《Applied and Environmental Microbiology》：Microbiomes of soils and leafy vegetables in urban agriculture systems reflect crop management and local environmental conditions
编辑推荐：
：
土壤和植物微生物组影响作物品质和收获前食品安全，然而这些过程在城市农业环境中在很大程度上尚未被探索。本研究调查了华盛顿特区大都市区7个城市农业场所中，土壤和叶菜（如羽衣甘蓝、生菜、甜菜和卷心菜）的微生物群如何与场地特定的管理实践和环境条件相互作用。研究人员
：
土壤和植物微生物组影响作物品质和收获前食品安全，然而这些过程在城市农业环境中在很大程度上尚未被探索。本研究调查了华盛顿特区大都市区7个城市农业场所中，土壤和叶菜（如羽衣甘蓝、生菜、甜菜和卷心菜）的微生物群如何与场地特定的管理实践和环境条件相互作用。研究人员收集了叶片组织（n = 92）、根际土壤（n = 92）以及“原生”或非根际土壤（n = 39）样本，并采用16S rRNA基因和ITS2基因组区域扩增子测序进行分析。所有样本类型的微生物群落组成在不同场所间均存在显著差异，这受到灌溉水源（即市政水与自然水）、作物类型、土壤pH、土壤含水量以及气候条件（即降雨量、温度）的影响。根际土壤中富集了最多已知响应有机投入的细菌类群（如Massilia以及Firmicutes和Verrucomicrobiota的多个成员），而以子囊菌门（Ascomycota）腐生型成员为主的真菌网络在非根际土壤中更为稳定。来源追踪分析表明，叶际微生物群虽然组成多变且具有瞬时性，但主要来源于根际土壤。值得注意的是，某些场所的叶菜富集了与生物防治潜力相关的类群（如乳杆菌科Lactobacillaceae）。此外，机器学习模型在基于根际和叶际细菌群落预测特定生产场所方面表现出强劲性能，提示了基于微生物组的食品溯源应用潜力。综上所述，这些发现揭示了局地环境和作物管理实践如何塑造城市生产中收获前叶菜的微生物组。
论文解读
一、研究背景与科学问题
城市农业在近年来迅速扩张，以支持社区食物获取和增强粮食安全。然而，城市农场和社区花园往往建立在废弃地块或利用不足的土地上，这些土壤可能存在压实、养分缺乏或因先前土地利用而受到污染等问题。土壤肥力受物理化学性质与生物组分之间复杂相互作用的影响，其中微生物群落和生物多样性是核心组成部分。尽管促进土壤健康和有益植物-微生物互作是可持续农业的核心目标，但城市食物系统中这些过程仍未得到充分表征。此外，叶菜作为常被生食的农产品，其叶际微生物组对消费者健康具有重要影响。在美国，叶菜每年导致约170万至231万例食源性疾病，收获前污染常与灌溉水质量和有机土壤改良剂的使用有关。然而，针对城市农业系统中叶菜微生物组的研究仍处于起步阶段。因此，本研究旨在探究城市农业环境中，包括作物管理（土壤改良剂、水资源、叶菜类型）、土壤性质（pH和含水量）以及气候条件（温度和降雨量）在内的场地特定因素，如何共同塑造原生土壤、根际土壤和叶菜叶际中的细菌与真菌群落。
二、研究设计与主要结论
研究人员于2023年在华盛顿特区大都市区的5个城市农场（F1–F5）和2个社区花园（CG1和CG2）开展了分子调查。共采集叶片组织样本92份、根际土壤样本92份和非根际土壤样本39份。通过16S rRNA基因扩增子测序表征细菌群落，并通过ITS2基因组区域扩增子测序表征土壤真菌群落。研究发现，所有样本类型的微生物群落组成在不同场所间均存在显著差异，受灌溉水源、作物类型、土壤pH、土壤含水量和气候条件等因素影响。根际土壤中细菌α多样性显著高于非根际土壤，且根际土壤富集了最多已知响应有机投入的细菌类群。来源追踪分析表明，叶际微生物群主要来源于根际土壤。机器学习模型在基于根际和叶际细菌群落预测生产场所方面表现出优异性能，提示了食品溯源应用潜力。这些发现对于制定有针对性的农场管理策略以提升可持续生产和收获前食品安全具有重要意义。
三、关键技术方法
本研究采用的主要技术方法包括：16S rRNA基因和ITS2基因组区域扩增子测序用于表征细菌和真菌群落；QIIME2平台结合DADA2流程进行序列去噪和扩增子序列变异（ASV）获取；SILVA数据库和UNITE数据库分别用于细菌和真菌的分类学注释；SCRuB工具用于去除潜在污染物序列；FEAST工具用于微生物来源追踪分析；随机森林（RF）、支持向量机（SVM）和带弹性网络正则化的多项逻辑回归（LR）三种机器学习算法用于预测生产场所和灌溉水源；SpiecEasi包用于构建微生物共现网络。样本来源于华盛顿特区大都市区7个城市农业场所。
四、研究结果
土壤和叶菜微生物组在不同城市农业场所间存在差异且具有独特性。细菌群落香农指数在根际土壤中显著高于非根际土壤，两者均显著高于叶际微生物群。真菌群落的α多样性在根际土壤中显著低于非根际土壤。所有三种样本类型的细菌和真菌群落组成均在不同场所间存在显著差异。多种环境因素与β多样性的场所间差异相关，其中灌溉水源是最显著的因素，其次是每日温度和农场运营年限。
场地特定条件与优势细菌和真菌类群相关。在门水平上，变形菌门（Proteobacteria）和放线菌门（Actinobacteriota）在所有样本类型中均为优势类群。叶际中富集了Halomonadaceae和Lactobacillaceae等细菌科，而根际和非根际土壤中Bacillaceae、Rhizobeaceae和Sphingomonadaceae等科在不同场所间存在显著差异。根际土壤中93%的通过过滤的真菌科在不同场所间存在显著差异，而非根际土壤中未检测到显著差异的真菌科。
叶菜根际含有许多独特的微生物类群，并与非根际土壤共同作为叶际微生物的来源。根际土壤在所有场所中均含有最多的独特细菌属。FEAST来源追踪分析显示，生菜相关细菌群落平均72.5%来源于根际微生物群，仅14.5%来源于非根际土壤。羽衣甘蓝、卷心菜和甜菜的叶际细菌群落约有一半来源于根际微生物群。
机器学习模型可根据细菌群落预测生产场所。基于根际土壤细菌群落，LR和RF模型对全部6个场所的预测准确率达100%，SVM模型对4个场所的准确率超过0.90。基于叶际细菌群落，LR模型对6个场所中的5个准确率超过0.75。此外，RF模型在预测灌溉水源方面取得了稳健的准确率（准确率0.84，auROC 0.92），但后续分析表明该关联与其他场所特定因素混杂。
细菌和真菌群落网络在根际与非根际土壤间存在差异。根际细菌网络包含446个节点和600条边，非根际土壤网络包含376个节点和529条边。根际网络具有更多模块，但平均模块规模更小。根际土壤中鉴定出48个细菌关键种属，非根际土壤中鉴定出33个。真菌网络中，非根际土壤含有19个关键种属，而根际土壤仅含4个。
五、讨论与结论
讨论部分指出，城市农场和社区花园的土壤及植物相关微生物群落在场所间存在显著差异，这与先前关于城市环境土壤性质时空梯度的报道一致。根际微生物组受植物宿主通过根系分泌物招募以及内在土壤性质的共同影响。网络分析揭示了根际细菌网络复杂度增加，而真菌网络在非根际土壤中更为突出，其中腐生型类群主导养分循环和有机质分解。根际中的关键细菌类群包括具有植物促生特性和重金属解毒能力的Massilia、可降解复杂有机物的疣微菌门（Verrucomicrobiota）成员以及与高有机碳土壤相关的厚壁菌门（Firmicutes）成员。来源追踪分析证实叶际微生物群主要由根际相关群落和周围原生土壤库塑造。机器学习模型在食品溯源方面展现出巨大潜力，但叶际微生物群的变异性和分散性给预测带来了挑战。研究也认识到使用水源作为分类器的局限性，因为其与其他场所特定因素存在混杂效应。
研究结论部分指出，对华盛顿特区大都市区城市农场和社区花园的分子调查表明，场地特定条件与土壤和叶菜微生物组的变异密切相关。根际微生物组以细菌多样性和网络连通性为特征，包含与养分循环、植物宿主韧性和潜在生物修复相关的关键类群。相反，真菌网络连通性较低且以腐生菌为主。叶际微生物群即收获前叶菜可食用部分的微生物群，主要来源于根际和原生土壤库，并具有生态结构化特征。机器学习模型基于叶际和根际细菌群落以中等至强劲的性能预测了生产场所，提示了食品溯源的潜在应用。这些发现推进了对城市农业环境中叶菜微生物互作的理解，并强调了开发基于微生物组的管理策略以支持可持续生产的机会。
