- ogólna charakterystyka próbek gleby
- glebowe społeczności bakteryjne
- różnice biogeograficzne różnorodności bakteryjnej gleby i składu wspólnoty
- kluczowe czynniki społeczności bakteryjnych
- funkcjonowanie bakterii w glebach użytkowych i leśnych
- pH gleby jest najlepszym predyktorem społeczności bakteryjnych
- wielomianowe modele regresji ujawniły wiele odpowiedzi rzędów bakterii na pH gleby
ogólna charakterystyka próbek gleby
próbki gleby wykazały znaczące różnice w odniesieniu do tekstury gleby i właściwości edaficznych (Tabela 1, tabele materiałów uzupełniających S1 i S2). Gleby leśne były bardziej kwaśne, miały wyższy stosunek C: N i mniejszą ilość gliny niż gleby trawiaste. Próbki gleby leśnej pochodzące z różnych eksploratoriów wykazywały znaczące różnice we wszystkich zmierzonych właściwościach edaficznych. Gleby leśne Schorfheide-Chorin były bardziej kwaśne i miały wyższy stosunek C: N w porównaniu z glebami Hainich-Dün i Schwäbische Alb, które nie różniły się znacząco. Ponadto gleby leśne Schorfheide-Chorin wykazywały najniższą zawartość wody grawimetrycznej, gliny i mułu spośród wszystkich odkrywek.
próbki gleby użytkowej pochodzące z różnych eksploratoriów również wykazywały znaczące różnice między wszystkimi zmierzonymi właściwościami edaficznymi. Gleby trawiaste Hainich-Dün miały najwyższe wartości pH, najniższą zawartość wody grawimetrycznej i największą ilość mułu w porównaniu z glebami Schorfheide-Chorin i Schwäbische Alb, które nie różniły się znacząco. Gleby trawiaste Schorfheide-Chorin wykazywały najwyższy stosunek C: N i ilość piasku w porównaniu do pozostałych dwóch odkrywek. Ilość gliny była najniższa w glebach trawiastych Schorfheide-Chorin, a następnie w glebach Hainich-Dün. Najwyższe ilości glin ustalono dla gleb Schwäbische Alb. Nie odnotowano istotnych różnic w parametrach gleby pomiędzy różnymi systemami gospodarowania (ANOVA, P > 0,5 we wszystkich przypadkach).
glebowe społeczności bakteryjne
skład i różnorodność glebowych społeczności bakteryjnych oceniano poprzez sekwencjonowanie genów 16S rRNA. Po jakościowym filtrowaniu, denoizowaniu i usunięciu potencjalnych sekwencji chimer i niebakteryjnych uzyskano około 2 700 000 wysokiej jakości sekwencji o średniej długości odczytu 525 bp do dalszych analiz. Wszystkie sekwencje zostały sklasyfikowane poniżej poziomu filum. Na podstawie danych estymatora bogactwa (Michaelis-Menten fit; Materiał uzupełniający tabela S3) 78-88% operacyjnych jednostek taksonomicznych (OTUs) przy 80% tożsamości (poziom filum) i 27-55% OTUs przy 97% tożsamości (poziom species) zostało objętych badaniem (dla krzywych rozrzedzenia, patrz materiał uzupełniający Fig S1 i S2).
uzyskano sekwencje zgrupowane w 203 530 OTUs (97% tożsamości) i przypisano je do 51 FYL bakteryjnych, 574 rzędów i 1215 rodzin. Dominującymi klasami phyla i proteobakterii (>1% wszystkich sekwencji we wszystkich próbkach) były Actinobacteria (23,75% ± 8,55%), Alphaproteobacteria (20.43% ± 5,21%), Acidobacteria (18,39%% ± 9,19%), Deltaproteobacteria (7,22% ± 2,84%). Bacteroidetes (5,15% ± 2,60%), Chloroflexi (5,09% ± 2,10%), Betaproteobacteria (4,64% ± 2,38%), Gammaproteobacteria (4,32% ± 1,23%), Gemmatimonadetes (1,88% ± 0,92%), Firmicutes (1,18% ± 3,20%) i Nitrospirae (1,14% ± 1, 10%). Te grupy filogenetyczne były obecne we wszystkich próbkach i stanowiły ponad 95% wszystkich sekwencji analizowanych w tym badaniu (Fig. 1). Wyniki te są zgodne z wcześniejszymi badaniami dotyczącymi terenów trawiastych24 i umiarkowanych lasów bukowych25. Najliczniejszy filotyp (3,99% ± 2.44) jest niekulturalnym członkiem podgrupy 6 Acidobacteria. Pięć najbardziej rozpowszechnionych filotypów, które można przypisać do rodzaju, to Bradyrhizobium (2,66% ± 1,45%), Candidatus Solibacter (2,00% ± 1,86%), Haliangium (1,39% ± 0,74%), Variibacter (1,36% ± 0,58%) i Gaiella (1,34% ± 1,31%) wszystkich sekwencji, odpowiednio.
podano średnią liczebność najliczniejszych rzędów bakterii (> 1% całkowitej populacji bakterii) dla każdego badania i użytkowania gruntów. Rzadko: suma rzędów bakterii przyczyniających się <1% do całkowitej społeczności bakterii na 100%.
różnice biogeograficzne różnorodności bakteryjnej gleby i składu wspólnoty
różnorodności (reprezentowanej przez indeks Shannona H’) i struktury wspólnoty bakterii glebowych (PERMANOVA, P< 0.001) różniły się między trzema Eksploratoriami bioróżnorodności. W Hainich-Dün (H’ = 10,22) w porównaniu do Schorfheide-Chorin (h’ = 9,72) i Schwäbische Alb (H’ = 9,92). Ponadto gleby trawiaste są znacznie bardziej zróżnicowane niż gleby leśne (odpowiednio H’ = 10,12 i h’ = 9,48, z P < 0,001), co potwierdza wcześniejsze ustalenia Nacke ’ a i kolegi9, którzy stwierdzili, że społeczności bakteryjne były bardziej zróżnicowane na murawach na poziomie filum. Ponieważ próbki pochodzące z gleb leśnych były bardziej kwaśne niż próbki gleb użytkowych (P < 0,001), różnica w pH może wyjaśniać różnicę w różnorodności (Tabela 1).
większość dominujących rzędów bakterii w kompletnym zbiorze danych różniła się w ich dystrybucji w trzech eksploratoriach. Różnice te najprawdopodobniej wynikały z różnic w właściwościach edaficznych w eksploratoriach. Dlatego testowaliśmy korelację czynników środowiskowych za pomocą analizy NMDS opartej na odmienności Bray ’ a-Curtisa. Dopasowanie właściwości edaficznych do święceń ujawniło pH jako najsilniejszy czynnik napędowy wspólnoty. Dodatkowa kanoniczna analiza korespondencji (CCA) z wykorzystaniem pH jako ograniczenia wykazała, że pH wyjaśnia 26% zmian w strukturze wspólnoty (P < 0,001, dodatkowa figura S3). Dodatkowo stwierdzono podział glebowych zbiorowisk bakteryjnych według regionu pobierania próbek (PERMANOVA, p <0.001) oraz dwóch typów użytkowania gruntów: użytków zielonych i lasów (PERMANOVA, p < 0.001) (rysunek uzupełniający S4). W związku z tym interesowała nas szczegółowa analiza czynników wpływających na zmiany w strukturze społeczności bakteryjnych w każdym badaniu. Dodatkowo podzieliliśmy dane na użytki zielone i lasy ze względu na silne oddzielenie struktury wspólnotowej obu typów użytkowania gruntów.
kluczowe czynniki społeczności bakteryjnych
aby zidentyfikować kluczowe czynniki struktury społeczności bakteryjnej gleby dla każdego typu użytkowania gruntów w każdym badaniu, przeprowadziliśmy analizę NMDS dla sześciu podgrup. PH gleby było jedyną właściwością, która miała wpływ na strukturę wspólnoty w każdym podgrupie (rys. 2). Inną właściwością wpływającą na strukturę społeczności w użytkach zielonych i lasach była Tekstura gleby (ilość gliny, piasku i/lub mułu), która odzwierciedla wielkość porów, strumienie wody i gazu oraz dostępność składników odżywczych26, 27. Ponadto Tekstura gleby jest ważna dla oddzielenia nisz i ochrony przed drapieżnictwami28.
nmds wykresy oparte na Bray Curtis odmienności łąk (A,c,e) i lasów (b,d,f). Parametry środowiskowe, które są znacząco skorelowane (P < 0.05), są oznaczone strzałkami (C:N: stosunek węgla do azotu; woda: grawimetryczna zawartość wody; piasek: ilość piasku; muł: ilość mułu; glina: ilość gliny; LUI: wskaźnik intensywności użytkowania gruntów na użytkach zielonych; SMI: wskaźnik gospodarki leśnej w lasach). a) próbki użytków zielonych Schorfheide-Chorin; B) próbki leśne Schorfheide-Chorin; c) próbki użytków zielonych Hainich-Dün; d) próbki leśne Hainich-Dün; e) próbki użytków zielonych Schwäbische Alb; f) próbki leśne Schwäbische Alb. Zwróć uwagę, że osie NMDS mają różne skale dla każdej ordynacji.
w glebach użytkowych stosunek C:N wpłynął na strukturę społeczności bakteryjnej w Schwäbische Alb i Schorfheide-Chorin, ale nie w Hainich-Dün. Potwierdza to badanie oparte na PFLA dotyczące glebowych społeczności bakteryjnych, w których właściwości edaficzne, takie jak Tekstura gleby, pH oraz stężenie C I N, były zaangażowane w strukturyzację glebowych społeczności bakteryjnych10. Wskaźnik intensywności użytkowania gruntów (ang. land use intensity index, LUI) był skorelowany jedynie ze Wspólnotą Schwäbische Alb. Jednak LUI odpowiada tylko za Ilość, a nie za źródło zapłodnienia. W Schwäbische Alb większość działek otrzymywała nawóz organiczny (obornik, obornik), natomiast w Hainich-Dün i Schorfheide-Chorin nawożenie przeważało przez stosowanie nawozów mineralnych. Wyniki te potwierdzają niedawne badania, w których społeczności mikrobiologiczne gleb w systemach rolniczych otrzymujących nawóz organiczny były inne niż w konwencjonalnych systemach nawożenia mineralnego i glebach kontrolnych29. W porozumieniu z firmami Geisseler i Scow30 nie stwierdzono w naszym badaniu wyraźnych trendów sugerujących zmiany strukturalne społeczności bakteryjnych w związku z długotrwałym stosowaniem nawozów mineralnych.
w glebach leśnych gatunek drzewa był skorelowany ze strukturą społeczności bakteryjnej we wszystkich eksploratoriach, podczas gdy wskaźnik gospodarki leśnej (smi) tylko znacząco wpłynął na strukturę społeczności w Schorfheide-Chorin (Fig. 2). Gleby zbiorowiska bakteryjne pod drzewami liściastymi (Fagus i Quercus) i iglastymi (Pinus i Picea) tworzyły wyraźne wzory. Jest to zgodne z wynikami poprzednich badań9,20. Nacke et al.9 przeanalizowano podgrupę próbek gleby pochodzących z Schwäbische Alb i stwierdzono, że struktura społeczności bakteryjnej była inna Pod Bukiem (Fagus) i świerkiem (Picea). Jest to zgodne z badaniem porównującym zbiorowiska bakterii w drzewach iglastych i liściastych20. Nie zaobserwowaliśmy różnic między dwoma gatunkami drzew liściastych, chociaż różnice w strukturze społeczności glebowej między drzewami liściastymi zostały opisane dla Fagus versus Tilia i Acer31. Skutki te mogą być częściowo spowodowane zmniejszonym zakwaszaniem gleby i wyższymi wskaźnikami obrotu ściółki liściowej Tilii i Acer32. Wiadomo, że gatunki drzew iglastych, takie jak świerk (Picea abies) i sosna (Pinus sylvestris) znacznie obniżają pH gleby (recenzja w ref. 33)ze względu na specjalną strukturę chemiczną zimozielonych ściółek lub wychwytywanie kwaśnych związków atmosferycznych34. Prowadziłoby to do pośredniego wpływu pH na bakterie glebowe. Ponadto może to być jeden z powodów, dla których gatunki drzew odgrywają ważną rolę w strukturyzacji zbiorowisk bakteryjnych we wszystkich analizowanych próbkach leśnych.
zgodnie z naszą hipotezą, że struktura społeczności bakteryjnej i różnorodność będą miały podobny wpływ w ramach tego samego użytkowania gruntów, porównaliśmy różnorodność bakterii, reprezentowaną przez indeks Shannona (H’), między różnymi systemami zarządzania (tabela materiałów uzupełniających S4). W Schwäbische Alb i Schorfheide-Chorin wykryto różnice w różnorodności gatunków drzew.
Co ciekawe, reżimy gospodarowania na użytkach zielonych (łąki, pastwiska, koszone pastwiska) i lasach (Las niezarządzany, Las wiekowy, Las selekcyjny) nie wykazywały istotnego wpływu na różnorodność bakterii (PERMANOVA, P< 0.05). Jest to w przeciwieństwie do poprzedniego badania Will et al.22, którzy stwierdzili większą różnorodność bakterii w glebach trawiastych o niskiej intensywności użytkowania gruntów w Hainich-Dün. W przeciwieństwie do tego, Tardy et al.17 badało różnorodność bakterii wzdłuż gradientów intensywności użytkowania gruntów i zaobserwowało największą różnorodność bakterii w glebach umiarkowanie gospodarowanych. Autorzy sugerują, że efekt ten jest związany z reakcją bakterii na stres. W środowiskach silnie obciążonych, podobnie jak w warunkach wysokiego stopnia użytkowania gruntów, różnorodność zmniejsza się ze względu na dominację konkurencyjnych gatunków i wykluczenie konkurencyjne, podczas gdy w środowiskach nieakcentowanych różnorodność zmniejsza się ze względu na dominację przystosowanych gatunków poprzez selekcję. Zgodnie z naszą hipotezą możemy znaleźć warunki glebowe, takie jak pH, które konsekwentnie napędzają strukturę społeczności bakteryjnej, a także różnorodność, podczas gdy systemy zarządzania, a tym samym intensywność użytkowania gruntów, nie mają znaczącego wpływu. Ponadto możemy pokazać, że pH jest najlepszym predyktorem społeczności bakteryjnych.
funkcjonowanie bakterii w glebach użytkowych i leśnych
postawiliśmy dalej hipotezę, że funkcjonowanie bakterii było napędzane w podobny sposób jak struktura i różnorodność społeczności bakteryjnej. Aby wyjaśnić tę hipotezę, skupiliśmy się na szlakach zaangażowanych w cykle węgla, azotu, fosforu i siarki (rys. 3) i porównał względną obfitość kluczowych genów kodujących enzymy między dwoma użytkami ziemi, użytkami zielonymi i lasami. Obfitość genów kodujących enzym pochodzi z nowego narzędzia bioinformatycznego Taxa4Fun23. Tax4Fun przekształca Otus Silvy w profil taksonomiczny organizmów KEGG, który jest znormalizowany przez liczbę kopii 16S rRNA (uzyskaną z adnotacji genomu NCBI). Ponieważ gleby zawierają nieznane lub niekulturalne organizmy, nie wszystkie sekwencje 16S można odwzorować na organizmy KEGG. Analiza korelacji Spearmana profili funkcjonalnych pochodzących z całego sekwencjonowania metagenomu i profili dedukowanych z sekwencji genu 16S rRNA ujawniła medianę współczynnika korelacji wynoszącego 0,8706 dla gleb23. Wskazuje to na to, że Tax4Fun zapewnia dobre przybliżenie do profili funkcjonalnych uzyskanych z metod sekwencjonowania metagenomicznego. Jest to szczególnie cenne, aby wydedukować profile funkcjonalne dla dużej liczby próbek pochodzących ze złożonych środowisk, ponieważ osiągnięcie reprezentatywnego pokrycia dla każdej próbki dużej próbki ustawionej przez sekwencjonowanie metagenome byłoby trudnym zadaniem.
połączono kluczowe geny dla metabolizmu azotu, siarki i metanu, szlaków wiązania węgla, celulozy, ksylanu, ligniny i poliaromatycznego rozkładu węglowodorów (PAH), fosfatazy kwasowej i alkalicznej oraz ureazy. Ich średnia liczebność (w stosunku do średniej w kompletnym zbiorze danych) w glebach trawiastych została wykreślona w stosunku do średniej liczebności w glebach leśnych. Rozmiar i kolor okręgów wskazują średnią obfitość w kompletnym zbiorze danych. Mała obfitość: małe niebieskie koła; średnia obfitość: średnie żółte koła; duża obfitość: duże czerwone koła. Enzymy uwzględnione w analizie podano w tabeli materiałów uzupełniających S5.
większość kluczowych genów kodujących enzymy biorących udział w cyklu C, N, S I P występuje częściej w glebach trawiastych lub leśnych (test Manna-Whitneya, p< 0.05, tabela materiałów uzupełniających S5). Na przykład geny kodujące fosfatazy kwaśne obserwowano w 1.4-krotnie większe obficie w profilu funkcjonalnym gleb leśnych niż w glebach użytkowych, natomiast fosfatazy alkaliczne wykazywały odwrotną tendencję. Zakładamy, że efekt ten można przypisać różnicy pH między rodzajami użytkowania gruntów, ponieważ wykazaliśmy, że pH jest najlepszym wskaźnikiem dla społeczności bakteryjnych. Geny kodujące ureazę były 1,2-krotnie obfite w łąkach. Dostępność mocznika była większa w próbkach użytków zielonych, ponieważ są one częściowo nawożone obornikiem lub gnojowicą lub były wypasane przez zwierzęta. Geny chitinazy również wykazały 1.2-krotnie większa liczebność na użytkach zielonych w porównaniu z glebami leśnymi. Może to wynikać z większej obfitości Aktynobakterii w glebach trawiastych, ponieważ wiadomo, że ta grupa zawiera dużą liczbę genów chitynazy35. Geny biorące udział w poliaromatycznej degradacji węglowodorów (PAH, tu lignina) występują częściej na terenach trawiastych. W układach leśnych proces ten jest przeprowadzany głównie przez grzyby ligninolityczne (głównie saprotroficzne podstawczaki), które są zdolne do degradacji biomasy drewnianej36. Jeden kluczowy enzym tlenowego utleniania metanu, dehydrogenaza metanolowa, był znacznie bardziej obfity w glebach leśnych. Utlenianie metanu w glebach leśnych jest największym biologicznym pochłaniaczem metanu atmosferycznego4 i dlatego odgrywa kluczową rolę w strumieniu tego gazu cieplarnianego. Dodatkowo, reduktaza podtlenku azotu (N2O), która katalizuje ostatni etap denitryfikacji i redukuje N2O do N2, jest również bardziej obfita w glebach leśnych (dane nie pokazane). Wyniki te wskazują, że ekosystemy leśne strefy umiarkowanej odgrywają nie tylko kluczową rolę w regulacji i usuwaniu metanu, ale także gazu cieplarnianego podtlenku azotu.
Co ciekawe, kluczowy enzym wiązania azotu, nitrogenaza, jest mniej obfity w użytkach zielonych niż w glebach leśnych. W badaniu tym próbki pobrano tylko z gleby, a zatem prawdopodobnie tylko wolno żyjące bakterie utrwalające azot mogły zostać wykryte. Możliwe, że wiązanie azotu przez wolne bakterie odgrywa większą rolę w systemach leśnych, podczas gdy bakterie symbiotyczne i kłączosferyczne, które nie zostały objęte badaniem, pełnią główną rolę w wiązaniu azotu w systemach trawiastych.
uzyskane wyniki sugerują, że różne zastosowania użytków zielonych i lasów wybierają nie tylko różne populacje bakterii, ale także specyficzne cechy funkcjonalne w obrębie ich społeczności bakteryjnych. Ponieważ łąki i lasy analizowane w niniejszym badaniu są systemami długofalowo ustalonymi, warto byłoby ocenić, czy podobna adaptacja występuje również w młodszych systemach.
pH gleby jest najlepszym predyktorem społeczności bakteryjnych
w niniejszym badaniu pH było jedynym czynnikiem, który wpływał na społeczność bakteryjną niezależnie od eksploracji i użytkowania gruntów. Ponadto wpłynęło to nie tylko na strukturę społeczności bakteryjnej, ale także na profil funkcjonalny bakterii glebowych. Jak już wspomniano, analiza CCA wykazała, że pH wyjaśnia 26% całkowitej wariancji w profilu wspólnotowym (dodatkowa wartość S3). Tym samym pH było najsilniejszym wskaźnikiem struktury społeczności bakteryjnej.
postawiliśmy hipotezę, że struktura i funkcjonowanie społeczności bakteryjnej będą kształtowane w podobny sposób. Korelacje środowiskowe z profilem funkcjonalnym opartym na tax4fun zostały przetestowane przez NMDS w oparciu o odmienności Bray ’ a-Curtisa (Fig. 4). Wyniki są podobne do wyników uzyskanych dla struktury wspólnoty. PH odegrało ważną rolę w kształtowaniu profilu Funkcjonalnego i wyjaśniało 32% wariancji (testowane przez CCA, p < 0,001, rysunek uzupełniający S5). Potwierdza to naszą hipotezę, że struktura i funkcje społeczności bakteryjnych kształtowane są przez podobne mechanizmy. Profil funkcjonalny wykazał również oddzielenie systemów użytków zielonych i leśnych.
statystycznie istotne korelacje właściwości gleby (C:N: stosunek węgla do azotu; woda: grawimetryczna zawartość wody; piasek: ilość piasku; muł: ilość mułu; glina: ilość gliny) i wskaźnik Shannona (H’) wskazywano strzałkami. Próbki gleby użytkowej są reprezentowane przez brązowe kwadraty, próbki leśne przez zielone Trójkąty. Próbki z różnych regionów wyróżnia cieniowanie kolorów (SEG: Schorfheide-Chorin grassland; SEW: Schorfheide-Chorin forest; HEG: Hainich-Dün grassland; HEW: Hainich-Dün forest; AEG: Schwäbische Alb grassland; AEW: Schwäbische Alb forest).
dodatkowo odkryliśmy, że pH jest najsilniejszym wskaźnikiem różnorodności bakterii glebowych (P< 0,001, R2 = 0.4) (rys. 5). Wykazano już,że różnorodność glebowych społeczności bakteryjnych w eksploratoriach jest pozytywnie skorelowana z pH9, 22. Jednak nasze wyniki wskazują na bardziej złożony związek między pH a różnorodnością. Różnorodność była najniższa przy niskim pH, następnie wzrosła i wydawała się stabilna między pH 5 a 7 i ponownie wzrasta w Warunkach lekko zasadowych. Jest to w przeciwieństwie do Fierer i Jackson7 i Lauber et al.8, który opisał szczyt różnorodności bakteryjnej gleby w glebach niemal neutralnych.
punkty wskazują obserwowane wskaźniki Shannona dla każdej próbki, podczas gdy linia reprezentuje nieliniową regresję kubitu dopasowaną do danych (skorygowana R2 = 0,5337, P < 0, 001).
wielomianowe modele regresji ujawniły wiele odpowiedzi rzędów bakterii na pH gleby
aby lepiej zrozumieć złożony związek pojedynczych grup bakterii i pH gleby, zastosowaliśmy wielomianowe modele regresji na 30 najliczniejszych rzędach zbioru danych (materiał uzupełniający rysunek S6). Obserwowano cztery ogólne reakcje: (1) zmniejszenie liczebności wraz ze wzrostem pH (Acidobacteriales, podgrupa acidobacterial 3, Frankiales, Corynebacteriales), (2) zwiększenie liczebności wraz ze wzrostem pH (podgrupa acidobacterial 6, Gaiellales, Acidimicrobiales, Propionibacteriales), (3) wąski zakres pH z wysoką liczebnością (Rhizobiales, Rhodospirillales) oraz (4) stosunkowo stała liczebność w całym zakresie pH (Bacillales, Gemmatimonadales, Sphingobacteriales). (rys. 6). W swojej publikacji na temat teorii niszowej Austin i Smith37 opisali pH jako bezpośredni gradient fizjologiczny działający na organizmy, skutkujący unimodalnymi lub przekrzywionymi unimodalnymi krzywymi odpowiedzi ograniczonymi warunkami ograniczającymi wzrost na jednym końcu i konkurencją na drugim końcu. Potwierdza to nasza obserwacja kilku bardzo obfitych rzędów przy niskim pH i wielu mniej obfitych rzędów na glebach zbliżonych do neutralnych. Zdolność do wzrostu przy niskich wartościach pH jest znana jako ATR (Acid tolerance response) i zapewnia przewagę konkurencyjną w porównaniu z innymi bakteriami w glebach.
każda linia reprezentuje przewidywane zmiany obfitości wzdłuż zmierzonego gradientu pH, na podstawie prognoz pochodzących z wielomianowych modeli regresji. Szczegółowa wersja tego wykresu zawierająca 30 najliczniejszych zamówień jest dostępna jako materiał uzupełniający rysunek S4.
aby sprawdzić, które mechanizmy są zaangażowane w tolerancję kwasową bakterii glebowych, wybraliśmy te geny, które miały udział w tolerancji kwasowej w bakteriach Rhizobia38 i Gram dodatnich39, które były obecne w profilu funkcjonalnym. Dodatkowo przeanalizowano geny obecne w szlaku KEGG do biosyntezy nienasyconych kwasów tłuszczowych (ko01040) oraz izomerazę 3-trans-2-decenoilową. Enzym ten bierze udział w wytwarzaniu nienasyconych kwasów tłuszczowych i wykazano, że zwiększa tolerancję na kwasy u Streptococcus mutans poprzez zmianę składu błony komórkowej40. Odkryliśmy, że geny biosyntezy nienasyconych kwasów tłuszczowych były bardzo obfite w próbkach o niskim pH (pH 3-4), podczas gdy izomeraza decenoilowa nie podążała za tym trendem (Fig. 7). W związku z tym gen ten może nie być ogólnie zaangażowany w tolerancję na kwasy w glebie. Ponadto większość genów biorących udział w produkcji alkaliów, układach dwuskładnikowych i naprawie makrocząsteczek była bardziej obfita w próbkach o niskim pH w porównaniu z próbkami bardziej neutralnymi. Kilka genów zaangażowanych w naprawę DNA było prawdopodobnie również zaangażowanych w ATR bakterii zamieszkujących glebę, a także lewansukraza, Gen zaangażowany w tworzenie biofilmu. Nasze wyniki sugerują, że bakterie mogą zastosować aktywny mechanizm radzenia sobie ze stresującymi warunkami pH. Produkcja alkaliów zwiększa pH w bezpośrednim otoczeniu, zwiększając szanse przetrwania bakterii. Dodatkowo, naprawa makrocząsteczek-enzymy chronią i naprawiają DNA i białka, a bakterie wydają się zwiększać tolerancję pH poprzez zmianę ich składników ściany komórkowej lub chronią się w biofilmach.
pokazane są tylko geny z ortologami KEGG i obecne w profilu funkcjonalnym. Uwzględniono szlak KEGG do biosyntezy nienasyconych kwasów tłuszczowych, również na podstawie genów z ortologami KEGG w profilu funkcjonalnym. Biały: niska względna obfitość; żółty: średnia względna obfitość; czerwony: wysoka względna obfitość.