《Canadian Journal of Forest Research》：Measuring biodiversity with DNA metabarcoding: applications in forest management
编辑推荐：
生物多样性数据在适应性森林管理的迭代过程中发挥着核心作用，可为森林经营实践的可持续性提供见解。传统的森林完整性指标主要依赖地上生物类群，尤其是维管植物和脊椎动物，其作用尺度涵盖区域至林分水平。相比之下，地下生物群系和淡水生物群系——包括土壤群落、水生微生物组以
生物多样性数据在适应性森林管理的迭代过程中发挥着核心作用，可为森林经营实践的可持续性提供见解。传统的森林完整性指标主要依赖地上生物类群，尤其是维管植物和脊椎动物，其作用尺度涵盖区域至林分水平。相比之下，地下生物群系和淡水生物群系——包括土壤群落、水生微生物组以及树木死木相关类群——仍相对研究不足。分子方法（尤其是宏条形码）的最新进展改变了研究人员表征此类生物多样性的能力，使得能够从土壤、水和木材等基质中的环境DNA（eDNA）快速、全面地评估群落组成。这些工具为评估森林管理如何影响生态过程提供了机会，并有助于改善可持续森林管理。本综述介绍了宏条形码在森林生态系统中生成生物多样性数据以支持决策的应用背景和实用性。研究人员概述了eDNA宏条形码的概念背景，调查了针对森林管理的新兴研究，并提出了从野外采样到生物多样性数据生成的实用工作流程。通过阐明这些方法的潜力和局限性，本文旨在使非专业人员具备必要的理解，能够自信地解释宏条形码结果并将其整合到森林完整性测量工作中。
引言：生物多样性数据在适应性森林管理循环中至关重要，传统指标多依赖地上类群，而地下与淡水生物群系研究不足。宏条形码技术可从土壤、水和木材等基质中的环境DNA快速获得群落组成，为评估森林管理影响和改进可持续森林管理提供机会。
背景：利用DNA宏条形码测量生物多样性：DNA宏条形码是eDNA最广泛应用之一，能检测到比传统方法更多的物种，并与传统方法互补，适合大范围、一致可重复的全群落分析。DNA方法自20世纪80年代用于微生物生态学，2010年代起进入保护生物学等领域，但在森林管理中的应用近年才增多。
宏条形码DNA如何支持森林管理政策制定、评估和完善：自2013年起相关文献快速增加，但与林业交叉的研究仍较少。森林完整性包括结构、组成和功能，生物多样性是关键度量。土壤微生物组提供众多生态功能，且许多生物难以用传统方法检测。
为什么土壤、木材和淡水中的生物多样性是可持续森林管理的重要指标：采伐会改变土壤温度、水分和化学性质，导致微生物群落变化；机械压实和立地整备降低微生物丰度和活性。木材腐朽真菌对养分循环重要；淡水环境可整合流域尺度影响，因此水样eDNA监测正在标准化。
原位eDNA的来源与去向：eDNA来源于活体、脱落细胞等，可被风、水和动物运输，或降解、稳定化。持久性受温度、水分等影响；土壤中的eDNA比水中保留更久，但会片段化形成遗存DNA，其对生物监测影响通常小于空间异质性。
DNA宏条形码解析：过程包括从环境样本提取DNA，靶向PCR扩增分类标记基因（如细菌和古菌的16S rRNA、真菌的ITS、动物的COI），再进行高通量测序，最后与参考数据库比对分配分类。
测量生物多样性的挑战；宏条形码如何提供帮助：传统形态鉴定受分类学专门知识不足、隐存种、微小生物难以鉴定等限制。宏条形码具有可重复、检测率高、速度快等优点，成本与传统方法相当。
利用宏条形码评估时空异质性：单个样本代表特定时刻和地点的群落快照，需重复采样。土壤采样常将多个样点混合成一个复合样本；表层有机层生物多样性最高，常将有机层与矿质层分开分析。
当前研究概述：宏条形码已用于土壤、木材、溪流、河流、湖泊、穿透雨、表面、冠层土壤和空气等多种基质。研究内容包括方法开发、森林特征描述、管理实践比较和恢复成效评估。
方法开发与评估：比较研究显示宏条形码与传统形态鉴定得出的生态结论总体一致；加拿大生态基因组学（Ecobiomics）等项目建立了技术标准，SoilBON等国际项目推动全球土壤生物多样性监测。多类群流程和干燥剂保存样品等开发提高了效率。
森林生物多样性特征描述：宏条形码用于描述火灾后演替、死木真菌群落、水生生物多样性的自然变化范围（NRV）等。例如85年火后时间序列研究揭示了土壤细菌、真菌和节肢动物的演替动态。
利用宏条形码数据评估森林管理实践：土壤真菌群落受同龄林管理影响大于异龄林；间伐对群落组成影响小但改变功能类群；采伐、火烧及火烧后救伐的对比显示不同土壤类群恢复时间不同。多类群研究表明真菌对干扰最敏感，细菌最不敏感。此外，宏条形码还用于评估木材采伐后甲虫群落恢复、树桩移除对菌根真菌的影响等。
恢复：宏条形码用于油砂复垦、采矿和道路建设等恢复监测，展示出其评估恢复进展的潜力。
从eDNA样本到群落数据的工作流程：研究设计需考虑样本异质性，通常将多个土壤样本混合或合并提取/PCR产物。DNA提取：选用合适的提取试剂盒，不同试剂盒在产量、片段大小、纯度等方面有差异，同一项目应保持提取方法一致。基因扩增：扩增核糖体RNA基因高变区或线粒体区域等标记，如16S rRNA、ITS、rbcL/matK、COI。高通量测序（HTS）：常用Illumina短读长测序，也有纳米孔长读长测序和PacBio高保真测序，各平台错误模式、流程和成本不同。生物信息学第1部分：序列变异（SV）鉴定：经过解复用、清洗、去噪/聚类，生成扩增子序列变异（ASV）或操作分类单元（OTU），ASV提供单核苷酸分辨率。生物信息学第2部分：分类分配：通过SILVA、UNITE等参考数据库进行比对，数据库覆盖度会影响分辨率，但即使无物种名也能进行无分类学评估。数据分析与解释：最终形成样本×ASV矩阵，可使用Bray-Curtis、Jaccard或Aitchison距离进行多样性分析，并注意多重检验校正。注意事项：不同生物信息学流程可能影响结果可比性，PCR扩增偏差和数据库不足会限制定量和物种鉴定；鸟枪法测序等替代工具可提供功能基因信息，但成本和分析要求更高。
结论与建议：宏条形码技术可高效、可扩展、可重复地生成支持森林管理决策的生物多样性数据，但目前在森林管理领域应用仍不普遍。改进样品保存、参考序列库、生物信息学流程和引物开发等研究正在进行；科学家、森林管理者与政策制定者的合作将有助于发挥其潜力。
