CN117649883A - 一种用于识别土著耐污染石油降解菌群落的方法 - Google Patents
一种用于识别土著耐污染石油降解菌群落的方法 Download PDFInfo
- Publication number
- CN117649883A CN117649883A CN202311641628.5A CN202311641628A CN117649883A CN 117649883 A CN117649883 A CN 117649883A CN 202311641628 A CN202311641628 A CN 202311641628A CN 117649883 A CN117649883 A CN 117649883A
- Authority
- CN
- China
- Prior art keywords
- soil
- pollution
- petroleum
- indigenous
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003208 petroleum Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000593 degrading effect Effects 0.000 title claims abstract description 30
- 230000001580 bacterial effect Effects 0.000 title claims description 19
- 239000002689 soil Substances 0.000 claims abstract description 96
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 64
- 231100000719 pollutant Toxicity 0.000 claims abstract description 64
- 244000005700 microbiome Species 0.000 claims abstract description 60
- 125000000524 functional group Chemical group 0.000 claims abstract description 49
- 241000894006 Bacteria Species 0.000 claims abstract description 39
- 238000006731 degradation reaction Methods 0.000 claims abstract description 35
- 230000000813 microbial effect Effects 0.000 claims abstract description 35
- 230000015556 catabolic process Effects 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000012163 sequencing technique Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000008878 coupling Effects 0.000 claims abstract description 5
- 238000010168 coupling process Methods 0.000 claims abstract description 5
- 238000005859 coupling reaction Methods 0.000 claims abstract description 5
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 238000011109 contamination Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 229910052799 carbon Inorganic materials 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 239000004927 clay Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005341 cation exchange Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 241000736262 Microbiota Species 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000008439 repair process Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 23
- 229910001385 heavy metal Inorganic materials 0.000 description 23
- 238000011065 in-situ storage Methods 0.000 description 12
- 102100032919 Chromobox protein homolog 1 Human genes 0.000 description 9
- 101000797584 Homo sapiens Chromobox protein homolog 1 Proteins 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 108020004414 DNA Proteins 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 108020004465 16S ribosomal RNA Proteins 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000029087 digestion Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000037353 metabolic pathway Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 108091093088 Amplicon Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052718 tin Inorganic materials 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000580482 Acidobacteria Species 0.000 description 1
- 241000186361 Actinobacteria <class> Species 0.000 description 1
- 241001142109 Chloroflexi Species 0.000 description 1
- 238000007400 DNA extraction Methods 0.000 description 1
- 241000566145 Otus Species 0.000 description 1
- 241000192142 Proteobacteria Species 0.000 description 1
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000011543 agarose gel Substances 0.000 description 1
- 238000000246 agarose gel electrophoresis Methods 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013098 chemical test method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 238000002354 inductively-coupled plasma atomic emission spectroscopy Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 244000005706 microflora Species 0.000 description 1
- 238000000120 microwave digestion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 102000042567 non-coding RNA Human genes 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 150000002989 phenols Chemical class 0.000 description 1
- 125000005575 polycyclic aromatic hydrocarbon group Chemical group 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 244000000000 soil microbiome Species 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Landscapes
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种用于识别土著耐污染石油降解菌群落的方法，包括：采集目标区域的多个采样点位不同深度的土壤数据；所述土壤数据包括：土壤理化性质数据和土壤内微生物的测序数据；所述土壤理化性质数据用于确定土壤中高风险污染物与石油污染物浓度数据；将所述土壤内微生物的测序数据与污染物浓度数据进行耦合分析，识别出所述目标区域中的土著耐污染石油降解菌群落。该方法对不同污染物压力下进行石油场地修复的微生物群落功能群进行了识别，有助于解决单一工程降解菌效率低下、普适性差的问题；可为进一步的污染修复提供丰富的生物数据。
Description
技术领域
本发明涉及生态环境保护技术领域，更具体的说是涉及一种用于识别土著耐污染石油降解菌群落的方法。
背景技术
在过去的几十年里，石油石化行业成为中国北方城市的核心产业之一，即使经过数年或数十年的自然恢复，伴随生产过程的污染仍持续影响土壤和水源的当地条件。
开展石油污染场地的原位修复已经成为石化场地的重点工作，在进行石油污染土壤的生物修复时，一般是采取高效的石油降解工程菌对土壤进行生物修复,然后依照工程菌适用的生物刺激方法增加修复效率。但由于不同污染场地的土壤异质性较大，存在不同的污染物压力，在这个过程中，石油降解工程菌的效率往往受限于不同的土壤类型和当地的其他污染物压力，很难维持实验室中的高降解效率。
同时，由于工程菌的不断加入，可能打破了污染场地本就脆弱的微生物生态平衡，破坏了底层的微生物稳定性，引入了新的生物污染。
所以，单一石油降解菌的生物修复技术受到了较大的限制。
然而，在原位生物修复中，利用土著的降解菌群落具有更好的适应性和安全性。因此，如何对不同污染物压力下进行石油场地修复的微生物群落功能群进行识别，解决单一降解菌效率低下、普适性差的问题，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种用于识别土著耐污染石油降解菌群落的方法，可对不同污染物压力下进行石油场地修复的微生物群落功能群进行了识别，有助于解决单一降解菌效率低下、普适性差的问题。
为了实现上述目的，本发明采用如下技术方案：
本发明提供一种用于识别土著耐污染石油降解菌群落的方法，包括以下步骤：
采集步骤：采集目标区域的多个采样点位不同深度的土壤数据；所述土壤数据包括：土壤理化性质数据和土壤内微生物的测序数据；所述土壤理化性质数据用于确定土壤中高风险污染物与石油污染物浓度数据；
分析识别步骤：将所述土壤内微生物的测序数据与污染物浓度数据进行耦合分析，识别出所述目标区域中的土著耐污染石油降解菌群落。
进一步地，还包括：
功能验证步骤：对识别出所述目标区域中的土著耐污染石油降解菌群落，进行功能验证分析，确定所述目标区域中的土著耐污染石油降解菌群落对污染物浓度变化的贡献。
进一步地，所述采集步骤包括：
对采集目标区域的多个采样点位不同深度的土壤进行物理化学性质测试，获得对应的pH、有机碳、有机质、阳离子交换量、土壤黏粒的土壤性质数据；
确定所述目标区域石油污染场地采样点的污染物种类和浓度、确定存在的污染类型，整理出土壤中高风险污染物与石油污染物浓度数据；
通过16srDNA方法，搜集所述目标区域石油污染场地土壤微生物群落的组成和结构，对微生物丰度、功能和表型进行注释和统计，建立共现性网络并划分土壤微生物功能群。
进一步地，建立共现性网络并划分土壤微生物功能群，包括：
根据所述目标区域石油污染场地土壤微生物群落的组成和结构，利用不同微生物之间的共现关系搭建微生物共现性网络；并分析共现性网络中节点的连通度，中心度和节点间连线的权重；
根据所述依据网络节点的拓扑结构划分不同的微生物功能群，利用共现性网络进行微生物功能群的聚类。
进一步地，微生物功能群的聚类算法如下：
其中，Q为模块性指数，Aij为节点i和j之间连线的权重，ki为节点i相关连线的权重之和，ci为分配给i点的社区，如果ci＝cj，则δ(ci,cj)为1，否则为0。
进一步地，所述分析识别步骤包括：
根据所述土壤内微生物的测序数据中的微生物功能群数据与污染物浓度数据搭建随机森林模型，确定污染物对微生物功能群的影响程度；
根据所述影响程度，建立污染物-微生物功能群压力响应模型；
基于所述污染物-微生物功能群压力响应模型，识别土著耐污染石油降解菌群落。
进一步地，所述功能验证步骤包括：
根据筛选出的土著耐污染石油降解菌群落和污染物浓度数据，搭建结构方程模型；
使用拟合优度对模型进行评估后，利用所述结构方程模型判断各个土著耐污染石油降解菌群落是否能在污染压力下完成石油污染的修复。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种用于识别土著耐污染石油降解菌群落的方法，包括：采集目标区域的多个采样点位不同深度的土壤数据；所述土壤数据包括：土壤理化性质数据和土壤内微生物的测序数据；所述土壤理化性质数据用于确定土壤中高风险污染物与石油污染物浓度数据；将所述土壤内微生物的测序数据与污染物浓度数据进行耦合分析，识别出所述目标区域中的土著耐污染石油降解菌群落。该方法对不同污染物压力下进行石油场地修复的微生物群落功能群进行了识别，有助于解决单一降解菌效率低下、普适性差的问题；可为进一步的污染修复提供丰富的生物数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的用于识别土著耐污染石油降解菌群落的方法流程图。
图2为本发明实施例提供的用于识别土著耐污染石油降解菌群落的方法原理图。
图3为本发明实施例提供的微生物共现性网络及样本组成示意图。
图4为本发明实施例提供的结构方程建模示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明开展了对污染场地土著微生物的研究，形成了一套识别土著降解菌群落的方法并构建了识别模型。本发明提供了土著微生物群落的聚类方法以及对当地污染物的压力响应模型，对不同污染物压力下进行石油场地修复的微生物群落功能群进行了识别，解决了单一降解菌效率低下、普适性差的问题，同时利用土著微生物维持了当地微生物生态的稳定性。并列出了场地适用的微生物功能群列表，可为进一步的污染修复提供丰富的生物数据。
本发明提供了土著微生物群落的聚类方法以及对当地污染物的压力响应模型，以及适用的降解菌群落的识别方法，可为污染修复提供丰富的生物工具。
参照图1所示，本发明实施例公开了一种用于识别土著耐污染石油降解菌群落的方法，包括：
S10、采集步骤：采集目标区域的多个采样点位不同深度的土壤数据；所述土壤数据包括：土壤理化性质数据和土壤内微生物的测序数据；所述土壤理化性质数据用于确定土壤中高风险污染物与石油污染物浓度数据；
S20、分析识别步骤：将所述土壤内微生物的测序数据与污染物浓度数据进行耦合分析，识别出所述目标区域中的土著耐污染石油降解菌群落；
S30、功能验证步骤：对识别出所述目标区域中的土著耐污染石油降解菌群落，进行功能验证分析，确定所述目标区域中的土著耐污染石油降解菌群落对污染物浓度变化的贡献。
如图2所示，S10采集步骤具体包括：
S101、对采集目标区域的多个采样点位不同深度的土壤进行物理化学性质测试，获得对应的PH、有机碳、有机质、阳离子交换量、土壤黏粒的土壤性质数据；
即：测试采样点位土壤的物理化学性质，获得pH、有机碳(OC)、有机质(OM)、阳离子交换量(CEC)、Clay(土壤黏粒)等土壤性质，为后续建立污染物-微生物功能群压力响应模型提供参数支持。
S102、确定所述目标区域石油污染场地采样点的污染物种类和浓度、确定存在的污染类型，整理出土壤中高风险污染物与石油污染物浓度数据；
根据石油污染场地采样点的污染物种类和浓度，确定场地内主要存在的污染类型，并将污染数据整理成表。采样点设计应全面考虑污染的广度和深度，对同一点位不同深度土壤应多次取样。
S103、通过16srDNA方法，搜集所述目标区域石油污染场地土壤微生物群落的组成和结构，对微生物丰度、功能和表型进行注释和统计，建立共现性网络并划分土壤微生物功能群。具体包括如下：
1)生物数据的采集：通过16srDNA方法，搜集石油污染场地土壤微生物群落的组成和结构，利用国内外数据库和文献，对微生物丰度、功能和表型进行注释和统计，为后续微生物功能群的划分提供数据支持。
2)建立共现性网络：对土壤微生物功能群的划分主要参考了采样点微生物的组成和结构，利用不同微生物之间的共现关系搭建微生物共现性网络，其中，共现关系利用不同点位间的物种种类和丰度即可建立(例如使用sparCC建立相关关系：)，并分析共现性网络中节点的连通度，中心度和节点间连线的权重。
3)划分土壤微生物功能群：主要依据网络节点的拓扑结构划分不同的微生物功能群，并利用微生物功能数据进行验证，利用共现性网络进行微生物功能群的聚类，聚类算法公式为：
其中，Q为模块性指数，Aij为节点i和j之间连线的权重，ki为节点i相关连线的权重之和，ci为分配给i点的社区；kj为节点j相关连线的权重之和，cj为分配给j点的社区，如果u＝v，则δ函数(验证两个点是否在同一社区内部)，δ(u，v)为1，否则为0，m为网络内所有连线权重之和。
为了提升模块化的准确性，需要进一步迭代优化，公式为：
其中，ΔQ为优化的模块性指数，∑in为功能群社区(Community，C)中节点间连线的权重之和，∑tot为功能群C内节点与其外的节点连线权重之和，ki为节点i相关连线的权重之和，ki,in为节点i与功能群C中节点连线权重之和，m为全网络中连线权重之和。以此公式计算节点i从功能群中移除带来的模块性的变化。
如图2所示，S20分析识别步骤具体包括：
S201、根据所述土壤内微生物的测序数据中的微生物功能群数据与污染物浓度数据搭建随机森林模型，确定污染物对微生物功能群的影响程度；
即：通过利用微生物功能群数据与污染物数据搭建随机森林模型，以确定污染物对不同功能群的影响程度。根据不同污染物的影响程度赋予不同的权重，进一步判断不同功能群在污染物压力下的耐受能力。随机森林模型的算法公式如下：
y表示目标变量，x表示自变量，fm(x)表示第m棵树的输出结果，M表示森林中树的总数。每棵树都是通过对样本集进行Bootstrap抽样和特征随机选择来训练的，然后使用这棵树对每个样本进行预测，最后将所有预测结果进行平均得到最终预测结果。
S202、根据所述影响程度，以多种污染物浓度为自变量Xi，功能群丰度Cj为因变量，进行多重线性回归，建立污染物-微生物功能群压力响应模型；
S203、基于所述污染物-微生物功能群压力响应模型，识别土著耐污染石油降解菌群落。
如图2所示，S30功能验证步骤包括：
S301、根据筛选出的土著耐污染石油降解菌群落和污染物浓度数据，土壤性质、污染物浓度、污染物降解功能和功能群丰度作为潜变量，以最大似然法估计各潜变量间的路径系数，搭建结构方程模型：
η＝Bη+Γξ+ζ
η为内生潜变量，B为路径系数，表示内生潜变量间的关系，Γ为路径系数，表示外生潜变量对内生潜变量的影响，ξ为外生潜变量，ζ为结构方程的残差项，表示未被模型解释的部分。
S302、使用拟合优度对模型进行评估后，利用所述结构方程模型判断各个土著耐污染石油降解菌群落是否能在污染压力下完成石油污染的修复。
通过利用筛选的微生物功能群数据和污染物数据搭建结构方程模型，模型主要是基于充分统计最大似然值估计进行迭代和收敛得到方程路径系数，使用拟合优度对模型进行评估后，利用结构方程模型判断各个功能群是否能在污染压力下完成石油污染的修复。
本发明公开提供了一种用于识别土著耐污染石油降解菌群落的方法，能够根据特定的土壤微生物群落组成确定污染土壤中耐污染石油降解功能群。该功能群可以较好地在不同污染条件下的土壤中进行特定污染物的降解，具有较好的抗逆性。依据结构方程模型推导出不同土壤参数对不同的微生物功能群降解功能产生的影响，可以有针对性的对污染土壤原位生态修复提供技术支持。
下面通过一个详细的实施例来说明本发明的技术方案：
由于石油污染场地的土壤污染有所差异，不同场地原生微生物群落同样存在异质性，因此，单一降解工程菌在石油污染原位生物修复的应用中效率可能并不理想。现有的研究多集中在使用单一工程降解菌原位修复石油污染，而基于原位的降解微生物群落的研究相对较少。考虑到引入工程菌带来的潜在生物污染和原位污染物对工程菌的环境压力，本发明通过综合采用共现性网络、随机森林算法和结构方程模型方法，对原位微生物群落中已存在的降解微生物群落构建识别模型，来对石油场地污染原位修复进行方法的补充。
1材料与方法
1.1样品采集与分析
取样地点位于两个炼油厂，即大庆油田和中国石化燕山石化公司，这是中国最重要的产油区。在大庆的9个地点共采集了25份土壤样本(0-20cm)，其中5号点土壤仅有表层样品，深层均为石砾，在房山的3个地点共采集了9份土壤样本(0-20cm)。对于每个地点，从深层到浅层在深度为5、10和20厘米处收集三个样品，序列号分别为X_1、2和3。这些样品立即放入带有冰包的培养箱中，并在返回实验室后立即在无菌条件下进行处理。此外，将其分为两部分，并在4℃下储存以进行化学测试，并在-20℃下储存以在48小时内提取土壤微生物组的DNA。
取样后，在化学分析之前，将每个样品中的100克土壤真空冷冻干燥。提取、纯化和富集后，使用气相色谱y质谱(GC-MS)(美国安捷伦7000)检测正烷烃和64种SVOC。此外，使用石墨消解设备用HNO3和HCl消化每个样品中的10g土壤。消化后，使用电感耦合等离子体发射光谱法(ICP-OES)(美国赛默飞世尔科技iCAP PRO)检测重金属。
1.2DNA提取和测序
每个样品的总DNA(0.5g)由PowerSoil DNA提取试剂盒(MoBio实验室，美国加利福尼亚州卡尔斯巴德)提取。将提取的DNA储存在-20℃以备进一步使用，在-80℃下永久保存。分别使用NanoDrop分光光度计(赛默飞世尔科技ND-2000，美国马萨诸塞州沃尔瑟姆)和琼脂糖凝胶电泳(Bio-Rad，Hercules，CA，USA)评估分离DNA的数量和质量。
使用引物515F 5'-条形码-GTGCCAGCMGCCGGCGG)-3'和907R5'-CCGTCAATTCMTTTRAGTTT-3'，通过PCR扩增细菌16S核糖体RNA基因的V4-V5区域(95℃2分钟，然后在95℃下循环30秒，55℃下30秒，并在72℃下最终延伸5分钟)，其中条形码是每个样品唯一的八碱基序列。PCR反应在一式三份的20μL混合物中进行，其中含有4μL 5×FastPfu缓冲液、2μL 2.5mMdNTP、0.8μL每个引物(5μM)、0.4μL FastPfu聚合酶和10ng模板DNA。扩增子从2％琼脂糖凝胶中提取，并根据制造商的说明使用AxyPrep DNA凝胶提取试剂盒(Axygen Biosciences，美国加利福尼亚州联合市)纯化，并使用QuantiFluorTM-ST(美国Promega)进行定量。纯化的扩增子根据标准方案在IlluminaMiSeq平台上以等摩尔和配对末端测序(2×250)汇集。
原始fastq文件使用QIIME(版本1.17)进行解复用和质量过滤，标准如下：(i)在50bp滑动窗口中获得平均质量得分<20的任何站点截断300bp读数，丢弃短于50bp的截断读数。(ii)精确的条形码匹配，引物匹配中的2个核苷酸不匹配，删除了包含不明确字符的读取。(iii)仅根据其重叠序列组装重叠长度超过10bp的序列。无法组装的读取被丢弃。
使用UPARSE(版本7.1http://drive5.com/uparse/)对操作单元(OTU)进行97％相似性截止聚类，并使用UCHIME识别和删除嵌合序列。使用70％的置信阈值((Amato et al.,2013)通过RDP分类器(http://rdp.cme.msu.edu/)针对席尔瓦(SSU115)16S rRNA数据库分析每个16S rRNA基因序列的分类。
使用BLAST比较Metacyc和BugBase数据库注释不同模块中的主要代谢途径，以确定功能群功能差异(Caspi et al.,2018)
1.3模型构建
采用共生网络对34个样本中的微生物生态功能群进行划分。使用R程序包“SpiecEasi”计算了所有样本中OTU的SparCC相关性，并保留了相关系数高于0.4且p值低于0.05的数据(P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较)。我们使用gephi软件通过其嵌入式模块化插件对数据进行可视化和模块化处理，聚类算法公式为：
其中，Q为模块性指数，Aij为节点i和j之间连线的权重，ki为节点i相关连线的权重之和，ci为分配给i点的社区，如果u＝v，则δ函数δ(u，v)为1，否则为0，m为网络内所有连线权重之和。
为了提升模块化的准确性，需要进一步迭代优化，公式为：
其中，∑in为功能群C中节点间连线的权重之和，∑yoy为功能群C内节点与其外的节点连线权重之和，ki为节点i相关连线的权重之和，ki,in为节点i与功能群C中节点连线权重之和，m为全网络中连线权重之和。
以此公式计算节点i从功能群中移除带来的模块性的变化。使用Gephi软件计算了三个模块的拓扑参数(节点的度数和三种中心性)，节点的度数是节点与其邻居节点之间的平均连接，介数中心性是单个节点到其他节点的最短距离的平均距离，接近中心性是单个节点和所有其他节点的平均和，特征向量中心性显示单个节点的平均邻居节点重要性。
利用随机森林算法预测环境因子对石油污染区微生物群落α多样性指数的影响。该算法使用了R程序包“randomForest”。随机森林算法首先使用引导方法生成多个训练集，然后为每个训练集构建决策树。当节点找到要分割的特征时，它们从所有特征中随机提取一部分特征，在提取的特征中间找到最优解，将其应用于节点，然后进行拆分。
传统的多元回归方法描述的模型忽略了具有相等权重的所有因子及其相互关系。因此，传统方法无法确定多种因素对观测现象的影响。使用结构方程建模(SEM)的因果建模提供了一种面向理论的方法，有助于研究多种因素对结果的影响。采用结构方程模型估计了使用重金属时原位微生物群落的响应及其功能。我们使用预测函数来响应石油污染，以确定功能基因变化的原因。使用最大似然法估计路径系数，该模型基于拟合优度(即所提出的模型再现数据的能力)进行了验证，利用SPSS AMOS22构建了结构方程模型。
2结果与讨论
2.1土壤性质和污染状态
在对数据进行评估后，我们对重金属和石油污染物进行了分类，检出率高，分布广泛。多环芳烃和酚类等石油污染物是正烷烃和其他SVOC的主要成分。
2.2共现性网络与随机森林分析
使用宏基因组方法评估所研究微生物群落中微生物的相对丰度。大多数微生物属于Actinobacteria,Proteobacteria,Acidobacteria和Chloroflexi，占所有检测到的微生物的86％。为了阐明污染土壤环境中不同微生物的生态功能，微生物根据其Bray-Curtis距离聚集成不同的功能群。土壤细菌类群分为三个主要模块，都是用原始微生物原位构建的。不出所料，不同的土壤样品由不同的模块主导(如图3所示)，这些模块通过汇总具有相似生态位的微生物来反映内部生态功能。
分析了两组之间表型和前50个代谢途径的差异后，观察到三个模块中存在几种差异显著的代谢途径。MOD0和MOD1之间的压力耐受途径差异显著，金属抗性的优势使MOD1在重金属压力下的原位修复中表现更好。
表1与随机森林计算的不同模块相关的重金属的VAR(％方差解释)。
土壤样品中不同重金属的浓度汇总于表S3中。通过计算随机森林模型与11个重金属输入的方差，我们观察到重金属浓度和不同模块之间的响应存在显着差异(表1)。随机森林分析的结果证实，微生物群落中的功能基因是不同的，取决于各种重金属。事实上，Mn、Se、Cd和Sn对大多数功能基因有明显的影响，而Zn、Pb和As的影响较小。利用重金属的浓度，可以根据对不同金属元素的反应性构建不同部位的细菌群落。导入的数据越多，计算出的模型越可靠。我们的随机森林分析表明，在考虑其他关键环境预测因素后，Mn，Se，Cd和Sn通常是微生物共生网络中功能群的重要预测因子。
2.3模型构建
在控制了多个环境预测因子后，我们进一步阐明了重金属和石油污染在预测污染土壤的相对丰度、多样性和模块丰度中的作用。
如图4所示，为结构方程建模示意图。图中，重金属箱包括11种重金属，石油污染箱包括30种SVOC和正烷烃。环境因素框包括土壤特性和养分，由养分物质和土壤参数表示。箭头旁边的数字是具有有效水平的路径系数，不同的颜色代表不同的生态集群(模块、MOD)。模型的拟合优度由SRMR和NFI表示。
结果表明，不同模块在处理重金属和石油污染方面具有不同的性能。此外，它们对功能的影响是不同的。重金属对MOD1有显著的正向作用，表明MOD1中的微生物更能适应重金属含量高的环境。金属对MOD0的影响呈相反趋势，表明MOD0中的微生物受到重金属的强烈胁迫。此外，SEM证明了微生物群落对污染降解能力的直接影响，但三个模块的影响并不均匀。MOD0和MOD1均对石油污染物的降解有正向影响，而MOD2对石油污染物的降解有显著的负向影响。MOD1中存在大量携带重金属抗性的石油污染物降解菌，在重金属污染严重的地区也能有效降解石油污染。然而，MOD0的降解功能在重金属污染压力下在显著发生了改变。当MOD2相对丰度增加时，土壤总体石油污染物降解能力降低。而且，石油污染物浓度的增加也在一定程度上抑制了MOD2微生物的发育。这表明MOD2中的微生物可能不会参与石油污染物降解过程，或影响石油污染物降解过程。
土壤中的理化性质和养分也是降解的重要因素。不同的模块受到的影响不同，其中MOD2受影响最大。土壤粒径和硝态氮、铵态氮和SOM浓度的变化对MOD2有较强的影响，而对MOD0和MOD1的影响不显著。土壤性质影响重金属和养分的有效性，MOD0中的微生物对土壤性质的变化更敏感，因为它们受到更多来自重金属污染的压力。因此，MOD1中的微生物在重金属胁迫占主导地位的石油污染地区可能表现更好。尽管SEM是一种保守的程序，但结果支持降解函数与金属浓度之间的类似关联。
附录1表S1 MOD1微生物表
/>
/>
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种用于识别土著耐污染石油降解菌群落的方法，其特征在于，包括以下步骤：
采集步骤：采集目标区域的多个采样点位不同深度的土壤数据；所述土壤数据包括：土壤理化性质数据和土壤内微生物的测序数据；所述土壤理化性质数据用于确定土壤中高风险污染物与石油污染物浓度数据；
分析识别步骤：将所述土壤内微生物的测序数据与污染物浓度数据进行耦合分析，识别出所述目标区域中的土著耐污染石油降解菌群落。
2.根据权利要求1所述的一种用于识别土著耐污染石油降解菌群落的方法，其特征在于，还包括：
功能验证步骤：对识别出所述目标区域中的土著耐污染石油降解菌群落，进行功能验证分析，确定所述目标区域中的土著耐污染石油降解菌群落对污染物浓度变化的贡献。
3.根据权利要求1所述的一种用于识别土著耐污染石油降解菌群落的方法，其特征在于，所述采集步骤包括：
对采集目标区域的多个采样点位不同深度的土壤进行物理化学性质测试，获得对应的pH、有机碳、有机质、阳离子交换量、土壤黏粒的土壤性质数据；
确定所述目标区域石油污染场地采样点的污染物种类和浓度、确定存在的污染类型，整理出土壤中高风险污染物与石油污染物浓度数据；
通过16srDNA方法，搜集所述目标区域石油污染场地土壤微生物群落的组成和结构，对微生物丰度、功能和表型进行注释和统计，建立共现性网络并划分土壤微生物功能群。
4.根据权利要求3所述的一种用于识别土著耐污染石油降解菌群落的方法，其特征在于，建立共现性网络并划分土壤微生物功能群，包括：
根据所述目标区域石油污染场地土壤微生物群落的组成和结构，利用不同微生物之间的共现关系搭建微生物共现性网络；并分析共现性网络中节点的连通度，中心度和节点间连线的权重；
根据所述依据网络节点的拓扑结构划分不同的微生物功能群，利用共现性网络进行微生物功能群的聚类。
5.根据权利要求4所述的一种用于识别土著耐污染石油降解菌群落的方法，其特征在于，微生物功能群的聚类算法如下：
其中，Q为模块性指数，Aij为节点i和j之间连线的权重，ki为节点i相关连线的权重之和，ci为分配给i点的社区，如果ci＝cj，则δ(ci,cj)为1，否则为0。
6.根据权利要求1所述的一种用于识别土著耐污染石油降解菌群落的方法，其特征在于，所述分析识别步骤包括：
根据所述土壤内微生物的测序数据中的微生物功能群数据与污染物浓度数据搭建随机森林模型，确定污染物对微生物功能群的影响程度；
根据所述影响程度，建立污染物-微生物功能群压力响应模型；
基于所述污染物-微生物功能群压力响应模型，识别土著耐污染石油降解菌群落。
7.根据权利要求2所述的一种用于识别土著耐污染石油降解菌群落的方法，其特征在于，所述功能验证步骤包括：
根据筛选出的土著耐污染石油降解菌群落和污染物浓度数据，搭建结构方程模型；
使用拟合优度对模型进行评估后，利用所述结构方程模型判断各个土著耐污染石油降解菌群落是否能在污染压力下完成石油污染的修复。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311641628.5A CN117649883A (zh) | 2023-12-04 | 2023-12-04 | 一种用于识别土著耐污染石油降解菌群落的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311641628.5A CN117649883A (zh) | 2023-12-04 | 2023-12-04 | 一种用于识别土著耐污染石油降解菌群落的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117649883A true CN117649883A (zh) | 2024-03-05 |
Family
ID=90049077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311641628.5A Pending CN117649883A (zh) | 2023-12-04 | 2023-12-04 | 一种用于识别土著耐污染石油降解菌群落的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649883A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745258A (zh) * | 2013-09-12 | 2014-04-23 | 北京工业大学 | 基于最小生成树聚类的遗传算法的复杂网络社区挖掘方法 |
| US20160376627A1 (en) * | 2015-06-25 | 2016-12-29 | Ascus Biosciences, Inc. | Methods, apparatuses, and systems for analyzing microorganism strains from complex heterogeneous communities, predicting and identifying functional relationships and interactions thereof, and selecting and synthesizing microbial ensembles based thereon |
| CN107129940A (zh) * | 2017-04-07 | 2017-09-05 | 陕西省微生物研究所 | 修复石油污染土壤的复合菌群、菌剂及培养、固定化方法和应用 |
| CN110308255A (zh) * | 2019-05-08 | 2019-10-08 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
| CN114029340A (zh) * | 2021-11-09 | 2022-02-11 | 中国科学院南京土壤研究所 | 一种生物炭耦合微生物的生物prb在修复多环芳烃污染场地中的应用 |
| CN114289499A (zh) * | 2022-01-26 | 2022-04-08 | 辽宁工程技术大学 | 一种基于宏基因组学的土著细菌修复石油污染土壤的方法 |
-
2023
- 2023-12-04 CN CN202311641628.5A patent/CN117649883A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745258A (zh) * | 2013-09-12 | 2014-04-23 | 北京工业大学 | 基于最小生成树聚类的遗传算法的复杂网络社区挖掘方法 |
| US20160376627A1 (en) * | 2015-06-25 | 2016-12-29 | Ascus Biosciences, Inc. | Methods, apparatuses, and systems for analyzing microorganism strains from complex heterogeneous communities, predicting and identifying functional relationships and interactions thereof, and selecting and synthesizing microbial ensembles based thereon |
| CN107129940A (zh) * | 2017-04-07 | 2017-09-05 | 陕西省微生物研究所 | 修复石油污染土壤的复合菌群、菌剂及培养、固定化方法和应用 |
| CN110308255A (zh) * | 2019-05-08 | 2019-10-08 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
| CN114029340A (zh) * | 2021-11-09 | 2022-02-11 | 中国科学院南京土壤研究所 | 一种生物炭耦合微生物的生物prb在修复多环芳烃污染场地中的应用 |
| CN114289499A (zh) * | 2022-01-26 | 2022-04-08 | 辽宁工程技术大学 | 一种基于宏基因组学的土著细菌修复石油污染土壤的方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHIRUI QIN等: "Pollution pressure and soil depth drive prokaryotic microbial assemblage and co-occurrence patterns in an organic polluted site", 《JOURNAL OF HAZARDOUS MATERIALS》, 11 July 2022 (2022-07-11), pages 1 - 11 * |
| 王旭升等: "重金属胁迫下石油污染场地微生物群落组成及其降解潜力", 《中国毒理学会第十次全国毒理学大会论文集》, 30 April 2023 (2023-04-30), pages 124 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nocker et al. | Genotypic microbial community profiling: a critical technical review | |
| Azarbad et al. | Microbial community composition and functions are resilient to metal pollution along two forest soil gradients | |
| Panigrahi et al. | Functional microbial diversity in contaminated environment and application in bioremediation | |
| Gilbert et al. | The seasonal structure of microbial communities in the Western English Channel | |
| Chandler et al. | Phylogenetic diversity of archaea and bacteria in a deep subsurface paleosol | |
| Patin et al. | Effects of OTU clustering and PCR artifacts on microbial diversity estimates | |
| Staats et al. | Molecular diversity and distribution of aromatic hydrocarbon‐degrading anaerobes across a landfill leachate plume | |
| Tully et al. | Microbial communities associated with ferromanganese nodules and the surrounding sediments | |
| Kim et al. | Rapid phylogenetic dissection of prokaryotic community structure in tidal flat using pyrosequencing | |
| Cox et al. | Endemic and cosmopolitan fungal taxa exhibit differential abundances in total and active communities of Antarctic soils | |
| CN102517392A (zh) | 基于宏基因组16s高可变区v3的分类方法和装置 | |
| CN105937053A (zh) | 一种基于高通量基因测序建立粪便菌群基因文库的方法 | |
| Bertagnolli et al. | Non‐denitrifier nitrous oxide reductases dominate marine biomes | |
| Banfield et al. | Proteogenomic approaches for the molecular characterization of natural microbial communities | |
| CN105868545A (zh) | 一种地下水生态系统健康评价方法 | |
| Pushpanathan et al. | Microbial bioremediation: a metagenomic approach | |
| Verma et al. | Complex bacterial communities in the deep-sea sediments of the Bay of Bengal and volcanic Barren Island in the Andaman Sea | |
| Nuñez et al. | Detection, identification and typing of Acidithiobacillus species and strains: a review | |
| Venail et al. | Positive effects of bacterial diversity on ecosystem functioning driven by complementarity effects in a bioremediation context | |
| Chafee et al. | The effects of variable sample biomass on comparative metagenomics | |
| Hahn et al. | Microbial diversity and sulfur cycling in an early earth analogue: from ancient novelty to modern commonality | |
| Osman et al. | The bacterial communities of surface soils from desert sites in the eastern Utah (USA) portion of the Colorado Plateau | |
| CN115846395A (zh) | 一种构建煤矿恢复区植物-微生物群落联合修复体系的方法 | |
| CN115678978A (zh) | 基于宏基因组和宏转录组识别油藏驱油功能微生物的方法 | |
| Zhang et al. | The microbial dark matter and “wanted list” in worldwide wastewater treatment plants |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |