PARTE 1 Revelando o Impacto do Meio Ambiente em Cistanche Salsa: Da Regionalização Ecológica Global às Características Microbianas da Comunidade do Solo

ABSTRATO:Compreender a relação regulatória entre o meio ambiente e aMolho de Cistanche, aqui integramos os métodos de macro e micro dimensões. De uma perspectiva macro, o modelo MaxEnt indicou que os países ao longo da Iniciativa do Cinturão e Rota, como China, Egito e Líbia, eram particularmente adequados para o crescimento deC. salsadesde os tempos antigos (Último Máximo Glacial e Médio Holoceno) até o futuro (2050 e 2070). O teste Jackknife revelou que a precipitação é um importante fator ecológico que afeta a distribuição de C. salsa. De uma perspectiva macro, os dados de sequenciamento de amplicon de rRNA 16S mostraram que as comunidades microbianas do solo de três ecótipos (deserto-estepe, pastagem e cascalho-deserto) eram significativamente diferentes (p < 0,001).="" a="" análise="" do="" microbioma="" central="" demonstrou="" que="" os="" gêneros="" bacterianos="" arthrobacter,="" sphingomonas="" e="" bacillus="" foram="" taxa="" centrais="" enriquecidas="">C. salsa. LEfSe e floresta aleatória foram usados ​​para escavar Gillisia (estepe desértica), Flavisolibacter (pastagem) e Variibacter(cascalho-deserto) como biomarcadores que podem distinguir entre comunidades microbianas dos três ecótipos. O perfil de predição mostrou que a função metabólica da comunidade microbiana foi enriquecida em vias metabólicas e processamento de informações ambientais. As análises de correlação revelaram que a altitude, precipitação do bairro mais quente (bio18), amplitude diurna média (bio2) e temperatura média do bairro mais quente (bio10) foram fatores ecológicos importantes que afetam a composição das comunidades microbianas do solo. Este trabalho forneceu novos insights sobre a relação regulatória entre a distribuição adequada deC. salsa, comunidades microbianas do solo e fatores ecológicos. Além disso, aprofundou o entendimento da interação entre plantas do deserto e fatores ecológicos em ambientes áridos.

PALAVRAS-CHAVE:Molho de Cistanche, MaxEnt, sequenciamento de amplicon de rRNA 16S, comunidade microbiana do solo, impacto ambiental.

Cistanche deserticola tem muitos efeitos, clique aqui para saber mais

Para mais informações por favor entre em contato:Joanna.jia@wecistanche.com

1. INTRODUÇÃO

O valor econômico das plantas medicinais aumentou rapidamente nos últimos anos com o desenvolvimento mundial e a utilização de plantas naturais. A haste carnosa deMolho de Cistancheé um órgão vegetal comestível e medicinal que é comumente usado como tônico renal, afrodisíaco, tratamento antienvelhecimento e antioxidante, laxante intestinal, tratamento protetor do fígado e tratamento anti-radiação. Estudos fitoquímicos modernos sobre C. salsa resultaram na identificação e isolamento de quantidades consideráveis ​​de compostos bioativos, como vários glicosídeos feniletanoides, iridóides, alditóis e lignina, que possuem importantes valores médicos e comestíveis.1 Com o rápido desenvolvimento do mercado por remédios e alimentos saudáveis, a demanda porC. salsaaumentou acentuadamente e é acompanhado pela sobreexploração e pilhagem dos recursos selvagens. Portanto, a introdução e cultivo artificial em larga escala deC. salsatornaram-se uma medida importante para proteger os recursos selvagens e retardar a desertificação ecológica. No entanto, pesquisas sobre o cultivo artificial deC. salsapermanece limitado.

O ambiente tem um impacto enorme no crescimento e desenvolvimento de C. salsa.2 As plantas crescem em ambientes diferentes, formando diferentes ecótipos que exibem mudanças significativas nos ingredientes inativos e na expressão gênica.3,4 Em nível macro, pesquisas descobriram que a temperatura, luz, precipitação e tipos de solo têm efeito sobre o crescimento das plantas e seus ingredientes ativos.5,6 O estudo da interação entre o ambiente e as plantas e a caracterização abrangente de diferentes ecótipos de plantas são benéficos para a seleção e cultivo de plantas de alta -variedades de qualidade.7 De uma perspectiva macro, as plantas podem ter um impacto considerável nos organismos do solo, mesmo que tenham pouco ou nenhum contato direto com o sistema do solo por meio de suas raízes.8,9 No entanto, pesquisas atuais sobre a relação entre as plantas e o ambiente, incluindo fatores climáticos e comunidade microbiana do solo, ainda não está claro.

O modelo de distribuição de espécies (SDM) é um modelo estatístico que foi estabelecido usando dados de distribuição de espécies existentes e variáveis ​​ambientais para inferir as necessidades ecológicas das espécies e projetar suas áreas de distribuição potenciais,10,11 explorar áreas de crescimento adequadas combinando fatores de clima e solo, determinar o ambiente apropriado para plantas medicinais e proteger cientificamente e cultivar plantas ameaçadas.12,13 SDMs, como MaxEnt e biomod2, responderam com sucesso às previsões de tendências de distribuição impostas a plantas ameaçadas e ecológicas durante as mudanças climáticas.14,15

O sequenciamento amplicon de rRNA 16S de amostras de solo da rizosfera de plantas foi realizado para explorar a diversidade de comunidades microbianas, fornecendo novos insights sobre a relação entre plantas e comunidades microbianas do solo.16,17

Neste estudo, exploramos a relação entre o meio ambiente e aC. salsadas dimensões macro e micro. Fizemos o seguinte. (1) Usamos o modelo MaxEnt para prever as áreas de crescimento global adequado deC. salsadesde os tempos antigos até o futuro (cinco períodos: Último Máximo Glacial [LGM], Holoceno Médio [MH], presente, 2050 e 2070) e calculou as áreas adequadas de diferentes níveis e a taxa de contribuição e alcance das variáveis ​​bioclimáticas que afetam a distribuição deC. salsa.(2) Em combinação com o trabalho de campo, coletamos amostras de solo de três ecótipos (deserto-estepe, pastagem e cascalho-deserto) da área de melhor crescimento (Tacheng e Xinjiang) de

C. salsa. Realizamos o sequenciamento de amplicons de rRNA 16S para explorar as características das comunidades microbianas do solo. Também comparamos as diferenças nos microbiomas do solo nos três ecótipos e determinamos os microbiomas centrais e biomarcadores que poderiam distinguir entre os três ecótipos. (3) Conduzimos análise de correlação e análise redundante com base na abundância dos microbiomas centrais, biomarcadores e variáveis ​​bioclimáticas para explorar a relação regulatória entreC. salsae o meio ambiente.

Cistanchetem muitos efeitos no anti-fadiga

2. MATERIAIS E MÉTODOS

2.1. Modelagem de Nicho Ecológico.

Nesta pesquisa, cinco recursos foram utilizados para buscar os atuais sites deC. salsaem todo o mundo: (1) GBIF; (3) Infraestrutura Nacional de Informação de Espécimes (4) literatura publicada; e (5) trabalho de campo. Os dados de amostra sem latitude e longitude foram baseados em uma consulta de mapa on-line de latitude e longitude O método de análise de buffer foi usado para revisar e filtrar os pontos de distribuição obtidos para eliminar o efeito de simulação de sobreajuste causado por uma grande correlação espacial. A resolução espacial das variáveis ​​bioclimáticas foi de 2,5 arc-min (cerca de 4,5 km2), e a distância do buffer foi fixada em 3 km. Apenas um ponto de distribuição foi mantido quando a distância entre os pontos de distribuição foi inferior a 3 km. Após a retirada dos pontos duplicados, 76 ocorrências, todas da área de produção genuína de C. salsa, foram coletadas e utilizadas para análise (Figura 1a, Arquivo Complementar 1).

Utilizamos as 19 variáveis ​​bioclimáticas do WorldClim como preditores ambientais. Os dados atuais das variáveis ​​bioclimáticas deste estudo foram coletados dos dados de monitoramento do banco de dados WorldClim versão 1.418 durante 1960-1990 com uma resolução de 2,5 arc-min. As variáveis ​​bioclimáticas antigas (LGM e MH) e futuras (futuro 2050 e futuro 2070) disponíveis no WorldClim versão 1.4 com resolução de 2,5 arc-min foram empregadas como preditoras dos modelos de distribuição das espécies. Para evitar multicolinearidade, executamos uma análise de correlação em pontos de fundo e eliminamos uma das variáveis ​​em cada par com um Pearson

valor de correlação > 0.819 (Figura S1). As oito variáveis ​​bioclimáticas finalmente incluídas nos modelos foram a faixa diurna média (bio2), a temperatura média do trimestre mais úmido (bio8), a temperatura média do trimestre mais seco (bio9), a temperatura média do trimestre mais quente (bio10). , precipitação anual (bio12), precipitação do trimestre mais seco (bio17), precipitação do trimestre mais quente (bio18) e precipitação do trimestre mais frio (bio19).

Usamos o modelo de entropia máxima do pacote de software de código aberto (MaxEnt v.3.4.0),20 que pode ser baixado para construir um modelo de distribuição de espécies paraC. salsa. Os seguintes parâmetros foram usados ​​nas configurações básicas: semente aleatória e uma porcentagem de teste aleatório de 25 e 10 repetições. Ao definir a porcentagem de teste aleatório para 25%, selecionamos aleatoriamente 75% dos pontos de distribuição para o conjunto de treinamento. Ao definir o número de réplicas para 10, executamos o modelo 10 vezes com as mesmas configurações e calculamos a média da saída de todas as execuções para obter o resultado final. A área sob a curva do operador receptor (AUC) foi usada para avaliar a qualidade de ajuste do modelo, e o modelo com o maior valor de AUC foi considerado o de melhor desempenho. O procedimento jackknife foi utilizado para avaliar a importância das variáveis. Curvas de resposta foram utilizadas para obter a faixa de variáveis ​​bioclimáticas.

ArcGIS foi usado para analisar as variáveis ​​bioclimáticas que afetam a distribuição de C. salsa e para classificar e calcular a área adequada para produção.

2.2. Coleta e Descrição de Amostras de Solo. C. salsa

é naturalmente distribuído nos três ecótipos de cascalho-deserto, pastagem e deserto-estepe. Em abril de 2017, coletamos amostras de caule carnudo e solo representando os principais ecótipos de C. salsa em Tacheng, Xinjiang, China (Figura 1b, Tabela 1). Amostras de cascalho-deserto foram coletadas de Hejiaoke, Condado de Toli (HJ1, HJ2 e HJ3). Amostras de pastagens foram coletadas do condado de Yumin (YM1, YM2, YM3 e YM4). Amostras de estepe do deserto foram coletadas de Jiang Alhan (JA1, JA2, JA3, JA4, JA5 e JA6). As amostras de solo que coletamos são todas do solo na superfície de C. salsa e seu hospedeiro parasitário. Amostras de vouchers com

números de vouchers de 20170510079-DT a 20170510091-DT foram depositados no herbário do Instituto de Desenvolvimento de Plantas Medicinais da Academia Chinesa de Ciências Médicas em Pequim, China. Depois de limpos, os tecidos do caule suculentos foram cortados em pequenos pedaços, imediatamente congelados em nitrogênio líquido e depois armazenados a -80 graus até o processamento posterior. Os testemunhos de solo foram retirados a uma profundidade de 20 cm usando

um perfurador cilíndrico de aço inoxidável com diâmetro de 5 cm e, em seguida, armazenado a -20 graus em um refrigerador portátil. Após serem transportadas para o laboratório, as amostras de solo foram passadas por uma peneira de 2 mm para remover tecidos vegetais, raízes, rochas e outros detritos e, em seguida, armazenadas a -20 graus em geladeira antes de novos experimentos.

2.3. Extração de DNA e Sequenciamento de rRNA 16S.

O DNA do solo foi extraído usando um PowerSoil DNA Isolation Kit (MoBio Laboratories, Carlsbad, CA) de acordo com o manual. A pureza e a qualidade do DNA genômico foram verificadas em 0,8 por cento de géis de agarose. A região hipervariável V3-4 do gene 16S rRNA bacteriano foi amplificada com os primers 338F (ACTCCTACGGGAGGCAGCAG) e 806R (GGACTACHVGGGTWTCTAAT).21 Para cada amostra de solo, uma sequência de código de barras 10- dígitos foi adicionada ao 5 ′ dos primers direto e reverso (Allwegene Co., Pequim). A PCR foi realizada em um Mastercycler Gradient (Eppendorf, Alemanha) usando volumes de reação de 25 μL contendo 12,5 μL de KAPA 2G Robust HotStart ReadyMix, 1 μL de primer de encaminhamento (5 μM), 1 μL de primer reverso (5 μM), 5 μL de DNA (quantidade total do modelo é 30 ng) e 5,5 μL de H2O. Os parâmetros de ciclagem foram os seguintes: 95 graus por 5 min, seguidos de 28 ciclos de 95 graus por 45 s, 55 graus por 50 s e 72 graus por 45 s, com uma extensão final de 72 graus por 10 min. Três produtos de PCR por amostra foram agrupados para mitigar os vieses de PCR no nível de reação. Os produtos de PCR foram purificados usando um QIAquick Gel Extraction Kit (QIAGEN, Alemanha) e quantificados usando PCR em tempo real. O sequenciamento profundo foi realizado em uma plataforma MiSeq pela Allwegene Co. (Pequim). Após a execução, a análise de imagem, chamada de base e estimativa de erro foram realizadas usando o Illumina Analysis Pipeline Versão 2.6.

2.4. Análise de Dados de Sequenciamento de Amplicon de rRNA 16S.

Todos os dados de sequenciamento foram enviados ao NCBI Short Archive (SRA) sob a submissão SRA SUB7456002. Os dados brutos foram rastreados primeiro e as sequências foram removidas com base nas seguintes considerações: sequências menores que 200 pb com pontuação de baixa qualidade (menor ou igual a 20) e contendo bases ambíguas ou não coincidentes com sequências de primers e etiquetas de código de barras. As leituras qualificadas foram separadas usando sequências de código de barras específicas da amostra e cortadas com o Illumina Analysis Pipeline Versão 2.6. Em seguida, os conjuntos de dados foram analisados ​​usando QIIME. As sequências foram agrupadas em unidades taxonômicas operacionais (OTUs) em um nível de similaridade de 97 por cento 22 para gerar curvas de rarefação e calcular índices de riqueza e diversidade. A ferramenta Ribosomal Database Project Classifier foi usada para classificar todas as sequências em diferentes grupos taxonômicos, nos quais o limite de confiança é definido como 0,7.23 As análises de agrupamento foram realizadas com base nas informações de OTU de cada amostra usando R 3.6.1 para examinar o similaridade entre amostras diferentes.24 A matriz de distâncias UniFrac entre comunidades microbianas de cada amostra foi calculada usando o coeficiente de Tayc e representada como um método de grupo de pares não ponderado com árvore de agrupamento de média aritmética, que descreve a dissimilaridade (1- similaridade) entre várias amostras.25 Um arquivo de árvore no formato Newick também foi gerado por meio dessa análise. A diversidade alfa foi aplicada para analisar a complexidade da diversidade de espécies para uma amostra usando quatro índices, a saber, Chao1, espécies observadas, e Shannon e Fisher

índices de diversidade. Esses índices foram calculados usando o software QIIME (Boulder, CO, EUA) em Python (v.1.8.0) (La Jolla, CA, EUA).26 A análise de diversidade beta foi usada para avaliar as diferenças nas amostras em termos de complexidade das espécies. A diversidade beta foi calculada usando a análise de coordenadas principais (PCoA) e a análise de agrupamento no QIIME.27 A análise de variância molecular (AMOVA) foi realizada usando a mãe.28 O teste de Kruskal-Wallis foi usado para calcular a diferença OTU entre os grupos (p-valor<0.05), and="" heat="" maps="" were="" drawn="" using="" pheatmap="" (r="" package).="" core="" microbiome="" analysis="" was="" adopted="" from="" the="" core="" function="" in="" the="" r="" package="" microbiome="" (sample="" prevalence="20%," relative="" abundance="0.01%)" by="" microbiomeanalyst29="" (https://www.="">

Os métodos de análise discriminante linear (LDA) e floresta aleatória (RF) no site MicrobiomeAnalyst foram usados ​​para determinar biomarcadores de microbioma. Um teste fatorial não paramétrico de Kruskal-Wallis soma-rank foi realizado pela primeira vez para identificar características com abundância diferencial significativa considerando o fator experimental ou classe de interesse. Em seguida, o LDA (o limiar é definido como 2) foi realizado para calcular o tamanho do efeito de cada característica dife- rencialmente abundante. As características foram consideradas significativas com base em seu valor-p ajustado. O valor de corte ajustado padrão foi 0.05. A análise de RF foi realizada usando o pacote randomForest5. Este método utiliza um conjunto de árvores de classificação, cada uma das quais é cultivada por meio de seleção aleatória de características de uma amostra bootstrap em cada ramo.

Tax4Fun (pacote R, http://tax4fun.gobics.de/) foi usado para prever os perfis funcionais microbianos de microbiomas nas amostras de solo. A tabela OTU Biom do microbioma do solo foi utilizada como arquivo de entrada para a imputação do metagenoma de amostras de solo de C. salsa. Em seguida, as abundâncias de classes de genes previstas foram analisadas no grupo KEGG Orthology (KO) nível 3. Os resultados de Tax4Fun foram analisados ​​em Doby (pacote R).

2.5.Análise de Correlação de Comunidades Microbianas Chave e Fatores Bioclimáticos.

Usamos o ArcGIS para extrair numericamente os principais fatores bioclimáticos dos 13 pontos de amostragem do solo. A análise de redundância de gêneros-chave das comunidades microbianas (cinco biomarcadores, cinco microbiomas centrais) e fatores bioclimáticos foi realizada usando

Software Canoco 5. A conversão de dados Log2 foi realizada de maneira uniforme antes da análise. Os coeficientes de correlação de Spearman foram calculados para a abundância de cinco biomarcadores, cinco microbiomas centrais e integração de dados de fatores bioclimáticos aplicando SPSS. Os resultados da análise de correlação foram obtidos pelo pheatmap (pacote R).

Cistanchepode resistir ao envelhecimento

3. RESULTADOS

Previsão do Deslocamento da Distribuição Global de C. salsa nos Diferentes Períodos. O ROC calculado mostrou

que o valor de AUC foi {{0}}.977 (Figura S2), indicando que o modelo concordou bem com os dados.30 Resultados da simulação de adequação do habitat para cinco períodos (LGM, MH, presente, 2050 e 2070 ) foram ilustrados na Figura 2 e na Tabela 2. C. A aptidão para o cultivo de salsa foi dividida em cinco categorias com base no limiar estatístico: inadequado (classe 5: 0-20 por cento), marginal (classe 4: 20-50 por cento), regular (classe 3: 50-75 por cento), bom (classe 2: 75-

90 por cento ) e excelente (classe 1: 90-100 por cento ). Este artigo discutiu apenas as áreas de distribuição adequadas para classe 1, classe 2 e classe 3. As atuais distribuições potenciais de C. salsa indicaram que esta espécie foi amplamente distribuída em três zonas climáticas: clima desértico temperado, clima mediterrâneo subtropical e deserto tropical regiões climáticas. Todos os continentes, exceto a Antártica, contêm regiões que foram adequadas para C. salsa. Essas regiões estavam distribuídas principalmente na Ásia central e ocidental e no norte da África e estavam espalhadas na América do Norte central e ocidental, América do Sul central e Oceania ocidental. As áreas adequadas excelentes (classe 1) foram as mais amplamente distribuídas no Egito (76 750 km2), enquanto as áreas adequadas boas (classe 2) e razoáveis ​​(classe 3) foram as mais amplamente distribuídas na China (classe 2: {{ 13}} km2 e classe 3: 1 024 600 km2). As áreas ecologicamente adequadas na Ásia estavam restritas principalmente à China (classe 1: 45 775 km2), Jordânia (classe 1: 16 075 km2), Israel (classe 1: 14 975 km2), Arábia Saudita Arábia (classe 1: 14 925 km2) e Irã (classe 1: 12 600 km2). As áreas adequadas de C. salsa na África foram distribuídas principalmente no Egito, Líbia (classe 1: 34 400 km2) e Tunísia (classe 1: 275 km2). As áreas adequadas para C. salsa na América do Sul foram distribuídas principalmente no Chile (classe 1: 16 550 km2).

De uma perspectiva espacial (Figura 2), a tendência de mudança regional adequada para os cinco períodos primeiro aumentou e depois diminuiu com a maior área em 2050 (Figura 3a, Figura S3). Vimos uma grande diminuição na área adequada de C. salsa dentro do LGM em relação aos outros quatro períodos. Em comparação com o presente (4 358 775 km2), as áreas adequadas diminuíram 50% (2 160 975 km2) no período LGM, 10% (MH: 3 910 350 km2) no período MH, e 1% (4 328 800 km2) no período de 2070 e aumentou 2% (4 428 950 km2) no período de 2050. Notavelmente, do presente para o futuro (de 1960 a 2080), a área excelente (classe 1) para C. salsa diminuiu gradualmente (presente, 243 200 km2; 2050, 232 425 km2; 2070, { {29}} km2).

Cistancheextrato tem muitossaúdebenefícios

3.2. Previsão das Áreas de Distribuição Adequadas de C. salsa na China e a Faixa de Variáveis ​​Bioclimáticas.

As áreas adequadas para o crescimento de C. salsa na China foram principalmente restritas ao noroeste de Xinjiang, centro da Mongólia Interior, norte de Shaanxi, norte de Shanxi, nordeste de Qinghai, norte de Gansu e a maior parte de Ningxia (Figura 2b). As áreas mais adequadas na China foram distribuídas principalmente em Xinjiang, das quais a área excelente (classe 1) cobria 23 650 km2, a área boa (classe

2) cobriu 220 950 km2, e a área da feira (classe 3) cobriu 189 975 km2. Entre as áreas boas (classe 2), Xinjiang respondeu por 60,99%, seguido pela Mongólia Interior (86 300 km2) e Gansu (24 450 km2) com 23,82% e 6,75%, respectivamente (Figura 3b). Os resultados do modelo MaxEnt indicaram que Xinjiang era particularmente adequado para o crescimento de C. salsa. No entanto, habitats diferentes, como deserto de cascalho, pastagem e estepe desértica, foram encontrados na mesma área durante as viagens de campo. Portanto, estávamos muito interessados ​​nas características das comunidades microbianas do solo e sua relação com o meio ambiente em diferentes ecótipos de C. salsa em Tacheng, Xinjiang, China.

A importância de cada variável bioclimática para a distribuição de C. salsa é mostrada na Tabela 2. Todos os valores foram médias de 1{11}} corridas replicadas. As três principais variáveis ​​bioclimáticas com maior influência na distribuição de C. salsa foram a precipitação do trimestre mais seco (bio17), a precipitação do trimestre mais quente (bio18) e a amplitude diurna média (bio2) com taxas de contribuição relativa de 25,81 por cento, 17,65 por cento e 13,70 por cento, respectivamente. Conforme indicado pela curva de resposta obtida pelo modelo MaxEnt, o intervalo do fator bio pode ser calculado quando a probabilidade de predição ultrapassou 0,5. Por exemplo, o intervalo de bio17 foi de -135,30 a 11,34 mm, o de bio 18 foi de -206,60 a 4,40 mm e o de bio2 foi de 11,65 a 12,50 graus.

3.3. Microbiomas do solo de três ecótipos de C. salsa exibindo comunidades microbianas distintas e sobrepostas.

O sequenciamento de 16S rRNA resultou em 518 217 leituras brutas, entre as quais 441 576 foram rastreadas quanto à qualidade e comprimento. O conjunto de dados continha 11 818−26 431 (média: 20 150) sequências por amostra. As leituras de alta qualidade foram agrupadas com base em

>97 por cento de identidade de sequência em 2 788 OTUs microbianas (Tabela 1).

A comunidade microbiana foi classificada em 34 filos e 321 gêneros. No nível do filo (Figura 4a), Actinobacteria (DS, 31,94 por cento; GD; 46,42 por cento; GL, 33,33 por cento), Proteobacteria (DS,

23,25 por cento; GD, 22,53 por cento; GL, 24,68 por cento ), e Gemmatimonadetes (DS, 17,77 por cento ; GD, 8,02 por cento ; GL, 8,36 por cento ) foram dominantes nos três ecótipos. No nível de gênero (Figura 4b), a estepe do deserto foi dominada por Euzebya (4,82%) e Arthrobacter (1,74%), enquanto os gêneros mais dominantes no cascalho- o deserto foram Arthrobacter (8,35%) e Bacillus (4,95%). ). Bacillus (6,89 por cento ) e Arthrobacter (5,57 por cento ) foram dominantes nas pastagens. As 10 comunidades microbianas mais abundantes no deserto-estepe foram classificadas em oito filos (Figura 4c), aquelas no deserto de cascalho foram classificadas em sete filos (Figura 4d), e aquelas nas pastagens foram classificadas em 10 filos (Figura 4e). ).

As medições da diversidade dentro da amostra ( -diversidade) revelaram uma mudança de diversidade da pastagem para o cascalho-deserto e deserto-estepe (Figura 4f). A -diversidade das comunidades microbianas do solo em cada amostra foi avaliada nos índices de Shannon, Chao 1, Fisher e de diversidade de espécies observadas. As espécies observadas de Shannon, Chao 1 e os índices de Fisher sugeriram que a diversidade das comunidades de solo de pastagem

foi maior do que a das outras duas comunidades de ecótipos. Os resultados das curvas de rarefação (Figura S5) foram semelhantes aos resultados acima, exceto para YM1 e HJ3. Os resultados da AMOVA (Tabela S3) mostraram que existem diferenças significativas (p < 0.01)="" entre="" os="" três="" ecótipos.="" os="" resultados="" dos="" pcoas="" irrestritos="" de="" parcelas="" 2d="" de="" distância="" unifrac="" não="" ponderadas="" (figura="" 4g)="" indicaram="" que="" as="" amostras="" de="" solo="" de="" microbiomas="" bacterianos="" de="" diferentes="" ecótipos,="" exceto="" ym1="" e="" hj3,="" estavam="" bem="" agrupadas.="" o="" agrupamento="" de="" árvores="" de="" diversidade="" de="" distância="" de="" bray="" com="" base="" nos="" resultados="" do="" algoritmo="" de="" agrupamento="" único="" (figura="" 4h)="" das="" amostras="" de="" solo="" de="" três="" ecótipos="" demonstrou="" que="" as="" amostras="" de="" pastagem,="" exceto="" ym2,="" foram="" agrupadas="" de="" perto,="" as="" amostras="" de="" solo="" de="" estepe="" do="" deserto,="" exceto="" ja1,="" foram="" agrupadas="" de="" perto,="" e="" as="" amostras="" de="" solo="" do="" deserto="" de="" cascalho="" foram="" agrupadas="" de="">

3.4. Triagem Diferencial do Microbioma de Três Ecótipos de C. salsa.

Os mapas de calor das abundâncias de diferentes gêneros (Figura 5a) indicaram que a abundância de gênero de amostras da estepe do deserto era diferente daquela das amostras dos outros dois ecótipos. Como mostrado nos resultados de

LEfSe (Figura 5c) e RF (Figura 5d), o mini mapa de calor à direita indica a abundância das características microbianas nos três ecótipos em nível de gênero. Os gêneros que podem representar o ecótipo deserto-estepe incluem Gillisia, Illumatobacter, Salegentibacter, Marinimicrobium, etc.

nível de gênero que pode representar o ecótipo cascalho-deserto. Os biomarcadores no ecótipo de pastagem contêm Flavisolibacter e Agromyces. Após a combinação dos resultados dos dois métodos, 11 biomarcadores foram selecionados (Tabela S4). A Figura 5b mostra o mapa de calor da abundância de 11 biomarcadores.

3.5. Rastreamento do Microbioma Central e Predição da Função Metabólica dos Três Ecótipos de C. salsa.

Um diagrama de Venn (Figura 5e) foi traçado para as OTUs obtidas de todas as amostras de solo, e os resultados mostraram que os três ecótipos compartilharam 1712 OTUs. O método de persistência foi adotado a partir da função central no microbioma do pacote R para identificar o microbioma central nos três ecótipos de C. salsa. Esse microbioma bacteriano central continha seis OTUs e correspondia a 19,64% de todo o microbioma. Com a exclusão de gêneros indefinidos e duplicados, essas OTUs foram classificadas em seis gêneros, e suas abundâncias foram desenhadas em um mapa de calor (Figura 5f).

Os resultados da previsão funcional (Figura 6, Arquivo Suplementar 2) sugeriram que as vias de metabolismo funcional dos microbiomas do solo nos três ecótipos de C. salsa eram idênticas em carboidratos e que os metabolismos de aminoácidos eram abundantes entre as vias metabólicas. O transporte de membrana e a transdução de sinal também foram abundantes no processamento de informações ambientais.

3.6.Análise de Correlação entre Comunidades Microbianas e Variáveis ​​Bioclimáticas de Três Ecótipos de C. salsa.

A análise redundante do núcleo, abundância do microbioma biomarcador e variáveis ​​bioclimáticas foi realizada em nível de gênero, e a reanálise foi realizada com base nos efeitos. A interpretação ajustada da variância foi de 32,5 por cento . A precipitação do trimestre mais quente (bio18) explicou 23,9 por cento das comunidades microbianas (p=0.07). A temperatura média do quarto mais quente (bio10) e o intervalo diurno médio (bio2) foram positivamente correlacionados com Illumatobacter e negativamente correlacionados com Bacillus (Figura 7a).

A análise de correlação foi conduzida para o núcleo, abundância do microbioma biomarcador e sete variáveis ​​bioclimáticas. Os resultados da rede de correlação (Figura 7b) revelaram que Illumatobacter e Salegentibacter (biomarcadores no deserto-estepe) foram significativamente correlacionados positivamente com o intervalo médio diurno (bio2) e temperatura média do trimestre mais quente (bio10), mas significativamente negativamente correlacionados com a altitude ( alt) e precipitação do trimestre mais quente (bio18). Ao contrário, Agromyces (biomarcador na pastagem) foi positivamente correlacionado com a altitude (alt) e precipitação do trimestre mais quente (bio18), mas foi negativamente correlacionado com a amplitude diurna média (bio2) e temperatura média do trimestre mais quente (bio10). Além disso, Arthrobacter (microbioma central) foi significativamente correlacionado negativamente com a faixa diurna média (bio2) e a temperatura média do quarto mais quente (bio10). Rubrobacter foi significativamente correlacionado positivamente com a precipitação anual (bio12).