Nature microbiology:全球污水处理厂细菌群落揭秘！
Nature microbiology:全球污水处理厂细菌群落揭秘！
Journal: Nature Microbiology
IF: 14.174
Published:13 May 2019
恭喜周老师新作！这篇文章的研究尺度很大，方法非常复杂，结果非常丰富。我尽量简单、清楚的写我最感兴趣的东西。其余细节请看原文。
本文分析了6大洲23个国家269个污水处理厂的约1200个活性污泥16S rDNA的样本。
结果表明，全球活性污泥细菌群落中约有10亿个细菌表型(phylotypes)，且服从泊松对数正态多样性分布(Poisson lognormal diversity distribution)。尽管活性污泥具有高度的多样性，但存在一个全球核心细菌群落(28个OTUs)与活性污泥的性能密切相关。
利用全球数据集进行meta分析表明，活性污泥微生物群落与淡水群落的关系最为密切。与大型生物多样性相比，活性污泥细菌群落没有明显的纬度梯度。
群落在很大程度上受到随机过程(分散和漂移)的驱动，群落的空间周转率与群落规模有关。另外决定性因素(温度和有机物输入)也很重要。
对于污水处理厂微生物群落的多样性和生物地理学的了解才刚刚开始。
作者创建了一个全球水微生物群落联盟(GWMC)(http://gwmc.ou.edu/)，其成立于2014年5月，是一个促进全球水微生物研究研究和教育的国际合作和交流的平台。
在全球系统地收集和分析活性污泥微生物群落。本文提出了五个问题：
(1)活性污泥微生物群落的全球多样性程度如何?
(2)活性污泥工艺中是否存在跨大陆的核心微生物群?
(3)活性污泥微生物群落是否具有纬向多样性梯度(LDG)?
(4)微生物多样性对活性污泥工艺的功能性重要吗?
(5)确定性因素与随机性因素在调节活性污泥微生物群落组成、分布和功能方面的相对重要性如何?
采样
MoBio Power Soil DNA isolation kits提取污泥DNA。
515/806扩增V4。
利用SILVA Test Prime v.1.0和SILVA132数据库检验了引物覆盖度，无错配情况可覆盖86.8% 细菌和52.9%的古菌。
UPARSE 97%聚类OTU，共得到96148个OTU。
MiDAS database进行物种划分。
Resample数量25600，去掉了singletons。
结果
样本和大洲水平的稀释曲线
(1)活性污泥微生物群落的全球多样性程度如何?
不同模型拟合物种丰度分布。泊松对数正态模型最优，可解释99%的群落变化。
利用尺度定律估算全球WWTP的微生物数量。
对于尺度定律，见前文：
(2)活性污泥工艺中是否存在跨大陆的核心微生物群?
筛选方法包含三个条件：
先计算出每个OTU在所有样本中的平均相对丰度mean relative abundance (MRA)。挑出丰度的前0.1%作为高丰度物种；
在所有样本中超过80%都出现的物种定义为广泛出现的OTU；
在每个样本中序列占到80%以上，且高丰度，并且这种物种在超过一半的样本中都出现，这种物种被定义为频繁出现的高丰度物种。
只有满足这三个条件，才能成为全球核心物种。即一个特定大陆的核心OTU应该是来自该大陆前0.1%的OTU;一个核心OTU也必须在超过80%的样本中被检测到，并且在该大陆超过50%的样本中占主导地位。
28个核心微生物
核心微生物在门水平的分布
根据地球微生物群落项目确定了全球范围内各种生态系统的核心群落。土壤、人类粪便、空气和淡水微生物群落分别有9、6、2和1个OTUs被确定为核心类群。动物粪便和海洋没有发现核心类群，这可能是由于群落组成高度可变。
NMDS表明活性污泥的核心群落与其他生境没有重叠，说明活性污泥选择了一个独特的核心群落。
(3)活性污泥微生物群落是否具有纬向多样性梯度(LDG)?
中纬度丰度最高。曲线为基于最小二乘回归的多项式拟合。颜色表示全年平均气温。
不同尺度上的DDR。
(4)微生物多样性对活性污泥工艺的功能性重要吗?
结构方程模型(SEM)显示了环境变量、群落组成与污水处理厂功能之间的关系。蓝色和红色箭头分别代表显著的正、负相关。群落结构有基于Bray的PCoA的PC1轴代表。
随机森林分析检验了物种与温度的相关性。红色的对角线显示了完美预测的理论曲线。右下角是根据北美和南美的样本数据进行的训练，用于预测亚洲样本的温度。
环境因子之间的Spearman相关；以及群落结构与环境因子之间的partial Mantel tests.
(5)确定性因素与随机性因素在调节活性污泥微生物群落组成、分布和功能方面的相对重要性如何?
随机性比例很高，不论计算距离的方法、不论物种多样性还是系统发育多样性。
基于MRM的VPA分析表明地理距离(Geo)对群落变化的作用强于环境因子(Env)。
对于MRM，见前文
SEM和VPA分析都涉及到了向后筛选变量的过程，见前文
后记：
本文涉及到的方法和结果实在太多，很多细节都是很值得研究的。基本上微生物领域的大部分分析都有涉及，是很好的学习材料。有兴趣一定要仔细看原文！
文章统计分析的R代码：
https://github.com/Linwei-Wu/Global-bacterial-diversity-in-WWTPs
文章地址：
https://www.nature.com/articles/s41564-019-0426-5#Sec28