CN117809735A - 基于生物多样性的水中微生物群落维护方法 - Google Patents
基于生物多样性的水中微生物群落维护方法 Download PDFInfo
- Publication number
- CN117809735A CN117809735A CN202311849861.2A CN202311849861A CN117809735A CN 117809735 A CN117809735 A CN 117809735A CN 202311849861 A CN202311849861 A CN 202311849861A CN 117809735 A CN117809735 A CN 117809735A
- Authority
- CN
- China
- Prior art keywords
- diversity
- sample
- ecological
- time
- microbial
- 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
- 230000000813 microbial effect Effects 0.000 title claims abstract description 140
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000012423 maintenance Methods 0.000 claims abstract description 44
- 244000005700 microbiome Species 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 230000000737 periodic effect Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 46
- 230000012010 growth Effects 0.000 claims description 36
- 230000007613 environmental effect Effects 0.000 claims description 17
- 241000736262 Microbiota Species 0.000 claims description 15
- 230000002906 microbiologic effect Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 17
- 244000005706 microflora Species 0.000 description 15
- 230000007423 decrease Effects 0.000 description 6
- 241000894007 species Species 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000001712 DNA sequencing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004215 lattice model Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本申请公开了基于生物多样性的水中微生物群落维护方法,涉及生物技术领域,所述方法包括:步骤1:获取目标水体的多个水样本;步骤2:进行周期性的水样本采样和微生物监测,得到时间序列的相对丰度和生态参数;定义每个时间步的群落特征矩阵和每个时间步的生态参数矩阵;步骤3:计算每个时间步的第一多样性指数;计算每个时间步的第二多样性指数;步骤4:建立时空变化模型;步骤5:根据模拟结果,制定多样性维护的目标函数。本发明具有实时性强、针对性强和可靠性高的优点。
Description
技术领域
本申请涉及生物技术领域,尤其涉及基于生物多样性的水中微生物群落维护方法。
背景技术
水体中的微生物群落对生态系统的健康和稳定性具有至关重要的作用。微生物群落的多样性和丰度是评估水体生态系统健康的重要指标。不仅如此,水中微生物群落还对水质的净化和富营养化的控制起着关键作用。因此,有效维护水中微生物群落的多样性和稳定性对于保护水生生态系统至关重要。
在当前的研究和管理实践中,水体生态系统的监测和维护主要依赖于传统的采样和实验室分析方法。这些方法虽然已经被广泛应用,但存在一些显著的局限性。首先,传统方法通常需要耗费大量时间和资源来收集大量水样本,并在实验室中进行分析,这导致了监测结果的时效性不足。其次,传统方法仅提供对微生物群落的静态快照,难以捕捉其在时间和空间上的动态变化,因此无法提供实时的多样性维护策略。最重要的是,传统方法通常无法识别微小的变化和微生物种群之间的复杂相互作用,从而限制了对微生物群落的深入理解和维护。
目前,已经有一些尝试维护水中微生物群落多样性的方法和技术,但这些方法仍然存在一些问题和局限性。
基于DNA测序的方法:基于高通量DNA测序的方法已经广泛应用于水中微生物群落的研究和监测中。然而,这些方法通常需要较长的分析时间和高昂的成本,难以实现实时监测。此外,它们也受到DNA浓度、质量和引物选择等因素的影响,可能导致数据的不准确性。
传统的水质监测方法:传统的水质监测方法主要关注水中的物理和化学参数,如溶解氧、氮磷含量等,通常忽视微生物群落的动态变化。这种方法未能全面了解微生物群落对水体生态系统的影响,也无法提供有针对性的多样性维护策略。
生物多样性维护技术:一些生物多样性维护技术已经被尝试,如添加特定的微生物菌剂或改变水体条件。然而,这些方法通常是基于经验的,难以针对性地维护多样性,且存在副作用的风险。
发明内容
本申请实施例提供基于生物多样性的水中微生物群落维护方法,本发明具有实时性强、针对性强和可靠性高的优点。。
本申请实施例提供了基于生物多样性的水中微生物群落维护方法,所述方法包括:
基于生物多样性的水中微生物群落维护方法,所述方法包括:
步骤1:获取目标水体的多个水样本;获取水样本中初始的不同微生物分类单元的初始相对丰度和初始生态参数;定义初始微生物群落特征矩阵和初始生态参数矩阵;所述初始微生物群落特征矩阵中每个元素表示对应样本中微生物分类单元的初始相对丰度;所述初始生态参数矩阵中每个元素表示对应样本中微生物分类单元的初始生态参数;
步骤2:进行周期性的水样本采样和微生物监测,得到时间序列的相对丰度和生态参数;定义每个时间步的群落特征矩阵和每个时间步的生态参数矩阵;
步骤3:计算每个时间步的第一多样性指数;计算每个时间步的第二多样性指数;
步骤4:建立时空变化模型,用于描述微生物群落在时间和空间上的演化;使用统计方法来估计时空变化模型中的参数;在时空变换模型中,使用估计的参数,对微生物群落的时空变化进行模拟,得到模拟结果;
步骤5:根据模拟结果,制定多样性维护的目标函数,目标函数的结果为多样性指数,最大化多样性指数,以此制定多样性维护策略;根据制定的多样性维护策略,对目标水体的水体条件进行改变,以维护水样本中微生物群落的多样性。
进一步的,定义初始微生物群落特征矩阵为Minit;其中,Minit(i,j)为初始微生物群落特征矩阵Minit中第i行,第j列的元素,表示样本i中微生物分类单元j的相对丰度;定义初始生态参数矩阵为Einit,其中Einit(i,j)表示样本i中微生物分类单元j的生态参数;定义时间步t的微生物群落特征矩阵为Mt,其中Mt(i,j)表示时间步t的样本i中微生物分类单元j的相对丰度;同时定义时间步t的环境参数矩阵为Et,其中Et(i,j)表示时间步t的样本i中微生物分类单元j的生态参数;所述生态参数为温度和PH值的加权加和值;生态参数=温度*温度系数+PH值*PH值系数。
进一步的,步骤3中,使用如下公式,计算每个时间步的第一多样性指数:
其中,At表示在时间步t下计算得到的第一多样性指数;n表示样本的数量,即获取的水样本的数量;m表示每个水样本中的微生物分类单元的数量;α是丰度可调参数,用于调整相对丰度的影响;γ为多样性可调参数,用于调整总体多样性的敏感度。
进一步的,步骤3中,使用如下公式,计算每个时间步的第二多样性指数:
其中,Bt表示在时间步t下计算得到的第二多样性指数。
进一步的,步骤4中建立的时空变化模型使用如下公式进行表示:
其中,Mt+1(i,j)表示时间步t+1的样本i中微生物分类单元j的相对丰度;rij为样本i中微生物分类单元j的内禀增长率;S为竞争系数;Kij为样本i中微生物分类单元j的承载能力。
进一步的,步骤4中使用统计方法来估计时空变化模型中的内禀增长率rij、竞争系数S和承载能力Kij;其中,内禀增长率rij使用如下公式进行估计:
其中,rij表示样本i中的微生物分类单元j的内禀增长率,Gamma表示Gamma分布;Log-Normal表示Log-Normal分布;α1和β1是Gamma分布的形状参数;μr和σr是Log-Normal分布的均值和标准差,可以考虑它们的不确定性;和/>均为先验分布的均值和标准差;Normal为正态分布。
进一步的,竞争系数S使用如下公式进行估计:
S=Normal(Minit(i,j),Einit(i,j))。
进一步的,承载能力Kij使用如下公式进行估计:
其中,Rmax为种群增长的极限值,为设定值;Nij为样本i中的微生物分类单元j的种群数量;Cij样本i中的微生物分类单元j的环境容纳量,为设定值。
进一步的,目标函数使用如下公式进行表示:
其中,J为多样性指数;通过最大化多样性指数,求解得到对应的Mtarget(i,j)和Etarget(i,j);根据Mtarget(i,j)和Etarget(i,j)制定多样性维护策略;根据制定的多样性维护策略,对目标水体的水体条件进行改变,以维护水样本中微生物群落的多样性。
本申请提供的基于生物多样性的水中微生物群落维护方法,具有如下有益效果:本发明首先涉及获取目标水体的多个水样本,通过步骤1中的技术,获得水样本中微生物分类单元的初始相对丰度和生态参数,构建初始微生物群落特征矩阵Minit和初始生态参数矩阵Einit。步骤2中,通过周期性的水样本采样和微生物监测,得到时间序列的相对丰度和生态参数,构建每个时间步的群落特征矩阵Mt和生态参数矩阵Et。这一过程使得我们能够实时监测水中微生物群落的动态变化,捕捉到微生物群落随时间演化的信息,为实时响应和调整多样性维护策略提供了基础。步骤3中,本发明计算每个时间步的第一多样性指数At和第二多样性指数Bt。这些多样性指数通过综合考虑微生物群落的相对丰度、生态参数和它们之间的关系,定量评估了水体中微生物群落的多样性水平。在步骤5中,根据模拟结果,制定多样性维护的目标函数,通过最大化多样性指数来制定多样性维护策略。这些策略是针对性的,可以根据微生物群落的特征和水体条件进行调整,以最大程度地保护多样性。步骤4中,本发明建立了时空变化模型,使用统计方法来估计模型中的参数,包括内禀增长率、竞争系数和承载能力。这些参数的准确估计是保证模型的可靠性和多样性维护策略的有效性的关键。通过统计方法估计参数,可以更好地捕捉微生物群落的动态变化,为多样性维护提供可靠的基础。本发明综合考虑了微生物群落与环境之间的相互作用,包括生态参数的影响。在步骤2中,生态参数通过温度和pH值的加权加和值计算,这样可以更全面地了解微生物群落与环境之间的关系。综合考虑多个因素,使得维护多样性的策略更具针对性和综合性。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,将使本申请的技术方案及其它有益效果显而易见。
图1为本发明实施例提供的基于生物多样性的水中微生物群落维护方法的方法流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例1:参考图1,基于生物多样性的水中微生物群落维护方法,所述方法包括:
步骤1:获取目标水体的多个水样本;获取水样本中初始的不同微生物分类单元的初始相对丰度和初始生态参数;定义初始微生物群落特征矩阵和初始生态参数矩阵;所述初始微生物群落特征矩阵中每个元素表示对应样本中微生物分类单元的初始相对丰度;所述初始生态参数矩阵中每个元素表示对应样本中微生物分类单元的初始生态参数;
从目标水体中采集多个水样本的目的是捕获水体中微生物群落的空间变异性,因为不同位置和深度的水样本可能含有不同的微生物种类和数量。从每个水样本中,收集初始的微生物分类单元的相对丰度和生态参数数据。相对丰度表示每个微生物分类单元在样本中的相对数量。生态参数可能包括温度和pH等环境条件,这些条件对微生物群落的分布和活性有重要影响。收集的初始相对丰度和生态参数数据被组织成初始微生物群落特征矩阵和初始生态参数矩阵。在这些矩阵中,每行代表一个水样本,每列代表一个微生物分类单元或一个生态参数。每个矩阵的元素表示对应样本中的微生物分类单元的初始相对丰度或对应生态参数的初始数值。
初始微生物群落特征矩阵和初始生态参数矩阵提供了一个基准数据集,用于后续的比较和分析。这些基准数据有助于确定微生物群落随时间和空间的变化,以及如何实施维护策略。通过监测生态参数,可以评估水体的生态健康状况。如果生态参数显示异常,可能表明水体环境受到污染或其他不良影响,这对于采取及时的管理措施至关重要。
步骤2:进行周期性的水样本采样和微生物监测,得到时间序列的相对丰度和生态参数;定义每个时间步的群落特征矩阵和每个时间步的生态参数矩阵;
在不同的时间点或时间间隔内,重复采样相同的水体区域。这种方法的基本假设是微生物群落在时间上会发生变化,因此需要进行连续监测。通过连续采样,可以获取不同时间点的水样本,每个时间点都包含微生物分类单元的相对丰度和生态参数数据。这些数据组成了时间序列,反映了微生物群落的动态演化。
步骤2的主要作用是捕获微生物群落随时间的变化。这对于理解微生物群落的季节性、周期性或趋势性变化非常重要。传统的单次采样方法可能无法提供这种动态信息。通过连续监测生态参数(如温度、pH等),可以分析微生物群落如何响应环境因素的变化。例如,可以识别微生物群落对温度升降的敏感性,这有助于预测和管理水体的生态响应。时间序列数据是建立时空变化模型的重要输入。这些数据允许科学家和研究人员建立模型来描述微生物群落的演化,从而更好地理解水体生态系统的动态性。了解微生物群落的时间动态有助于制定更有针对性的维护策略。例如,如果时间序列数据表明微生物多样性在某个季节下降,管理者可以在该季节采取特定的维护措施。
步骤3:计算每个时间步的第一多样性指数;计算每个时间步的第二多样性指数;
多样性指数是一种用于衡量生态系统中物种多样性的指标。在这里,涉及到两种多样性指数,即第一多样性指数和第二多样性指数。这些指数通常根据样本中不同分类单元的相对丰度来计算。第一多样性指数通常用于描述物种的丰富度。它可以反映出在一个生态系统中存在多少不同的分类单元,并考虑它们的相对丰度。一种常用的第一多样性指数是Shannon多样性指数。第二多样性指数更关注物种之间的差异性。它考虑了分类单元之间的相对丰度差异,以及物种的相对位置。一个常见的第二多样性指数是Simpson多样性指数。
步骤3的主要作用是评估微生物群落的多样性。多样性是生态系统健康和稳定的重要指标之一。通过计算多样性指数,可以量化微生物群落中不同分类单元的多样性水平。连续计算多样性指数允许监测微生物群落多样性随时间的变化。这有助于识别季节性、周期性或长期趋势,帮助管理者更好地理解微生物群落的动态。多样性指数的计算可以与步骤1中获得的初始数据对比。通过比较初始多样性和后续时间步的多样性,可以确定微生物群落的多样性是否发生了变化。这对于检测生态系统的健康问题非常有用。多样性指数的变化可以为维护策略的制定提供信息。如果多样性下降,可能需要采取措施来维护或改善微生物群落的多样性,以维持水体生态系统的稳定性。
步骤4:建立时空变化模型,用于描述微生物群落在时间和空间上的演化;使用统计方法来估计时空变化模型中的参数;在时空变换模型中,使用估计的参数,对微生物群落的时空变化进行模拟,得到模拟结果;
在这一步骤,建立了时空变化模型,其目的是描述微生物群落在时间和空间上的演化过程。这个模型可以是数学模型,例如微分方程模型、格子模型或代理基于模型等,用于捕捉微生物群落的动态变化。为了使模型能够准确地描述微生物群落的演化,需要估计模型中的各种参数。这些参数可能代表微生物群落的生长速率、死亡速率、迁移率等与生态过程相关的参数。通常,使用统计方法和已知数据来估计这些参数。一旦模型参数被估计出来,可以使用模型来模拟微生物群落在时间和空间上的变化。这意味着可以预测未来时间点或空间位置的微生物群落组成,从而帮助理解和预测生态系统的动态变化。
步骤4的主要作用是深入理解微生物群落在时间和空间上的演化。时空变化模型可以帮助揭示微生物群落中不同分类单元的生长、迁移和相互作用模式。通过使用统计方法估计模型中的参数,可以提高模型的准确性。这些参数估计可以基于观测数据,以最好地匹配模型和实际数据。时空模拟允许进行未来预测,从而可以预测微生物群落在不同时间点或空间位置的变化情况。这对于制定长期的水体管理策略非常有用。建立时空变化模型还可以用于制定维护策略。通过模拟不同维护策略的效果,可以确定哪种策略最有可能维护或改善微生物群落的多样性和生态功能。
步骤5:根据模拟结果,制定多样性维护的目标函数,目标函数的结果为多样性指数,最大化多样性指数,以此制定多样性维护策略;根据制定的多样性维护策略,对目标水体的水体条件进行改变,以维护水样本中微生物群落的多样性。
实施例2:定义初始微生物群落特征矩阵为Minit;其中,Minit(i,j)为初始微生物群落特征矩阵Minit中第i行,第j列的元素,表示样本i中微生物分类单元j的相对丰度;定义初始生态参数矩阵为Einit,其中Einit(i,j)表示样本i中微生物分类单元j的生态参数;定义时间步t的微生物群落特征矩阵为Mt,其中Mt(i,j)表示时间步y的样本i中微生物分类单元j的相对丰度;同时定义时间步t的环境参数矩阵为Et,其中Et(i,j)表示时间步t的样本i中微生物分类单元j的生态参数;所述生态参数为温度和PH值的加权加和值;生态参数=温度*温度系数+PH值*PH值系数。
实施例3:步骤3中,使用如下公式,计算每个时间步的第一多样性指数:
其中,At表示在时间步t下计算得到的第一多样性指数;n表示样本的数量,即获取的水样本的数量;m表示每个水样本中的微生物分类单元的数量;α是丰度可调参数,用于调整相对丰度的影响;γ为多样性可调参数,用于调整总体多样性的敏感度。
具体的,第一项是所有样本中所有微生物分类单元的生态参数之和。这一项可以看作是微生物群落所处的总体生态条件水平。如果生态参数的总和较大,可能意味着生态条件较好,多样性指数可能受到更多的影响。第二项是一个复杂的组合项,包括微生物分类单元的相对丰度和生态参数。具体操作如下:对每个微生物分类单元,计算相对丰度Mt(i,j)除以/>的α/Et(i,j)次方。这一步考虑了相对丰度与生态参数之间的关系,其中α可以用于调整相对丰度对多样性的影响。对所有微生物分类单元的结果进行连乘,得到一个整体的综合评估。这个综合评估考虑了所有微生物分类单元的相对丰度与生态参数的组合。将第一项和第二项的结果相乘。这一步将微生物群落的总体生态条件水平和微生物分类单元的相对丰度与生态参数的组合综合起来,形成了多样性指数的一个初始值。最后,对整个结果取γ次根号。这个步骤允许调整多样性指数对不同多样性情况的响应程度。如果γ较大,指数将对生态条件的总体水平更加敏感,而如果γ较小,则相对丰度和生态参数的组合将更显著地影响指数的值。这个公式的原理在于综合考虑微生物群落的相对丰度、生态参数和可调参数α和γ的影响,以计算多样性指数,帮助研究者更全面地了解微生物群落的多样性特征,并根据具体需求调整各参数以适应不同情境。
实施例4:步骤3中,使用如下公式,计算每个时间步的第二多样性指数:
其中,Bt表示在时间步t下计算得到的第二多样性指数。
具体的,在生态学和微生物生态学中,样本之间的差异性通常用来评估生态系统中的多样性。在这个公式中,样本被表示为n个时间点的微生物群落,每个样本包含m个微生物分类单元。公式通过双重求和考虑了所有可能的样本组合(i,j),其中j大于i,以避免重复计算。公式的核心概念是比较样本i和样本j之间的微生物分类单元的差异性。为了度量这种差异性,公式计算了每一对样本组合(i,j)下的微生物分类单元之间的差异性。这是通过以下步骤实现的:对于每个样本组合(i,j),对所有微生物分类单元k进行双重求和。计算每个微生物分类单元k中在样本i和样本j之间的相对丰度和生态参数之间的差异的度量。这种度量是这个度量反映了微生物分类单元k在不同样本之间的差异程度。对所有微生物分类单元的差异性度量求和,并除以2。这一步的目的是将所有差异性度量综合成一个样本组合的总差异性。最后,对所有不同样本组合的总差异性值进行求和,并除以n(n-1)。这一步的目的是将所有样本组合的差异性值综合成一个多样性指数Bt。这个指数越大,表示不同样本之间的微生物分类单元差异性越大,多样性也就越高。
实施例5:步骤4中建立的时空变化模型使用如下公式进行表示:
其中,Mt+1(i,j)表示时间步t+1的样本i中微生物分类单元j的相对丰度;rij为样本i中微生物分类单元j的内禀增长率;S为竞争系数;Kij为样本i中微生物分类单元j的承载能力。
具体的,内禀增长率rij代表了微生物分类单元j在样本i中的内在生长速率。根据生态学理论,每个微生物分类单元都有其特定的生长速率,这可以受到遗传、资源利用效率和环境因素等多个因素的影响。rij反映了微生物在没有竞争和其他限制条件下的增长速率。在生态学中,竞争系数用于描述不同物种之间的竞争关系。较大的竞争系数表示微生物分类单元之间的竞争更加激烈。竞争系数越高,微生物分类单元之间的相对丰度将受到更强烈的竞争影响。承载能力是生态学中的关键概念,表示在给定环境条件下,一个生态系统可以容纳的最大个体数或生物量。在这个公式中,Kij表示微生物分类单元j在样本i中的承载能力。当相对丰度接近或超过承载能力时,会出现生态系统的稳定或不稳定情况。时间变化率和/>这两项表示相对丰度和生态参数随时间的变化率。这些项考虑了微生物群落的动态性。微生物群落的相对丰度和生态参数可能会随着时间的推移而变化,这些变化可能受到环境因素和相互作用的影响。拉普拉斯算子/>是数学上的概念,用于描述某个属性(在这种情况下是相对丰度和生态参数)在空间上的梯度和曲率。在微生物群落中,空间分布也可能对相对丰度和生态参数的演化产生影响。
首先,计算微生物分类单元j在样本i中的内禀增长率乘以当前时间步t下的相对丰度Mt(i,j)。这部分表示微生物在没有其他外部因素影响的情况下,相对丰度的增长。接下来,考虑了多样性指数At和Bt的影响。表示多样性的影响,它与相对丰度的二阶时间导数/>相乘。这一项表示多样性对相对丰度变化的影响,At越大,多样性越高,对相对丰度变化的影响也越大。然后,考虑了竞争系数S的影响,以及相对丰度和生态参数随时间的变化。/>表示相对丰度Mt(i,j)在空间上的梯度和曲率,/> 表示竞争对相对丰度的影响。同时,/>表示生态参数Et(i,j)随时间的变化率。这部分考虑了竞争和生态参数的影响。最后,考虑了承载能力Kij的影响,以及生态参数和相对丰度随时间的变化。/>表示承载能力对生态参数的影响,/>表示相对丰度随时间的变化率。这部分考虑了承载能力和生态参数的影响。
实施例6:步骤4中使用统计方法来估计时空变化模型中的内禀增长率rij、竞争系数S和承载能力Kij;其中,内禀增长率rij使用如下公式进行估计:
其中,rij表示样本i中的微生物分类单元j的内禀增长率,Gamma表示Gamma分布;Log-Normal表示Log-Normal分布;α1和β1是Gamma分布的形状参数;μr和σr是Log-Normal分布的均值和标准差,可以考虑它们的不确定性;和/>均为先验分布的均值和标准差;Normal为正态分布。
具体的,为了估计内禀增长率rij,使用了两个不同的分布来建模。首先,使用Gamma分布来建模rij。Gamma分布是一种连续概率分布,通常用于表示正值随机变量的分布,它有两个参数,即形状参数α1和尺度参数β1。在Gamma分布中,rij被乘以一个正态分布的随机变量,这个正态分布由Log-Normal分布来建模。Log-Normal分布通常用于建模正值随机变量的对数值的分布。Log-Normal分布的均值和标准差分别由μr和σr表示。α1和β1分别是Gamma分布的形状参数和尺度参数。它们控制了Gamma分布的形状和尺度。这些参数通常来自先验分布,可以表示为正态分布,具有均值和标准差分别为和/>先验分布是对参数的估计不确定性的建模。在这个实施例中,形状参数α1和尺度参数β1都来自正态分布,均值分别为/>和/>标准差分别为/>和/>这表示了对这些参数的先验知识或信念。
这个过程允许根据观测数据和先验分布来估计微生物分类单元的内禀增长率rij。Gamma分布和Log-Normal分布的组合提供了对内禀增长率的灵活建模,同时通过形状参数和尺度参数,可以捕捉到分布的特性。这个方法有助于在微生物群落的研究中更准确地估计内禀增长率,并考虑到估计的不确定性。
实施例7:竞争系数S使用如下公式进行估计:
S=Normal(Minit(i,j),Einit(i,j))。
具体的,竞争系数是一个衡量微生物分类单元之间竞争强度的参数。在这个实施例中,S的估计值由以下方式计算:S=Normal(Minit(i,j),Einit(i,j))。这里使用了正态分布(NormalDistribution)来估计竞争系数,其中均值是初始微生物群落特征矩阵Minit(i,j)中的相对丰度,标准差是初始生态参数矩阵Einit(i,j)中的生态参数。公式中的均值Minit(i,j)表示了微生物分类单元j在样本i中的初始相对丰度,而标准差Einit(i,j)表示了微生物分类单元j在样本i中的生态参数的不确定性。这两个值用于描述竞争系数S的估计值,即竞争强度的期望值和不确定性。正态分布是一种常见的概率分布,通常用于描述连续随机变量的分布。它由两个参数决定:均值和标准差。在这个实施例中,正态分布被用来建模竞争系数S,其均值和标准差由初始相对丰度和生态参数决定。
实施例8:承载能力Kij使用如下公式进行估计:
其中,Rmax为种群增长的极限值,为设定值;Nij为样本i中的微生物分类单元j的种群数量;Cij样本i中的微生物分类单元j的环境容纳量,为设定值。
Rmax这个参数表示了在理想条件下,微生物分类单元j的种群能够达到的最大值。在生态学中,这通常与资源丰富、竞争和捕食等生态因素无限制的情况下的种群增长极限相对应。Rmax通常是一个常数,它可以基于实验数据或文献中的估计来设定。种群数量Nij表示了样本i中微生物分类单元j的当前种群数量。在实际观测或实验中,这个值可以通过直接计数或其他种群估计方法来获得。环境容纳量cij表示了在给定环境条件下,微生物分类单元j种群的最大容纳能力。这是一个重要的概念,因为它反映了环境资源的限制以及竞争因素。在生态学中,容纳量通常是有限的,因为生态系统的资源和空间是有限的。内禀增长率rij表示微生物分类单元j在样本i中的种群增长速率,它是一个重要的生态参数。内禀增长率受到环境条件、资源可用性和竞争等因素的影响。较高的内禀增长率意味着种群增长较快,而较低的内禀增长率则表示增长较慢。
Kij随着当前种群数量Nij的接近环境容纳量cij而减小。这是基于生态学中的竞争理论,即当种群数量接近环境容纳量时,竞争因素会变得更加显著,种群的增长率减小。因此,Kij可以被看作是在当前环境条件下,种群增长的潜在极限。当种群数量接近或超过承载能力时,种群的增长将减缓,直至达到平衡。
实施例9:目标函数使用如下公式进行表示:
其中,J为多样性指数;通过最大化多样性指数,求解得到对应的Mtarget(i,j)和Etarget(i,j);根据Mtarget(i,j)和Etarget(i,j)制定多样性维护策略;根据制定的多样性维护策略,对目标水体的水体条件进行改变,以维护水样本中微生物群落的多样性。
具体的,这一项的第一部分表示微生物群落特征矩阵Mt(i,j)对时间的变化率的一半。这一项惩罚了特征矩阵在时间上的不平滑性。如果特征矩阵在短时间内发生急剧变化,这一项的值会增加,从而降低了多样性指数J。这一项的第二部分/>表示微生物群落特征矩阵Mt(i,j)的拉普拉斯算子。拉普拉斯算子衡量了特征矩阵在空间上的变化率。具体来说,它考虑了每个单元格与其周围单元格的差异。如果特征矩阵在空间上变化不平衡,即某些单元格的值迅速变化,而其他单元格的值变化缓慢,那么拉普拉斯算子的值会增加,导致多样性指数J减小。第一项的目标是平衡微生物群落特征矩阵Mt(i,j)在时间和空间上的变化,以确保多样性维护策略更加稳定和持续。这一项的优化可以帮助维护微生物群落的多样性,防止特定单元格的急剧增加或减少,从而保持了群落的稳定性。
这一项的第一部分/>表示生态参数矩阵Et(i,j)对时间的变化率的一半。类似于第一项,这一部分惩罚了生态参数矩阵在时间上的不平滑性。如果生态参数在短时间内发生急剧变化,这一项的值会增加,从而降低了多样性指数J。这一项的第二部分/>表示生态参数矩阵Et(i,j)的拉普拉斯算子,类似于第一项。拉普拉斯算子衡量了生态参数在空间上的变化率。如果生态参数在空间上变化不平衡,即某些单元格的值迅速变化,而其他单元格的值变化缓慢,那么拉普拉斯算子的值会增加,导致多样性指数J减小。
这一项中的/>表示微生物群落特征矩阵Mt(i,j)和生态参数矩阵Et(i,j)之间的比率。具体来说,它表示了微生物分类单元j在样本i中的相对丰度与其生态参数的比例。这个比率反映了微生物群落的特性与其生态环境之间的关系。比率的平方项/>是为了强调微生物分类单元相对丰度和生态参数之间的关键性。平方项的存在可能表明了在多样性维护过程中,鼓励微生物群落中不同分类单元的相对丰度与其生态环境之间的均衡。这一项中的积分表示了在一段时间内(从0到T)对所有微生物分类单元j和样本i的比率平方的积累效应。这有助于评估微生物群落特征和生态参数之间的整体关系,以及它们在时间内如何影响多样性指数J。第三项的目标是强调微生物群落特征矩阵Mt(i,j)和生态参数矩阵Et(i,j)之间的关系,并可能鼓励它们之间的均衡。这有助于维护微生物群落的多样性,因为不同分类单元的相对丰度与其生态环境之间的均衡关系通常有助于维持多样性。
这一项中的/>表示生态参数矩阵Et(i,j)和微生物群落特征矩阵Mt(i,j)之间的比率。具体来说,它表示了微生物分类单元j在样本i中的生态参数与其相对丰度的比例。这个比率反映了微生物群落的生态环境与其特性之间的关系。比率的平方项/>是为了强调生态参数和相对丰度之间的关键性。平方项的存在可能表明了在多样性维护过程中,鼓励微生物群落中不同分类单元的生态参数与其相对丰度之间的均衡。这一项中的积分表示了在一段时间内(从0到T)对所有微生物分类单元j和样本i的比率平方的积累效应。这有助于评估微生物群落特征和生态参数之间的整体关系,以及它们在时间内如何影响多样性指数J。第四项的目标是强调生态参数矩阵Et(i,j)和微生物群落特征矩阵Mt(i,j)之间的关系,并可能鼓励它们之间的均衡。这有助于维护微生物群落的多样性,因为不同分类单元的生态参数与其相对丰度之间的均衡关系通常有助于维持多样性。
这一项的目标是衡量当前微生物群落特征矩阵Mt(i,j)与预设的目标微生物群落特征矩阵Mtarget(i,j)之间的差异。具体来说,它计算了每个微生物分类单元j在样本i中的相对丰度与目标相对丰度之间的差异,并对差异的平方进行了积分。平方项/>是为了强调差异的重要性。它的存在使得对于相对丰度差异较大的微生物分类单元,惩罚更加显著。这有助于确保多样性维护策略朝着接近目标微生物群落特征矩阵的方向发展。这一项中的积分表示了在一段时间内(从0到T)对所有微生物分类单元j和样本i的差异平方的积累效应。通过积分,它考虑了多个时间步骤内的差异,以便评估多样性指数J在时间上的演变。第五项的目标是最小化当前微生物群落特征矩阵Mt(i,j)与目标微生物群落特征矩阵Mtarget(i,j)之间的差异,以使微生物群落更加接近目标状态。这有助于确保多样性维护策略朝着维护目标多样性的方向发展。
这一项的目标是衡量当前生态参数矩阵Et(i,j)与预设的目标生态参数矩阵Etarget(i,j)之间的差异。具体来说,它计算了每个微生物分类单元j在样本i中的生态参数与目标生态参数之间的差异,并对差异的平方进行了积分。平方项/>是为了强调差异的重要性。它的存在使得对于生态参数差异较大的微生物分类单元,惩罚更加显著。这有助于确保多样性维护策略朝着接近目标生态参数矩阵的方向发展。这一项中的积分表示了在一段时间内(从0到T)对所有微生物分类单元j和样本i的差异平方的积累效应。通过积分,它考虑了多个时间步骤内的差异,以便评估多样性指数J在时间上的演变。第六项的目标是最小化当前生态参数矩阵Et(i,j)与目标生态参数矩阵Etarget(i,j)之间的差异,以使微生物群落的生态环境更加接近目标状态。这有助于确保多样性维护策略朝着维护目标多样性的方向发展。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上该,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.基于生物多样性的水中微生物群落维护方法,其特征在于,所述方法包括:
步骤1:获取目标水体的多个水样本;获取水样本中初始的不同微生物分类单元的初始相对丰度和初始生态参数;定义初始微生物群落特征矩阵和初始生态参数矩阵;所述初始微生物群落特征矩阵中每个元素表示对应样本中微生物分类单元的初始相对丰度;所述初始生态参数矩阵中每个元素表示对应样本中微生物分类单元的初始生态参数;
步骤2:进行周期性的水样本采样和微生物监测,得到时间序列的相对丰度和生态参数;定义每个时间步的群落特征矩阵和每个时间步的生态参数矩阵;
步骤3:计算每个时间步的第一多样性指数;计算每个时间步的第二多样性指数;
步骤4:建立时空变化模型,用于描述微生物群落在时间和空间上的演化;使用统计方法来估计时空变化模型中的参数;在时空变换模型中,使用估计的参数,对微生物群落的时空变化进行模拟,得到模拟结果;
步骤5:根据模拟结果,制定多样性维护的目标函数,目标函数的结果为多样性指数,最大化多样性指数,以此制定多样性维护策略;根据制定的多样性维护策略,对目标水体的水体条件进行改变,以维护水样本中微生物群落的多样性。
2.如权利要求1所述的基于生物多样性的水中微生物群落维护方法,其特征在于,定义初始微生物群落特征矩阵为Minit;其中,Minit(i,j)为初始微生物群落特征矩阵Minit中第i行,第j列的元素,表示样本i中微生物分类单元j的相对丰度;定义初始生态参数矩阵为Einit,其中Einit(i,j)表示样本i中微生物分类单元j的生态参数;定义时间步t的微生物群落特征矩阵为Mt,其中Mt(i,j)表示时间步t的样本i中微生物分类单元j的相对丰度;同时定义时间步t的环境参数矩阵为Et,其中Et(i,j)表示时间步t的样本i中微生物分类单元j的生态参数;所述生态参数为温度和PH值的加权加和值;生态参数=温度*温度系数+PH值*PH值系数。
3.如权利要求2所述的基于生物多样性的水中微生物群落维护方法,其特征在于,步骤3中,使用如下公式,计算每个时间步的第一多样性指数:
其中,At表示在时间步t下计算得到的第一多样性指数;n表示样本的数量,即获取的水样本的数量;m表示每个水样本中的微生物分类单元的数量;α是丰度可调参数,用于调整相对丰度的影响;γ为多样性可调参数,用于调整总体多样性的敏感度。
4.如权利要求3所述的基于生物多样性的水中微生物群落维护方法,其特征在于,步骤3中,使用如下公式,计算每个时间步的第二多样性指数:
其中,Bt表示在时间步t下计算得到的第二多样性指数。
5.如权利要求4所述的基于生物多样性的水中微生物群落维护方法,其特征在于,步骤4中建立的时空变化模型使用如下公式进行表示:
其中,Mt+1(i,j)表示时间步t+1的样本i中微生物分类单元j的相对丰度;rij为样本i中微生物分类单元j的内禀增长率;S为竞争系数;Kij为样本i中微生物分类单元j的承载能力。
6.如权利要求5所述的基于生物多样性的水中微生物群落维护方法,其特征在于,步骤4中使用统计方法来估计时空变化模型中的内禀增长率rij、竞争系数S和承载能力Kij;其中,内禀增长率rij使用如下公式进行估计:
其中,rij表示样本i中的微生物分类单元j的内禀增长率,Gamma表示Gamma分布;Log-Normal表示Log-Normal分布;α1和β1是Gamma分布的形状参数;μr和σr是Log-Normal分布的均值和标准差,可以考虑它们的不确定性;和/>均为先验分布的均值和标准差;Normal为正态分布。
7.如权利要求5所述的基于生物多样性的水中微生物群落维护方法,其特征在于,竞争系数S使用如下公式进行估计:
S=Normal(Minit(i,j),Einit(i,j))。
8.如权利要求7所述的基于生物多样性的水中微生物群落维护方法,其特征在于,承载能力Kij使用如下公式进行估计:
其中,Rmax为种群增长的极限值,为设定值;Nij为样本i中的微生物分类单元j的种群数量;Cij样本i中的微生物分类单元j的环境容纳量,为设定值。
9.如权利要求8所述的基于生物多样性的水中微生物群落维护方法,其特征在于,目标函数使用如下公式进行表示:
其中,J为多样性指数;通过最大化多样性指数,求解得到对应的Mtarget(i,j)和Etarget(i,j);根据Mtarget(i,j)和Etarget(i,j)制定多样性维护策略;根据制定的多样性维护策略,对目标水体的水体条件进行改变,以维护水样本中微生物群落的多样性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311849861.2A CN117809735A (zh) | 2023-12-28 | 2023-12-28 | 基于生物多样性的水中微生物群落维护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311849861.2A CN117809735A (zh) | 2023-12-28 | 2023-12-28 | 基于生物多样性的水中微生物群落维护方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117809735A true CN117809735A (zh) | 2024-04-02 |
Family
ID=90426404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311849861.2A Pending CN117809735A (zh) | 2023-12-28 | 2023-12-28 | 基于生物多样性的水中微生物群落维护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117809735A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021350A (zh) * | 2017-11-29 | 2019-07-16 | 中国科学院昆明动物研究所 | 一种基于多样性指数与时空关系的幂法则标度模型预测微生物群落结构变化的方法 |
CN113658640A (zh) * | 2021-07-14 | 2021-11-16 | 北京大学 | 一种淡水生态系统健康评价方法 |
KR20230102642A (ko) * | 2021-12-30 | 2023-07-07 | 경희대학교 산학협력단 | 실내공기 중 부유 및 표면 미생물 군집분석을 위한 시료채취방법 및 분석방법 |
CN116612820A (zh) * | 2023-07-20 | 2023-08-18 | 山东省滨州畜牧兽医研究院 | 基于数据分析的乳制品生产智能管理平台 |
-
2023
- 2023-12-28 CN CN202311849861.2A patent/CN117809735A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021350A (zh) * | 2017-11-29 | 2019-07-16 | 中国科学院昆明动物研究所 | 一种基于多样性指数与时空关系的幂法则标度模型预测微生物群落结构变化的方法 |
CN113658640A (zh) * | 2021-07-14 | 2021-11-16 | 北京大学 | 一种淡水生态系统健康评价方法 |
KR20230102642A (ko) * | 2021-12-30 | 2023-07-07 | 경희대학교 산학협력단 | 실내공기 중 부유 및 표면 미생물 군집분석을 위한 시료채취방법 및 분석방법 |
CN116612820A (zh) * | 2023-07-20 | 2023-08-18 | 山东省滨州畜牧兽医研究院 | 基于数据分析的乳制品生产智能管理平台 |
Non-Patent Citations (2)
Title |
---|
JIANJUN WANG ET AL.: "Regional and global elevational patterns of microbial species richness and evenness", 《ECOGRAPHY》, vol. 40, 31 December 2017 (2017-12-31) * |
蔡露 等: "九龙江口肥水-缢蛏养殖塘厌氧氨氧化微生物活性研究", 《海洋与湖沼》, vol. 54, 30 September 2023 (2023-09-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Melo et al. | Comparing species richness among assemblages using sample units: why not use extrapolation methods to standardize different sample sizes? | |
Anderson et al. | Measures of precision for dissimilarity‐based multivariate analysis of ecological communities | |
Brose et al. | Estimating the richness of species with variable mobility | |
Dennis et al. | Indexing butterfly abundance whilst accounting for missing counts and variability in seasonal pattern | |
Blois et al. | Modeling the climatic drivers of spatial patterns in vegetation composition since the Last Glacial Maximum | |
Kang et al. | Application of BP neural network optimized by genetic simulated annealing algorithm to prediction of air quality index in Lanzhou | |
Jones et al. | Measuring long‐distance seed dispersal in complex natural environments: an evaluation and integration of classical and genetic methods | |
Johnson et al. | Expert elicitation, uncertainty, and the value of information in controlling invasive species | |
Prunier et al. | Contribution of spatial heterogeneity in effective population sizes to the variance in pairwise measures of genetic differentiation | |
Bush et al. | Current uses of beta-diversity in biodiversity conservation: A response to | |
Duncan | How propagule size and environmental suitability jointly determine establishment success: a test using dung beetle introductions | |
Ptacnik et al. | Performance of a new phytoplankton composition metric along a eutrophication gradient in Nordic lakes | |
Coutts et al. | Extrapolating demography with climate, proximity and phylogeny: approach with caution | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN112819312A (zh) | 气候变化情景下干旱社会经济暴露度评估方法和系统 | |
Landguth et al. | Evaluating sample allocation and effort in detecting population differentiation for discrete and continuously distributed individuals | |
Hao et al. | The application of information diffusion technique in probabilistic analysis to grassland biological disasters risk | |
Ravishanker et al. | Hierarchical dynamic models for multivariate times series of counts | |
Ritz et al. | A unified framework for benchmark dose estimation applied to mixed models and model averaging | |
KR101934667B1 (ko) | 퍼지모델링을 이용한 서식지 적합도 평가 시스템 및 방법 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
van der Veen et al. | Model‐based ordination for species with unequal niche widths | |
Yurk et al. | Modeling the effects of developmental variation on insect phenology | |
Dey et al. | Modelling spatially autocorrelated detection probabilities in spatial capture-recapture using random effects | |
CN117809735A (zh) | 基于生物多样性的水中微生物群落维护方法 |
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 |