有机改良剂对酸性红壤修复的阈值效应：群落组装与核心微生物组介导的代谢耦合

《Journal of Environmental Management》：Threshold effects of organic amendment on acidic red soil remediation: Community assembly and core microbiome-mediated metabolic coupling

　　• 有机改良剂诱导了非线性的土壤-植物响应，以15%为最优。• 中性模型拟合度降低表明，在最优点上确定性选择作用增强。• 在15%阈值处富集的核心MAG驱动了土壤和植物的改良。• 核心MAG编码了耦合的C-N-P-S代谢网络潜力。• 过量改良剂降低了核心MAG并增加了盐分风险。**引言**酸性土壤约占全球无冰陆地面积的30%和可耕地面积的50%以上，凸显了其可持续管理对于粮食安全的重要性（Smith等，2024）。在这些土壤中，酸性红壤因固有的酸性和养分耗竭而面临重大挑战，这严重限制了作物生产力（Liu等，2025）。虽然传统施用石灰可以迅速提高土壤pH，但反复施用可能损害土壤结构、破坏微量元素平衡并扰乱微生物群落（Li等，2022）。相比之下，有机改良剂（OAs），如堆肥，提供了一种更为综合的修复策略，通过同时改善土壤理化性质和支持生物功能来实现（Krause等，2025）。尽管存在这些优势，但目前的有机改良剂管理实践往往假设投入量与生态效益之间存在线性关系（Xiang等，2022）。然而，生态理论表明，复杂的自适应系统通常对外部驱动因素表现出非线性响应。当环境变化超过关键生态阈值时，生态系统结构和功能可能发生急剧转变，即制度转变（Folke等，2004；Scheffer等，2001）。作为典型的复杂自适应系统，土壤微生物组也可能表现出这种阈值型响应——即围绕特定投入水平出现群落结构和功能状态的急剧转变。这表明有机改良剂的投入可能不会产生成比例的生态回报，而是表现出阈值依赖的响应：投入不足无法实现充分修复，而过量投入可能导致功能衰退。因此，识别这一阈值并阐明微生物群落重组和功能重塑的潜在机制，对于从经验施肥向精准管理过渡至关重要。为了理解这种阈值效应，我们必须解决三个相互关联的问题：第一，在最佳施肥率下哪些核心微生物参与者被选择？第二，它们如何被环境过滤（群落组装）？第三，它们如何协同驱动养分循环？第一个问题需要对宏基因组组装基因组（MAG）进行分析，以识别强烈响应施肥梯度并与土壤功能改善密切相关的物种。第二个问题需要群落组装分析，以确定这些核心物种是被随机过程富集的还是通过确定性环境过滤富集的。第三个问题涉及分析这些核心微生物的基因组，以确定它们携带的功能基因，以及它们能否通过代谢互补形成高效的协同网络。虽然先前的研究分别探讨了有机改良剂下的群落组装模式（Jin等，2022）或功能基因组成（Krause等，2025），但很少有研究在统一的基因组分辨率框架内系统地整合所有三个关键组成部分——阈值识别、群落组装机制分析和功能互补性验证。为了回答这些问题，我们选择了小白菜——一种生长周期短且对土壤环境变化高度敏感的模式植物——并建立了从0%到25%的消化液基有机改良剂梯度。我们整合了土壤-植物评估、群落组装建模、宏基因组组装基因组分析和代谢网络重建，以：(1) 确定土壤-植物功能响应的阈值点；(2) 检查微生物群落结构和关键物种沿施肥梯度的变化情况；以及(3) 揭示核心微生物组如何通过耦合的C-N-P-S代谢网络驱动系统功能。本研究为优化施肥率、识别关键微生物资源以及推进酸性红壤的精准修复提供了机制基础。**章节摘要***实验设计、土壤和有机改良剂*本研究使用的酸性红壤取自中国云南省（24°50′N，98°23′E）。使用前，仔细去除了石头和植物残留物，并将土壤风干并通过2毫米筛网筛分。有机改良剂是实验室制备的消化液基堆肥。食品废弃物消化液与桦木锯末按8:1的质量比混合，调整至C/N比为20:1，在80°C下进行4小时热预处理，然后在有氧条件下堆肥15天，以获得最终产品。*环境因素和养分有效性的不同步变化*图2a展示了不同有机改良剂施用率下土壤化学环境的变化。与CK处理所观察到的酸性条件相比（pH为5.60），所有有机改良剂处理都显著提高了土壤pH，使其超过中性水平。值得注意的是，土壤pH在10-25%改良剂范围内保持在7.51至7.61的弱碱性范围内，相对稳定，这表明有机改良剂有效缓解了原始红壤的酸胁迫。然而，土壤EC…**结论**有机改良剂的应用在酸性红壤修复过程中产生了明显的非线性阈值响应。基于干土质量，15%的改良剂施用率被确定为该系统的最佳阈值，使土壤质量指数提高了92%，小白菜生物量相比CK增加了13倍以上。相反，过量施用改良剂提高了土壤电导率，诱发了次生盐分胁迫，并损害了土壤…**CRediT作者贡献声明****Peng Xu：** 写作 – 原稿，可视化，方法论，概念化。**Lei Li：** 写作 – 审阅和编辑，项目管理，资金获取。**Yifan Zhang：** 可视化，调查。**Qinghong Jiang：** 数据整理。**Yuhang Zhang：** 数据整理。**Xiaoqing Wu：** 调查。**Yun Xu：** 调查。**利益冲突声明**作者声明他们没有已知的竞争经济利益或个人关系，这些可能被认为会影响本文所报告的工作。**致谢**本研究得到中国**重庆市自然科学基金**（资助号：CSTB2024NSCQ-QCXMX0088）和**泸州应用基础研究项目**（2024JYJ098）的支持。Peng Xu|Lei Li|Yifan Zhang|Qinghong Jiang|Yuhang Zhang|Xiaoqing Wu|Yun Xu