Nachricht

May 06, 2023

Hohe Artbildungsrate von Nischenspezialisten in heißen Quellen

Das ISME Journal (2023)Zitieren

Das ISME Journal (2023)Zitieren Sie diesen Artikel

3 Altmetrisch

Details zu den Metriken

Ökologische und evolutionäre Prozesse regulieren gleichzeitig die mikrobielle Vielfalt, die evolutionären Prozesse und ihre treibenden Kräfte sind jedoch noch weitgehend unerforscht. Hier untersuchten wir die ökologischen und evolutionären Eigenschaften von Mikrobiota in heißen Quellen über einen breiten Temperaturbereich (54,8–80 °C) durch Sequenzierung der 16S-rRNA-Gene. Unsere Ergebnisse zeigten, dass Nischenspezialisten und Nischengeneralisten in ein komplexes Zusammenspiel ökologischer und evolutionärer Dynamiken eingebettet sind. Auf der Nischenachse der thermischen Toleranz zeichneten sich thermisch (T) empfindliche (bei einer bestimmten Temperatur) und T-resistente (mindestens bei fünf Temperaturen) Arten durch unterschiedliche Nischenbreite, Gemeinschaftshäufigkeit und Ausbreitungspotential aus und unterschieden sich folglich in der möglichen Evolutionsbahn. Die auf Nischen spezialisierten T-empfindlichen Arten erfuhren starke Temperaturbarrieren, die zu einem vollständigen Artenwechsel und einer hohen Fitness, aber einer geringen Häufigkeit von Gemeinschaften bei jeder Temperatur („Heimatnische“) führten. Solche Kompromisse verstärkten somit die Spitzenleistung, was durch eine hohe Artbildung belegt wurde über alle Temperaturen hinweg und zunehmendes Diversifizierungspotenzial mit der Temperatur. Im Gegensatz dazu sind T-resistente Arten von Vorteil bei der Nischenexpansion, weisen jedoch eine schlechte lokale Leistung auf, wie die große Nischenbreite mit hoher Extinktion zeigt, was darauf hindeutet, dass diese Nischengeneralisten „Alleskönner, Meister in nichts“ sind. Trotz dieser Unterschiede besteht zwischen den T-sensitiven und T-resistenten Arten eine evolutionäre Wechselwirkung. Insbesondere der kontinuierliche Übergang von T-empfindlichen zu T-resistenten Arten sorgte dafür, dass die Ausschlusswahrscheinlichkeit T-resistenter Arten über alle Temperaturen hinweg auf einem relativ konstanten Niveau blieb. Die Koevolution und Koadaption von T-empfindlichen und T-resistenten Arten standen im Einklang mit der Theorie der Roten Königin. Insgesamt zeigen unsere Ergebnisse, dass eine hohe Speziation von Nischenspezialisten die durch Umweltfilterung verursachten negativen Auswirkungen auf die Vielfalt abmildern könnte.

Die Temperatur ist ein wesentlicher Faktor für die mikrobielle Vielfalt in geothermischen Ökosystemen [1,2,3]. Obwohl allgemein bekannt ist, dass die mikrobielle Diversität mit der Temperatur korreliert [4,5,6], haben Bemühungen, die Mechanismen zu verstehen, durch die die Temperatur die Diversität reguliert, zu zwei Perspektiven geführt. Im ersten Fall ist Vielfalt das Ergebnis ökologischer Prozesse, größtenteils durch die Auswirkungen der Temperatur auf den Zusammensetzungsumsatz vorhandener Arten, aufgrund interspezifischer Unterschiede [7] in der thermischen Toleranz (dem Temperaturbereich, in dem eine Art wachsen kann), kann aber auch so sein eine Folge von Arteninteraktionen [8]. Im zweiten Fall entsteht Diversität aus evolutionären Prozessen, hauptsächlich als Folge von Temperatureffekten auf die Artbildungs- und/oder Aussterberaten [9, 10]. Diese ökologischen und evolutionären Prozesse treten häufig gleichzeitig auf und tragen gleichzeitig im selben Kontext bei [11, 12], aber die evolutionären Prozesse sind im Vergleich zu den ökologischen Prozessen weitgehend unerforscht [13, 14].

Die Artbildung ist der ultimative Treiber der Biodiversität, und das Verständnis der Faktoren, die die Artbildungsraten und deren Rückwirkung auf den Artenreichtum beeinflussen, ist eine zentrale Herausforderung in der Ökologie. Spezifische Vorhersagen darüber, wie sich die Umgebungstemperatur auf den Artenreichtum auswirken sollte, wurden im Kontext der Stoffwechseltheorie der Ökologie (MTE) für Makroben entwickelt [15, 16] und später auf Mikroben ausgeweitet [17, 18]. Diese früheren Studien konzentrieren sich hauptsächlich auf Temperaturgradienten, die 45 °C nicht überschreiten. Jüngste Analysen haben dokumentiert, dass die Stoffwechseltheorie der Ökologie für Mesophile (Temperaturoptima ≤ 45 °C) gilt, nicht jedoch für Thermophile (>45 °C), wenn man die Temperaturabhängigkeit der Wachstumsrate berücksichtigt und eine Aktivierungsenergie von E = 0,65 eV für Mesophile vorschlägt und E ≈ 0 eV für Thermophile [19]. Ein Grund dafür, dass der thermophile Stoffwechsel möglicherweise von der kanonischen MTE-Hypothese abweicht, besteht darin, dass sie von einer konstanten Biomasse mit der Temperatur ausgingen, die mikrobielle Biomasse in heißen Quellen jedoch auch exponentiell mit der Temperatur abnimmt [20]. Bei Thermophilen war die Umgebungstemperatur ein wesentlicher Faktor für die Evolutionsgeschwindigkeit [21, 22] und einige Studien haben berichtet, dass die Generationszeit thermophiler Tiere umgekehrt mit der Temperatur zusammenhängt [23], was höhere Artbildungsraten bei höheren Temperaturen vorhersagt. Gleichzeitig würden höhere Temperaturen mikrobielle Arten mit schlechter Anpassung durch harte Umweltfilterung ausschließen [5, 6], was schließlich zu einer höheren Aussterberate führen würde. Direkte Beweise für eine Temperaturabhängigkeit der Artbildungs- und Aussterberaten aus phylogenetischer Sicht konnten jedoch noch nicht erbracht werden.

Geothermische Quellen fungieren als isolierte Inseln der mikrobiellen Evolution, und die darin enthaltenen Mikrobiota unterliegen einer stärkeren Ausbreitungsbeschränkung [24] und schnelleren Entwicklungsraten [25]. Aber selbst bei diesen Thermophilen könnten verschiedene Arten unterschiedlich auf lokale Bedingungen wie die Temperatur reagieren. Die Nischenbreite könnte ein wichtiger evolutionärer Treiber sein und die Geschwindigkeit der Artendiversifizierung und -anpassung beeinflussen (26, 27). An einen breiten oder engen Temperaturbereich angepasste Arten weisen aufgrund ihrer unterschiedlichen biochemischen und physiologischen Eigenschaften sowie ihrer ökologischen und evolutionären Anpassungsfähigkeit eine unterschiedliche Überlebensfähigkeit auf [28] [29,30,31,32]. Ob und wie sich Unterschiede in der Nischenbreite (z. B. thermische Toleranz) auf die ökologischen und evolutionären Prozesse und damit auf die Artenvielfalt auswirken, ist jedoch weitgehend unbekannt.

In dieser Studie wurden die ökologischen und evolutionären Prozesse der Mikrobiota über einen weiten Temperaturbereich von 54,8–80 °C anhand der Hochdurchsatzsequenzierung von 16S-rRNA-Genen charakterisiert. Das BiSSE-Modell (Binary-State Speciation and Extinction) wurde verwendet, um evolutionäre Merkmale bei der mikrobiellen Anpassung an hohe Temperaturen zu charakterisieren. Wir haben die folgenden Fragen gestellt: (i) Wie beeinflusst die Nischenbreite (insbesondere auf der Temperatur-Nischenachse) die ökologische und evolutionäre Leistung? (ii) Wie interagierten Nischenspezialisten und Nischengeneralisten evolutionär über verschiedene Temperaturen hinweg? (iii) Wie beeinflussen ökologische und evolutionäre Kompromisse auf Gemeindeebene das allgemeine Diversitätsmuster angesichts zunehmender Umweltextreme (z. B. Temperatur)?

Feldmessungen und Probenentnahmen wurden im August 2019 in Tengchong, Provinz Yunnan, China (N 24° 56′ ~ 25° 27′, E 98° 26′ ~ 98° 27′) durchgeführt (Abb. S1). Der Untersuchungsstandort befand sich bei den zuvor beschriebenen geothermischen Feldern Rehai [2, 6], die von intensiver hydrothermischer Aktivität mit zahlreichen Quellen und Schlammtümpeln geprägt sind. Direchi (DRC) wurde ausgewählt, um Proben entlang des Strömungswegs zu sammeln, wobei die Temperatur von 80 °C an der Entlüftung auf 54,8 °C in einem Becken sank. Das über dem Sediment liegende Wasser ist nur 5–15 cm tief. Die In-situ-Temperatur und der pH-Wert wurden durch Eintauchen eines tragbaren Temperatursensors (HL9124, Hanna Instruments, Italien) in das Oberflächenwasser direkt über den Sedimenten gemessen. Dieser Fließweg konnte durch die farbenfrohe schwimmende Mikrobenmatte in verschiedene kleine Ökoregionen unterteilt werden, und wir sammelten Oberflächensedimentproben für mikrobielle und chemische Analysen aus acht kleinen Ökoregionen mit der Bezeichnung DRC1 (80 °C) bis DRC8 (54,8 °C). °C) hat jedes sieben zufällig verteilte Replikate (Abb. S1). Diese Proben wurden mit sterilen Spateln und Löffeln gesammelt und in einer vorsterilisierten Aluminiumpfanne homogenisiert, bevor sie in Röhrchen gegeben wurden. Zusätzlich wurden die Konzentrationen von Nitrit (NO2−), Sulfat (SO42−), Schwefelwasserstoff (H2S), Eiseneisen (Fe2+), Gesamteisen (Fetotal) und gelöstem Sauerstoff (DO) in jeder Probenahmeregion vor Ort gemessen unter Verwendung von Hach-Testkits (Hach Chemical Co., IA, USA) (Tabelle S1). Gesamtstickstoff (TN), Nitrat (NO3−) und organische Substanz (OM) wurden gemäß einem zuvor veröffentlichten Protokoll [33] (Tabelle S1) an luftgetrockneten Sedimenten gemessen. Alle Proben wurden sofort auf Trockeneis eingefroren und bis zur weiteren Analyse bei –80 °C im Labor gelagert.

Nukleinsäuren wurden aus 0,25 g Sediment mit dem MoBio Power Soil DNA-Isolierungskit (MoBio Laboratories, Carlsbad, CA, USA) gemäß dem Protokoll des Herstellers extrahiert. Jede Probe wurde in dreifacher Ausführung durchgeführt und die extrahierten DNAs für jede Probe wurden im letzten Schritt in einem Sammelröhrchen zusammengefasst. Die Sequenzen der 16S-rRNA-Gene voller Länge (FL) und V4-Region wurden unter Verwendung des Primersatzes 27F (5'-AGRGTTYGATYMTGGCTCAG-3′)/1492R (5′-RGYTACCTTGTTACGACTT-3′) und 515F (5′-GTGYCAGCMGCCGCGGTAA-3) amplifiziert ′)/806R (5′-GGACTACHVGGGTWTCTAAT-3′) mit jeweils eindeutigen Barcodesequenzen an beiden 5′-Enden. Das FL-PCR-System wurde in einer 30-μl-Mischung durchgeführt, die 10,5 μl NFW, 15 μl KOD ONE MM, 1,5 μl Vorwärts- und Rückwärtsprimer (10 μM) und 1,5 μl Matrizen-DNA (5–30 ng) enthielt. Jede 50 μl PCR-Amplifikationsmischung der V4-Region enthielt 5 μl 10× PCR-Puffer, 1,5 μl dNTP-Gemisch (jeweils 10 mM), 1,5 μl Vorwärts- und Rückwärtsprimer (10 μM), 0,5 μl Taq-DNA-Enzym (TaKaRa), 2 μl DNA, 1 μl BSA und 37 μl ddH2O. Das PCR-Programm war wie folgt: 95 °C für 5 Minuten (3 Minuten für die V4-Region), 30 Zyklen mit 95 °C für 30 Sekunden (15 Sekunden für V4), 55 °C für 30 Sekunden (15 Sekunden für V4) und 72 °C für 90 Sekunden (45 Sekunden für V4) und abschließende Verlängerung bei 72 °C für 7 Minuten (5 Minuten für V4). Die PCR-Produkte wurden durch 1,2 % (1,8 % für V4) Agarosegele verifiziert und mit dem Monarch DNA Gel Extraction Kit gereinigt. Die Konzentrationen wurden mit einem Qubit-Fluorimeter (Invitrogen, Carlsbad, CA) quantifiziert und dann wurden gleiche molare DNA-Mengen für den Aufbau der PacBio- und HiSeq-Bibliothek gepoolt und dann zur Sequenzierung auf der PacBio RS II-Plattform [34] bei Biomarker Biotechnology Co. geschickt. Ltd. (Peking, China) bzw. HiSeq-Plattform bei Magigene Biotechnology Co., Ltd (Guangzhou, China).

Die Kopienzahlen der 16S-rRNA für Bakterien wurden durch digitale Tröpfchen-PCR (ddPCR) mit einem Sondenansatz quantifiziert [35]. Dreifache Ausführung von 20 μl ddPCR-Amplifikationsmischungen, bestehend aus 10 μl ddPCR-Supermix für Sonden, 1,8 μl Vorwärtsprimer 515 F (10 μM) (5‘-GTGYCAGCMGCCGCGGTAA-3‘), 1,8 μl Rückwärtsprimer 926 R (10 μM) (5‘ -CCGYCAATTYMTTTRAGTTT-3′), 0,5 µl Bakteriensonde (10 µM) (5′FAM-ACTACNVGGGTWTCTAATCCBKTT-BHQ3′), 2 µl Template-DNA (5~30 ng) und 3,9 µl ddH2O wurden in 12.000–20.000 umgewandelt Tröpfchen mit dem Tröpfchengenerator QX200 (Bio-Rad). Die erzeugten Tröpfchen für jede Probe wurden dann auf eine 96-Well-Platte übertragen und in einem MyCycler-Thermocycler (Bio-Rad) unter folgenden Bedingungen amplifiziert: 10 min bei 95 °C; 40 Denaturierungszyklen bei 94 °C für 30 Sekunden, Glühen bei 47 °C für 30 Sekunden, Verlängerung bei 72 °C für 1 Minute; und eine abschließende Verlängerung bei 98 °C für 10 Minuten. Anschließend wurde die Platte auf das digitale Tröpfchenlesegerät QX200 (Bio-Rad) geladen, das automatisch die Tröpfchen aus jeder Vertiefung der Platte liest. Die Daten wurden mit der QuantaSoft-Software (Bio-Rad) analysiert und hinsichtlich der verschiedenen Mengen der verwendeten Template-DNA korrigiert.

Die durch Hochdurchsatzsequenzierung erzeugten kurzen Lesevorgänge (V4-Region) wurden über eine interne Galaxy Pipeline (http://mem.rcees.ac.cn:8080) analysiert (36) (Abb. 1A). Kurz gesagt, die Rohsequenzen wurden durch Barcode-Identifizierung ohne Fehler demultiplext. Dann wurden die Primersequenzen gekürzt und Vorwärts- und Rückwärtsablesungen mit FLASH [37] verbunden, gefolgt von einer Qualitätskontrolle. Zu den Qualitätsfilterkriterien gehörten ein durchschnittlicher Qualitätsfaktor >20, eine Mindestlänge von 140 bp und keine mehrdeutigen Basen. Lesevorgänge mit guter Qualität wurden durchgeführt, um mithilfe von Deblur [38] eine suboperationelle taxonomische Einheit (sOTU, gleich der Amplikonsequenzvariante (ASV)) zu generieren (Abb. 1A). Die rohen PacBio FL-Sequenzen wurden zunächst mithilfe des „Reads of Insert“-Protokolls des JGI SMRT Portal mit einer Genauigkeit von >99 %, entsprechend Q20, korrekten Sequenzfehlern unterzogen. Anschließend wurden auch Qualitätsfilterung, Chimärenerkennung und Clustering über die oben erwähnte Galaxy Pipeline durchgeführt (Abb. 1A). Lesevorgänge ≤1340 bp oder ≥1640 bp wurden basierend auf der Leselängenanalyse entfernt [39].

A Datenverarbeitung für die Sequenzierung in voller Länge und die Sequenzierung der V4-Region. B-Primer-Set, das zum Targeting von 16S-rRNA-Genen voller Länge und ihren hypervariablen V4-Regionen verwendet wird. C Die überlappenden OTUs zwischen V4-Sequenzen und Sequenzen voller Länge und die Zuordnung der sOTUs der V4-Sequenzen zu den OTUs der Sequenzen voller Länge.

Derzeit sind die Sequenzverarbeitungsmethoden für FL-Reads des 16S-rRNA-Gens noch nicht so ausgereift wie die Analyse kurzer Reads. Für das Clustering langer Lesevorgänge werden verschiedene Methoden verwendet, einige basieren auf ASVs [40, 41], andere auf OTUs mit einem Ähnlichkeitsgrad von 99 % [42] oder 97 % [43]. Zweifellos bieten exakte ASVs eine Einzelnukleotidauflösung und sind unabhängig von einer 16S-rRNA-Genreferenzdatenbank (44). Der Einsatz und die Entwicklung von ASV-Methoden basieren jedoch größtenteils auf kurzen Lesevorgängen. Bei der Anwendung auf lange Lesevorgänge könnte jedoch sorgfältige Überlegung angestellt werden. Die große Sorge besteht in der erheblichen Fehlerrate der Long-Read-Sequenzierung auf Basis von PacBio CCS [45] und der Cluster-freien Methode von ASVs, die zweifellos die Auswirkungen dieser Sequenzierungsfehler verstärken wird. In unserer Studie haben wir versucht, die künstliche Inflation von Diversitätsschätzungen zu kontrollieren. Daher ist es notwendig, ähnliche Sequenzen zusammenzufassen (d. h. UPARSE), um die Auswirkungen von Sequenzierungsfehlern abzumildern [39, 42, 43]. Mithilfe von UPARSE [46] (Abb. 1A) haben wir zwei Clustering-Schwellenwerte bei einem Ähnlichkeitsgrad von 99 % und 97 % getestet. Die Ergebnisse deuten darauf hin, dass die Clustering-Schwellenwerte bei 99 % und 97 % zu ähnlichen Trends für die mikrobielle taxonomische Diversität und die phylogenetische Diversität führten (Pearson-Korrelation, R2 = 0,36–0,79, p < 0,001), das Ähnlichkeitsniveau von 99 % jedoch eine weitaus höhere Anzahl seltener Exemplare aufwies Spezies. Wir haben uns schließlich bei einem Ähnlichkeitsgrad von 97 % dafür entschieden, unsere Daten zu gruppieren und zu präsentieren.

Die taxonomische Zuordnung repräsentativer Sequenzen sowohl für FL- als auch für V4-Sequenzen wurde mit dem RDP-Klassifikator (Ribosomal Database Project) [47] basierend auf der SILVA-Datenbankversion 138.1 [48] durchgeführt. Die Archaea zugeordneten V4-Sequenzen wurden verworfen, da die FL-Sequenzen nur Bakterien einfingen. Die verworfenen Sequenzen machten weniger als 5 % der gesamten V4-Sequenzen aus.

Repräsentative Sequenzen sowohl für FL- als auch für V4-Sequenzen wurden mit PyNAST (49) abgeglichen und phylogenetische Bäume mit FastTree (50) erstellt (Abb. 1A). Um den Einfluss von Unterschieden in der Sequenzierungstiefe auf nachgelagerte Analysen zu eliminieren, wurden 12.573 FL-Sequenzen und 42.910 V4-Sequenzen zufällig erneut abgetastet. Für die normalisierten Daten wurden Verdünnungskurven erstellt (Abb. S2). Die taxonomische Alpha-Diversität (Simpson-Index und beobachteter Reichtum) wurde für jede Temperaturgruppe separat berechnet. Um den Einfluss des Artenreichtums auf die mikrobielle phylogenetische Diversität zu eliminieren, wurden der Mean-Nearest-Taxon-Distance (MNTD) und der Nearest-Taxon-Index (NTI) [51, 52] bestimmt, die unabhängig vom Artenreichtum sind. Sie wurden berechnet, um die phylogenetische Besonderheit der Baumspitzen mithilfe von „mntd“ und „ses.mntd“ im R-Paket „picante“ widerzuspiegeln. MNTD wurde als Mittelwert der Zweiglängen berechnet, die jede OTU mit ihrem nächsten Verwandten innerhalb einer Stichprobe verbinden, und NTI als −1-fache der standardisierten Effektgröße von MNTD, wobei die Auswirkungen des Artenreichtums durch 999 zufällige Neubeprobung aus einem Quellenpool berücksichtigt wurden ein Nullmodell [53]. Ein kleinerer MNTD-Wert weist auf eine engere phylogenetische Verwandtschaft zwischen den Spitzen hin, und ein höherer NTI-Wert weist auf eine stärkere phylogenetische Häufung zwischen den Spitzen hin [51, 54].

Ein phylogenetischer Baum für 1555 Arten mit klarer Annotation auf Artenebene wurde mithilfe der iTOL Pipeline (https://itol.embl.de/) erstellt und visualisiert (55). Jede Art war durch die am häufigsten vorkommende OTU vertreten. Unterschiedliche Farben für Zweige und den innersten Ring weisen auf verschiedene Phyla hin, und der äußerste Ring stellt das Breitenmerkmal der thermischen Toleranz dar. Die Balkendiagramme zeigten die relative Häufigkeit jeder OTU über die Temperaturgruppen hinweg.

Blombergs K wurde berechnet, um das phylogenetische Signal basierend auf den Umweltpräferenzen von Taxa als ihren potenziellen Merkmalen unter Verwendung der Funktion „multiPhylosignal“ im R-Paket „picante“ darzustellen [56].

Die durchschnittliche Nischenbreite auf Community-Ebene, dargestellt durch den Nischenbreitenindex von Levins [57], wurde mithilfe des Pakets „spaa“ in R [58] ermittelt. Eine größere Nischenbreite könnte auf mehr verfügbare Ressourcen für mikrobielle Gemeinschaften hinweisen (59, 60).

Um die Ausbreitungskapazität der Gemeinschaft zu bewerten, verwendeten wir ein neutrales Gemeinschaftsmodell (NCM), um die Beziehung zwischen der OTU-Erkennungshäufigkeit und ihrer relativen Häufigkeit in der breiteren Metagemeinschaft vorherzusagen (61, 62). NCM ist eine Adaption der neutralen Theorie, angepasst an große mikrobielle Populationen und wird üblicherweise zur Quantifizierung der Bedeutung stochastischer Prozesse für die Gemeinschaftsbildung verwendet. In diesem Modell ist Nm eine Schätzung der Verteilung zwischen Gemeinschaften. Der Parameter R2 stellt die Gesamtanpassung an das neutrale Modell dar [61, 62]. NCM wurde auf der Tutools-Plattform (https://www.cloudtutu.com) durchgeführt, einer kostenlosen Online-Website zur Datenanalyse.

Mithilfe der Spearman-Korrelation wurde die Korrelation zwischen Umweltfaktoren und α-Diversitätsindizes sowie zwischen Umweltfaktoren und der relativen Häufigkeit verschiedener Stämme untersucht. Die signifikanten Korrelationen wurden mit dem Paket „ggcor“ in R visualisiert. Ähnlichkeitsanalyse (ANOSIM) [63], Multi Response Permutation Procedure (MRPP) [63] und Permutational Multivariate Variance Analysis (PERMANOVA) [64, 65] wurden durchgeführt Bestimmen Sie alle signifikanten Unterschiede zwischen den Temperaturgruppen. PCoA basierend auf der ungewichteten UniFrac-Matrix wurde verwendet, um Veränderungen der mikrobiellen Gemeinschaftsstruktur über Temperaturgruppen hinweg anzuzeigen. Manteltests und CCA wurden verwendet, um den Einfluss von Umweltfaktoren auf die Variation mikrobieller Gemeinschaftsstrukturen abzuschätzen. Zufällige Waldmodelle zur Bewertung der relativen Bedeutung von Umweltfaktoren, die die Struktur der mikrobiellen Gemeinschaft (die erste Achse von PCoA) beeinflussen, wurden mit „randomForest“ und „rfPermute“ in R durchgeführt [66]. Wir haben Umweltextreme vorgeschlagen, um sowohl Temperatur als auch andere Umweltfaktoren gemeinsam zu berücksichtigen, indem wir die Dimensionalität von Umweltfaktoren durch Hauptkomponentenanalyse (PCA) reduzieren. Mit Ausnahme der Spearman-Korrelation und der Random-Forest-Analyse wurden alle Analysen über Galaxy Pipeline (http://mem.rcees.ac.cn:8080) durchgeführt [36].

Wir haben „T-sensitiv“ und „T-resistent“ verwendet, um Arten darzustellen, die an eine enge bzw. breite thermische Toleranzbreite im geothermischen Ökosystem angepasst sind. Die Gruppierungskriterien zur Definition von „T-empfindlichen“ und „T-resistenten“ Arten werden durch Vergleich der beobachteten Verteilung mit der erwarteten Verteilung ermittelt, die aus 100.000 Permutationen abgeleitet wurde. Wir haben herausgefunden, dass die Anreicherung von Arten bei einer bestimmten Temperatur und solchen unter fünf bis acht Temperaturen (wenn nicht beobachtete Arten > nicht erwartete Arten), d deterministische Faktoren. Basierend auf dieser Überlegung wurden Arten, die bei einer bestimmten Temperatur gefunden wurden, als T-empfindliche Arten und diejenigen, die bei fünf bis acht Temperaturen gefunden wurden, als T-resistente Arten klassifiziert. Anschließend wurden die T-resistenten und T-sensitiven zwei Evolutionszustände dem BiSSE-Modell (Binary-State Speciation and Extinction) unterzogen, um ihre Artbildung, Extinktion und Übergangsrate zu berechnen (67).

Der Fossilienbestand, der die umfangreichste Informationsquelle über die evolutionären Ereignisse hinter existierenden Gemeinschaften darstellt, fehlt für Bakterien und Archaeen größtenteils [68] und Forscher müssen vorhandene Sequenzdaten für evolutionäre Rekonstruktionen verwenden [69]. BiSSE-Modelle ermöglichen die Untersuchung evolutionärer Merkmale vorhandener mikrobieller Arten. Das BiSSE-Modell ist ein phylogenetisches Baummodell und kann den zweistufigen (binären) Evolutionscharakter (dh Artbildung, Aussterben und Zustandsübergangsraten) vorhandener Arten berechnen (67). Die Analyse wurde mit dem R-Paket „diversitree“ durchgeführt [70].

Das BiSSE-Modell würde einen umfassenderen phylogenetischen Lebensbaum erfordern. Zunächst führten wir eine Analyse auf Basis des All-Species Living Tree (LTP) aus der SILVA-Datenbank durch. Der All-Species Living Tree wurde aus der SILVA-Datenbank heruntergeladen und die identifizierten T-resistenten und T-sensitiven Arten wurden diesem Baum mithilfe von BLASTN zugeordnet (Identität ≥ 98 %, Länge ≥ 1000, E-Wert ≤ 1e – 5). Insgesamt wurden 3241 repräsentative Sequenzen (26070 vom Original) für T-empfindliche Arten und 217 (524 vom Original) für T-resistente Arten erhalten. Wir fanden heraus, dass viele verschiedene OTUs mit derselben Art in der SILVA-Datenbank übereinstimmten. Daher wurde ein Unterbaum mit 1063 kartierten Arten aus dem LTP-Baum extrahiert und linearisiert, was die Rekonstruktion eines ultrametrischen Baums mithilfe des „ape“-Pakets in R ermöglichte. Darüber hinaus führen die besonderen geochemischen Bedingungen dazu, dass heiße Quellen eine große Menge an „Mikroben“ züchten Dunkle Materie“ [71, 72]. Die in Mikrobiota lebenden geothermischen Quellen erfahren schnellere Entwicklungsraten [25, 73], was zu neuer „mikrobieller dunkler Materie“ führen könnte. Diese „mikrobielle dunkle Materie“ kann nicht in eine relativ vollständige Datenbank (wie die SILVA-Datenbank) aufgenommen werden. Wenn daher die repräsentativen Sequenzen in geothermischen Quellen mit der SILVA-Datenbank verglichen werden, gibt es nur eine Teilmenge der Sequenzen, die ihre nahen Verwandten im All-Species Living Tree (LTP) finden könnten. Daher ist es nicht umfassend, das BISSE-Modell unter Bezugnahme auf den Teilbaum des All-Species Living Tree (LTP) zu berechnen, um die evolutionären Eigenschaften von Mikroorganismen in heißen Quellen zu bestimmen. Deshalb haben wir unsere eigenen Sequenzen verwendet, um von FastTree einen einheitlichen phylogenetischen Baum zu erstellen. Die BiSSE-Modellanalyse wurde basierend auf dem LTP-Teilbaum und dem selbst erstellten phylogenetischen Baum durchgeführt.

Für jeden eingegebenen linearisierten phylogenetischen Baum wurde Diversitree zweimal ausgeführt: Zuerst, um mithilfe der Funktion „starting.point.bisse“ einen heuristischen Startpunkt für die Simulation zu erstellen, und dann, um mithilfe der Funktion „find.mle“ die maximale Wahrscheinlichkeitsschätzung für die Ratenparameter zu erhalten. Während der ersten Schätzungsrunde wurde darauf geachtet, dass T-resistente und T-empfindliche Arten identische Artbildungs- und Aussterberaten aufweisen. Die zweite Runde wurde mit uneingeschränkten Geschwindigkeitsparametern durchgeführt, sodass T-resistente und T-empfindliche Arten unterschiedliche Speziations- und Aussterberaten aufweisen konnten. Um die Robustheit der endgültigen Schätzung zu beurteilen, wurde der Varianzanalysetest (ANOVA) verwendet, um zu überprüfen, ob sich die eingeschränkten Ergebnisse (aus der ersten Runde) signifikant von den uneingeschränkten Ergebnissen (aus der zweiten Runde) unterschieden.

Angesichts des positiven Beitrags der Artbildungs- und Übergangsrate und des negativen Beitrags der Aussterberate zur mikrobiellen Vielfalt haben wir einen Index definiert: Diversifikationspotenzial (DP) wie folgt:

Dabei stellen λ, μ und t die Artbildungsrate, die Aussterberate bzw. die Übergangsrate dar und werden aus dem BiSSE-Modell ermittelt.

Angesichts des herausgefilterten Effekts, der durch eine erhöhte Umweltfilterung hervorgerufen wird, verwenden wir die Extinktionsrate, um das Umweltfilterungspotenzial (EP) gemäß der Gleichung darzustellen

Da DP und EP mit der Temperatur zusammenhängen, wurde die metabolische Theorie der Ökologie (MTE) [6, 74] eingesetzt, um die Variationen von DP, EP und ihre relative Stärke (RSDP vs. EP) entlang der Temperaturachse zu quantifizieren. Die Gleichungen lauten wie folgt:

Dabei ist K die Boltzmann-Konstante und T die absolute Temperatur in Kelvin (K). Die Aktivierungsenergie E entspricht dem Kehrwert der Steigung in der linearen Regression.

Die Hochdurchsatzsequenzierung des 16S-rRNA-Gens hat unsere Sicht auf die mikrobielle Evolution und Diversität radikal verändert. Die Kombination von FL und fragmentiertem 16S-rRNA-Gen könnte die schlechte phylogenetische Klassifizierung aufgrund der fragmentierten Sequenz allein und die geringen Qualitätsbeschränkungen aufgrund der FL-Sequenz allein abmildern. Für FL- und V4-fragmentierte Sequenzen wurden unterschiedliche Sequenzierungstiefen erhalten. Die Anzahl der qualitativ hochwertigen Lesevorgänge lag bei FL-Sequenzen zwischen 12.573 und 28.924 Sequenzen pro Probe, bei V4-Sequenzen zwischen 42.910 und 243.816. Seltenheitskurven zeigten, dass der größte Teil der Diversität bei der Resampling-Tiefe von 42.910 für V4-Sequenzen abgedeckt werden konnte, während die Diversität für FL-Sequenzen bei der Resampling-Tiefe von 12.573 nicht die Sättigung erreichte (Abb. S2).

Um die Konsistenz zwischen V4- und FL-Sequenzen zu vergleichen, wurden paarweise Sequenzausrichtungen mit BLASTN durchgeführt (Abb. 1B). Bei einem Identitätsgrad von 97 % konnten 82,51 % der V4-Sequenzen in den FL-Sequenzen gefunden werden und 83,96 % der FL-Sequenzen konnten mit den V4-Sequenzen abgeglichen werden. Darüber hinaus fanden wir heraus, dass einzelne sOTU (sub-operational-taxonomische Einheit, gleich Amplikonsequenzvariante (ASV)) von V4-Sequenzen mit mehreren OTUs von FL-Sequenzen übereinstimmen können (Abb. 1C), was darauf hindeutet, dass FL-Sequenzen umfassendere taxonomische Funktionen abdecken Profil mit höherer phylogenetischer Auflösung als die V4-Sequenzen. Daher stützten sich die meisten nachfolgenden Analysen hauptsächlich auf FL-Sequenzen. Da FL-Sequenzen jedoch nicht so tief waren wie kürzere Sequenzen (Abb. S2), wurden einige Analysen auch mit V4-fragmentierten Sequenzen kompensiert.

Aus FL-Sequenzen wurden insgesamt 28.073 OTUs identifiziert, die zu 66 Phyla gehörten, wobei 11 dominante Bakterienphyla (durchschnittliche relative Häufigkeit größer als 3 % in 56 Proben) 53,0–95,9 % der Sequenzen in neu beprobten Proben ausmachten. Die relative Häufigkeit dominanter Phyla schwankte zwischen den Temperaturgruppen (Abb. 2A). Insbesondere nahm die relative Häufigkeit von Proteobakterien, Bacteroidetes, Actinobakterien und Cyanobakterien mit der Temperatur signifikant zu (p < 0,05), im Gegensatz zu der von Firmicutes, Armatimonadota, Thermotogota, Caldatribacteriota und Nitrospirota (Abb. S3A). Die durch digitale Tröpfchen-PCR (ddPCR) quantifizierte absolute Mikrobenhäufigkeit nahm mit der Temperatur ab (Abb. S3B). Die Hauptkoordinatenanalyse (PCoA) zeigte, dass mikrobielle Gemeinschaftsstrukturen verschiedener Temperaturgruppen deutlich getrennt waren (Abb. S3C), was durch die mehrfachen Unähnlichkeitstests bestätigt wurde (Tabelle S2). Der Mantel-Test zeigte, dass neben der Temperatur auch andere Variablen wie pH, NO3−, NO2−, TN und OM, die gleichzeitig mit der Temperatur variieren, signifikante (p = 0,001) Assoziationen mit mikrobiellen Gemeinschaftsstrukturen hatten (Abb. 2B). Kanonische Korrespondenzanalysen (CCA) zeigten außerdem ein klares temperaturabhängiges Verteilungsmuster der mikrobiellen Gemeinschaftsstruktur (F = 1,751, p = 0,001) (Abb. 2C). Darüber hinaus deutete die mittlere Prädiktorbedeutung von Umgebungsvariablen nach Random Forest darauf hin, dass die Temperatur ein wichtigerer Prädiktor (höherer MSE-%-Wert) war, der das Strukturmuster der mikrobiellen Gemeinschaft bestimmt (Abb. 2D).

Eine Zusammensetzung der Mikrobengemeinschaft auf Stammebene, einschließlich 11 dominanter Bakterienstämme mit einer durchschnittlichen relativen Häufigkeit von mehr als 3 % in 56 Proben, und diejenigen mit weniger als 3 % wurden zu „Sonstige“ zusammengefasst. Die IDs von DRC8…DRC1 über den Spalten repräsentieren die acht Probenahmestellen. B, C Signifikante Korrelationen zwischen Umweltfaktoren und Gemeinschaftsstruktur basierend auf dem (partiellen) Mantel-Test bzw. der kanonischen Korrespondenzanalyse (CCA). D Der relative Beitrag von Umweltfaktoren zur mikrobiellen Gemeinschaftsstruktur (erste Achse von PCoA) basierend auf Zufallswäldern. %IncMSE bedeutet einen Anstieg des mittleren quadratischen Fehlers. Je größer der Wert, desto größer ist die Bedeutung des Umweltfaktors. p-Wert, ns zeigt Nicht-Signifikanz an; * für p < 0,05; ** für p < 0,01; *** für p < 0,001.

Um das mikrobielle taxonomische und phylogenetische Muster über die Probenahmestellen hinweg zu entschlüsseln, untersuchten wir den Simpson-Diversitätsindex, den Artenreichtum, den mittleren Abstand des nächstgelegenen Taxons (MNTD) und den Index des nächstgelegenen Taxons (NTI) entlang der Achse der Umweltextreme, die das darstellten kombinierte Wirkung von Umgebungsvariablen (Abb. S4). Die geothermischen Quellen sind ein Analogon zur antiken frühen Erde. Wie wir wissen, erlebte die Erde einen Prozess der Abkühlung und die Umgebungstemperatur war der wichtigste Faktor, der die Diversitätsausweitung der Thermophilen vorantreibt [21, 22]. Daher war die Temperatur hinsichtlich ihrer Auswirkung auf die mikrobielle Vielfalt von besonderem Interesse. Wir fanden heraus, dass der Einfluss der Temperatur auf die mikrobielle Diversität (Abb. 3) mit dem Einfluss der kombinierten Wirkung von Umgebungsvariablen (Abb. S4) übereinstimmt, was darauf hindeutet, dass die Temperatur eine dominierende Rolle bei der Steuerung des mikrobiellen Diversitätsmusters spielt.

Variationstrends von A Shannon (n = 7), B Richness (n = 7), C Mean-nearest-taxon-distance (MNTD) (n = 7), D Nearest-taxon index (NTI) (n = 7) quer Temperaturen. In der Abbildung ist der Pearson-Korrelationskoeffizient dargestellt. E Das durch Blombergs K und die Temperatur geschätzte phylogenetische Signal zeigt das stärkste phylogenetische Signal. Die Nischenbreite von F. Levins über verschiedene Temperaturen hinweg. Die Buchstaben kennzeichnen wesentliche Unterschiede.

Insbesondere nahm der Simpson-Diversitätsindex mit der Temperatur signifikant ab (R2 = 0,19, p < 0,001) (Abb. 3A), von 35,0 ± 16,1 bei 54,8 °C (DRC8) auf 23,4 ± 10,5 bei 80 °C (DRC1). Ein ähnliches Muster wurde für den Artenreichtum beobachtet (R2 = 0,24, p < 0,001), der von 996 ± 260 bei 54,8 °C auf 633 ± 150 bei 80 °C abnahm (Abb. 3B). Für phylogenetische Muster mit der Temperatur sank MNTD von 0,117 ± 0,016 bei 54,8 °C auf 0,091 ± 0,015 bei 80 °C (R2 = 0,29, p < 0,001) (Abb. 3C), was darauf hinweist, dass die phylogenetische Verwandtschaft mit der Temperatur enger wurde. Konsistent wurde ein steigender NTI mit der Temperatur (R2 = 0,40, p < 0,001) beobachtet, von 2,412 ± 0,229 bei 54,8 °C auf 6,470 ± 0,642 bei 80 °C (Abb. 3D), was weiter darauf hindeutet, dass eine höhere Temperatur eine stärkere phylogenetische Clusterbildung bei feineren Temperaturen förderte taxonomische Ebene in der Nähe der Spitzen des Stammbaums. Diese Ergebnisse waren für V4-Sequenzen mit größerer Sequenzierungstiefe robust (Abb. S5). Darüber hinaus ergab die K-Statistik von Blomberg, dass das phylogenetische Signal für die Temperatur stärker ist als andere Umgebungsvariablen (Abb. 3E). Levins‘ Nischenbreite wurde mit der Temperatur schmaler (Abb. 3F). Die Spearman-Korrelation bestätigte auch die negativen Auswirkungen der Temperatur auf Simpsons Diversitätsindex, Artenreichtum, MNTD, Biomasse und Levins Nischenbreite (p < 0,05) sowie die positiven Auswirkungen auf NTI (Abb. S6).

Die T-sensitiven und T-resistenten Spezies wurden anhand ihrer engen bzw. breiten thermischen Toleranz identifiziert (Abb. 4A). Insgesamt wurden 26.070 Phylotypen als T-empfindliche Arten (Arten auf OTU-Ebene, die nur bei einer bestimmten Temperatur vorkommen) und 524 als T-resistente Arten (Arten auf OTU-Ebene, die bei fünf bis acht Temperaturen vorkommen) klassifiziert (Abb. 4A). Die T-empfindlichen Arten waren zahlreicher als die T-resistenten Arten (2124–4286 vs. 318–455), beide sanken von 54,8 °C auf 80 °C, wobei der Trend bei den T-empfindlichen Arten steiler abnahm (Abb. 4B). Trotz des hohen Artenreichtums besetzten T-empfindliche Arten eine viel geringere Gemeinschaftshäufigkeit (2,634 × 104 vs. 4,620 × 105, Abb. 4E) und Sequenzanteil (8,05 % vs. 83,6 %, Abb. S7A) als diese T-resistenten Arten. Darüber hinaus zeigten die Strukturen der T-empfindlichen Untergemeinschaft eine größere Unähnlichkeit zwischen allen gepaarten Temperaturgruppen mit geringer Überlappung mit der Gesamtgemeinschaft (Abb. 4C), aber die T-resistente Untergemeinschaft korrelierte deutlich stark mit der Gesamtgemeinschaft (Abb . 4D). Im Vergleich zu T-resistenten Arten zeigten T-empfindliche Arten jedoch eine stärkere phylogenetische Häufung mit höherem NTI (Abb. 4F). T-empfindliche Arten zeigten konsistent eine geringere Levins-Nischenbreite auf Gemeinschaftsebene (Abb. S7B) und einen niedrigeren Nm-Wert (162 vs. 10429, Abb. S7C) des neutralen Gemeinschaftsmodells (NCM).

Eine Klassifizierung von T-empfindlichen und T-resistenten Arten. Die Gruppierungskriterien werden durch Vergleich der beobachteten Verteilung mit der erwarteten Verteilung ermittelt, die aus 100.000 Permutationen abgeleitet wurde. Wir haben das Gruppierungskriterium gewählt, wenn „Nobserved Species“ > „N erwartete“ Arten sind, was bedeutet, dass die Arten innerhalb der angegebenen Temperaturgruppe nicht zufällig ausgewählt werden. In dieser Studie sind die Gruppierungskriterien 1 und ≥5. Dies ist der Grund dafür, warum wir „T-empfindliche“ Arten als Arten definiert haben, die bei einer bestimmten Temperatur vorkommen, und „T-tolerante“ Arten bei mindestens fünf Temperaturen. Das Nebendiagramm zeigt die Artenanreicherung bei fünf bis acht Temperaturen. B Der Reichtum an T-empfindlichen und T-resistenten Arten bei allen Temperaturen. C, D Die Beziehung der T-sensitiven bzw. T-resistenten Gemeinschaftsstruktur zur gesamten Gemeinschaftsstruktur. E Variationen in der Gemeinschaftshäufigkeit von T-empfindlichen und T-resistenten Arten über Temperaturgrenzen hinweg, quantifiziert durch ddPCR. F Variationen im innergemeinschaftlichen Nearest-Taxon-Index (NTI) zwischen T-empfindlichen und T-resistenten Arten. G Der Stammbaum wurde mit 1555 Arten mit klaren taxonomischen Zugehörigkeiten erstellt. Jede Art war durch die am häufigsten vorkommende OTU vertreten. Die Farben sowohl für den Zweig als auch für den innersten Ring repräsentieren unterschiedliche Phyla, und die Farben für den äußersten Ring repräsentieren die Breite der thermischen Nische (T-empfindlich, T-resistent und andere). Die Ringe mit eingefügten Balkendiagrammen zeigen die relative Häufigkeit jeder OTU bei verschiedenen Temperaturen. An den Enden der Ringe wurden Temperatur und Artenreichtum bei jeder Temperatur markiert.

Der phylogenetische Baum wurde mit den repräsentativen Sequenzen für Arten erstellt, die klare taxonomische Zugehörigkeiten aufweisen (Abb. 4G). Die relative Häufigkeit und Anzahl der Arten variierte je nach Temperaturgruppe. Von 54,8 °C bis 80 °C betrug der Artenreichtum 301, 309, 318, 318, 322, 365, 520 bzw. 536, was einen leicht steigenden Trend mit der Temperatur zeigt. Die ausgewählten Arten waren in verschiedenen Phyla verteilt und die meisten der ausgewählten Arten gehörten zu T-empfindlichen Arten und einige zu T-resistenten Arten (1179 vs. 108).

Der Variationstrend der Evolutionsmerkmale (d. h. Artbildung, Aussterben und Zustandsübergangsraten) von T-empfindlichen und T-resistenten Arten über Temperaturgruppen hinweg, basierend auf dem LTP-Unterbaum (Tabelle S3), war ungefähr derselbe wie der auf dem einheitlichen phylogenetischen Baum basierende auf unseren Sequenzen (Tabelle S4), daher haben wir nur die Ergebnisse berichtet, die auf dem selbst erstellten einheitlichen phylogenetischen Baum basieren.

Die durchschnittlichen Evolutionsratenparameter pro Art (dh Artbildung, Aussterben und Zustandsübergangsraten) von T-empfindlichen und T-resistenten Arten über Temperaturgruppen hinweg wurden unter Verwendung des BiSSE-Modells mit einer Maximum-Likelihood-Methode geschätzt (Abb. 5A). Die mit diesem Modell über alle Temperaturgruppen hinweg erzielten Ergebnisse waren zuverlässig, wie der signifikante Unterschied zwischen eingeschränkten und uneingeschränkten Ergebnissen (ANOVA-Test, p < 0,001) beweist (Tabelle S4). Die relativ niedrige Temperatur von 54,8 °C begünstigte die Artbildung T-empfindlicher Linien (Speziationsrate λTs = 50,119), begleitet von einem geringen, aber ausgewogenen reversiblen Übergang zwischen T-empfindlichen und T-resistenten Linien (tTs→Tr = 8,841 und tTr→Ts). = 8,775) (Abb. 5B und Tabelle S4). Für den mittleren Bereich von 57,2–63,9 °C bestehen die bemerkenswertesten Veränderungen darin, dass die Artbildungs- (λTr) und Extinktionsraten (μTr) für T-resistente Arten auf 23,069–30,608 bzw. 24,468–31,624 anstiegen (Abb. 5A, B und). Tabelle S4) und ein vorteilhafter Übergang von T-sensitiven zu T-resistenten Abstammungslinien (tTs→Tr = 6,829–8,333) als umgekehrt (tTr→Ts= 0,406–0,738) (Abb. 5A, B und Tabelle S4). Für den hohen Temperaturbereich von 68–80 °C wurde die Aussterberate T-resistenter Arten weiter stark beschleunigt (μTr = 116,034–189,436), die Artbildungsrate (λTr) sank jedoch wieder auf 0 (Abb. 5A, B). und Tabelle S4). Hohe Temperaturen begünstigen einen häufigeren Übergang von T-empfindlichen Linien zu T-resistenten Linien (tTs→Tr = 22,834–35,224) als die mittlere Temperatur. Bemerkenswert ist, dass die Extinktionsrate T-empfindlicher Abstammungslinien über alle Temperaturgruppen hinweg Null blieb, ihren Höhepunkt jedoch erst bei einer extrem höheren Temperatur von 80 °C auf 6,894 erreichte (Abb. 5A, B und Tabelle S4).

Ein BiSSE-Modell (Binary State Speciation and Extinction) für die Entwicklung T-empfindlicher und T-resistenter Arten. Jeder Zustand hat unterschiedliche Speziations- (λ), Aussterbe- (μ) und Zustandsübergangsraten (t). B Der Variationstrend der Artbildungsrate (λTs vs. λTr), der Aussterberate (μTs vs. μTr) und der Übergangsrate (tTs-Tr vs. tTr-Ts) pro Art für die T-empfindlichen und T-resistenten Arten. C, D, E Auswirkungen der Temperatur, 1/kt, auf das Diversifikationspotenzial von T-empfindlichen Arten (DPTs, die Steigung EDP = 0,09 eV), das ökologische Filterpotenzial von T-resistenten Arten (EPTr, die Steigung EEP = 0,89 eV) bzw. die relative Stärke von DPTs zu EPTr (RSDP vs. EP). Die lineare Linie wurde mithilfe der gewöhnlichen Regression der kleinsten Quadrate angepasst. Die X-Achse war die reziproke Temperatur (1/kT) und die Y-Achse war das ln-transformierte DPTS, das ln-transformierte EPTr bzw. die ln-transformierten DPTs zu EPTr.

Die Artenbildungs- (λ) und Übergangsraten (t) erhöhen die mikrobielle Diversität, wohingegen die Extinktion (μ) die Diversität verringert. Um den Beitrag dieser Prozesse zum Artenreichtum zu bewerten, schlagen wir einen Diversifikationspotenzialindex (DP) als DP = λ + t − μ vor. Da erhöhte Temperaturen Arten herausfiltern, verwenden wir die Aussterberate, um das Umweltfilterpotenzial (EP) als EP = μ darzustellen. Durch die Anwendung von DP und EP auf T-empfindliche und T-resistente Arten stellten wir fest, dass sowohl DP für T-empfindliche Arten (DPTs) als auch EP für T-resistente Arten (EPTr) bei allen Temperaturen positiv waren, mit Ausnahme von EPTr = 0 niedrigste Temperatur. Genauer gesagt stiegen sowohl DPTs als auch EPTr exponentiell mit der Temperatur (R2 = 0,19, p < 0,001 (Abb. 5C) und R2 = 0,63, p < 0,001 (Abb. 5D)), mit angepassten Aktivierungsenergien von EDP = 0,09 ± 0,02 eV (Abb. 5C) und EEP = 0,89 ± 0,09 eV (Abb. 5D). Anschließend haben wir die relative Stärke des Diversifizierungspotenzials im Vergleich zum Umweltfilterungspotenzial (RSDP vs. EP) im Rahmen des MTE-Rahmens bewertet. Insbesondere ist RSDP vs. EP = DPTs(T)/EPTr(T) ∝ e^(EEP – EDP)/KT (siehe Ableitung in „Materialien und Methoden“). Wenn EDP > EEP, überwiegt die Diversifizierung die Umweltfilterung und die Gesamtvielfalt nimmt mit der Temperatur zu, andernfalls ist die Umweltfilterung gegenüber der Diversifizierung vorteilhaft, wenn EDP < EEP, und die Gesamtvielfalt nimmt mit der Temperatur ab. Unsere Ergebnisse stimmten gut mit der letztgenannten Situation überein, dass EDP < EEP und RSDP vs. EP exponentiell mit der Temperatur abnahmen (R2 = 0,70, p < 0,001) (Abb. 5E), was darauf hindeutet, dass die Umweltfilterung bei hohen Temperaturen dominanter ist als die Diversifizierung.

Im gleichen Umweltkontext kann es zu einer stärkeren Umweltfilterung und einer größeren genomischen Diversifizierung kommen [6], aber wie diese Prozesse interagieren, um die mikrobielle Vielfalt über Umweltgradienten wie die Temperatur hinweg zu beeinflussen, war unklar. Hier haben wir geeignete Sequenzierungs- und multivariate Analysemethoden ausgewählt, um die ökologischen und evolutionären Eigenschaften von Mikrobiota über einen breiten Temperaturbereich (54,8–80 °C) zu untersuchen. Aufgrund fehlender Fossilienfunde ist es eine große Herausforderung, Artbildungs- und Aussterbeprozesse von Prokaryoten zu rekonstruieren [68]. Durch die Erstellung relativ robuster phylogenetischer Bäume für die vorhandenen Arten könnten wir Einblicke in die evolutionären Merkmale von Bakterien und Archaeen gewinnen. In dieser Studie verfügen wir über einige Strategien, um die Robustheit unserer Daten sicherzustellen: (1) Auswahl der 16S-rRNA-Gene voller Länge durch PacBio RSII-Sequenzierung, um eine hohe mikrobielle phylogenetische Auflösung zu erhalten (39); (2) Verwendung von NTI und MNTD, die den Einfluss des Artenreichtums kontrollieren oder eliminieren, um das mikrobielle phylogenetische Muster zu berechnen; (3) Vergleich der Ergebnisse des binären Speziations- und Aussterbemodells aus dem LTP-Teilbaum und einem einheitlichen phylogenetischen Baum basierend auf unseren eigenen Sequenzen. Unsere Ergebnisse zeigten, dass Nischenspezialisten und Nischengeneralisten zusammenarbeiteten, um die mikrobielle Vielfalt über einen dynamischen Gleichgewichtsprozess aufrechtzuerhalten. Der zugrunde liegende Mechanismus umfasste hauptsächlich die adaptive Diversifizierung von Spezialisten, die Nischenerweiterung von Generalisten und den Übergang von Spezialisten zu Generalisten.

Die Artenvielfalt wird sowohl in ökologischer als auch in evolutionärer Hinsicht durch die physische (Nische) und biologische (biotische Interaktion) Umgebung bestimmt. Aus ökologischer Sicht haben wir zuvor herausgefunden, dass Temperatur und Wechselwirkungen zwischen den Arten deterministische Faktoren sind, die den Aufbau der Sedimentgemeinschaft beeinflussen [6]. In dieser Studie könnten mehrere Belege dafür sprechen, dass die Temperatur der entscheidende Umweltfilter ist, der die Evolution bestimmt: (1) Die geothermischen Quellen ähneln denen der alten frühen Erde, und die Umgebungstemperatur war ein wesentlicher Faktor für die Evolutionsgeschwindigkeit und der wichtigste Antriebsfaktor die Diversitätsausweitung des Thermophilen während der frühen Abkühlung der Erde [22]; (2) Die Temperatur war ein wichtigerer Prädiktor für die Variation der mikrobiellen Gemeinschaftsstruktur, die durch einen höheren zufälligen Wald-%MSE-Wert aufgedeckt wurde (Abb. 2D); (3) es gibt eine starke Häufung von Phänotypen und der Grad der Häufung innerhalb von Gemeinschaften hängt mit der Temperatur zusammen (Abb. 3C, D und Abb. S5); (4) Die Temperatur zeigt ein höheres phylogenetisches Signal als andere Umgebungsvariablen (Abb. 3E). Daher könnte die Temperatur die wichtigste Nischendimension in den untersuchten geothermischen Ökosystemen sein. Unter Berücksichtigung der Temperatur-Nischenachse stellen T-resistente (bei mindestens fünf Temperaturen auftretende) und T-empfindliche (nur bei einer bestimmten Temperatur auftretende) Arten im Wesentlichen Nischen-Generalisten bzw. Nischen-Spezialisten in Thermalquellenumgebungen dar. Wir haben tatsächlich eine Diskrepanz in den ökologischen (Abb. 4) und evolutionären (Abb. 5) Leistungen dieser Arten mit unterschiedlichen Nischenbreiten festgestellt. Beispielsweise erfolgte die Verschiebung der Zusammensetzung von T-empfindlichen Arten an einer relativ festen Nischenbreite (einem Temperaturpunkt) (Abb. 4C), wohingegen der Zusammensetzungswechsel der T-resistenten Untergemeinschaft über die Temperaturen hinweg allmählich erfolgte und die gesamte Gemeinschaft widerspiegelte (Abb . 4D).

Es wird seit langem argumentiert, dass die Spezialisierung auf Nischen die Speziations- und Anpassungsrate der Arten erhöht [75], was durch eine feinere Aufteilung des begrenzten Nischenraums und der begrenzten Nischenressourcen die Koexistenz von mehr Arten ermöglichen könnte [26]. Insbesondere Nischenspezialisten (d. h. T-empfindliche Arten) waren durch die örtlichen Umweltbedingungen (begrenzter Raum und begrenzte Ressourcen) stark eingeschränkt und erlebten eine stärkere Ausbreitungseinschränkung, wie durch die geringere Levins-Nischenbreite (Abb. S7B) und den negativen Wert von R2 belegt in der NCM (Tabelle S5) sowie höhere Nm in der Gemeinschaft der Nischen-Generalisten (dh T-resistenten) (Abb. S7C). Es ist bekannt, dass die Nischenerweiterung mit einer geringeren Anpassungsfähigkeit [76] und einer geringeren Leistung [77] einhergeht; Darüber hinaus verstärkte die Ressourcenbeschränkung die Artbildung [78]. Daher deutete der lokale Endemismus von Nischenspezialisten auf maximale Fitness in der „Heimatnische“ und größere Vorteile bei der Artendiversifizierung hin. Tatsächlich beobachteten wir bei allen Temperaturen eine höhere Artbildungsrate für T-empfindliche Arten (Abb. 5B und Tabelle S4). Darüber hinaus wirkt sich eine geringe Häufigkeit T-empfindlicher Arten positiv auf die Verringerung der biotischen Interaktion aus [79] und fördert indirekt eine hohe Artbildung und Artenvielfalt. Angesichts der stärker geclusterten phylogenetischen Verwandtschaft von T-empfindlichen Arten als von T-resistenten Arten (Abb. 4F) können sich T-empfindliche Abstammungslinien über Temperaturgrenzen hinweg von phylogenetisch näheren Arten über sympatrische Artbildung ausdehnen [80, 81], und somit ist jede Temperatur phylogenetisch ähnlicher Arten, was zu einem verstärkten Wettbewerb zwischen ähnlichen Arten bei begrenzter Ressourcenverfügbarkeit führt. Eine geringe Häufigkeit verringerte jedoch den physischen Kontakt T-empfindlicher Arten mit benachbarten Arten und schwächte somit den Konkurrenzausschluss, was die Koexistenz von mehr Arten mit ähnlichen Merkmalen in einer ziemlich engen ökologischen Nische ermöglichte (Abb. S7B), was schließlich die lokale Vielfalt erhöhte. Daher wurde den Nischenspezialisten vorgeschlagen, indirekt höhere Artbildungsraten auf Kosten einer geringeren Biomasse und einer engeren Nischenausbreitung zu erzielen und so ihre relativ höhere Diversität weiter zu fördern.

Bemerkenswert ist, dass trotz der zunehmenden Aussterberate T-resistenter Arten ihre Artenzahl bei allen Temperaturen vergleichbar war (Abb. 4B), was hauptsächlich auf den damit einhergehenden Anstieg der Übergangsrate von T-empfindlichen zu T-resistenten Arten zurückzuführen ist (Abb. 5 und Tabelle). S4). Der kontinuierliche Übergang von T-empfindlichen Arten zu T-resistenten Arten stellt sicher, dass die Ausschlusswahrscheinlichkeit T-resistenter Arten bei verschiedenen Temperaturen relativ konstant ist. Dieser Übergang von T-empfindlichen Arten zu T-resistenten Arten implizierte ein „Win-Win“-Szenario zwischen T-empfindlichen und T-resistenten Arten: T-empfindliche Arten (stärker eingeschränkt) müssen eine Nischenerweiterung durch den Übergang zu T-resistenten Arten erreichen (größere Ausbreitung), während T-resistente Arten eine kontinuierliche Wiederauffüllung erzielten, da T-empfindliche Arten durch hohe Speziation einen relativ stabilen Artenpool erzeugten und eine dynamische Quelle-Senke-Beziehung mit T-resistenten Arten aufrechterhielten. Trotz der Unterschiede in der Artbildung und den Aussterberaten zwischen T-resistenten und T-empfindlichen Arten sind sie auch evolutionär miteinander verwandt. Die Ergebnisse dieser sehr komplexen Interaktion und gegenseitigen Abhängigkeit zwischen den beiden haben zu ihrer Koevolution und Koadaption geführt, was mit einer Schlüsselkomponente der Red Queen-Theorie übereinstimmt [82]. Das Gleichgewicht der Evolutionsdynamik zwischen Nischenspezialisten und Nischengeneralisten in heißen Quellen könnte der biologische Faktor sein, der die Evolution vorantreibt.

Wir haben außerdem den relativen Beitrag der Umweltfilterung und -diversifizierung zur mikrobiellen Vielfalt als Reaktion auf eine wichtige Nischenachse (z. B. die Temperatur in dieser Studie) erläutert. Die relative Stärke der Diversifizierung gegenüber der Umweltfilterung nahm exponentiell mit der Temperatur ab (Abb. 5D), was gut mit der allgemeinen Verringerung der Diversität übereinstimmt, was darauf hindeutet, dass die Umweltfilterung gegenüber der Diversifizierung vorteilhaft ist, wenn die Bedingungen stressiger werden. Wir schlagen einen konzeptionellen Rahmen vor, um das Gleichgewicht zwischen ökologischen und evolutionären Prozessen bei der Regulierung von Diversitätsmustern entlang einer prominenten Nischenachse (z. B. Temperatur) besser zu beschreiben (Abb. 6). Angesichts des intensiven globalen Wandels leiden Mikroben unter zunehmend stressigen Bedingungen, und dieser Rahmen könnte auf andere stressige Umgebungen angewendet werden und ein tieferes Verständnis dafür gewinnen, wie die mikrobielle Vielfalt in phylogenetischer Hinsicht erhalten bleibt. Angesichts der Unterschiede in der Nischenbreite, der Ausbreitungsfähigkeit und den evolutionären Merkmalen helfen die Übergänge zwischen dem Lebensstil von Nischenspezialisten und Nischengeneralisten den Mikroben, sich an Umweltschwankungen anzupassen.

Höhere Temperaturen könnten die Umweltfilterung verbessern, was zu einer geringeren Häufigkeit in der Gemeinschaft, einer Umgestaltung der Gemeinschaftsstruktur und einer Verringerung der thermischen Nischenbreite auf Gemeindeebene führen würde. Gleichzeitig fördert eine höhere Temperatur die Artbildung an feineren Spitzen des Baumes, was zu einer verringerten phylogenetischen Distanz (d. h. MNTD) und einer verstärkten phylogenetischen Clusterbildung (d. h. NTI) führt. Wenn die Umweltfilterung die Artbildung überwältigt, konnten wir eine Verringerung des mikrobiellen Diversitätsmusters entlang des Temperaturgradienten beobachten. Die dem daraus resultierenden Diversitätsmuster zugrunde liegenden evolutionären Merkmale wurden durch die Dynamik der Artbildung, des Aussterbens und der Übergangsrate für Nischenspezialisten (z. B. T-empfindliche Arten, die nur in einem engen Temperaturbereich vorkommen) und Nischen-Generalisten (z. B. T-resistente Arten) bestimmt (in der Lage, einen weiten Temperaturbereich zu tolerieren) entlang eines Gradienten von Umweltextremen (z. B. Temperatur).

Die Sequenzierungsdaten sind in der Datenbank des National Genomics Data Center (NGDC) mit den Zugangsnummern CRA007636 und CRA007773 hinterlegt.

Shock EL, Holland M, Meyer-Dombard DA, Amend JP, Osburn GR, Fischer TP. Quantifizierung anorganischer Quellen geochemischer Energie in hydrothermalen Ökosystemen, Yellowstone-Nationalpark, USA. Geochim Cosmochim Acta. 2010;74:4005–43.

Artikel CAS Google Scholar

Hou W, Wang S, Dong H, Jiang H, Briggs BR, Peacock JP, et al. Eine umfassende Zählung der mikrobiellen Vielfalt in den heißen Quellen von Tengchong, Provinz Yunnan, China, mittels 16S-rRNA-Genpyrosequenzierung. Plus eins. 2013;8:e53350.

Artikel CAS PubMed PubMed Central Google Scholar

Inskeep WP, Rusch DB, Jay ZJ, Herrgard MJ, Kozubal MA, Richardson TH, et al. Metagenome aus chemotrophen Hochtemperatursystemen offenbaren geochemische Kontrollen über die Struktur und Funktion mikrobieller Gemeinschaften. Plus eins. 2010;5:e9773.

Artikel PubMed PubMed Central Google Scholar

Wang S, Hou W, Dong H, Jiang H, Huang L, Wu G, et al. Kontrolle der Temperatur auf die mikrobielle Gemeinschaftsstruktur in heißen Quellen des tibetischen Plateaus. PoS EINS. 2013;8:e62901.

Artikel CAS Google Scholar

Guo L, Wang G, Sheng Y, Sun X, Shi Z, Xu Q, et al. Die Temperatur bestimmt die Verteilung der mikrobiellen Gemeinschaft heißer Quellen in drei hydrothermalen Feldern im Geothermiegürtel des östlichen tibetischen Plateaus in Westchina. Sci Total Environ. 2020;720:137574.

Artikel CAS PubMed Google Scholar

He Q, Wang S, Hou W, Feng K, Li F, Hai W, et al. Temperatur und mikrobielle Wechselwirkungen steuern die deterministischen Montageprozesse in Sedimenten heißer Quellen. Sci Total Environ. 2021;772:145465.

Artikel CAS PubMed Google Scholar

Sorensen JW, Dunivin TK, Tobin TC, Shade A. Ökologische Selektion für kleine mikrobielle Genome entlang eines gemäßigten bis thermischen Bodengradienten. Nat Microbiol. 2019;4:55–61.

Artikel CAS PubMed Google Scholar

Storch D. Kommentar zu „Globale Biodiversität, biochemische Kinetik und die Energieäquivalenzregel“. Wissenschaft 2003;299:346.

Artikel CAS PubMed Google Scholar

Allen AP, Gillooly JF, Savage VM, Brown JH. Kinetische Auswirkungen der Temperatur auf die Geschwindigkeit genetischer Divergenz und Artbildung. Proc Natl Acad Sci USA. 2006;103:9130–5.

Artikel CAS PubMed PubMed Central Google Scholar

Bromham L, Cardillo M. Testen des Zusammenhangs zwischen dem Breitengradienten des Artenreichtums und den Raten der molekularen Evolution. J. Evolut Biol. 2003;16:200–7.

Artikel CAS Google Scholar

Hairston NG Jr, Ellner SP, Geber MA, Yoshida T, Fox JA. Rasante Evolution und die Konvergenz von ökologischer und evolutionärer Zeit. Ecol Lett. 2005;8:1114–27.

Artikel Google Scholar

Rudman SM, Barbour MA, Csilléry K, Gienapp P, Guillaume F, Hairston NG Jr, et al. Was Genomdaten über die ökoevolutionäre Dynamik verraten können. Nat Ecol Evol. 2018;2:9–15.

Artikel PubMed Google Scholar

Prosser JI, Martiny JBH. Konzeptionelle Herausforderungen in der Ökologie mikrobieller Gemeinschaften. Philos Trans R Soc B: Biol. Wissenschaft. 2020;375:20190241.

Artikel Google Scholar

Chase AB, Weihe C, Martiny JBH. Adaptive Differenzierung und schnelle Entwicklung eines Bodenbakteriums entlang eines Klimagradienten. Proc Natl Acad Sci USA. 2021;118:e2101254118.

Artikel CAS PubMed PubMed Central Google Scholar

Brown JH, Gillooly JF, Allen AP, Savage VM, West GB, TOWARD A. Stoffwechseltheorie der Ökologie. Ökologie. 2004;85:1771–89.

Artikel Google Scholar

Allen AP, Brown JH, Gillooly JF. Globale Artenvielfalt, biochemische Kinetik und die Energieäquivalenzregel. Wissenschaft. 2002;297:1545–8.

Artikel CAS PubMed Google Scholar

Zhou J, Deng Y, Shen L, Wen C, Yan Q, Ning D, et al. Die Temperatur vermittelt die Diversität von Mikroben in Waldböden auf kontinentaler Ebene. Nat Commun. 2016;7:12083.

Artikel CAS PubMed PubMed Central Google Scholar

Segura AM, Calliari D, Crook C, Fort H, Izaguirre I, Saad JF, et al. Stoffwechselabhängigkeit des Artenreichtums von Phytoplankton. Glob Ecol Biogeogr. 2015;24:472–82.

Artikel Google Scholar

Smith TP, Thomas TJH, García-Carreras B, Sal S, Yvon-Durocher G, Bell T, et al. Die Atmung prokaryotischer Mikroben auf Gemeinschaftsebene kann mit der globalen Erwärmung zunehmen. Nat Commun. 2019;10:5124.

Artikel PubMed PubMed Central Google Scholar

Zhang Y, Qi X, Wang S, Wu G, Briggs BR, Jiang H, et al. Kohlenstofffixierung durch photosynthetische Matten entlang eines Temperaturgradienten in einer heißen Quelle von Tengchong. J. Geophys Res Biogeosci. 2020;125:e2020JG005719.

Artikel CAS Google Scholar

Boussau B, Blanquart S, Necsulea A, Lartillot N, Gouy M. Parallele Anpassungen an hohe Temperaturen im archaischen Zeitalter. Natur. 2008;456:942–5.

Artikel CAS PubMed Google Scholar

Groussin M, Gouy M. Die Anpassung an die Umgebungstemperatur ist ein wesentlicher Faktor für die molekularen Evolutionsraten bei Archaeen. Mol Biol. Entwicklung 2011;28:2661–74.

Artikel CAS PubMed Google Scholar

Sabath N, Ferrada E, Barve A, Wagner A. Wachstumstemperatur und Genomgröße bei Bakterien korrelieren negativ, was auf eine genomische Straffung während der thermischen Anpassung hindeutet. Genombiol. Entwicklung 2013;5:966–77.

Artikel PubMed PubMed Central Google Scholar

Louca S. Die Geschwindigkeiten der globalen Ausbreitung von Bakterien und Archaeen. ISME J. 2022;16:159–67.

Artikel PubMed Google Scholar

Li SJ, Hua ZS, Huang LN, Li J, Shi SH, Chen LX, et al. Mikrobielle Gemeinschaften entwickeln sich in extremen Umgebungen schneller. Sci Rep. 2014;4:6205.

Artikel CAS PubMed PubMed Central Google Scholar

Sexton JP, Montiel J, Shay JE, Stephens MR, Slatyer RA. Entwicklung der ökologischen Nischenbreite. Annu Rev Ecol Evol Syst. 2017;48:183–206.

Artikel Google Scholar

Muller EEL, Pinel N, Laczny CC, Hoopmann MR, Narayanasamy S, Lebrun LA, et al. Community-integrierte Omics verbinden die Dominanz eines mikrobiellen Generalisten mit einer fein abgestimmten Ressourcennutzung. Nat Commun. 2014;5:5603.

Artikel CAS PubMed Google Scholar

O'Gorman EJ, Pichler DE, Adams G, Benstead JP, Cohen H, Craig N, et al. Auswirkungen der Erwärmung auf die Struktur und Funktionsweise aquatischer Gemeinschaften: Reaktionen auf individueller bis Ökosystemebene. Adv Ecol Res. 2012;47:81–176.

Young JS, Peck LS, Matheson T. Die Auswirkungen der Temperatur auf die periphere neuronale Funktion bei eurythermischen und stenothermischen Krebstieren. J. Exp Biol. 2006;209:1976–87.

Artikel PubMed Google Scholar

Logan CA, Buckley BA. Transkriptomische Reaktionen auf die Umgebungstemperatur bei eurythermen und stenothermischen Fischen. J. Exp Biol. 2015;218:1915–24.

Artikel PubMed Google Scholar

Grzymski JJ, Murray AE, Campbell BJ, Kaplarevic M, Gao GR, Lee C, et al. Die Metagenomanalyse einer extremen mikrobiellen Symbiose zeigt eurythermale Anpassung und metabolische Flexibilität. Proc Natl Acad Sci USA. 2008;105:17516–21.

Artikel CAS PubMed PubMed Central Google Scholar

Pörtner HO, Gutt J. Auswirkungen von Klimavariabilität und -veränderung auf (Meeres-)Tiere: physiologische Grundlagen und evolutionäre Konsequenzen. Integr Comp Biol. 2016;56:31–44.

Artikel PubMed Google Scholar

Shi Y, Li Y, Xiang X, Sun R, Yang T, He D, et al. Der räumliche Maßstab beeinflusst die relative Rolle von Stochastik gegenüber Determinismus in Bodenbakteriengemeinschaften in Weizenfeldern in der Nordchinesischen Tiefebene. Mikrobiom. 2018;6:27.

Artikel PubMed PubMed Central Google Scholar

Callahan BJ, Grinevich D, Thakur S, Balamotis MA, Yehezkel TB. Hochpräzise mikrobielle Amplikonsequenzierung mit synthetischen langen Lesevorgängen. Mikrobiom. 2021;9:130.

Artikel CAS PubMed PubMed Central Google Scholar

Wang D, Wang S, Du X, He Q, Liu Y, Wang Z, et al. DdPCR übertrifft die klassische qPCR-Technologie bei der Quantifizierung von Bakterien und Pilzen in der Umwelt. Mol Ecol Resour. 2022;22:2587–98.

Artikel CAS PubMed Google Scholar

Feng K, Zhang Z, Cai W, Liu W, Xu M, Yin H, et al. Biodiversität und Artenwettbewerb regulieren die Widerstandsfähigkeit der mikrobiellen Biofilmgemeinschaft. Mol Ecol. 2017;26:6170–82.

Artikel PubMed Google Scholar

Magoč T, Salzberg SL. FLASH: Schnelle Längenanpassung kurzer Lesevorgänge zur Verbesserung der Genomassemblierung. Bioinformatik. 2011;27:2957–63.

Artikel PubMed PubMed Central Google Scholar

Amir A, McDonald D, Navas-Molina Jose A, Kopylova E, Morton James T, Zech Xu Z, et al. Deblur löst schnell Einzelnukleotid-Gemeinschaftssequenzmuster auf. mSystems. 2017;2:e00191–16.

Artikel PubMed PubMed Central Google Scholar

Singer E, Bushnell B, Coleman-Derr D, Bowman B, Bowers RM, Levy A, et al. Hochauflösendes phylogenetisches Profil der mikrobiellen Gemeinschaft. ISME J. 2016;10:2020–32.

Artikel PubMed PubMed Central Google Scholar

Callahan BJ, Wong J, Heiner C, Oh S, Theriot CM, Gulati AS, et al. Hochdurchsatz-Amplikonsequenzierung des 16S-rRNA-Gens voller Länge mit Einzelnukleotidauflösung. Nukleinsäuren Res. 2019;47:e103.

Artikel CAS PubMed PubMed Central Google Scholar

Dueholm Morten S, Andersen Kasper S, McIlroy Simon J, Kristensen Jannie M, Yashiro E, Karst Søren M, et al. Erstellung umfassender ökosystemspezifischer Referenzdatenbanken mit Auflösung auf Artenebene durch Hochdurchsatz-16S-rRNA-Gensequenzierung in voller Länge und automatisierte Taxonomiezuordnung (AutoTax). mBio. 2020;11:e01557–20.

PubMed PubMed Central Google Scholar

Lam TYC, Mei R, Wu Z, Lee PKH, Liu WT, Lee PH. Charakterisierung der mikrobiellen Diversität in anaeroben Fermentern mit überlegener Auflösung mithilfe der Amplikonsequenzierung des 16S-rRNA-Gens in voller Länge. Wasserres. 2020;178:115815.

Artikel CAS PubMed Google Scholar

Earl JP, Adappa ND, Krol J, Bhat AS, Balashov S, Ehrlich RL, et al. Profilierung der Bakteriengemeinschaft auf Artenebene des gesunden sinunasalen Mikrobioms mithilfe der Sequenzierung von 16S-rRNA-Genen voller Länge durch Pacific Biosciences. Mikrobiom. 2018;6:190.

Artikel PubMed PubMed Central Google Scholar

Callahan BJ, McMurdie PJ, Holmes SP. Exakte Sequenzvarianten sollten operative taxonomische Einheiten in der Markergen-Datenanalyse ersetzen. ISME J. 2017;11:2639–43.

Artikel PubMed PubMed Central Google Scholar

Wagner J, Coupland P, Browne HP, Lawley TD, Francis SC, Parkhill J. Bewertung der PacBio-Sequenzierung für die Klassifizierung des bakteriellen 16S-rRNA-Gens voller Länge. BMC Mikrobiol. 2016;16:274.

Artikel PubMed PubMed Central Google Scholar

Edgar RC. UPARSE: Hochpräzise OTU-Sequenzen aus mikrobiellen Amplikon-Reads. Nat-Methoden. 2013;10:996–8.

Artikel CAS PubMed Google Scholar

Wang Q, Garrity George M, Tiedje James M, Cole James R. Naiver Bayesianischer Klassifikator für die schnelle Zuordnung von rRNA-Sequenzen in die neue bakterielle Taxonomie. Appl Environ Microbiol. 2007;73:5261–7.

Artikel CAS PubMed PubMed Central Google Scholar

Pruesse E, Quast C, Knittel K, Fuchs BM, Ludwig W, Peplies J, et al. SILVA: eine umfassende Online-Ressource für qualitätsgeprüfte und abgeglichene ribosomale RNA-Sequenzdaten, die mit ARB kompatibel sind. Nukleinsäuren Res. 2007;35:7188–96.

Artikel CAS PubMed PubMed Central Google Scholar

Caporaso JG, Bittinger K, Bushman FD, DeSantis TZ, Andersen GL, Knight R. PyNAST: ein flexibles Werkzeug zum Ausrichten von Sequenzen an einer Vorlagenausrichtung. Bioinformatik. 2010;26:266–7.

Artikel CAS PubMed Google Scholar

Price MN, Dehal PS, Arkin AP. FastTree: Berechnung großer Bäume mit minimaler Evolution mit Profilen anstelle einer Distanzmatrix. Mol Biol. Entwicklung 2009;26:1641–50.

Artikel CAS PubMed PubMed Central Google Scholar

Webb CO, Ackerly DD, McPeek MA, Donoghue MJ. Phylogenien und Gemeinschaftsökologie. Annu Rev Ecol Syst. 2002;33:475–505.

Artikel Google Scholar

Horner-Devine MC, Bohannan BJM. Phylogenetische Clusterbildung und Überdispersion in Bakteriengemeinschaften. Ökologie. 2006;87:S100–S8.

Artikel PubMed Google Scholar

Stegen JC, Lin X, Fredrickson JK, Chen X, Kennedy DW, Murray CJ, et al. Quantifizierung von Community-Assembly-Prozessen und Identifizierung von Merkmalen, die sie erfordern. ISME J. 2013;7:2069–79.

Artikel PubMed PubMed Central Google Scholar

Kembel SW. Nischen- und neutrale Einflüsse auf die Gemeinschaftsbildung entwirren: Bewertung der Leistung von Tests zur phylogenetischen Struktur der Gemeinschaft. Ecol Lett. 2009;12:949–60.

Artikel PubMed Google Scholar

Letunic I, Bork P. Interactive Tree Of Life (iTOL) v5: ein Online-Tool zur Anzeige und Kommentierung phylogenetischer Bäume. Nukleinsäuren Res. 2021;49:W293–W6.

Artikel CAS PubMed PubMed Central Google Scholar

Kembel SW, Cowan PD, Helmus MR, Cornwell WK, Morlon H, Ackerly DD, et al. Picante: R-Tools zur Integration von Phylogenien und Ökologie. Bioinformatik. 2010;26:1463–4.

Artikel CAS PubMed Google Scholar

Pandit SN, Kolasa J, Cottenie K. Kontraste zwischen Habitat-Generalisten und -Spezialisten: eine empirische Erweiterung des grundlegenden Metacommunity-Rahmens. Ökologie. 2009;90:2253–62.

Zhang J. spaa: Artenassoziationsanalyse. R-Paketversion 0.2.2.2016.

Feng K, Wang S, Wei Z, Wang Z, Zhang Z, Wu Y, et al. Die Nischenbreite ober- und unterirdischer Organismen variierte bei der Vorhersage des Biodiversitätsprofils entlang eines Breitengradienten. Mol Ecol. 2020;29:1890–902.

Artikel PubMed Google Scholar

Jiao S, Yang Y, ISME J. 2020;14:202–16.

Artikel PubMed Google Scholar

Sloan WT, Lunn M, Woodcock S, Head IM, Nee S, Curtis TP. Quantifizierung der Rolle von Einwanderung und Zufall bei der Gestaltung der prokaryotischen Gemeinschaftsstruktur. Umwelt Mikrobiol. 2006;8:732–40.

Artikel PubMed Google Scholar

Chen W, Ren K, Isabwe A, Chen H, Liu M, Yang J. Stochastische Prozesse prägen die mikroeukaryotische Gemeinschaftsversammlung in einem subtropischen Fluss über Regen- und Trockenzeiten hinweg. Mikrobiom. 2019;7:138.

Artikel PubMed PubMed Central Google Scholar

Warton DI, Wright ST, Wang Y. Distanzbasierte multivariate Analysen verwechseln Standort- und Streuungseffekte. Methoden Ecol Evol. 2012;3:89–101.

Artikel Google Scholar

Anderson MJ. Eine neue Methode zur nichtparametrischen multivariaten Varianzanalyse. Austral Ecol. 2001;26:32–46.

Google Scholar

McArdle BH, Anderson MJ. Anpassung multivariater Modelle an Community-Daten: ein Kommentar zur distanzbasierten Redundanzanalyse. Ökologie 2001;82:290–7.

Artikel Google Scholar

Kijewski T, Zbawicka M, Strand J, Kautsky H, Kotta J, Rätsep M, et al. Zufällige Waldbewertung der Korrelation zwischen Umweltfaktoren und genetischer Differenzierung von Populationen: Fall der Meeresmuschel Mytilus. Ozeanologie. 2019;61:131–42.

Artikel Google Scholar

Maddison WP, Midford PE, Otto SP. Abschätzung der Auswirkung eines Binärzeichens auf Artbildung und Aussterben. Syst Biol. 2007;56:701–10.

Artikel PubMed Google Scholar

Schopf JW, Packer BM. Mikrofossilien aus dem frühen Archaikum (3,3 bis 3,5 Milliarden Jahre alt) von der Warrawoona Group, Australien. Wissenschaft. 1987;237:70–3.

Artikel CAS PubMed Google Scholar

Linz B, Balloux F, Moodley Y, Manica A, Liu H, Roumagnac P, et al. Ein afrikanischer Ursprung für die enge Verbindung zwischen Menschen und Helicobacter pylori. Natur. 2007;445:915–8.

Artikel PubMed PubMed Central Google Scholar

FitzJohn RG. Diversitree: vergleichende phylogenetische Analysen der Diversifikation in R. Methoden Ecol Evol. 2012;3:1084–92.

Artikel Google Scholar

Lloyd Karen G, Steen Andrew D, Ladau J, Yin J, Crosby L. Phylogenetisch neuartige unkultivierte mikrobielle Zellen dominieren die Mikrobiome der Erde. mSystems. 2018;3:e00055–18.

PubMed PubMed Central Google Scholar

Jiao JY, Liu L, Hua ZS, Fang BZ, Zhou EM, Salam N, et al. Mikrobielle dunkle Materie kommt ans Licht: Herausforderungen und Chancen. Natl Sci Rev. 2021;8:nwaa280.

Artikel CAS PubMed Google Scholar

Shu WS, Huang LN. Mikrobielle Vielfalt in extremen Umgebungen. Nat Rev Microbiol. 2022;20:219–35.

Artikel CAS PubMed Google Scholar

[PubMed] Gillooly JF, Brown JH, West GB, Savage VM, Charnov EL. Auswirkungen von Größe und Temperatur auf die Stoffwechselrate. Wissenschaft 2001;293:2248–51.

Artikel CAS PubMed Google Scholar

Futuyma DJ, Moreno G. Die Entwicklung der ökologischen Spezialisierung. Annu Rev Ecol Syst. 1988;19:207–33.

Artikel Google Scholar

Bono LM, Draghi JA, Turner PE. Entwicklungskosten der Nischenerweiterung. Trends Genet. 2020;36:14–23.

Artikel CAS PubMed Google Scholar

Miller Scott R, Castenholz, Richard W. Entwicklung der Thermotoleranz in Thermalquellen-Cyanobakterien der Gattung Synechococcus. Appl Environ Microbiol. 2000;66:4222–9.

Artikel PubMed Central Google Scholar

Souza V, Eguiarte LE, Siefert J, Elser JJ. Mikrobieller Endemismus: Fördert Phosphorlimitierung die Artbildung? Nat Rev Microbiol. 2008;6:559–64.

Artikel CAS PubMed Google Scholar

Lynch MDJ, Neufeld JD. Ökologie und Erforschung der seltenen Biosphäre. Nat Rev Microbiol. 2015;13:217–29.

Artikel CAS PubMed Google Scholar

Friedman J, Alm EJ, Shapiro BJ. Sympatrische Artbildung: Wann ist sie bei Bakterien möglich? Plus eins. 2013;8:e53539.

Artikel CAS PubMed PubMed Central Google Scholar

Doroghazi JR, Buckley DH. Ein Modell für den Effekt der homologen Rekombination auf die mikrobielle Diversifizierung. Genombiol. Entwicklung 2011;3:1349–56.

Artikel CAS PubMed PubMed Central Google Scholar

Liow LH, Van Valen L, Stenseth NC. Rote Königin: von Populationen über Taxa bis hin zu Gemeinschaften. Trends Ecol Evol. 2011;26:349–58.

Artikel PubMed Google Scholar

Referenzen herunterladen

Diese Arbeit wird von der National Nature Science Foundation of China unterstützt (Fördernummern U1906223, 41807316, 91851106); das Key Research Program of Frontier Sciences, CAS (QYZDB-SSW-DQC026).

Diese Autoren haben gleichermaßen beigetragen: Shang Wang, Ye Deng.

CAS-Schlüssellabor für Umweltbiotechnologie, Forschungszentrum für Öko-Umweltwissenschaften, Chinesische Akademie der Wissenschaften (CAS), Peking, 100085, China

Qing He, Shang Wang, Kai Feng, Danrui Wang, Xi Peng, Xingsheng Yang und Ye Deng

College of Resources and Environment, Universität der Chinesischen Akademie der Wissenschaften, Peking, 100190, China

Qing He, Danrui Wang, Xi Peng, Xingsheng Yang und Ye Deng

Abteilung für Botanik und Biodiversitätsforschungszentrum, University of British Columbia, Vancouver, BC, V6T 1Z4, Kanada

Sean T. Michaletz

Staatliches Schlüssellabor für Biogeologie und Umweltgeologie, China University of Geosciences, Peking, 100083, China

Weiguo Hou, Wenhui Zhang, Fangru Li und Yidi Zhang

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

QH, SW, KF und YD konzipierten und gestalteten die Experimente, QH, KF, WH, WZ, FL, YZ und DW führten die Experimente durch. QH, XP und XY analysierten die Daten, QH, SW, STM und YD leiteten das Data Mining und verfassten die Arbeit. Alle Autoren haben das Papier überprüft und sind mit ihm einverstanden.

Korrespondenz mit Shang Wang oder Ye Deng.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

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

He, Q., Wang, S., Feng, K. et al. Hohe Artbildungsrate von Nischenspezialisten in heißen Quellen. ISME J (2023). https://doi.org/10.1038/s41396-023-01447-4

Zitat herunterladen

Eingegangen: 01. Dezember 2022

Überarbeitet: 24. Mai 2023

Angenommen: 26. Mai 2023

Veröffentlicht: 07. Juni 2023

DOI: https://doi.org/10.1038/s41396-023-01447-4

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