学习算法，首次绘制了俄罗斯全境土壤中酸杆菌门(Acidobacteriota)和浮霉菌门(Planctomycetota)的空间分布图谱。团队利用气候、地形、植被等环境协变量，揭示了酸杆菌门在植被茂密、酸性土壤中的富集规律（R2=0.41），以及浮霉菌门对湿润寒冷环境的偏好（R2=0.46），为土壤微生物地理学提供了新的研究方法与生态策略认知。

　　

土壤作为地球最大的微生物基因库，其微生物群落的空间分布规律一直是生态学研究的前沿课题。然而在幅员辽阔的俄罗斯，由于采样难度大、环境异质性高，土壤微生物的地理分布模式长期缺乏系统性研究。特别是对于酸杆菌门和浮霉菌门这两个具有重要生态功能但培养困难的菌群，其分布规律与环境驱动机制更是一片空白。传统培养方法仅能检测不到1%的土壤微生物，而即使采用高通量测序技术，面对俄罗斯横跨11个时区的复杂生态系统，如何从有限样本中挖掘宏观分布规律仍是巨大挑战。

针对这一科学难题，来自俄罗斯科学院多库恰耶夫土壤研究所、圣彼得堡国立大学等机构的研究团队创新性地将机器学习与宏基因组学相结合，收集了覆盖俄罗斯欧洲平原和西伯利亚地区的175个表层土壤样本（100个酸杆菌门样本和75个浮霉菌门样本），通过16S rRNA基因V4区扩增子测序获取微生物组成数据，并整合MODISMIR波段7遥感数据、CHELSA气候数据等42类环境变量，采用随机森林算法构建预测模型。研究成果发表于《ScientificReports》，首次揭示了俄罗斯全境尺度下这两个关键菌门的空间分布格局及其环境驱动机制。

关键技术方法包括：1）跨区域土壤采样策略（涵盖黑钙土、灰化土等9种土壤类型）；2）IlluminaMiSeq平台V4区16SrRNA基因测序；3）随机森林模型（采用NNDM交叉验证和Shapley值解析）；4）1km分辨率环境变量整合（包括MODISMIR植被指数、土壤pH等）。

结果
模型精度验证
酸杆菌门模型RMSE为6.67%，R²达0.41；浮霉菌门模型表现更优（RMSE2.04%，R²0.46）。模型可靠性通过"适用区域"(AoA)评估，仅西伯利亚北部高海拔地区预测不确定性较高。

环境驱动因子解析
酸杆菌门丰度与植被覆盖（MODISMIR波段7）、土壤pH(H₂O)显著相关，在pH4.5-5.5的酸性土壤中富集；浮霉菌门则主要受气候变量调控，特别是可降水汽含量（158-184cm时丰度降低）。

空间分布特征

讨论与结论
该研究通过机器学习首次量化了俄罗斯土壤中酸杆菌门和浮霉菌门的生态位分化：酸杆菌门作为有机质转化的关键参与者，偏好寒冷湿润环境下的酸性有机质丰富土壤；而具有厌氧氨氧化(anammox)功能的浮霉菌门则在水logged土壤中形成独特生态位。这种分布格局与两类菌群的生理特性高度吻合——酸杆菌门的异养特性使其依赖植物衍生的纤维素类物质，而浮霉菌门的细胞区室化结构适应低氧环境。

研究创新性地证明了即使在高阶分类水平（门水平），微生物群落仍表现出显著的地理格局，这为土壤微生物"功能群"概念提供了实证支持。所建立的预测框架可扩展至其他分类单元，未来结合更高分辨率的环境数据和标准化采样策略，将推动土壤微生物组从描述性研究向预测性科学的转变。该成果对理解气候变化下土壤碳氮循环的微生物调控机制具有重要价值，为制定区域特异性土壤管理策略提供了理论依据。