利用堆叠物种分布模型推进微生物群落的空间预测

《Ecological Informatics》:Advancing spatial predictions of microbial communities with stacked species distribution models

【字体: 大 中 小 】 时间:2026年07月23日 来源:Ecological Informatics 8.5

编辑推荐:

  预测微生物群落组成对地下生物多样性保护和管理至关重要,但在方法上仍具挑战性。堆叠物种分布模型(stacked species distribution models, S-SDM)提供了一种有前景的框架,能够沿环境梯度建模大量单个微生物扩增子序列变异(Ampl

  
预测微生物群落组成对地下生物多样性保护和管理至关重要,但在方法上仍具挑战性。堆叠物种分布模型(stacked species distribution models, S-SDM)提供了一种有前景的框架,能够沿环境梯度建模大量单个微生物扩增子序列变异(Amplicon Sequence Variants, ASVs),并将其整合为群落水平的预测。然而,关键建模选择对群落水平预测的影响仍知之甚少,尤其是对于微生物数据。研究人员利用来自瑞士西部阿尔卑斯山250个表层土壤样本(通过环境分层随机抽样采集)的细菌序列数据,评估了交叉验证和二值化选项如何影响S-SDM群落水平预测。研究人员评估了预测相对于观测群落的准确性、预测群落之间的差异以及沿环境梯度的表现。堆叠ASV模型在预测群落组成时,在pH梯度两端表现更好。预测群落倾向于低估组成相异性,但保留了观测β-多样性的整体结构。交叉验证的群落约束对预测影响可忽略不计。相比之下,二值化方法强烈影响结果:当使用预测概率之和来确定ASV水平预测存在与缺失之间的阈值时,获得了更优的群落组成预测。这些结果表明,S-SDM可成功应用于微生物群落,且基于预测概率排序的阈值方法能产生最可靠的群落预测。研究人员的发现强调了S-SDM在支持微生物生物多样性空间预测及其整合到保护评估中的潜力,这与近期国际自然保护联盟(IUCN)的倡议相一致。
**研究背景与问题**
土壤微生物是维持生物地球化学循环和土壤功能的关键组成部分,但其群落组成对环境变化高度敏感。预测微生物群落分布对于地下生物多样性保护和管理至关重要,但现有方法面临挑战。目前,用于预测群落分布的空间模型主要分为三类:宏观生态模型(直接建模群落属性,如α或β多样性)、联合物种分布模型(J-SDM,同时建模多个物种及其共现结构)以及堆叠物种分布模型(S-SDM)。S-SDM通过先建模单个物种(或ASV)的发生概率,然后将所有预测堆叠成群落水平预测,允许每个单元独立响应环境变化,从而避免了J-SDM对共现模式时空不变性的假设,因此具有独特优势。然而,在微生物研究中,S-SDM的应用仍不成熟,尤其是两个关键的方法选择尚未得到充分测试:一是交叉验证策略(单物种交叉验证SSCV vs. 群落约束交叉验证CCV),二是二值化方法(基于最大TSS的独立阈值 vs. 基于概率排序规则PRR的群落水平阈值)。此外,沿环境梯度(如pH)的预测性能差异也缺乏研究。因此,本研究旨在评估这些方法选择对微生物群落预测质量的影响,并探索环境条件与预测性能之间的关系,为微生物群落的空间预测奠定方法基础。论文发表在《Ecological Informatics》。

**关键技术与方法**
研究数据来源于瑞士西部阿尔卑斯州沃州250个样点的表层土壤(0-5 cm),通过环境分层随机抽样(基于海拔、坡度和坡向)确保环境代表性,样点间距至少200 m以减少空间自相关。对16S rRNA基因V5区进行扩增和Illumina HiSeq 2500双端测序,聚类为扩增子序列变异(ASV),过滤后保留47,683个ASV用于建模。使用广义线性模型(GLM)以二项分布和逻辑链接拟合每个ASV的存在/缺失,通过Lasso变量选择从76个候选环境变量(包括土壤pH、电导率、气候、地形等)中筛选预测因子。采用两种交叉验证策略(SSCV和CCV)和两种二值化方法(maxTSS和PRR)组合成四种框架,通过S?rensen距离、cTSS、cKappa等指标评估群落预测性能,并利用非度量多维尺度(NMDS)可视化群落相异性结构。

**研究结果**
**3.1 单ASV模型性能与预测因子重要性**
成功拟合了47,683个单ASV模型,maxTSS中位数为0.44,maxKappa中位数为0.35。土壤pH是27,988个模型中最常选且最重要的变量,表明pH是驱动细菌ASV分布的关键环境因子。

**3.2 群落水平预测性能**
社区级cTSS范围0.22-0.66(均值0.44),cKappa范围0.24-0.64(均值0.44)。预测群落与观测群落的S?rensen距离矩阵高度相关(Mantel检验ρ=0.77,p<0.0001),表明预测保留了β-多样性的整体结构。但预测群落间的S?rensen距离显著低于观测群落间的距离(p<0.0001),即预测存在均质化现象。

**3.2.1 交叉验证框架的影响**
SSCV与CCV框架产生的预测群落结构高度相似(Mantel检验ρ>0.999),所有社区评价指标(cTSS、cKappa、预测成功率、S?rensen距离)均无显著差异(p>0.99)。说明交叉验证约束对群落预测影响可忽略。

**3.2.2 二值化方法的影响**
PRR方法显著优于maxTSS:PRR的S?rensen距离更低(p<0.001),预测均质化更弱,丰满度偏差更小,cTSS、cKappa和预测成功率均更高(p<0.001)。表明基于概率排序的阈值方法能产生更可靠的群落预测。

**3.2.3 沿环境梯度的预测性能变化**
沿pH梯度,群落预测性能在极端pH处最高:预测成功率、cKappa在极端pH位点显著升高,而过预测率(假阳性率)显著降低。该模式在海拔等其他环境梯度上不显著,证实了pH极端环境下的细菌群落更易被准确预测。

**讨论与结论**
讨论部分指出,本研究首次将堆叠SDM应用于微生物ASV群落预测,并系统评估了交叉验证和二值化方法的影响。预测均质化是回归模型的统计伪影,但PRR方法能有效缓解此问题。CCV与SSCV的相似性表明评价框架影响有限,但推荐使用CCV以便于ASV间模型比较。极端pH下的高预测性能归因于环境筛选导致的高度特化物种(窄生态位)占主导,这与宏观生物SDM的规律一致。未来需考虑ASV间生物相互作用,如通过联合物种分布模型整合已知互作关系,并探索使用概率和而非二值化预测来避免均质化偏差。本研究表明S-SDM可成功应用于微生物群落,且基于预测概率排序的阈值方法(PRR)能产生最可靠的群落预测。研究人员的发现强调了S-SDM在支持微生物生物多样性空间预测及其整合到保护评估中的潜力,这与近期国际自然保护联盟(IUCN)的倡议相一致。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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