《Applied Soil Ecology》：Soil bacteriome-based screening model for predicting ginseng replant status with independent cohort validation
编辑推荐：
人参（Panax ginseng C.A.Mey.）在前茬种植过的土地上栽培时，重茬病（ginseng replant disease）会导致作物歉收。研究人员利用机器学习，检验了土壤细菌组（soil bacteriome）组成能否对首茬种植与重茬种植的人参土
人参（Panax ginseng C.A.Mey.）在前茬种植过的土地上栽培时，重茬病（ginseng replant disease）会导致作物歉收。研究人员利用机器学习，检验了土壤细菌组（soil bacteriome）组成能否对首茬种植与重茬种植的人参土壤进行分类。来自韩国人参田的两个独立采集的根际土壤队列（训练队列，n=132；验证队列，n=157）通过16S rRNA基因扩增子测序进行分析。多样性指标不能区分首茬土与重茬土。差异丰度分析鉴定出25个生物标志分类群，随机森林分类器在留出测试分区中取得的曲线下面积（AUC）值为0.854，在外部验证队列中为0.782。在验证队列中，敏感性为92.7%，特异性为36.2%，观测阴性预测值为93.3%。基于总细菌16S基因拷贝数的定量微生物组谱（QMP）显示，25个分类群中有17个的估计绝对丰度存在差异。网络拓扑在校正组大小后没有显著差异，但最高连接度分类群有所不同；PICRUSt2预测首茬土壤中芳香族化合物降解途径富集。该模型未纳入真菌病原体、自毒化合物、土壤化学特性，也未纳入实测病害严重度。因此，它是一种栽培历史的概念验证分类器，而非可直接用于田间的重茬病诊断工具。
人参（Panax ginseng C.A.Mey.）重茬病严重制约韩国人参产业，目前主要依赖长期休耕或迁移至新地，缺少客观、科学的种植前筛查手段。已有微生物组研究多比较自然林地与农田土壤，或仅用交叉验证评估模型，未使用独立队列验证。为弥补这些不足，Sook-Min Kwon、Yeong-Jun Park、Min-Kyu Park、Seungjun Lee、Jae-Ho Shin与Minsoo Jeong等研究人员基于韩国19个城市、5个区域分组的人参田土壤，构建了训练队列（n=132；首茬FP=66，重茬RP=66）和外部验证队列（n=157；FP=116，RP=41），开展16S rRNA基因扩增子测序，结合机器学习建立并验证了基于土壤细菌组的栽培历史分类模型。该研究首次在独立外部队列中验证了细菌组成标志物对人参重茬状态的区分能力，证明即使常规多样性指标无效，多分类群组成特征仍可识别重茬风险，为未来开发种植前筛选工具提供了概念验证。
主要关键技术方法：
研究人员提取289份根际土壤DNA，扩增16S rRNA V4区并在Illumina MiSeq平台测序；采用多变量关联线性模型（MaAsLin 3, Multivariable Association with Linear Models 3）筛选差异丰度分类群，加入农场随机效应控制异质性；用随机森林（RF）分类器建模，五折交叉验证调参，并在留出测试分区和独立外部队列中评估；使用SHapley Additive exPlanations（SHAP）解释模型；通过微滴式数字PCR（ddPCR）定量总细菌16S基因拷贝数，结合相对丰度进行定量微生物组谱（QMP）；利用SPIEC-EASI构建共现网络，用PICRUSt2预测功能通路。
3.1 土壤细菌群落结构
通过alpha多样性（observed ASVs、Chao1、Shannon、Simpson、Pielou均匀度）和beta多样性比较，发现首茬与重茬土壤在物种丰富度和多样性上无显著差异；PERMANOVA虽显著（p=0.001），但效应量极小（R
2=0.021），说明栽培历史仅解释2.1%的群落方差。因此常规多样性指标不能区分两类土壤。
3.2 生物标志物鉴定与机器学习分类
通过MaAsLin 3差异丰度分析，以q<0.25和|系数|>0.45为阈值，经分类学整理后得到25个生物标志分类群，其中10个在重茬土富集（如Anaerolineae纲、Aquicella、Pedomicrobium），15个在首茬土富集（如Solirubrobacteraceae、Nocardioides、Aurantisolimonas）。随机森林分类器在留出测试分区上AUC=0.854，敏感性100%，特异性66.7%，平衡准确率83.4%。SHAP显示Aquicella、Sporacetigenium、Ktedonobacteria纲等贡献最大。
3.3 独立验证
将已固定阈值的模型直接应用于外部验证队列（n=157），AUC=0.782（95% CI 0.699–0.866），敏感性92.7%，特异性36.2%，阴性预测值93.3%，平衡准确率64.5%。SHAP重要性排序部分变化，但Ktedonobacteria纲和Myxococcota门在两个数据集中均居前列，提示分类信号由多个类群共同贡献。模型具有概念验证价值，尚不能直接作为田间诊断工具。
3.4 生态与功能分析
SPIEC-EASI共现网络显示，FP网络含304条边、平均度4.34，RP网络含256条边、平均度3.66；经999次组标签置换和匹配样本量抽样，六项全局拓扑指标均无显著差异。最高连接度类群不同：FP中以SJA-15和Flavobacterium为核心，RP中以RB41和Rokubacteriales为核心。PICRUSt2预测首茬土壤富集5条芳香族化合物降解通路（儿茶酚、4-甲基儿茶酚、没食子酸、甲基没食子酸和原儿茶酸降解，FDR<0.01），提示首茬土壤细菌群落可能具有分解酚类自毒物质的潜力。
3.5 生物标志物丰度的定量评估
ddPCR定量显示，FP与RP土壤总细菌16S基因拷贝数分别为10
7.95±1.32
