Nachricht

Apr 26, 2023

Ein Kompendium bakterieller und archaeischer Einzelgänger

Wissenschaftliche Daten Band 10,

Scientific Data Band 10, Artikelnummer: 332 (2023) Diesen Artikel zitieren

1266 Zugriffe

22 Altmetrisch

Details zu den Metriken

Sauerstoffarme Meeresgewässer, die als Sauerstoffminimumzonen (OMZs) oder anoxische Meereszonen (AMZs) bezeichnet werden, sind häufige ozeanografische Merkmale. Sie beherbergen sowohl kosmopolitische als auch endemische Mikroorganismen, die an Bedingungen mit niedrigem Sauerstoffgehalt angepasst sind. Mikrobielle Stoffwechselinteraktionen innerhalb von OMZs und AMZs treiben gekoppelte biogeochemische Kreisläufe voran, die zu Stickstoffverlusten und der Produktion und dem Verbrauch klimaaktiver Spurengase führen. Die globale Erwärmung führt dazu, dass sich sauerstoffarme Gewässer ausdehnen und verstärken. Daher sind Studien, die sich auf mikrobielle Gemeinschaften konzentrieren, die in Regionen mit Sauerstoffmangel leben, notwendig, um die Auswirkungen des Klimawandels auf die Funktionen und Dienstleistungen mariner Ökosysteme zu überwachen und zu modellieren. Hier präsentieren wir ein Kompendium von 5.129 amplifizierten Einzelzellgenomen (SAGs) aus Meeresumgebungen, die repräsentative geochemische OMZ- und AMZ-Profile umfassen. Davon wurden 3.570 SAGs mit unterschiedlichem Vervollständigungsgrad sequenziert, was eine stammaufgelöste Perspektive auf den genomischen Inhalt und mögliche metabolische Wechselwirkungen innerhalb der OMZ- und AMZ-Mikrobiome bietet. Die hierarchische Clusterbildung bestätigte, dass Proben aus ähnlichen Sauerstoffkonzentrationen und geografischen Regionen auch analoge taxonomische Zusammensetzungen aufwiesen, was einen kohärenten Rahmen für vergleichende Gemeinschaftsanalysen lieferte.

Sauerstoffmangelzonen sind häufige ozeanografische Merkmale (Abb. 1), die entstehen, wenn der mikrobielle Atemsauerstoffbedarf während des Abbaus organischer Stoffe die Sauerstoffverfügbarkeit übersteigt. Diese Gewässer werden operativ auf der Grundlage von Sauerstoffbedingungen definiert, die von dysoxisch (20–90 μM), suboxisch (1–20 μM), anoxisch (weniger als 1 μM) oder anoxisch-sulfidisch (kein nachweisbarer Sauerstoff) reichen1,2. In ozeanischen Mittelwasser-Sauerstoffminimumzonen (OMZs) wie dem subtropischen Gyrus im Nordpazifik herrschen dysoxische Bedingungen, die den anaeroben Stoffwechsel durch mikrobielle Remineralisierung sinkender organischer Partikel unterstützen können3 (Abb. 1a). OMZs an Küsten und im offenen Ozean mit niedrigem Sauerstoffgehalt wie der Nordöstliche Subarktische Pazifik (NESAP) weisen suboxische Bedingungen auf, die den Redoxübergang zur Nitrat (NO3−)-Reduktion umfassen (Abb. 1a). Anoxische Meereszonen (AMZs) werden weiter durch die Anreicherung von Nitrit (NO2−) mit oder ohne Sulfidanreicherung unterschieden (sulfidische Grundgewässer und offene Ozean- bzw. sauerstoffarme Minimalzonen (OMZs))4,5,6. Beispielsweise herrschen in AMZs im östlichen tropischen Nordpazifik (ETNP) und im östlichen tropischen Südpazifik (ETSP) nanomolare Sauerstoffbedingungen, die die Reduktion von NO3− zu NO2− und weiter reduzierte Stickstoffprodukte ohne Anreicherung von Schwefelwasserstoff (H2S) unterstützen (Abb. 1a). Im Gegensatz dazu weisen Küstenauftriebssysteme wie der Benguela-Auftrieb vor der Küste Namibias episodische Verschiebungen des Sauerstoffmangels auf, was die Entstehung vorübergehender Sulfidfahnen begünstigt (Abb. 1a). Anoxische sulfidische Bedingungen herrschen auch in Küstenfjorden wie dem Saanich Inlet (SI), wo Gletscherschwellen die Wassermassenzirkulation einschränken. Sulfidische Bodenverhältnisse werden auch in Randmeeren wie der Ostsee beobachtet (Abb. 1a).

Geochemische Profile der Sauerstoffminimumzone (OMZ) und der anoxischen Meereszone (AMZ) sowie globale Karte der Probenahmeorte. (a) Die verschiedenen geochemischen Profile sauerstoffarmer Meeresgewässer werden schematisch dargestellt (modifiziert nach Ulloa et al., 2012)4. Durchgezogene Linien stellen beobachtete Daten dar, während die gestrichelte Linie ein sporadisches Akkumulationsereignis darstellt. (b) OMZ- und AMZ-Probenahmestellen für Einzelzell-amplifizierte Genome (SAGs) sind angegeben. Die Gesamtzahl (weiß) und sequenzierter (schwarz) SAGs, die von jedem Standort erhalten wurden, werden mit einem Kreis proportional zur entsprechenden Anzahl von Proben im Datensatz gekennzeichnet. Der Ozean ist entsprechend dem niedrigsten mittleren statistischen Wert für die Sauerstoffkonzentration gefärbt, der für jedes 1°- und 5°-Gitter im jährlichen NOAA-Weltozeanatlas 2018119 angegeben ist, wobei weiße Gitter Orte anzeigen, an denen keine Daten zur Sauerstoffkonzentration verfügbar waren. Zu den Probenahmestellen aus ozeanischen Mittelgewässern gehören der North Pacific Subtropical Gyre (NPSG) und der South Atlantic Subtropical Gyre (SASG). Zu den Probenstandorten aus OMZs mit niedrigem Sauerstoffgehalt gehört der Nordöstliche Subarktische Pazifik (NESAP). Zu den Probenstandorten von AMZs gehören der Eastern Tropical North Pacific Gyre (ETNP) und der Eastern Tropical South Pacific Gyre (ETSP). Zu den Standorten küstennaher Auftriebssysteme mit kurzzeitig sulfidischen Böden zählen der Eastern South Pacific Coastal Upwelling (ESPCU) und der Benguela Coastal Upwelling (Benguela). Zu den Probenahmestellen aus sulfidischen Grundbecken gehören das Saanich Inlet (SI) und die Ostsee. Die Geolokalisierungskoordinaten und die Anzahl der Proben für jeden Standort sind in Tabelle 1 aufgeführt.

Unterschiedliche geochemische Profile innerhalb von OMZs und AMZs erzeugen ökothermodynamische Gradienten7, die den gekoppelten biogeochemischen Kreislauf von Kohlenstoff, Stickstoff und Schwefel durch kosmopolitische und endemische Mikroorganismen antreiben, die an das Leben unter sauerstoffarmen Bedingungen angepasst sind (Übersicht in 2,3,4,8). Zu verstehen, wie diese metabolischen Wechselwirkungen zum Stickstoffverlust und zur Produktion klimaaktiver Spurengase beitragen, ist eine entscheidende Herausforderung9,10,11,12. Die globale Erwärmung verschärft den Sauerstoffmangel in der Wassersäule durch thermische Schichtung und Veränderungen in der Wassermassenzirkulation, was zu einer Erweiterung und Intensivierung von OMZ und AMZ führt13,14,15. Andere Faktoren, einschließlich übermäßiger Nährstoffeinträge (Eutrophierung), tragen ebenfalls zum Sauerstoffmangel an Küsten und Randmeeren bei15,16,17,18. Bemühungen zur Modellierung gekoppelter biogeochemischer Kreisläufe innerhalb von OMZs und AMZs unter Verwendung sowohl genzentrischer als auch genomaufgelöster metagenomischer Ansätze haben wichtige mikrobielle Populationen identifiziert, die direkt von der Verfügbarkeit verbesserter Genomassemblierungen mit erhöhter taxonomischer Auflösung profitieren würden19,20.

Die kultivierungsunabhängige Shotgun-Sequenzierung des gesamten Genoms bietet direkte Einblicke in die Struktur und Funktion mikrobieller Gemeinschaften in natürlichen und technischen Umgebungen21,22,23,24,25,26,27. Mit der Verbesserung der Sequenzierungstechnologien wird es möglich, Genome aus Metagenomen mit zunehmender taxonomischer Auflösung zusammenzusetzen20. Trotz der zunehmenden Abhängigkeit von metagenomassemblierten Genomen (MAGs) bleiben jedoch einige Herausforderungen bestehen, darunter die Lösung der Populationsmikroheterogenität28, unvollständige oder chimäre Genomassemblierungen (entweder durch Assemblierung oder Binning), Abdeckungsverzerrungen und die begrenzte Verfügbarkeit taxonomisch charakterisierter Referenzgenome für Kreuzvalidierung29,30,31. Fortschritte bei der fluoreszenzaktivierten Zellsortierung (FACS) und Sequenzierungstechnologien ermöglichen die Untersuchung nicht kultivierter Mikroorganismen auf der Ebene einzelner Zellen und liefern genauere taxonomische Markierungen und zugehörige mobile genetische Elemente (MGEs)32,33,34,35,36,37,38 . Die daraus resultierenden Single-Cell Amplified Genomes (SAGs) und MGEs wurden verwendet, um das Kodierungspotenzial der „mikrobiellen dunklen Materie“39 zu beleuchten, genaue Verknüpfungen zwischen Taxonomie und Funktion bereitzustellen, die den biogeochemischen Kreisläufen zugrunde liegen20,21,30,40, und um die Optimierung des Genoms zu bewerten41, gut Skalenpopulationsstruktur28,37,42 und Virus-Wirt-Dynamik43. Die jüngste Veröffentlichung der Global Ocean Reference Genomes Tropics oder GORG-Tropics bietet ein wertvolles Kompendium taxonomisch definierter SAGs mit mehr als 12.000 Teilgenomsequenzen aus tropischen und subtropischen euphotischen Ozeangewässern44. Obwohl eine kleine Teilmenge der GORG-Tropics-SAGs aus „ozeanischen Mittelwassergewässern mit niedrigem Sauerstoffgehalt“ (2.136 von 20.288 sequenzierten SAGs)44 gesammelt wurde, sind sauerstoffarme Meeresgewässer angesichts ihrer erheblichen biogeochemischen Auswirkungen auf die Funktionen und Dienstleistungen mariner Ökosysteme nach wie vor deutlich unterrepräsentiert.

Hier präsentieren wir ein globales Kompendium bakterieller und archaischer SAGs aus OMZs und AMZs. Dieses Kompendium enthält 5.129 taxonomisch identifizierte SAGs, die mithilfe einer Kombination gezielter und nicht gezielter Zellsortierungsmethoden abgeleitet und aus Umgebungen isoliert wurden, die das gesamte Spektrum geochemischer Profile vorhandener, sauerstoffarmer Meeresgewässer abdecken4 (Abb. 1). Derzeit wurden 3.570 dieser SAGs auf der Grundlage etablierter Genomstandards45 sequenziert, zusammengesetzt und dekontaminiert (Abb. 2, S1a-c). Sequenzierte und zusammengesetzte SAGs wurden über die Microbial Genome Annotation Pipeline46 zur Genvorhersage und funktionellen Annotation verarbeitet und sind über die Integrated Microbial Genome Platform (IMG; https://img.jgi.doe.gov/)47 oder IMG/ProPortal verfügbar ( https://img.jgi.doe.gov/proportal). Die Sammlung von SAG-Sequenzen stellt eine unschätzbare Ressource dar, um Stoffwechselmerkmale abzuleiten, Populationsstrukturen aufzuklären und räumliche und zeitliche Trends relevanter taxonomischer Abstammungslinien innerhalb der OMZ- und AMZ-Mikrobiome zu bewerten.

Überblick über den Arbeitsablauf zur Verarbeitung und Generierung mikrobieller Single-Cell Amplified Genomes (SAGs). Ein detaillierteres Schema ist in den Zusatzinformationen (Supplemental Figure S1-S3) (modifiziert nach Rinke et al., 2013)50 dargestellt.

Während verschiedener ozeanografischer Kreuzfahrten in verschiedenen OMZs und anoxischen Gewässern wurden etwa 1–2 ml Meerwasserproben in doppelter oder dreifacher Ausfertigung gesammelt (Abb. 1 und Tabelle 1). Die Proben wurden in sterile Kryoröhrchen gegeben und mit einem der folgenden Kryoschutzmittel versetzt: Glycinbetain (6 % [v/v] Endkonzentration39,48), Glycerin (10 % [v/v] Endkonzentration28,49) oder Glycerin-TE Puffer39,50. Die Meerwassersammlung in der Umwelt wurde mit einer Niskin-Flaschenrosette oder einem Pump-Profiling-System für die NBP13-05-Kreuzfahrt (ETSP; R/V Nathaniel B. Palmer, 5.–7. Juli 2013) durchgeführt, ausgestattet mit einem Leitfähigkeits-Temperatur-Tiefenmessgerät Profiler, Sensor für gelösten O2, Fluorometer und Transmissometer. Während der BiG RAPA-Kreuzfahrt (ETSP, vor der Küste Chiles, 19. November 2010, 55 m Tiefe) wurde ein modifiziertes Probensammelprotokoll verwendet, das zunächst an Deck angereichert wurde, um chlorophyllhaltige Mikroorganismen zu selektieren51. Dreifache Proben wurden durch ein 60 μm großes Netz geleitet und durch ein InfluxTM-Durchflusszytometersystem (BD Biosciences) sortiert. Ungefähr 4.000 Zellen wurden in 1 ml sterilen Glycerin-TE-Puffer sortiert. Die Sortierung wurde basierend auf dem Pigmentgehalt der Partikel im roten Emissionskanal (angeregt durch den 488-Laser) ausgelöst, wobei vorwärts gestreutes Licht als Proxy für die Partikelgröße verwendet wurde. Alle Proben wurden in flüssigem Stickstoff kryokonserviert und dann bei –80 °C gelagert, bevor sie zur Erzeugung eines amplifizierten Einzelzellgenoms verarbeitet wurden.

Die Proben wurden aufgetaut und mikrobielle Zellen im Single Cell Genomics Center (SCGC) des Bigelow Laboratory for Ocean Sciences oder am Joint Genome Institute (JGI) sortiert. Die Proben wurden durch ein steriles 40-μm-Netz geleitet, bevor die Mikroorganismen entweder durch ein nicht gezieltes Isolierungsverfahren oder durch eine spezifische Selektion auf Cyanobakterien sortiert wurden. Zur Nicht-Ziel-Isolierung wurden die mikrobiellen Partikel mit einer Endkonzentration von 5 μM des DNA-Farbstoffs SYTO-9 (Thermo Fisher Scientific) markiert. Mikrobielle Zellen wurden einzeln mit einem MoFloTM (Beckman Coulter) oder einem InFluxTM (BD Biosciences) Durchflusszytometersystem sortiert, das mit einem 488-nm-Laser zur Anregung und einer 70-μm-Düsenöffnung ausgestattet war52. Die Tore für die ungezielte Isolierung von mit SYTO-9 gefärbten mikrobiellen Zellen wurden auf der Grundlage der grünen Fluoreszenz der Partikel als Indikator für den Nukleinsäuregehalt und des seitlich gestreuten Lichts als Indikator für die Partikelgröße definiert. Zur Isolierung von Cyanobakterienzellen wurden Gates basierend auf der Autofluoreszenz im roten Emissionskanal definiert. Basierend auf dem Verhältnis der grünen (SYTO-9-DNA-Markierung) zur roten (Chlorophyllgehalt) Fluoreszenz wurde eine verbesserte Unterscheidung zwischen Cyanobakterienzellen und Detritalpartikeln durchgeführt. Das Zytometer wurde im „Single-1-Drop“-Modus auf die Seitenstreuung getriggert. Alle mikrobiellen Einzelzellen wurden in Platten mit 384 Vertiefungen sortiert, die 600 nL 1X TE-Puffer pro Vertiefung enthielten, und dann bis zur weiteren Verarbeitung bei –80 ° C gelagert. Eine Untergruppe mikrobieller Zellen, die die mit dem Präfix „AAA001“ identifizierten SAGs erzeugten (Teil der am SASG in 800 m Tiefe gesammelten SAGs), wurde in „prepGEMTM Bacteria Reaction Mix“ (ZyGEM) sortiert48. Für im Bigelow Single Cell Genomics Center verarbeitete Proben wurden 64 der 384 Vertiefungen auf jeder Platte als Negativkontrollen verwendet (keine Tröpfchenablagerung) und 3 Vertiefungen enthielten jeweils 10 Zellen, die als Positivkontrollen dienten.

Die in TE-Puffer sortierten mikrobiellen Einzelzellen wurden wie zuvor beschrieben durch Zugabe von entweder kaltem KOH53 oder 700 nl eines Lysepuffers bestehend aus 0,4 mM KOH, 10 mM EDTA und 100 mM Dithiothreitol52 lysiert. Die Proben wurden 10 Minuten lang entweder bei 4 oder 20 °C inkubiert, wobei die Proben mit kaltem KOH bzw. Lysepuffer lysiert wurden. In den „prepGEMTM Bacteria-Reaktionsmix“ sortierte mikrobielle Zellen wurden zunächst gemäß den Anweisungen des Herstellers lysiert und dann durch das Kalt-KOH-Lyseverfahren verarbeitet48. Die mikrobiellen Nukleinsäuren wurden dann in einzelnen Vertiefungen im gesamten Genom amplifiziert, entweder durch traditionelle Phi29-vermittelte „Legacy Multiple Displacement Amplification“ (L-MDA39,53) oder unter Verwendung einer thermostabileren Phi29-Polymerase über „Whole Genome Amplification-X“ (WGA- X52). Die Produkte dieses Verfahrens werden hier als SAGs bezeichnet.

Während WGA-X-generierte Einzelzell-Genomamplifikationsprodukte nicht taxonomisch vorgescreent wurden, wurden fast alle SAGs, die mit L-MDA mit der nicht thermostabilen Polymerase verarbeitet wurden, taxonomisch durch Sequenzierung von Genamplikons kleiner ribosomaler RNA-Untereinheiten (SSU oder 16 S rRNA) identifiziert. Sowohl bakterielle (27-F: 5′- AGAGTTTGATCMTGGCTCAG -3′54, 907-R: 5′- CCGTCAATTCMTTTRAGTTT -3′55) als auch archaische Primer (Arc_344F: 5′- ACGGGGYGCAGCAGGCGCGA -3′56, Arch_915R: 5′- GTGCTCCCCCGCCAATTCCT -3′57) verwendet. Echtzeit-PCR und Sequenzierung der resultierenden Amplikons wurden wie zuvor beschrieben durchgeführt39,52. Die resultierenden SSU-rRNA-Gen-Amplikonsequenzen wurden mit der SILVA-Datenbank v138.158 mit Blastn von BLAST + v2.9.059 abgefragt. Der Top-Blastn-Treffer (dh höchste Abdeckung, Bit-Score und Identität sowie niedrigster E-Wert) wurde als primäre taxonomische Klassifizierung für jede vorab überprüfte SAG verwendet (Tabelle S1)60. Darüber hinaus wurden SSU-rRNA-Gen-Amplikonsequenzen anhand der NCBI-RefSEQ v2021-08-14-Datenbank61 abgefragt. Die Top-Treffer wurden anhand derselben oben beschriebenen Kriterien ermittelt und hier als sekundäre taxonomische Zuordnungen der SAGs bezeichnet (Tabelle S1)60. Als „nicht klassifiziert“ gekennzeichnete Sequenzen wiesen keine signifikante Sequenzhomologie zu den Referenzen in diesen Datenbanken auf (Tabelle S1)60.

Zur Zuordnung der Taxonomie zu den SAGs wurden zwei Methoden verwendet. Zunächst wurden taxonomische Zuordnungen für durch L-MDA erzeugte SAGs durchgeführt, indem SSU-rRNA-Gensequenzen direkt aus den gesamten Genomanordnungen oder aus den oben beschriebenen Amplifikaten extrahiert wurden. Für alle durch das WGA-X-Verfahren generierten SAGs, die vor der Genomsequenzierung nicht auf phylogenetische Marker untersucht wurden, wurde eine Suche durchgeführt, um SSU-rRNA-Gensequenzen > 500 bp innerhalb der Genomanordnung zu identifizieren (ergänzende Abbildung S2). Diese Suche wurde über das Integrated Microbial Genomes & Microbiome System (IMG/M, https://img.jgi.doe.gov/m/) basierend auf seiner Genvorhersage- und Annotationspipeline (siehe unten)45,46 durchgeführt. Darüber hinaus wurden SSU-rRNA-Sequenzen aus einer Untergruppe von SAG-Baugruppen mit dem Arbeitsablauf „Wiederherstellung ribosomaler RNA-Gensequenzen“ mit Anvi'o v7.062 wiederhergestellt. Diese SSU-rRNA-Gensequenzen wurden wie oben beschrieben verarbeitet, um eine Taxonomie zuzuordnen (Tabelle S1)60. Da 1.281 SAGs keine ausreichenden SSU-rRNA-Gensequenzinformationen lieferten (Tabelle S2)60, wurden alle SAG-Assemblys auch über das Genome Taxonomy Database Tool Kit GTDB-Tk v2.1.063,64,65,66,67,68,69 verarbeitet. 70 mit GTDB R07-R207_v271,72,73 Referenzdaten für die taxonomische Zuordnung mehrerer Standorte. Dies ermöglichte die taxonomische Identifizierung von SAGs, denen SSU-rRNA-Gensequenzen fehlen, und bot eine zusätzliche Referenz im Vergleich zu denen, die durch teilweise oder vollständige phylogenetische Markersequenzen zugewiesen wurden. Die Anzahl der taxonomischen Zuordnungen, die mit beiden Methoden generiert wurden, ist in Tabelle S360 aufgeführt, wobei die Zuordnungen in Tabelle S160 verfügbar sind.

SAGs wurden wie zuvor beschrieben39,52 sequenziert und ihre Lesevorgänge mithilfe von SPAdes v2.2.10 bis v3.10.074 zu Contigs zusammengesetzt. Contigs von <2.000 bp wurden aus SAG-Assemblies entfernt. Anschließend wurden Vollständigkeit und Kontaminationsgrad der SAG-Baugruppen mit CheckM v1.2.175 ermittelt. Um die etablierten Genomstandards45 einzuhalten, wurden Baugruppen mit einer geschätzten Kontamination von mehr als 5 % durch ProDeGe v2.2 bis v2.376 laufen gelassen, um die widersprüchlichen Contigs zu eliminieren, bis sich ihre Kontaminationsschätzungen nicht mehr verbesserten. Die Kontaminations- und Vollständigkeitsgrade für diese SAGs wurden dann mit CheckM v1.2.175 neu bewertet und diejenigen, die immer noch über 5 % Kontamination lagen, wurden manuell über die in Anvi'o v562 verfügbaren Workflows „Metagenomics Workflow“ und „Refining MAG Bin“ dekontaminiert.

Insgesamt 14 SAGs überstiegen die Kontamination von 5 %, nachdem sie durch die ProDeGe-Dekontaminationspipeline76 und Short-Contig-Trimmung verarbeitet wurden (Tabelle S5)60. Diese SAGs wurden manuell mit Anvi'o v5 unter Verwendung der Workflows „Metagenomics Workflow“ und „Refining MAG bin“62 dekontaminiert. Für jede dieser SAGs wurde eine Contig-Datenbank und das entsprechende Hidden-Markov-Modell für jede Datenbank generiert. Die Taxonomie für jedes Gen wurde dann mithilfe der Centrifuge Database77 zugewiesen. Eine zusätzliche manuelle Kuration dieser SAGs wurde unter Verwendung einer unterschiedlichen Abdeckung jeder SAG basierend auf metagenomischen Messwerten aus Saanich Inlet-Metagenomen durchgeführt (August 2011 100 m, 150 m und 2012 100 m, 150 m). Bioproben SAMN05224439, SAMN05224444, SAMN05224441, SAMN0522 4518, BioProjekt PRJNA247822)78. Rohe metagenomische Lesevorgänge wurden mit bwa v0.7.17-r118879 und samtools v1.6-19-g1c03df680 zugeordnet. Anvi-Profildatenbanken wurden für jede SAG unter Verwendung der Contig-Datenbanken und der Lesezuordnungsdateien generiert. Einzelne Contigs wurden manuell über die interaktive Schnittstelle basierend auf taxonomischer Identität, durchschnittlicher Tetranukleotididentität und geringer Differenzialabdeckung entfernt. Die neuen Baugruppen wurden als Fasta-Dateien exportiert und mit CheckM neu bewertet.

Nachdem CheckM auf allen dekontaminierten SAG-Baugruppen durchgeführt wurde, wurde die Qualität jeder SAG auf der Grundlage von Bowers et al. bestimmt. 201745. SAGs, deren geschätzte Vollständigkeit <50 % betrug, wurden als SAGs von geringer Qualität betrachtet. SAGs mit einer geschätzten Vollständigkeit von ≥ 50 % und einer geschätzten Kontamination von < 10 % wurden als mindestens mittelmäßig eingestuft. Um festzustellen, ob eine SAG von hoher Qualität war, müssen SAGs zusätzlich zu einer geschätzten Vollständigkeit von >90 % und einer geschätzten Kontamination von <5 % über 23 S-, 16 S- und 5 S-rRNA-Gene und mindestens 18 tRNAs in der endgültigen Anordnung verfügen . Um die rRNAs und tRNAs zu identifizieren und zu quantifizieren, wurden SAGs durch Barrnap v0.9 (https://github.com/tseemann/Barrnap)81 bzw. tRNA-SE v2.0.1182 geleitet. Alle SAGs mit einer geschätzten Vollständigkeit von >90 % und einer geschätzten Kontamination von <5 %, denen jedoch ein oder mehrere rRNA-Gene mit mindestens 18 tRNAs fehlten, wurden als mittlere Qualität eingestuft. Die rRNA- und tRNA-Zahlen sowie die Qualitätsklassifizierungen für jede SAG finden Sie in Tabelle S160.

Alle Genomassemblierungen wurden über die IMG-Plattform des Joint Genome Institute und mithilfe der JGI Microbial Genome Annotation Pipeline46 annotiert. Die Systeme IMG (https://img.jgi.doe.gov/) oder IMG/ProPortal (https://img.jgi.doe.gov/proportal) hosten alle endgültig zusammengesetzten und dekontaminierten SAG-Sequenzen mit Genaufrufen und Funktionen Anmerkungen, die über diese Portale öffentlich zugänglich sind. Alle IMG-Zugangsnummern für sequenzierte SAGs werden bereitgestellt (Tabelle S1)60.

Die wiederhergestellten SSU-rRNA-Gen-Amplikonsequenzen, die die variable Region V4-V5 abdecken, wurden unter Verwendung von CD-Hit83,84,85 mit 97 % Identität geclustert und ihnen wurden Identifikatoren basierend auf einer repräsentativen Sequenz aus jedem Cluster zugewiesen. Basierend auf der taxonomischen Identität dieser repräsentativen Sequenzen wurde der Anteil der mit jedem Cluster verbundenen SAGs pro Probe bestimmt. Diese Proportionen wurden verwendet, um Bray-Curtis-Dissimilaritätsindizes mit dem Befehl vegdist() im veganen R-Paket v2.5-786 zu berechnen. Die Proben wurden basierend auf der Bray-Curtis-Unähnlichkeit geclustert, wobei eine durchschnittliche Verknüpfungsmethode für hierarchisches Clustering unter Verwendung des Befehls hclust in Basis R verwendet und visualisiert wurde (Abb. 3).

Eine SAG-basierte Bewertung der mikrobiellen Zusammensetzung in allen OMZs. Das Punktdiagramm stellt die taxonomische Bezeichnung und den Anteil der anonym sortierten SAGs dar, die in jeder Taxa auf Stammebene und in Proteobakterien auf Klassenebene von jedem Standort aus sequenziert wurden (farbiger Punkt). Die darunter liegenden grauen Punkte stellen SAGs dar, die gesammelt und taxonomisch gescreent, aber derzeit nicht sequenziert wurden. Die Taxonomie wurde durch SSU-rRNA-Gen-Amplikonsequenzen gemäß SILVA v138.1 bestimmt. Die Punktfarbe stellt die Sauerstoffkonzentration in der Umgebung zum Zeitpunkt der Probenahme dar. Die Probenahmeorte wurden entsprechend der Ähnlichkeit der an jedem Ort gesammelten taxonomischen SAG-Zusammensetzung gruppiert. Die Clustering-Skala stellt die Bray-Curtis-Unterschiede zwischen der mikrobiellen Vielfalt an jedem Standort basierend auf SAG-Sequenzinformationen dar. Anmerkungsbalken geben den DNA-Amplifikationstyp und den OMZ-Typ an. Die Standortinformationen sind farbcodiert, wie für die DNA-Amplifikationsmethode, den OMZ- oder AMZ-Typ und die Sauerstoffkonzentration zum Zeitpunkt der Probenahme dargestellt. Die Namen der Probenahmeorte werden an den Spitzen des Dendrogramms als „Standort_Tiefe (m)_Sammelmonat und/oder Jahr“ bezeichnet. Standort-Akronyme entsprechen: Saanich Inlet (SI), Northeastern Subarctic Pacific (NESAP), North Pacific Subtropical Gyre (NPSG), Eastern Tropical North Pacific (ETNP), Eastern Tropical South Pacific (ETSP), Eastern South Pacific Coastal Upwelling (ESPCU). , Benguela-Küstenauftrieb (Benguela), Südatlantischer subtropischer Gyre (SASG) und die Ostsee (Baltic).

Datei 1: Tabelle S1. OMZ SAG-Bioproben mit zugehörigen Kreuzfahrt- und Geolokalisierungsmetadaten. Diese Datei enthält alle Bioprojekt- und Bioproben-Zugänge, IMG-Genom-IDs, SRA-Zugänge, Genbank-Zugänge, CheckM-Ausgaben, GTDB-tk-Ausgaben und SSU-rRNA-BLAST-Ergebnisse. Sie finden sich in: Tabelle S1_Metadata-template-Bio-Med-SAGdescriptor-OMZ_April_06_2023. xlsx (10.6084/m9.figshare.20481603)60.

Datei 2: Tabelle S2. Anzahl der mit jeder DNA-Amplifikationsmethode generierten SAGs und wie viele wiederherstellbare SSU-rRNA-Gensequenzen aus jedem Datensatz wiederhergestellt wurden. Beachten Sie, dass es einige Proben gibt, die sowohl vom Amplikon als auch vom gesamten Genom abgeleitete SSU-rRNA-Gensequenzen aufweisen. Diese Informationen finden Sie in (10.6084/m9.figshare.20539005)60 und: https://github.com/hallamlab/OMZ_SAG_Compendium_Figures/blob/main/Outputs/Table_S2_Summary_Table_WGA_Approach_Mar_21_2023.csv

Datei 3: Tabelle S3. Anzahl der SAGs, denen eine Taxonomie mit SILVA v138.1 und GTDB-tk v2.1.0 zugewiesen wurde, und ihre zusammenfassenden CheckM-Prozentvollständigkeits- und Kontaminationsschätzungen. Diese Informationen finden Sie in (10.6084/m9.figshare.20539056)60 und: https://github.com/hallamlab/OMZ_SAG_Compendium_Figures/blob/main/Outputs/Table_S3_QA_QC_Summary_Mar_21_2023.csv

Datei 4: Tabelle S4. Primärer und sekundärer Kontakt für jede 384-Mikrotiterplatte, die die in diesem Kompendium verwendeten SAGs enthält. Diese Informationen finden Sie in Tabelle S4_PI_Contact_Info.xlsx (10.6084/m9.figshare.20483595)60.

Datei 5: Ein als ZIP-Datei komprimiertes TAR-Archiv mit den genomischen Assemblies (10.6084/m9.figshare.20459526)60.fna – Nukleinsäuredatei im Multi-Fasta-Format

Datei 6: Ein als ZIP-Datei komprimiertes TAR-Archiv mit den genomischen SSU-rRNA-Gensequenzen und den partiellen SSU-rRNA-Gen-Amplikonsequenzen, die für die taxonomische Zuordnung verwendet werden, finden Sie in (10.6084/m9.figshare.20537919)60.fna – Nukleinsäuredatei im Multi-Fasta-Format

Datei 7: Tabelle S5. Eine XLSX-Datei mit der Liste der SAGs, die im Saanich Inlet einer manuellen Dekontamination unterzogen wurden, sowie der Tiefe, aus der sie stammen. Die Tiefen wurden verwendet, um die Metagenomablesungen auszuwählen, die für den manuellen Dekontaminationsprozess verwendet wurden. Diese Tabelle finden Sie in (10.6084/m9.figshare.20538936)60.

Die frühe Implementierung von SAG-Workflows umfasste die MDA anonym sortierter Einzelzellen im 384-Well-Plattenformat, gefolgt von der PCR-Amplifikation ausgewählter phylogenetischer Marker, z. B. des SSU-rRNA-Gens, um SAGs zu identifizieren, die für die Sequenzierung von Interesse sind39. Die jüngste Entwicklung von WGA-X in Verbindung mit Low-Coverage-Genomsequenzierung (LoCoS) bietet einen wirtschaftlicheren Arbeitsablauf zur Identifizierung von Hunderten von SAGs pro Probe ohne potenzielle PCR-Verzerrung52. Gezielte Sortiermethoden basierend auf den spektralen Eigenschaften von Zellen oder Substraten wurden auch auf die SAG-Selektion und -Sequenzierung angewendet, einschließlich der Bindung von Cyanobakterien und Zellen an fluoreszierend markierte Substrate wie Cellulose87,88,89. Obwohl das SSU-rRNA-Gen nach wie vor einer der am häufigsten verwendeten phylogenetischen Marker ist und über gut etablierte und kuratierte Datenbanken (z. B. SILVA58) verfügt, sind phylogenetische Multi-Locus-Zuordnungstools wie GTDB-Tk63,64,65,66,67,68, 69,70 generieren mit mehr Informationen gleichermaßen gültige Ergebnisse. Für dieses Kompendium wurde die mikrobielle Vielfalt anhand taxonomischer Markierungen und Häufigkeitsinformationen für SAGs bewertet, die mithilfe nicht zielgerichteter Zellsortierungsansätze sequenziert wurden. Allerdings stimmten nicht alle SAGs mit ihrer SSU-rRNA-Gentaxonomie überein, da entweder ihre Amplikonsequenzen zu kurz waren (188 L-MDA-SAGs mit <500 bp-Amplikons; Tabelle S2) oder bei der zufälligen Genomamplifikation kein SSU-rRNA-Gen gewonnen wurde (dh 1.093 WGA-X SAGs; Tabelle S2). Daher wurde für alle SAGs ein zusätzlicher taxonomischer Klassifikator durchgeführt, der auf der Zuordnung des gesamten Genoms unter Verwendung von GTDB-Tk63,64,65,66,67,68,69,70 basierte. Beide Klassifizierungssätze sind in Tabelle S1 aufgeführt. Die hierarchische Clusterbildung (von 3.217 SAGs, die eine zuweisbare V4-V5-SSU-rRNA-Gen-Amplikonsequenz enthielten) ergab eine höhere Ähnlichkeit zwischen denen aus Tiefen und geografischen Standorten mit ähnlichen Sauerstoffbedingungen (Abb. 3), ein Ergebnis, das mit früheren Beobachtungen übereinstimmt2,3,4 ,8. Es sollte auch beachtet werden, dass viele der mit der WGS-X-Methode amplifizierten SAGs aus stark sauerstoffhaltigen Proben stammten, die ähnliche taxonomische Zusammensetzungen aufwiesen und daher in Clustern zusammengefasst waren. Basierend auf diesen Informationen sollten die hier vorgestellten OMZ- und AMZ-SAG-Sequenzen dazu dienen, frühere SAG-Sammlungen aus (sauerstoffhaltigem) euphotischem Ozeanwasser zu ergänzen 44, 49.

Dieses Kompendium soll eine kritische Lücke in taxonomisch markierten Referenzgenomen aus sauerstoffarmen Meeresgewässern schließen. Die enthaltenen SAG-Sequenzen wurden mithilfe etablierter Montage- und Dekontaminationsabläufe verarbeitet. Für Nutzer, die an der Nutzung zukünftiger Softwareversionen oder der Implementierung alternativer Arbeitsabläufe interessiert sind, stehen jedoch auch Links zu den Rohdaten zur Verfügung. Jeder Ansatz sollte darauf abzielen, kontaminierende Sequenzen zu erkennen, die mit FACS (Kosortierung von zwei oder mehr Zellen in einer einzigen Vertiefung, DNA-Kontamination aus der Umgebung) und WGA (Reagenzienkontamination) zusammenhängen90. Es ist wichtig zu betonen, dass SAG-Sequenzen häufig MGEs, einschließlich Plasmide und Viren, enthalten43,91,92,93. Diese Sequenzen werden typischerweise während des Dekontaminationsprozesses herausgefiltert, obwohl die Unterscheidung zwischen endogenen chromosomalen Intervallen wie Inseln oder Prophagen von MGEs eine sorgfältige manuelle Kuration erfordert. An MGEs interessierte Benutzer werden aufgefordert, vor der Dekontamination mit den Rohdaten oder ersten Baugruppen zu arbeiten. Beachten Sie, dass die von CheckM erhaltenen Schätzungen der Genom-Assembly-Kontamination mit Vorsicht gehandhabt werden sollten, da dieses Tool dazu neigt, sowohl die Vollständigkeit als auch die Kontamination zu über- oder zu niedrig einzuschätzen94. Wie oben beschrieben, haben die jüngsten Fortschritte bei MDA unter Verwendung von WGA-X zu einer verbesserten SAG-Vervollständigung geführt, und die Einführung von LoCoS hat die Notwendigkeit eines SSU-rRNA-Gen-Amplikon-Screenings überflüssig gemacht, um SAGs auszuwählen, die für die Sequenzierung von Interesse sind52. Die in diesem Kompendium enthaltenen Sequenzen umfassen sowohl ältere als auch modernere SAG-Sequenzierungsansätze. Die Ergebnisse werden durch die Darstellung von SSU-rRNA-Genen und taxonomischen Zuordnungen an mehreren Standorten basierend auf SILVA, NCBI und GTDB integriert.

Trotz der mit WGA-X52 eingeführten Verbesserungen führt die Einzelzellgenomik ausnahmslos zu unvollständigen Genomassemblierungen (Abb. 4, ergänzende Abbildung S4). Diese Einschränkung kann teilweise überwunden werden, wenn aus derselben Probe mehrere SAGs mit extrem hoher Nukleotididentität gewonnen werden. Solche eng verwandten Sequenzen können gemeinsam analysiert werden, was eine vollständigere metabolische Rekonstruktion7,33,42,51 ermöglicht, oder zur Erzeugung kombinierter Baugruppen50,95 verwendet werden. Darüber hinaus können Genome auf Populationsebene durch Hybridanordnungen erhalten werden, die SAG-Sequenzen und metagenomische Sequenzen kombinieren96,97. In allen Fällen sollten SAG-Contigs qualitätsgefiltert werden, um das Vorhandensein kontaminierender Sequenzen zu eliminieren und etablierte Genomstandards einzuhalten45. Alle hier gemeldeten SAG-Baugruppen wurden gründlich dekontaminiert und erreichten eine Kontamination von <5 % bei allen mit Ausnahme von vier SAGs (die nur eine Kontamination zwischen 5 und 10 % aufwiesen; Abb. 4, ergänzende Abbildung S4, Tabelle S2).

CheckM-Vollständigkeits- und Kontaminationsschätzungen sequenzierter SAGs für alle sequenzierten SAGs, wobei die Punktgröße die Assemblierungslänge in Megabase Pairs (MBP) darstellt. Davon stellt die durchgezogene Linie den geschätzten Vollständigkeits- und Kontaminationsschwellenwert für SAGs mittlerer Qualität dar (> = 50 % Vollständigkeit, <10 % Kontamination) und die gestrichelte Linie stellt den Schwellenwert für SAGs hoher Qualität dar (> 90 % Vollständigkeit, < 5 % Kontamination). )45. Die Diagramme sind basierend auf (a) der Region, (b) dem OMZ-Ökotyp, (c) der Tiefe, (d) der Sauerstoffkonzentration in der Umgebung, (e) der DNA-Amplifikationsmethode und (f) der taxonomischen Gruppe (Klassenebene für Proteobakterien, Stammebene) gefärbt für andere Taxa) gemäß SILVA v138.1. Beachten Sie, dass SAGs mit einer geschätzten Kontamination von mehr als 5 % aus dieser Zahl ausgeschlossen wurden.

Viele in diesem Kompendium enthaltene SAGs wurden nicht sequenziert und die DNA verbleibt im Speicher. Benutzer werden ermutigt, unterrepräsentierte Mikroorganismen aus OMZ- und AMZ-Mikrobiomen auf der Grundlage der bereitgestellten taxonomischen Informationen zu identifizieren, die für die Sequenzierung priorisiert und mit der Benutzergemeinschaft geteilt werden können. Gleichzeitig sind wir uns bewusst, dass es auch unterrepräsentierte OMZ- und AMZ-Umgebungen gibt, die in diesem Kompendium nicht berücksichtigt werden. Sequenzen unter anderem aus dem Schwarzen Meer, dem Südchinesischen Meer, dem Arabischen Meer und dem Golf von Bengalen würden eine aussagekräftigere Darstellung sauerstoffarmer Meeresgewässer zur Verwendung in vergleichenden Studien und Modellierungsbemühungen liefern. Schließlich können die in diesem Kompendium enthaltenen SAG-Sequenzen als taxonomisch charakterisierte Referenzgenome verwendet werden, um metagenomische Datensätze aus Meeresumgebungen zu rekrutieren, Methoden zur Signalwegvorhersage zu verbessern29,98,99,100,101,102,103,104,105,106 oder Referenzpakete für die genzentrierte Analyse funktioneller Marker zu erweitern107.

Die Skripte, die zur Berechnung der Anzahl der SAGs, der Bray-Curtis-Dissimilaritätsmatrix, verwendet werden, führen den hierarchischen Cluster durch und generieren die Abbildungen. 1b, 3, 4, Ergänzende Abbildungen S4–S8, geschrieben unter R-Version 4.1.3. Diese Skripte nutzen die folgenden R-Pakete: Tidyverse, Egg, Vegan, Dendexted, SF, Rnaturalearth und Rnaturalearthdata erzeugen die in diesem Dokument vorgestellten Tabellen und Abbildungen. Direkte Links zu relevanter Software und Spezifikationen finden Sie online im Hallam Lab Github-Repository https://github.com/hallamlab/OMZ_SAG_Compendium_Figures.

Zu den zusätzlich verwendeten Softwareprogrammen, einschließlich Versionsnummern, einstellbaren Variablen und anderen Parametern, gehören:

Trimmomatic 0,35108: -phred33 LEADING:0 TRAILING:5 SLIDINGWINDOW:4:15 MINLEN:36

ILLUMINACLIP:Trimmomatic-0.35108: /adapters/TruSeq. 3-PE.fa:2:3:10 LEADING:3 TRAILING:3 SLIDINGWINDOW:4:15 MINLEN:36

SPAdes 3.0.0-3.10 74: --careful--sc--phred-offset 33

ProDeGe v2.3.0 76

CheckM v1.2.175: checkm lineage_wf --tab_table -x.fna --threads 8 --pplacer_threads 8

CheckM v1.2.175: checkm qa -o 2 --tab_table

GTDB-Tk v2.1.063,64,65,66,67,68,69,70: gtdbtk classify_wf --genome_dir --out_dir -x.fna --cpus 8

Nucleotide-Nucleotide BLAST 2.9.0+59: blown -query -db -outfmt "6 qacc sacc stitle staxid pident bitscore" -max_target_seqs. 1 -num_threads 4 -out

Nucleotide-Nucleotide BLAST 2.9.0+59: blown -query -db -outfmt "6 qacc stitle pident bitscore" -max_target_seqs. 1 -num_threads 4 -out

Anvi'o v562: anvi-gen-contigs-database -f -o -n

Umgebung v562: anvi-run-hmms -c

Anvi'o v562: anvi-get-sequences-for-gene-calls -c -o

Version v562: $CENTRIFUGE_BASE/p + h + v/p + h + v gene-calls.fa -S centrifuge_hits.tsv

Anvi'o v562: anvi-import-taxonomy-for-genes -c -p

BWA v 0.7.17-r118879:bwa-Index

BWA v 0.7.17-r118879:bwa mem

Samtools v 1.6-19-g1c03df6 (unter Verwendung von htslib 1.6-55-gb065a60)80: samtools view -b F 4

Samtools v 1.6-19-g1c03df6 (unter Verwendung von htslib 1.6-55-gb065a60)80: samtools Index file.sorted.bam

Anvi'o v562: anvi-profile -i -c --min-contig-length 2000 --output.dir --cluster-contigs

Anvi'o v562: anvi-merge path_to_profile1/PROFILE.db path_to_profile2/PROFILE.db -o --skip-concoct-binning

Anvi'o v562: anvi-interactive -p

Anvi'o v562: anvi-summarize -c -p -C

Anvi'o v762: anvi-gen-contigs-database -f -o

Anvi'o v762: anvi-run-hmms -c --num-threads 8

Anvi'o v762: anvi-get-sequences-for-hmm-hits

barrnap81: barrnap --kingdom bac --threads {threads} --outseq {working_dir}/barrnap/*rRNA.fasta {input.fasta_dir}/$g.fasta > {working_dir}/barrnap/$g.rRNA.gff

barrnap v0.982: barrnap --kingdom arc --threads {threads} --outseq {working_dir}/barrnap/*rRNA.fasta {input.fasta_dir}/$g.fasta >{working_dir}/barrnap/$g.rRNA .gff

tRNAscan-SE v 2.0.1182: tRNAscan-SE -B -o {Arbeitsverzeichnis}/trnascan/$g.output.txt -m {Arbeitsverzeichnis}/trnascan/$g.stats.txt -b {Arbeitsverzeichnis}/trnascan/$ g.bed -j {Arbeitsverzeichnis}/trnascan/$g.gff -a {Arbeitsverzeichnis}/trnascan/$g.trna.fasta -l {Arbeitsverzeichnis}/trnascan/$g.log --thread {threads} {input. fasta_dir}/$g.fasta

Revsbech, NP et al. Bestimmung extrem niedriger Sauerstoffkonzentrationen in Sauerstoffminimumzonen durch den STOX-Sensor. Limnol. Ozeanogr.: Methoden. 7, 371-381. (2009).

Wright, JJ, Konwar, KM & Hallam, SJ Mikrobielle Ökologie expandierender Sauerstoffminimumzonen. Nat. Rev. Microbiol. 10, 381–394 (2012).

Artikel CAS PubMed Google Scholar

Jürgens, K. & Taylor, GT Mikrobielle Ökologie und Biogeochemie sauerstoffarmer Wassersäulen in Microbial Ecology of the Oceans (Hrsg. Gasol, JM & Kirchman, DL) 231–288 (John Wiley & Sons, 2018).

Ulloa, O., Canfield, DE, DeLong, EF, Letelier, RM & Stewart, FJ Mikrobielle Ozeanographie anoxischer Sauerstoffminimumzonen. Proz. Natl. Acad. Wissenschaft. USA 109, 15996–16003 (2012).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Thamdrup, B., Dalsgaard, T. & Revsbech, NP Weit verbreitete funktionelle Anoxie in der Sauerstoffminimumzone des östlichen Südpazifiks. Tiefseeres. Pt. I. 65, 36–45 (2012).

Bristow, LA et al. Ammonium- und Nitritoxidation bei nanomolaren Sauerstoffkonzentrationen in Gewässern der Sauerstoffminimumzone. Proz. Natl. Acad. Wissenschaft. USA 113, 10601–10606 (2016).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Hawley, AK et al. Diverse Marinimicrobia-Bakterien können gekoppelte biogeochemische Kreisläufe entlang öko-thermodynamischer Gradienten vermitteln. Nat. Komm. 8, 1507 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Bertagnolli, AD & Stewart, FJ Mikrobielle Nischen in marinen Sauerstoffminimumzonen. Nat. Rev. Microbiol. 16, 723–729 (2018).

Artikel CAS PubMed Google Scholar

Codispoti, LA et al. Die ozeanischen festen Stickstoff- und Lachgashaushalte: Bewegliche Ziele zu Beginn des Anthropozäns? Scientia Marina. 65, 85–105 (2001).

DeVries, T., Deutsch, C., Rafter, PA & Primeau, F. Marine Denitrifikationsraten, bestimmt aus einem globalen 3-D-Inversmodell. Biogeowissenschaften. 10, 2481–2496 (2013).

Naqvi, SWA et al. Marine Hypoxie/Anoxie als Quelle von CH4 und N2O. Biogeosciences 7, 2159–2190 (2010).

Thamdrup, B. et al. Die anaerobe Methanoxidation ist eine wichtige Senke für Methan in der größten Sauerstoffminimumzone des Ozeans. Limnol. Ozeanogr. 64, 2569–2585 (2019).

Stramma, L., Johnson, GC, Sprintall, J. & Mohrholz, V. Expandierende Sauerstoffminimumzonen in den tropischen Ozeanen. Wissenschaft 320, 655–658 (2008).

Artikel ADS CAS PubMed Google Scholar

Schmidtko, S., Stramma, L. & Visbeck, M. Rückgang des globalen ozeanischen Sauerstoffgehalts in den letzten fünf Jahrzehnten. Natur 542, 335–339 (2017).

Artikel ADS CAS PubMed Google Scholar

Carstensen, J., Andersen, JH, Gustafsson, BG & Conley, DJ Sauerstoffentzug der Ostsee im letzten Jahrhundert. Proz. Natl. Acad. Wissenschaft. USA 111, 5628–5633 (2014).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Diaz, RJ & Rosenberg, R. Ausbreitung toter Zonen und Folgen für Meeresökosysteme. Wissenschaft 321, 926–929 (2008).

Artikel ADS CAS PubMed Google Scholar

Malone, TC & Newton, A. Die Globalisierung der kulturellen Eutrophierung im Küstenmeer: ​​Ursachen und Folgen. Vorderseite. Mar. Sci. 7, 670 (2020).

Woodcroft, BJ et al. Genomzentrierte Sicht auf die Kohlenstoffverarbeitung im auftauenden Permafrost. Natur 560, 49–54 (2018).

Artikel ADS CAS PubMed Google Scholar

Louca, S. et al. Integration der Biogeochemie mit multiomischen Sequenzinformationen in einer Modell-Sauerstoffminimumzone. Proz. Natl. Acad. Wissenschaft. USA. 113, E5925–E5933 (2016).

Reed, DC, Algar, CK, Huber, JA & Dick, GJ Genzentrierter Ansatz zur Integration von Umweltgenomik und biogeochemischen Modellen. Proz. Natl. Acad. Wissenschaft. USA. 111, 1879–1884 (2014).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Tyson, GW et al. Gemeinschaftsstruktur und Stoffwechsel durch Rekonstruktion mikrobieller Genome aus der Umwelt. Natur 428, 37–43 (2004).

Artikel ADS CAS PubMed Google Scholar

Iverson, V. et al. Entwirrung von Genomen und Metagenomen: Entdeckung einer nicht kultivierten Klasse mariner Euryarchaeota. Wissenschaft 335, 587–590 (2012).

Artikel ADS CAS PubMed Google Scholar

Wrighton, KC et al. Fermentation, Wasserstoff- und Schwefelstoffwechsel in mehreren unkultivierten Bakterienstämmen. Science 337, 1661–1665 (2012).

Artikel ADS CAS PubMed Google Scholar

Venter, JC et al. Umweltgenom-Shotgun-Sequenzierung der Sargassosee. Wissenschaft 304, 66–74 (2004).

Artikel ADS CAS PubMed Google Scholar

Albertsen, M., Hansen, LBS, Saunders, AM, Nielsen, PH & Nielsen, KL Ein Metagenom einer vollständigen mikrobiellen Gemeinschaft, die eine verbesserte biologische Phosphorentfernung durchführt. ISME J. 6, 1094–1106 (2012).

Artikel CAS PubMed Google Scholar

DeLong, EF et al. Gemeinschaftsgenomik zwischen geschichteten mikrobiellen Ansammlungen im Inneren des Ozeans. Wissenschaft 311, 496–503 (2006).

Artikel ADS CAS PubMed Google Scholar

Sunagawa, S. et al. Struktur und Funktion des globalen Ozeanmikrobioms. Wissenschaft 348, 1261359 (2015).

Artikel PubMed Google Scholar

Kashtan, N. et al. Die Einzelzellgenomik zeigt Hunderte koexistierender Subpopulationen in wildem Prochlorococcus. Wissenschaft 344, 416–420 (2014).

Artikel ADS CAS PubMed Google Scholar

Basher, ARMA, McLaughlin, RJ & Hallam, SJ Stoffwechselweg-Inferenz unter Verwendung einer Multi-Label-Klassifizierung mit umfangreichen Stoffwechselwegmerkmalen. PLoS Comput. Biol. 16, e1008174 (2020).

Artikel Google Scholar

Meziti, A. et al. Die Zuverlässigkeit von Metagenom-assemblierten Genomen (MAGs) bei der Darstellung natürlicher Populationen: Erkenntnisse aus dem Vergleich von MAGs mit isolierten Genomen, die aus derselben Stuhlprobe stammen. Appl. Umgebung. Mikrobiol. 87, e02593-20 (2021).

Sczyrba, A. et al. Kritische Bewertung der Metagenom-Interpretation – ein Maßstab für Metagenomik-Software. Nat. Methoden 14, 1063–1071 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Saak, CC, Dinh, CB & Dutton, RJ Experimentelle Ansätze zur Verfolgung mobiler genetischer Elemente in mikrobiellen Gemeinschaften. FEMS Mikrobiol. Rev. 44, 606–630 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Stepanauskas, R. Abhören mikrobieller Interaktionen durch Einzelzellgenomik. Vorderseite. Mikrobiol. 6, 258 (2015).

Artikel PubMed PubMed Central Google Scholar

Stepanauskas, R. Einzelzellgenomik: ein individueller Blick auf Mikroben. Curr. Meinung. Mikrobiol. 15, 613–620 (2012).

Rinke, C. Einzelzellgenomik der mikrobiellen Dunklen Materie. Methoden Mol. Biol. 1849, 99–111 (2018).

Artikel CAS PubMed Google Scholar

Ishoey, T., Woyke, T., Stepanauskas, R., Novotny, M. & Lasken, RS Genomsequenzierung einzelner mikrobieller Zellen aus Umweltproben. Curr. Meinung. Mikrobiol. 11, 198–204 (2008).

Artikel CAS PubMed PubMed Central Google Scholar

Bowers, RM et al. Analyse der vorherrschenden mikrobiellen Populationen heißer Quellen auf der Grundlage einer gemeinschaftsweiten Probenahme mit genomischer Einzelzellauflösung. ISME J. 16, 1337–1347 (2022).

Artikel CAS PubMed Google Scholar

Woyke, T., Doud, DFR & Schulz, F. Der Verlauf der mikrobiellen Einzelzellsequenzierung. Nat. Methoden 14, 1045–1054 (2017).

Artikel CAS PubMed Google Scholar

Rinke, C. et al. Gewinnung von Genomen aus unkultivierten Umweltmikroorganismen mittels FACS-basierter Einzelzellgenomik. Nat. Protokoll. 9, 1038–1048 (2014).

Artikel CAS PubMed Google Scholar

Pachiadaki, MG et al. Wichtige Rolle nitritoxidierender Bakterien bei der Kohlenstofffixierung im dunklen Ozean. Science 358, 1046–1051 (2017).

Artikel ADS CAS PubMed Google Scholar

Swan, BK et al. Vorherrschende Genom-Straffung und Breitendivergenz planktonischer Bakterien im Oberflächenozean. Proz. Natl. Acad. Wissenschaft. USA 110, 11463–11468 (2013).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Kashtan, N. et al. Grundlegende Unterschiede in der Diversität und genomischen Populationsstruktur zwischen atlantischen und pazifischen Prochlorococcus. ISME J. 11, 1997–2011 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Roux, S. et al. Ökologie und Evolution von Viren, die nicht kultivierte SUP05-Bakterien infizieren, wie durch Einzelzell- und Metagenomik ermittelt. Elife 3, e03125 (2014).

Artikel PubMed PubMed Central Google Scholar

Pachiadaki, MG et al. Darstellung der Komplexität des marinen Mikrobioms durch Einzelzellgenomik. Zelle 179, 1623–1635.e11 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Bowers, RM et al. Mindestinformationen über ein einzelnes amplifiziertes Genom (MISAG) und ein Metagenom-assembliertes Genom (MIMAG) von Bakterien und Archaeen. Nat. Biotechnologie. 35, 725–731 (2017).

Markowitz, VM et al. IMG 4-Version des integrierten Systems zur vergleichenden Analyse mikrobieller Genome. Nukleinsäuren Res. 42, D560–D567 (2014).

Artikel CAS PubMed Google Scholar

Chen, I.-MA et al. IMG/M v.5.0: ein integriertes Datenmanagement- und vergleichendes Analysesystem für mikrobielle Genome und Mikrobiome. Nukleinsäuren Res. 47, D666–D677 (2019).

Artikel CAS PubMed Google Scholar

Swan, BK et al. Potenzial für Chemolithoautotrophie bei allgegenwärtigen Bakterienlinien im dunklen Ozean. Science 333, 1296–1300 (2011).

Artikel ADS CAS PubMed Google Scholar

Berube, PM et al. Einzelzellgenome von Prochlorococcus, Synechococcus und sympatrischen Mikroben aus verschiedenen Meeresumgebungen. Wissenschaft. Daten 5, 180154 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Rinke, C. et al. Einblicke in die Phylogenie und das Kodierungspotential der mikrobiellen Dunklen Materie. Natur 499, 431–437 (2013).

Artikel ADS CAS PubMed Google Scholar

Plominsky, AM et al. Stoffwechselpotential und in situ transkriptomische Profile bisher nicht charakterisierter mikrobieller Schlüsselgruppen, die am gekoppelten Kohlenstoff-, Stickstoff- und Schwefelkreislauf in anoxischen Meereszonen beteiligt sind. Umgebung. Mikrobiol. 20, 2727–2742 (2018).

Artikel CAS PubMed Google Scholar

Stepanauskas, R. et al. Verbesserte Genomwiederherstellung und integrierte Zellgrößenanalysen einzelner nicht kultivierter mikrobieller Zellen und Viruspartikel. Nat. Komm. 8, 84 (2017).

Artikel ADS PubMed PubMed Central Google Scholar

Raghunathan, A. et al. Genomische DNA-Amplifikation aus einem einzelnen Bakterium. Appl. Umgebung. Mikrobiol. 71, 3342–3347 (2005).

Page, KA, Connon, SA & Giovannoni, SJ Repräsentatives Süßwasser-Bakterioplankton, isoliert aus Crater Lake, Oregon. Appl. Umgebung. Mikrobiol. 70, 6542–6550 (2004).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Stackebrandt, E. & Goodfellow, M. Nukleinsäuretechniken in der Bakteriensystematik. (John Wiley & Son Limited, 1991).

Chapelle, FH et al. Eine auf Wasserstoff basierende mikrobielle Gemeinschaft unter der Oberfläche, die von Methanogenen dominiert wird. Natur 415, 312–315 (2002).

Artikel ADS PubMed Google Scholar

Ohene-Adjei, S., Teather, RM, Ivan, M. & Forster, RJ Etablierung von Protozoen nach der Inokulation und Assoziationsmuster methanogener Archaeen im Pansen von Schafen. Appl. Umgebung. Mikrobiol. 73, 4609–4618 (2007).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Quast, C. et al. Das SILVA-Ribosomal-RNA-Gendatenbankprojekt: verbesserte Datenverarbeitung und webbasierte Tools. Nukleinsäuren Res. 41, D590–D596 (2013).

Artikel CAS PubMed Google Scholar

Camacho, C. et al. BLAST+: Architektur und Anwendungen. BMC Bioinformatics 10, 421 (2009).

Artikel PubMed PubMed Central Google Scholar

Anstett, J. et al. Ein Kompendium der amplifizierten Einzelzellgenome von Bakterien und Archaeen aus sauerstoffarmen Meeresgewässern Figshare https://doi.org/10.6084/m9.figshare.c.6137379.v5 (2022).

O'Leary, NA et al. Referenzsequenzdatenbank (RefSeq) am NCBI: aktueller Status, taxonomische Erweiterung und funktionale Annotation. Nukleinsäuren Res. 44, D733–D745 (2016).

Artikel PubMed Google Scholar

Eren, AM et al. Anvi'o: eine fortschrittliche Analyse- und Visualisierungsplattform für Omics-Daten. PeerJ. 3, e1319 (2015).

Chaumeil, P.-A., Mussig, AJ, Hugenholtz, P. & Parks, DH GTDB-Tk v2: Gedächtnisfreundliche Klassifizierung mit der Genom-Taxonomie-Datenbank. Bioinformatik 38, 5315–5316 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Chaumeil, P.-A., Mussig, AJ, Hugenholtz, P. & Parks, DH GTDB-Tk: ein Toolkit zur Klassifizierung von Genomen mit der Genome Taxonomy Database. Bioinformatik 36, 1925-1927 (2019).

PubMed PubMed Central Google Scholar

Matsen, FA, Kodner, RB & Armbrust, EV pplacer: lineare Zeit-Maximum-Likelihood und bayesianische phylogenetische Platzierung von Sequenzen auf einem festen Referenzbaum. BMC Bioinformatics 11, 538 (2010).

Artikel PubMed PubMed Central Google Scholar

Jain, C., Rodriguez-R, LM, Phillippy, AM, Konstantinidis, KT & Aluru, S. Hochdurchsatz-ANI-Analyse von 90.000 prokaryotischen Genomen zeigt klare Artengrenzen. Nat. Komm. 9, 5114 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Hyatt, D. et al. Prodigal: prokaryotische Generkennung und Identifizierung der Translationsinitiationsstelle. BMC Bioinformatics 11, 119 (2010).

Artikel PubMed PubMed Central Google Scholar

Price, MN, Dehal, PS & Arkin, AP FastTree 2 – Bäume mit ungefährer Maximum-Likelihood für große Ausrichtungen. PLoS One 5, e9490 (2010).

Eddy, SR Beschleunigte Profil-HMM-Suchen. PLoS Comput. Biol. 7, e1002195 (2011).

Artikel ADS MathSciNet CAS PubMed PubMed Central Google Scholar

Ondov, BD et al. Mash: Schnelle Genom- und Metagenom-Abstandsschätzung mit MinHash. Genombiol. 17, 132 (2016).

Artikel PubMed PubMed Central Google Scholar

Parks, DH et al. GTDB: eine fortlaufende Zählung der Bakterien- und Archaeenvielfalt durch eine phylogenetisch konsistente, rangnormalisierte und vollständige genombasierte Taxonomie. Nukleinsäuren Res. 50, D785–D794 (2022).

Artikel CAS PubMed Google Scholar

Rinke, C. et al. Eine standardisierte Archaeen-Taxonomie für die Genome Taxonomy Database. Nat Microbiol 6, 946–959 (2021).

Artikel CAS PubMed Google Scholar

Parks, DH et al. Eine vollständige Domänen-zu-Art-Taxonomie für Bakterien und Archaeen. Nat. Biotechnologie. 38, 1079–1086 (2020).

Artikel CAS PubMed Google Scholar

Bankevich, A. et al. SPAdes: ein neuer Genomassemblierungsalgorithmus und seine Anwendungen für die Einzelzellsequenzierung. J. Comput. Biol. 19, 455–477 (2012).

Artikel MathSciNet CAS PubMed PubMed Central Google Scholar

Parks, DH, Imelfort, M., Skennerton, CT, Hugenholtz, P. & Tyson, GW CheckM: Bewertung der Qualität mikrobieller Genome, die aus Isolaten, Einzelzellen und Metagenomen gewonnen wurden. Genomres. 25, 1043–1055 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Tennessen, K. et al. ProDeGe: ein Computerprotokoll zur vollautomatischen Dekontamination von Genomen. ISME J. 10, 269–272 (2016).

Artikel CAS PubMed Google Scholar

Kim, D., Song, L., Breitwieser, FP & Salzberg, SL Zentrifuge: schnelle und empfindliche Klassifizierung metagenomischer Sequenzen. Genomres. 26, 1721–1729 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Hawley, AK et al. Ein Kompendium multiomischer Sequenzinformationen aus der Wassersäule des Saanich Inlet. Wissenschaft. Daten 4, 170160 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Li, H. & Durbin, R. Schnelle und genaue Ausrichtung kurzer Lesevorgänge mit der Burrows-Wheeler-Transformation. Bioinformatik 25, 1754–1760 (2009).

Artikel CAS PubMed PubMed Central Google Scholar

Li, H. et al. Das Sequenzausrichtungs-/Kartenformat und SAMtools. Bioinformatik 25, 2078–2079 (2009).

Artikel PubMed PubMed Central Google Scholar

Seemann, T. barrnap 0.9: Prädiktor für bakterielle ribosomale RNA. (Github).

Chan, PP, Lin, BY, Mak, AJ & Lowe, TM tRNAscan-SE 2.0: verbesserte Erkennung und funktionelle Klassifizierung von Transfer-RNA-Genen. Nukleinsäuren Res. 49, 9077–9096 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Li, W. & Godzik, A. Cd-hit: ein schnelles Programm zum Clustering und Vergleich großer Mengen von Protein- oder Nukleotidsequenzen. Bioinformatik 22, 1658–1659 (2006).

Huang, Y., Niu, B., Gao, Y., Fu, L. & Li, W. CD-HIT Suite: ein Webserver zum Clustering und Vergleich biologischer Sequenzen. Bioinformatik 26, 680–682 (2010).

Fu, L., Niu, B., Zhu, Z., Wu, S. & Li, W. CD-HIT: beschleunigt für die Clusterung der Sequenzierungsdaten der nächsten Generation. Bioinformatik 28, 3150–3152 (2012).

Artikel CAS PubMed PubMed Central Google Scholar

Webseite. Oksanen, J. et al. vegan: Community Ecology Package R-Paketversion 2.5–6; https://CRAN.R-project.org/package=vegan (2019).

Martinez-Garcia, M. et al. Erfassung einzelner Zellgenome aktiver Polysaccharidabbauer: ein unerwarteter Beitrag von Verrucomicrobia. PLoS One 7, e35314 (2012).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Ulloa, O. et al. Das Cyanobakterium Prochlorococcus verfügt über divergierende Lichtsammelantennen und hat sich möglicherweise in einem Ozean mit niedrigem Sauerstoffgehalt entwickelt. Proz. Natl. Acad. Wissenschaft. USA 118, e2025638118 (2021).

Doud, DFR et al. Funktionsgesteuerte Einzelzellgenomik entdeckt zelluloseabbauende Bakterien aus der seltenen Biosphäre. ISME J. 14, 659–675 (2020).

Artikel CAS PubMed Google Scholar

Woyke, T. et al. Dekontamination von MDA-Reagenzien für die Amplifikation des gesamten Genoms einzelner Zellen. PLoS One 6, e26161 (2011).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Labonté, JM et al. Einzelzellgenomik-basierte Analyse von Virus-Wirt-Wechselwirkungen im Bakterioplankton der Meeresoberfläche. ISME J. 9, 2386–2399 (2015).

Roux, S., Hallam, SJ, Woyke, T. & Sullivan, MB Virale dunkle Materie und Virus-Wirt-Wechselwirkungen, aufgeklärt aus öffentlich zugänglichen mikrobiellen Genomen. eLife 4, e08490 (2015).

Martinez-Hernandez, F. et al. Einzelzell-Genomanalysen enthüllen Pelagibacter als mutmaßlichen Wirt der äußerst häufig vorkommenden unkultivierten 37-F6-Viruspopulation im Ozean. ISME J. 13, 232–236 (2019).

Artikel CAS PubMed Google Scholar

Becraft, ED et al. Rokubakterien: Genomische Riesen unter den unkultivierten Bakterienstämmen. Vorderseite. Mikrobiol. 8, 2264 (2017).

Artikel PubMed PubMed Central Google Scholar

Nobu, MK et al. Phylogenie und Physiologie des Kandidatenstamms „Atribacteria“ (OP9/JS1), abgeleitet aus kultivierungsunabhängiger Genomik. ISME J. 10, 273–286 (2016).

Artikel CAS PubMed Google Scholar

Mende, DR, Aylward, FO, Eppley, JM, Nielsen, TN & DeLong, EF Verbesserte Umweltgenome durch Integration metagenomischer und einzelliger Assemblies. Vorderseite. Mikrobiol. 7, 143 (2016).

Artikel PubMed PubMed Central Google Scholar

Kogawa, M., Hosokawa, M., Nishikawa, Y., Mori, K. & Takeyama, H. Gewinnung hochwertiger Entwurfsgenome aus nicht kultivierten Mikroben durch Reinigung und Co-Assemblierung von Einzelzell-Amplifikationsgenomen. Wissenschaft. Rep. 8, 2059 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Konwar, KM, Hanson, NW, Pagé, AP & Hallam, SJ MetaPathways: eine modulare Pipeline zum Aufbau von Pfad-/Genomdatenbanken aus Umweltsequenzinformationen. BMC Bioinformatics 14, 202 (2013).

Artikel PubMed PubMed Central Google Scholar

Hanson, NW, Konwar, KM, Wu, S.-J. & Hallam, SJ MetaPathways v2.0: Ein Master-Worker-Modell für den Aufbau von Umweltpfaden/Genomdatenbanken auf Gittern und Wolken. 2014 IEEE Conf. Berechnen. Intel. Bioinf. Berechnen. Biol. (2014).

Konwar, KM et al. MetaPathways v2.5: quantitative funktionale, taxonomische und benutzerfreundliche Verbesserungen. Bioinformatik 31, 3345–3347 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Karp, PD, Paley, S. & Romero, P. Die Pathway-Tools-Software. Bioinformatik 18, S225–S232 (2002).

Karp, PD, Latendresse, M. & Caspi, R. Der Pathway-Tools-Algorithmus zur Pathway-Vorhersage. Stand. Genom. Wissenschaft. 5, 424–429 (2011).

Karp, PD Die EcoCyc- und MetaCyc-Datenbanken. Nukleinsäuren Res. 28, 56–59 (2000).

Caspi, R. et al. Die MetaCyc-Datenbank für Stoffwechselwege und Enzyme – ein Update aus dem Jahr 2019. Nukleinsäuren Res. 48, D445–D453 (2020).

Artikel CAS PubMed Google Scholar

Basher, ARMA & Hallam, SJ Nutzung heterogener Netzwerkeinbettung zur Vorhersage von Stoffwechselwegen. Bioinformatik 37, 822–829 (2021).

Artikel CAS Google Scholar

Basher, ARMA, McLaughlin, RJ & Hallam, SJ Vorhersage des Stoffwechselwegs mithilfe nicht negativer Matrixfaktorisierung mit verbesserter Präzision. J. Comput. Biol. 28, 1075–1103 (2021).

Morgan-Lang, C. et al. TreeSAPP: der baumbasierte, sensible und genaue phylogenetische Profiler. Bioinformatik 36, 4706–4713 (2020).

Bolger, AM, Lohse, M. & Usadel, B. Trimmomatic: ein flexibler Trimmer für Illumina-Sequenzdaten. Bioinformatik 30, 2114–2120 (2014).

Ganesh, S. et al. Genomischer und transkriptomischer Nachweis einzelner Zellen für die Verwendung alternativer Stickstoffsubstrate durch Anammox-Bakterien. ISME J. 12, 2706–2722 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Ganesh, S. et al. Aufteilung der gemeinschaftlichen Gentranskription und des Stickstoffstoffwechsels in einer marinen Sauerstoffminimumzone nach Größenfraktionen. ISME J. 9, 2682–2696 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Tsementzi, D. et al. SAR11-Bakterien stehen im Zusammenhang mit Ozeananoxie und Stickstoffverlust. Natur 536, 179–183 (2016).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Duret, MT et al. Größenfraktionierte Vielfalt eukaryotischer Mikrobengemeinschaften in der Sauerstoffminimumzone im östlichen tropischen Nordpazifik. FEMS Mikrobiol. Ökologisch. 91 (2015).

Padilla, CC et al. NC10-Bakterien in marinen Sauerstoffminimumzonen. ISME J. 10, 2067–2071 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Henriquez-Castillo, C. et al. Metaomics enthüllt den Beitrag von Alteromonas-Bakterien zum Kohlenstoffkreislauf in marinen Sauerstoffminimumzonen. Vorderseite. Mar. Sci. 9, 993667 (2022).

Rii, YM et al. Vielfalt und Produktivität photosynthetischer Picoeukaryoten in biogeochemisch unterschiedlichen Regionen des Südostpazifiks. Limnol. Ozeanogr. 61, 806–824 (2016).

Artikel ADS Google Scholar

Boeuf, D. et al. Die Metapangenomik zeigt tiefenabhängige Verschiebungen des Stoffwechselpotenzials der allgegenwärtigen marinen Bakterienlinie SAR324. Mikrobiom 9, 172 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Landry, Z., Swan, BK, Herndl, GJ, Stepanauskas, R. & Giovannoni, SJ SAR202-Genome aus dem dunklen Ozean sagen Wege für die Oxidation widerspenstiger gelöster organischer Materie voraus. MBio 8 (2017).

Torres-Beltrán, M. et al. Ein Kompendium geochemischer Informationen aus der Wassersäule des Saanich Inlet. Wissenschaft. Daten 4, 170159 (2017).

Artikel PubMed PubMed Central Google Scholar

Garcia, HE et al. Weltozeanatlas 2018: Gelöster Sauerstoff, scheinbare Sauerstoffnutzung und Sauerstoffsättigung. NOAA-Atlas NESDIS. 3, 83 (2019).

Referenzen herunterladen

Wir möchten dem Kapitän, der Besatzung und den Wissenschaftlern an Bord des RV John Strickland und CCGS John P. Tully für ihre außergewöhnlichen Bemühungen auf diesem Gebiet über viele Jahre hinweg sowie Miranda Harmon-Smith und Tijana Glavina del Rio vom DOE Joint Genome Institute danken ( JGI) für Unterstützung im Projektmanagement. Wir danken auch den vielen Bachelor-Helfern im Hallam-Labor und den Mitarbeitern des technischen Supports auf See, darunter Jade Shiller und Chris Payne, für ihre Unterstützung bei der Probenentnahme und -verarbeitung im Laufe der Jahre. Besonderer Dank gilt auch den Mitgliedern des DeLong-Labors an der University of Hawai'i am Manoa Department of Oceanography & CMORE, dem Stewart-Labor an der Georgia Institute of Technology School of Biological Sciences, dem Ulloa-Labor am Departamento de Oceanografía Universidad de Concepción und dem Jürgens-Labor am Leibniz-Institut für Ostseeforschung und am Bigelow SCGC für die Bereitstellung der in diesem Datensatz verwendeten SAGs. Die Arbeit (Comparative Community Genome Analysis of the Subarctic Pacific Ocean: 10.46936/10.25585/60007478, Microbial Systems Ecology of Expanding Oxygen Minimum Zones in the Eastern Subtropical North Pacific Ocean: 10.46936/10.25585/60000795, Opening a single-cell genomic window on microicrobial Auswahl von Ökotypen bei der Ausweitung mariner Sauerstoffminimumzonen: 10.46936/10.25585/60000761, Lang und tief gehen: Umfassende Genomsequenzierung einzelner Zellen von Gemeinschaften im offenen Ozean am Modellstandort für Zeitreihenstudien im offenen Ozean, Station ALOHA: 10.46936/10.25585/60000920, Mikrobielle und virale Regulierung des gemeinschaftlichen Kohlenstoffkreislaufs über verschiedene Zonen mit niedrigem Sauerstoffgehalt: 10.46936/10.25585/60000893, mikrobielle Einzelzellgenomik im Dunkelozean: 10.46936/10.25585/60000688, GEBA Single Cell Uncultured Microbes: 10.46936/10.25585/60007913, Generieren Referenzgenome für das Meeresökosystem Forschung: Einzelzellsequenzierung allgegenwärtiger, unkultivierter Bakterioplanktongruppen: 10.46936/10.25585/60007356, Einzelzellgenomsequenzierung des mesopelagischen Bakterioplanktons: 10.46936/10.25585/60007269), durchgeführt vom Joint Genome Institute des US-Energieministeriums (https:// ror. org/04xm1d337), eine Benutzereinrichtung des DOE Office of Science, wurde vom Office of Science des US-Energieministeriums unterstützt und unter der Vertragsnummer DE-AC02-05CH11231 betrieben. Diese Arbeit wurde auch unter der Schirmherrschaft des Scientific Committee on Oceanographic Research (SCOR), der G. Unger Vetlesen- und Ambrose Monell-Stiftungen, des Natural Sciences and Engineering Research Council of Canada, von Genome British Columbia, der Canada Foundation for Innovation und durchgeführt das Canadian Institute for Advanced Research durch Zuschüsse an SJH SCGC-Analysen und RS wurden durch NSF-Zuschüsse 1826734, 1441717, 821374, 1335810, 1232982, 0826924 unterstützt; und die Zuschüsse der Simons Foundation 510023 und 827839. OU wurde durch die Zuschüsse ICN12_019 und 1161483 der chilenischen Nationalen Agentur für Forschung und Entwicklung (ANID) unterstützt.

Alvaro M. Plominsky

Aktuelle Adresse: Marine Biology Research Division, Scripps Institution of Oceanography, University of California San Diego, La Jolla, CA, 92037, USA

Diese Autoren haben gleichermaßen beigetragen: Julia Anstett, Alvaro M. Plominsky.

Graduiertenprogramm für Genomwissenschaften und -technologie, Genome Sciences Centre, University of British Columbia, Vancouver, British Columbia, Kanada

Julia Anstett und Steven J. Hallam

Abteilung für Mikrobiologie und Immunologie, University of British Columbia, Vancouver, British Columbia, V6T 1Z3, Kanada

Julia Anstett, Alvaro M. Plominsky und Steven J. Hallam

Daniel K. Inouye Center for Microbial Oceanography: Forschung und Bildung, University of Hawaii, Manoa, Honolulu, HI, 96822, USA

Edward F. DeLong

School of Engineering, University of British Columbia, Kelowna, BC, Kanada

Alyse Kiesser

Leibniz-Institut für Ostseeforschung, Warnemünde, Deutschland

Klaus Jürgens

Graduiertenprogramm in Bioinformatik, University of British Columbia, Vancouver, BC, V6T 1Z4, Kanada

Connor Morgan-Lang und Steven J. Hallam

Bigelow Laboratory for Ocean Sciences, East Boothbay, ME, USA

Ramunas Stepanauskas

School of Biological Sciences, Georgia Institute of Technology, Atlanta, GA, USA

Frank J. Stewart

Zentrum für mikrobielle Dynamik und Infektion, Georgia Institute of Technology, Atlanta, GA, USA

Frank J. Stewart

Abteilung für Mikrobiologie und Zellbiologie, Montana State University, Bozeman, MT, USA

Frank J. Stewart

Abteilung für Ozeanographie, Universität Concepción, Casilla 160-C, 4070386, Concepción, Chile

Osvaldo Ulloa

Millennium Institute of Oceanography, Casilla 1313, 4070386, Concepción, Chile

Osvaldo Ulloa

Department of Energy Joint Genome Institute, Berkeley, CA, USA

Tanja Woyke & Rex Malmstrom

Umweltgenomik und Systembiologie, Lawrence Berkeley National Laboratory, Berkeley, CA, USA

Tanja Woyke & Rex Malmstrom

Life Sciences Institute, University of British Columbia, Vancouver, BC, V6T 1Z3, Kanada

Steven J. Hallam

ECOSCOPE-Trainingsprogramm, University of British Columbia, Vancouver, BC, V6T 1Z3, Kanada

Steven J. Hallam

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

JA, AMP und SJH haben die Studie konzipiert. EFDL, KJ, RS, FJS, OU und SJH sammelten Proben. JA, AMP, AK, CML, RS, TW und SJH analysierten die Daten und/oder lieferten eine grafische Interpretation der Daten. JA, AMP, AK und SJH haben Daten zusammengestellt, das Manuskript geschrieben und die Zahlen generiert. Alle Autoren haben den Text gelesen und dazu beigetragen. SAGs wurden am Bigelow Single Cell Genomics Center (SCGC) generiert. RS, TW und RM stellten das FACS zur Verfügung. und Kinetikdiagramme, die für die Zellsortierung und DNA-Amplifikation erstellt wurden. Die sortierten Zellen wurden am SCGC, am DOE Joint Genome Institute (JGI), am kanadischen Michael Smith Genome Sciences Centre, am Georgia Institute of Technology, am BioMicroCenter am MIT, an der Oregon State University und am Marine Biological Laboratory sequenziert. JA, CML und AMP haben die Illumina-Kurzlesevorgänge zugeschnitten und zu Contigs zusammengesetzt, um die SAG-Baugruppen zu generieren. JA (andere Co-Autoren) haben die Baugruppen dekontaminiert. JA gruppierte die Amplikonsequenzen. JA und AMP haben Daten zusammengestellt und die in dieser Studie gezeigten Zahlen generiert.

Korrespondenz mit Steven J. Hallam.

SJH ist Mitbegründer von Koonkie Inc., einem Bioinformatik-Beratungsunternehmen, das skalierbare Algorithmen- und Datenanalyselösungen in der Cloud entwickelt und bereitstellt.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Anstett, J., Plominsky, AM, DeLong, EF et al. Ein Kompendium der amplifizierten Einzelzellgenome von Bakterien und Archaeen aus sauerstoffarmen Meeresgewässern. Sci Data 10, 332 (2023). https://doi.org/10.1038/s41597-023-02222-y

Zitat herunterladen

Eingegangen: 26. August 2022

Angenommen: 10. Mai 2023

Veröffentlicht: 27. Mai 2023

DOI: https://doi.org/10.1038/s41597-023-02222-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt