
-
生物通官微
陪你抓住生命科技
跳动的脉搏
从混乱到有序:跨界协同机制助力微生物群落抵御台风影响
《BMC Microbiology》:From chaos to order: cross-kingdom coordination buffers microbial communities against typhoon impacts
【字体: 大 中 小 】 时间:2026年07月13日 来源:BMC Microbiology 5.4
编辑推荐:
摘要背景台风扰动会显著改变沿海微生物生态系统,但细菌群落与浮游植物群落的耦合响应及共同演替动态仍不甚清楚。了解二者之间的相互作用及关键驱动因素,对于理解生态系统韧性以及预测扰动后的藻类动态至关重要。方法以湛江湾为模型系统,我们分析了两次强度不同的台风事件中的微生物演替过程。通过将
台风扰动会显著改变沿海微生物生态系统,但细菌群落与浮游植物群落的耦合响应及共同演替动态仍不甚清楚。了解二者之间的相互作用及关键驱动因素,对于理解生态系统韧性以及预测扰动后的藻类动态至关重要。
以湛江湾为模型系统,我们分析了两次强度不同的台风事件中的微生物演替过程。通过将高通量测序数据与环境数据结合多种机器学习模型,来确定细菌群落对浮游植物多样性影响的模式。同时运用SHAP分析来量化各因素的贡献并识别阈值效应,还通过网络分析来描述不同演替阶段中不同生物类群间的相互作用。
在两次台风作用下,微生物群落都呈现出一致的定向演替趋势,不过“Prapiroon”台风带来的种群更替更为显著(细菌种群变化幅度为2.38倍,浮游植物种群变化幅度为2.53倍)。随机森林模型的预测效果最佳(R2 = 0.74,RMSE = 0.23)。温度以及稀有类群Bdellovibrionota被确定为关键驱动因素,且存在明显的阈值效应:当温度高于30.76℃时浮游植物多样性下降,而当Bdellovibrionota的比例超过0.02%时则多样性上升。多样性在扰动发生后立即达到峰值,随后在恢复过程中逐渐下降,这表明存在与演替阶段相关的调控变化。微生物网络则呈现“崩溃–重组–恢复”的发展轨迹,体现了生态系统的韧性。
我们的研究揭示了台风扰动下微生物演替的可预测的、与演替阶段相关的规律,这一过程受环境筛选和生物间相互作用的影响。所确定的阈值及微生物指标可为识别藻类大量繁殖风险较高的关键时间窗口提供依据,同时也凸显出将微生物数据与机器学习技术相结合在适应性海岸管理中的应用潜力。
台风扰动会显著改变沿海微生物生态系统,但细菌群落与浮游植物群落的耦合响应及共同演替动态仍不甚清楚。了解二者之间的相互作用及关键驱动因素,对于理解生态系统韧性以及预测扰动后的藻类动态至关重要。
以湛江湾为模型系统,我们分析了两次强度不同的台风事件中的微生物演替过程。通过将高通量测序数据与环境数据结合多种机器学习模型,来确定细菌群落对浮游植物多样性影响的模式。同时运用SHAP分析来量化各因素的贡献并识别阈值效应,还通过网络分析来描述不同演替阶段中不同生物类群间的相互作用。
在两次台风作用下,微生物群落都呈现出一致的定向演替趋势,不过“Prapiroon”台风带来的种群更替更为显著(细菌种群变化幅度为2.38倍,浮游植物种群变化幅度为2.53倍)。随机森林模型的预测效果最佳(R2 = 0.74,RMSE = 0.23)。温度以及稀有类群Bdellovibrionota被确定为关键驱动因素,且存在明显的阈值效应:当温度高于30.76℃时浮游植物多样性下降,而当Bdellovibrionota的比例超过0.02%时则多样性上升。多样性在扰动发生后立即达到峰值,随后在恢复过程中逐渐下降,这表明存在与演替阶段相关的调控变化。微生物网络则呈现“崩溃–重组–恢复”的发展轨迹,体现了生态系统的韧性。
我们的研究揭示了台风扰动下微生物演替的可预测的、与演替阶段相关的规律,这一过程受环境筛选和生物间相互作用的影响。所确定的阈值及微生物指标可为识别藻类大量繁殖风险较高的关键时间窗口提供依据,同时也凸显出将微生物数据与机器学习技术相结合在适应性海岸管理中的应用潜力。
生物通微信公众号