区域性浮游动物群落差异指导淡水生物水质标准完善：基于环境 DNA 的框架

《Water Research》：Regional zooplankton community differences inform freshwater-organism water quality criteria refinement: an eDNA-guided framework

　　

摘要

淡水生物的国家水质准则（WQC）通常源于标准化的毒性数据集，但很少考虑生物群落和分类群敏感性的区域差异。在此，我们使用环境 DNA（eDNA）宏条形码测序，对 中国四个地理和水文气候差异显著的区域内的 30 个地表水采样点的浮游动物群落进行了表征。使用 eDNA 提供分类学和群落水平的信息，随后进行区域代表性分类群选择，并利用独立汇编的毒性证据对 WQC 进行细化。区域分组解释了 33.52% 的群落组成变化（PERMANOVA, R²?=?0.3352, P?=?0.001），且测量的水质变量与区域组合差异相关。结合空间持续性、基于读数的区域富集和网络拓扑指标，分别获得了昆明、北京、宁波和银川的 9、9、4 和 7 个区域代表性分类群。在主要分析中，细化后的 WQC 在四个区域中对 Cu、Cd 和克百威均高于通用国家参考值，而对 Zn 则较低，其中 Cr(VI)、Pb、五氯苯酚和毒死蜱表现出混合的区域模式。区域细化也改变了基于 RQ 的风险表征。综上所述，这些结果表明，eDNA 指导的代表性分类群选择可以将区域群落差异转化为淡水生物 WQC 细化和风险优先级排序。

引言

水质准则（WQC）为水生生态风险评估和水环境管理提供了科学依据 (Sun et al., 2021; J. Zhang et al., 2026)。其主要目标是在污染物暴露下保护水生生物群落的结构和生态功能 (MEE, 2022)。物种敏感度分布（SSD）方法整合了跨水生生物的毒性数据，以推导旨在保护大多数物种的有害浓度，并已被广泛用于 WQC 推导 (Ding et al., 2026b)。现有的 WQC 通常是利用公共毒性数据集和标准测试分类群开发，用于全国或广泛区域的应用，其隐含假设是这些分类群能够充分代表目标生态系统的敏感度分布 (Feng et al., 2019; Wang et al., 2014)。然而，天然水生生态系统在空间上是异质的，物种组成、优势分类群和生态功能结构在不同区域之间可能存在显著差异 (Govindarajan, 2025)。因此，统一 WQC 在不同区域的生态保护性仍不确定。

为了提高区域适用性，现有研究和管理实践主要从水化学的角度细化了 WQC (Mebane, 2023)。例如，金属的生物有效性和毒性通常受水硬度、pH 值、溶解有机碳、主要离子成分和盐度的影响 (Brix et al., 2017; Moiseenko, 2019; V??n?nen et al., 2018)。因此，镉、铅、铜和锌的准则经常使用硬度或其他水质变量进行调整 (Ding et al., 2020; Liang et al., 2023)。这些方法促进了 WQC 从固定值向依赖水化学准则的发展 (MEE, 2025, 2020)。然而，它们主要修改不同物理化学条件下污染物的生物有效性，而不是考虑受保护生物群落本身的差异。换句话说，大多数当前的区域化方法隐含假设不同区域具有相似的物种敏感度结构，而没有充分考虑本地物种组成、优势分类群的更替以及区域代表性分类群的缺失 (Liu, 2015)。

物种组成的差异可能会强烈影响基于 SSD 的准则。SSD 方法依赖于毒性数据集中物种敏感度的分布；因此，物种选择、分类覆盖范围以及敏感分类群的比例都可以改变 5% 物种的有害浓度（HC5）和最终的 WQC (Dhond and Barron, 2022)。之前的研究表明，包含在 SSD 中的分类组成或本地物种比例的变化会改变推导的保护阈值 (Ding et al., 2024a)。这个问题对于浮游动物尤为重要。浮游动物在水生食物网中占据较低营养级，连接初级生产者和更高营养级消费者，并包含用于许多污染物生态风险评估的敏感分类群 (Abdullahi et al., 2022; Bakhtiyar et al., 2020)。之前一项跨 22 种污染物和 9 个分类群的生物毒性效应比（BER）研究发现，浮游甲壳类动物的区域 HC5 预测精度最高，支持了以浮游动物为重点的经验评估 (Ding et al., 2024b)。然而，现有数据集中的浮游动物毒性数据通常集中在少数标准测试分类群中，尤其是枝角类，如 Daphnia, Ceriodaphnia, Moina 和 Simocephalus (Connors et al., 2022)。相比之下，现实世界的浮游动物群落还包括许多轮虫和桡足类 (Thackeray and Beisner, 2024)。如果区域水体主要由轮虫或桡足类主导，主要基于传统枝角类毒性数据推导或细化的 WQC 可能无法完全代表本地浮游动物群落的真实敏感度结构。

环境 DNA 宏条形码测序能够实现多分类群组合的标准化、高通量表征，特别适用于小型、受损、隐秘或难以仅通过形态学一致鉴定的幼体生物。它还提供数字序列记录，可支持跨样本和区域的标准化比较及后续分类重新评估 (Hering et al., 2018; Fan et al., 2020; Macher et al., 2025)。然而，eDNA 群落数据很少被直接纳入 WQC 推导或区域细化框架。区域水生生态风险评估中的一个关键挑战是如何将由 eDNA 检测到的本地物种组成转化为可用于 WQC 细化的生物信息 (Qu and Peng, 2025)。特别需要注意的是，有必要在大量检测到的分类群中区分偶然检测、本地优势分类群和具有潜在生态连通性的分类群，从而生成一份反映本地群落特征的区域代表性分类群列表。

本研究比较了昆明、北京、宁波和银川四个地理和水文气候对比显著的研究区域的地表水采样点的浮游动物群落。我们首先比较了四个区域的 alpha 多样性、分类组成、分类群池和 beta 多样性，并评估了群落组成与测量的水质变量之间的统计关联。然后，我们使用空间持续性、基于读数的区域富集和网络拓扑指标选择了区域代表性分类群。最后，将这些分类群的分类身份与独立汇编的毒性证据进行匹配，以细化淡水生物 WQC，并评估相对于通用国家 WQC 参考值，基于 RQ 的风险优先级排序的变化。该框架将区域群落信息与独立毒性证据联系起来，以支持基于生物信息的 WQC 细化和风险优先级排序。

章节摘要

研究区域、样本采集和环境变量测量

这项多区域研究包括昆明（n?=?10）、北京（n?=?4）、宁波（n?=?9）和银川（n?=?7）的 30 个地表水采样点（表 S1）。选择这四个区域作为平行比较组，涵盖了水文气候、地形、沿海 - 内陆设置和流域背景的差异。采样于 2025 年 7 月至 9 月进行，以最小化区域比较中的季节性影响。

在每个地表水采样点，三个独立采集的 3L 水样

浮游动物多样性和群落组成的区域差异

浮游动物 alpha 多样性在四个区域间存在显著差异。香农指数显示出显著的区域变化（P?=?4.012?×?10^?9），其中昆明和北京的值较高（分别为 2.62±0.42 和 2.45±0.58），而银川和宁波的值较低（分别为 1.95±0.38 和 1.66±0.56；图 1a, 表 S2）。Pielou 均匀度指数在区域间也存在显著差异（P?=?7.083?×?10^?9）。北京和宁波的 Pielou 均匀度较高（0.88±0.05 和 0.80±0.15，

区域浮游动物群落分化为差异化水质准则提供了生态依据

本研究表明四个区域的浮游动物群落存在显著的区域分化。这些差异不仅限于分类群数量，而是反映在 alpha 多样性、均匀度、优势分类群组成和 beta 多样性结构等多个维度（图 1，表 S2-S3）。昆明的香农指数较高且 ASV 池最大，但 Pielou 均匀度相对较低，表明 ASV 丰富度高且某些分类群具有强优势

结论

本研究使用 eDNA 宏条形码测序表征了四个地理和水文气候对比显著区域的地表水采样点的浮游动物群落分化，并开发了将区域代表性分类群纳入淡水生物 WQC 细化的分析路径。结果表明，alpha 多样性、均匀度、优势分类群组成、ASV 池和 beta 多样性结构存在显著的区域差异。测量的营养物质，

未引用参考文献

Zhang et al., 2026

CRediT 作者贡献声明

Ren Ding: 撰写 – 原稿，可视化，方法论，调查，形式分析，数据整理，概念化。Jirong Hu: 方法论，调查，数据整理，概念化。Yarong Qi: 资源，调查，数据整理。Yuming Wang: 资源，调查，数据整理。Yanting Zhao: 资源，调查，数据整理。Yun Lu: 撰写 – 审查与编辑，方法论，概念化。Zhuo Chen: 撰写 – 审查与编辑，方法论，

竞争利益声明

作者声明，他们没有已知的竞争财务利益或个人关系可能影响本论文报告的工作。

致谢

本工作得到了国家自然科学基金重大研究计划（52293440, 52293442）的支持。

Ren Ding|Jirong Hu|Yarong Qi|Yuming Wang|Yanting Zhao|Yun Lu|Zhuo Chen|Yinhu Wu|Dongbin Wei|Xu Zhang|Xuan Zhou|Zitong Liao|Hong-Ying Hu

区域环境与可持续发展国家重点实验室，生态环境部微生物应用与风险控制重点实验室，清华大学环境学院，北京，中国