بخش 1 افشای تأثیر محیط بر سالسا سیستانچ: از منطقه‌بندی اکولوژیکی جهانی تا ویژگی‌های جامعه میکروبی خاک

چکیده:برای درک رابطه نظارتی بین محیط زیست وسالسا سیستانچ، در اینجا روش های ابعاد کلان و خرد را ادغام کردیم. از دیدگاه کلان، مدل MaxEnt نشان داد که کشورهایی که در امتداد طرح کمربند و جاده قرار دارند، مانند چین، مصر و لیبی، به ویژه برای رشد اقتصادی مناسب هستند.C. سالسااز دوران باستان (آخرین حداکثر یخبندان و اواسط هولوسن) تا آینده (2050 و 2070). آزمایش جک نایف نشان داد که بارش یک عامل اکولوژیکی مهم است که بر توزیع C. salsa تأثیر می گذارد. از دیدگاه کلان، داده‌های توالی‌یابی آمپلیکون 16S rRNA نشان داد که جوامع میکروبی خاک سه اکوتیپ (صحرا-استپ، علفزار، و شن-بیابان) به طور قابل‌توجهی متفاوت هستند (001/0p<). تجزیه="" و="" تحلیل="" میکروبیوم="" هسته="" نشان="" داد="" که="" جنس="" های="" باکتریایی="" arthrobacter،="" sphingomonas="" و="" bacillus="" تاکسون="" های="" هسته="" ای="" غنی="" شده="">سی. سالسا. LEfSe و جنگل تصادفی برای حفاری Gillisia (استپ بیابانی)، Flavisolibacter (علفزار)، و Variibacter استفاده شد.(شن-کویر) به عنوان نشانگرهای زیستی که می توانند جوامع میکروبی را از سه اکوتیپ متمایز کنند. نمایه پیش بینی نشان داد که عملکرد متابولیک جامعه میکروبی در مسیرهای متابولیک و پردازش اطلاعات محیطی غنی شده است. آنالیزهای همبستگی نشان داد که ارتفاع، بارش گرمترین محله (bio18)، میانگین محدوده روزانه (bio2)، و میانگین دمای گرمترین محله (bio10) عوامل اکولوژیکی مهمی هستند که بر ترکیب جوامع میکروبی خاک تأثیر می‌گذارند. این کار بینش جدیدی را در مورد رابطه نظارتی بین توزیع مناسب ارائه کردC. سالسا، جوامع میکروبی خاک و محرک های اکولوژیکی. علاوه بر این، درک تعامل بین گیاهان بیابانی و عوامل اکولوژیکی در محیط‌های خشک را عمیق‌تر کرد.

کلید واژه ها:سالسا سیستانچ، MaxEnt، توالی آمپلیکون 16S rRNA، جامعه میکروبی خاک، اثرات زیست محیطی.

Cistanche deserticola اثرات زیادی دارد، برای اطلاعات بیشتر اینجا را کلیک کنید

برای اطلاعات بیشتر لطفا تماس بگیرید:Joanna.jia@wecistanche.com

1. مقدمه

ارزش اقتصادی گیاهان دارویی در سال های اخیر با توسعه جهانی و استفاده از گیاهان طبیعی به سرعت افزایش یافته است. ساقه گوشتیسالسا سیستانچیک اندام گیاهی خوراکی و دارویی است که معمولاً به‌عنوان مقوی کلیه، تقویت‌کننده غرایز جنسی، درمان ضد پیری و آنتی اکسیدان، ملین روده، درمان محافظت از کبد و درمان ضد تشعشع استفاده می‌شود. مطالعات فیتوشیمیایی مدرن بر روی C. salsa منجر به شناسایی و جداسازی مقادیر قابل توجهی از ترکیبات فعال زیستی مانند گلیکوزیدهای فنیل اتانوئیدی، ایریدوئیدها، آلدیتول ها و لیگنین شده است که دارای ارزش های پزشکی و خوراکی مهمی هستند.1 با توسعه سریع بازار برای دارو و غذاهای سالم، تقاضا برایC. سالسابه شدت افزایش یافته و با بهره برداری بیش از حد و غارت منابع وحشی همراه است. بنابراین، معرفی و کشت مصنوعی در مقیاس بزرگC. سالسابه یک اقدام مهم برای حفاظت از منابع وحشی و کندی بیابان‌زایی اکولوژیکی تبدیل شده‌اند. با این حال، تحقیق در مورد کشت مصنوعیC. سالسامحدود باقی می ماند.

محیط تأثیر زیادی بر رشد و نمو C. salsa دارد. گیاهان در محیط‌های مختلف رشد می‌کنند و اکوتیپ‌های متفاوتی را تشکیل می‌دهند که تغییرات قابل‌توجهی در ترکیبات غیرفعال و بیان ژن از خود نشان می‌دهند. نور، بارندگی، و انواع خاک همگی بر رشد گیاه و مواد موثره آن تأثیر دارند. مطالعه برهمکنش بین محیط و گیاهان و توصیف جامع اکوتیپ‌های مختلف گیاهان برای انتخاب و کشت گیاهان بسیار مفید است. از دیدگاه کلان، گیاهان می توانند تأثیر قابل توجهی بر ارگانیسم های خاک داشته باشند، حتی اگر از طریق ریشه های خود با سیستم خاک تماس مستقیم نداشته یا کمی داشته باشند. محیط زیست، از جمله عوامل آب و هوایی و جامعه میکروبی خاک، هنوز نامشخص است.

مدل توزیع گونه (SDM) یک مدل آماری است که با استفاده از داده‌های پراکنش گونه‌های موجود و متغیرهای محیطی برای استنباط نیازهای اکولوژیکی گونه‌ها و پیش‌بینی مناطق پراکنش بالقوه آن‌ها ایجاد شده است. تعیین محیط مناسب برای گیاهان دارویی و حفاظت علمی و رشد گیاهان در معرض خطر

توالی آمپلیکون 16S rRNA نمونه های خاک ریزوسفر گیاهی برای کشف تنوع جوامع میکروبی انجام شده است و بینش جدیدی در مورد رابطه بین گیاهان و جوامع میکروبی خاک ارائه می دهد.

در این تحقیق به بررسی رابطه بین محیط وC. سالسااز ابعاد کلان و خرد موارد زیر را انجام دادیم. (1) ما از مدل MaxEnt برای پیش بینی مناطق رشد مناسب جهانی استفاده کردیمC. سالسااز دوران باستان تا آینده (پنج دوره: آخرین حداکثر یخبندان [LGM]، اواسط هولوسن [MH]، اکنون، 2050 و 2070) و مناطق مناسب سطوح مختلف و میزان مشارکت و دامنه متغیرهای زیست اقلیمی را که بر توزیع ازسی. سالسا.(2) در ترکیب با کار میدانی، ما سه اکوتیپ (استپ صحرایی، علفزار، و شن-کویر) نمونه خاک را از بهترین منطقه رشد (تاچنگ و سین کیانگ) جمع آوری کردیم.

C. سالسا. ما توالی آمپلیکون 16S rRNA را برای کشف ویژگی‌های جوامع میکروبی خاک انجام دادیم. ما همچنین تفاوت‌های موجود در میکروبیوم‌های خاک را در سه اکوتیپ مقایسه کردیم و میکروبیوم‌های اصلی و نشانگرهای زیستی را تعیین کردیم که می‌توانند بین سه اکوتیپ تمایز قائل شوند. (3) ما تجزیه و تحلیل همبستگی و تجزیه و تحلیل اضافی را بر اساس فراوانی میکروبیوم های اصلی، نشانگرهای زیستی و متغیرهای زیست اقلیمی انجام دادیم تا رابطه تنظیمی بین را بررسی کنیم.C. سالساو محیط زیست

سیستانچاثرات زیادی در رفع خستگی دارد

2. مواد و روش ها

2.1. مدلسازی طاقچه اکولوژیکی.

در این تحقیق از پنج منبع برای جستجوی سایت های حاضر استفاده شدC. سالسادر سراسر جهان: (1) GBIF ; (3) زیرساخت اطلاعات نمونه ملی (4) ادبیات منتشر شده. و (5) کار میدانی. داده‌های نمونه بدون طول و عرض جغرافیایی بر اساس جست‌وجوی طول و عرض جغرافیایی نقشه آنلاین بود. روش تحلیل بافر برای تصحیح و فیلتر کردن نقاط توزیع به‌دست‌آمده برای حذف اثر شبیه‌سازی بیش از حد ناشی از یک همبستگی فضایی زیاد استفاده شد. وضوح مکانی متغیرهای زیست اقلیم 2.5 قوس در دقیقه (حدود 4.5 کیلومتر مربع) و فاصله بافر روی 3 کیلومتر تنظیم شد. تنها یک نقطه توزیع زمانی که فاصله بین نقاط توزیع کمتر از 3 کیلومتر بود حفظ شد. پس از حذف نقاط تکراری، 76 مورد، که همگی از منطقه تولید واقعی C. salsa بودند، جمع آوری و برای تجزیه و تحلیل مورد استفاده قرار گرفتند (شکل 1a، فایل تکمیلی 1).

ما از 19 متغیر زیست اقلیمی WorldClim به عنوان پیش بینی کننده های محیطی استفاده کردیم. داده‌های متغیرهای زیست‌اقلیمی حاضر این مطالعه از داده‌های پایش پایگاه‌داده WorldClim نسخه 1.418 طی سال‌های 1960-1990 با وضوح 2.5 قوس-دقیقه جمع‌آوری شد. متغیرهای زیست اقلیم باستانی (LGM و MH) و آینده (2050 آینده و 2070 آینده) موجود در WorldClim نسخه 1.4 با وضوح 2.5 دقیقه قوس به عنوان پیش بینی کننده مدل های توزیع گونه ها به کار گرفته شدند. برای جلوگیری از چند خطی، یک تحلیل همبستگی روی نقاط پس‌زمینه انجام دادیم و یکی از متغیرهای هر جفت را با پیرسون حذف کردیم.

مقدار همبستگی > 0.819 (شکل S1). هشت متغیر زیست اقلیمی که در نهایت در مدل ها گنجانده شده اند عبارتند از: میانگین محدوده روزانه (bio2)، میانگین دمای مرطوب ترین سه ماهه (bio8)، میانگین دمای خشک ترین سه ماهه (bio9)، میانگین دمای گرم ترین سه ماهه (bio10). ، بارش سالانه (bio12)، بارش خشک ترین سه ماهه (bio17)، بارش گرم ترین سه ماهه (bio18) و بارش سردترین سه ماهه (bio19).

ما از بسته نرم‌افزاری منبع باز مدل حداکثر آنتروپی (MaxEnt v.3.4.0) استفاده کردیم که می‌توان آن را دانلود کرد تا یک مدل توزیع گونه برای ساختC. سالسا. پارامترهای زیر در تنظیمات اولیه استفاده شد: دانه تصادفی و درصد آزمایش تصادفی 25 و 10 تکرار. با قرار دادن درصد آزمون تصادفی روی 25 درصد، 75 درصد از نقاط توزیع مجموعه آموزشی را به صورت تصادفی انتخاب کردیم. با تنظیم تعداد تکرارها به 10، مدل را 10 بار با تنظیمات یکسان اجرا کردیم و خروجی همه اجراها را میانگین گرفتیم تا نتیجه نهایی را به دست آوریم. از ناحیه زیر منحنی اپراتور دریافت کننده (AUC) برای ارزیابی خوب بودن مدل استفاده شد و مدل با بالاترین مقدار AUC به عنوان بهترین عملکرد در نظر گرفته شد. برای ارزیابی اهمیت متغیرها از روش jackknife استفاده شد. منحنی های پاسخ برای به دست آوردن محدوده متغیرهای زیست اقلیم استفاده شد.

ArcGIS برای تجزیه و تحلیل متغیرهای زیست اقلیمی موثر بر توزیع C. salsa و طبقه بندی و محاسبه منطقه مناسب برای تولید استفاده شد.

2.2. گردآوری و شرح نمونه خاک. C. سالسا

به طور طبیعی در سه اکوتیپ شن-بیابانی، علفزار، و بیابانی-استپی توزیع شده است. در آوریل 2017، ما نمونه‌های ساقه گوشتی و خاک را که نشان دهنده اکوتیپ‌های اصلی C. salsa در تاچنگ، سین کیانگ، چین بودند، جمع‌آوری کردیم (شکل 1b، جدول 1). نمونه‌های بیابان شن از هجیائوکه، شهرستان تولی (HJ1، HJ2، و HJ3) جمع‌آوری شد. نمونه های علفزار از شهرستان یومین (YM1، YM2، YM3، و YM4) جمع آوری شد. نمونه های بیابانی- استپی از جیانگ آلهان (JA1، JA2، JA3، JA4، JA5، و JA6) جمع آوری شد. نمونه‌های خاکی که ما جمع‌آوری کردیم همه از خاک روی سطح C. salsa و محل انگلی میزبان آن هستند. نمونه های کوپن با

شماره‌های کوپن از 20170510079-DT تا 20170510091-DT در هرباریوم مؤسسه توسعه گیاهان دارویی در آکادمی علوم پزشکی چین در پکن، چین سپرده شد. پس از تمیز کردن، بافت‌های ساقه ساکولنت به قطعات کوچک بریده شدند، بلافاصله در نیتروژن مایع منجمد شدند و سپس در دمای 80- درجه تا پردازش بعدی نگهداری شدند. هسته های خاک در عمق 20 سانتی متری با استفاده از آن برداشته شد

یک مته استوانه ای فولادی ضد زنگ با قطر 5 سانتی متر و سپس در دمای 20- درجه در یخچال قابل حمل نگهداری می شود. پس از انتقال به آزمایشگاه، نمونه‌های خاک از یک الک 2 میلی‌متری عبور داده شدند تا بافت‌های گیاهی، ریشه‌ها، سنگ‌ها و بقایای دیگر حذف شوند و سپس در دمای 20- درجه قبل از آزمایش‌های بعدی در یخچال نگهداری شدند.

2.3. استخراج DNA و توالی یابی 16S rRNA.

DNA خاک با استفاده از کیت جداسازی DNA PowerSoil (MoBio Laboratories, Carlsbad, CA) مطابق با کتابچه راهنمای کاربر استخراج شد. خلوص و کیفیت DNA ژنومی روی ژل آگارز {0}.8 درصد بررسی شد. ناحیه فوق متغیر V3-4 ژن 16S rRNA باکتریایی با آغازگرهای 338F (ACTCCTACGGGAGGCAGCAG) و 806R (GGACTACHVGGGTWTCTAAT) تکثیر شد.21 برای هر نمونه خاک، بارکد 5 رقمی 10- به دنباله اضافه شد. انتهای پرایمرهای رو به جلو و معکوس (شرکت Allwegene، پکن). PCR بر روی Mastercycler Gradient (Eppendorf، آلمان) با استفاده از حجم واکنش 25 میکرولیتری حاوی 12.5 میکرولیتر KAPA 2G Robust HotStart ReadyMix، 1 میکرولیتر پرایمر فورواردینگ (5 میکرومولار)، 1 میکرولیتر پرایمر معکوس (5 میکرومولار)، 5 میکرولیتر انجام شد. DNA (مقدار کل الگو 30 نانوگرم است)، و 5.5 میکرولیتر H2O. پارامترهای دوچرخه سواری به شرح زیر بود: 95 درجه برای 5 دقیقه، به دنبال آن 28 چرخه 95 درجه برای 45 ثانیه، 55 درجه برای 50 ثانیه، و 72 درجه برای 45 ثانیه، با گسترش نهایی در 72 درجه به مدت 10 دقیقه. سه محصول PCR در هر نمونه برای کاهش تعصبات PCR در سطح واکنش ترکیب شدند. محصولات PCR با استفاده از کیت استخراج ژل QIAquick (QIAGEN، آلمان) خالص سازی شدند و سپس با استفاده از PCR زمان واقعی اندازه گیری شدند. توالی یابی عمیق بر روی پلت فرم MiSeq توسط شرکت Allwegene (پکن) انجام شد. پس از اجرا، تجزیه و تحلیل تصویر، فراخوانی پایه و تخمین خطا با استفاده از Illumina Analysis Pipeline نسخه 2.6 انجام شد.

2.4. تجزیه و تحلیل داده های توالی یابی آمپلیکون 16S rRNA.

تمام داده های توالی یابی به بایگانی کوتاه NCBI (SRA) تحت SRA ارسال SUB7456{9}}02 ارسال شد. داده‌های خام ابتدا غربال‌گری شدند و توالی‌ها بر اساس ملاحظات زیر حذف شدند: توالی‌های کوتاه‌تر از 200 جفت باز با امتیاز با کیفیت پایین (کمتر یا مساوی 20) و حاوی پایه‌های مبهم یا عدم تطابق توالی آغازگر و برچسب‌های بارکد. قرائت های واجد شرایط با استفاده از توالی های بارکد مخصوص نمونه جدا شده و با Illumina Analysis Pipeline نسخه 2.6 بریده شدند. سپس مجموعه داده ها با استفاده از QIIME مورد تجزیه و تحلیل قرار گرفت. توالی ها در واحدهای طبقه بندی عملیاتی (OTUs) در سطح شباهت 97 درصد 22 برای تولید منحنی های نادر و محاسبه شاخص های غنا و تنوع خوشه بندی شدند. ابزار طبقه‌بندی پروژه پایگاه داده ریبوزومی برای طبقه‌بندی تمام توالی‌ها در گروه‌های طبقه‌بندی مختلف، که در آن آستانه اطمینان روی 0.7.23 تنظیم شده است، استفاده شد. شباهت بین نمونه‌های مختلف. 24 ماتریس فواصل UniFrac بین جوامع میکروبی از هر نمونه با استفاده از ضریب Tayc محاسبه شد و به‌عنوان یک روش زوج گروهی وزن‌نشده با درخت خوشه‌بندی میانگین حسابی نشان داده شد که شباهت ({17}) شباهت را توصیف می‌کند. چندین نمونه. 25 یک فایل درختی با فرمت Newick نیز از طریق این تجزیه و تحلیل تولید شد. تنوع آلفا برای تجزیه و تحلیل پیچیدگی تنوع گونه ای برای یک نمونه با استفاده از چهار شاخص، یعنی Chao1، گونه های مشاهده شده، و شانون و فیشر استفاده شد.

شاخص های تنوع این شاخص‌ها با استفاده از نرم‌افزار QIIME (Boulder، CO، USA) در پایتون (نسخه 1.8.{2}}) (La Jolla، CA، USA) محاسبه شدند.26 تجزیه و تحلیل تنوع بتا برای ارزیابی تفاوت‌ها در نمونه‌ها از نظر پیچیدگی گونه تنوع بتا با استفاده از تحلیل مختصات اصلی (PCoA) و آنالیز خوشه‌ای در QIIME محاسبه شد. تجزیه و تحلیل واریانس مولکولی (AMOVA) با استفاده از مادر انجام شد. آزمون کروسکال-والیس برای محاسبه تفاوت OTU بین گروه‌ها (p-value) استفاده شد.<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.="">

روش تجزیه و تحلیل تشخیص خطی (LDA) و جنگل تصادفی (RF) در وب سایت MicrobiomeAnalyst برای تعیین نشانگرهای زیستی میکروبیوم استفاده شد. یک آزمون مجموع رتبه فاکتوریل ناپارامتری کروسکال-والیس برای اولین بار برای شناسایی ویژگی هایی با فراوانی تفاضلی قابل توجه با توجه به عامل تجربی یا کلاس مورد علاقه انجام شد. در مرحله بعد، LDA (آستانه روی 2 تنظیم شده است) برای محاسبه اندازه اثر هر یک از ویژگی های فراوان انجام شد. ویژگی ها بر اساس p-value تعدیل شده، مهم در نظر گرفته شدند. برش مقدار p تنظیم شده پیش‌فرض 0.05 بود. تجزیه و تحلیل RF با استفاده از randomForest package5 انجام شد. این روش از مجموعه ای از درختان طبقه بندی استفاده می کند که هر یک از آنها از طریق انتخاب تصادفی ویژگی از یک نمونه راه انداز در هر شاخه رشد می کنند.

Tax4Fun (بسته R، http://tax4fun.gobics.de/) برای پیش‌بینی مشخصات عملکردی میکروبی میکروبیوم‌ها در نمونه‌های خاک استفاده شد. جدول OTU Biom میکروبیوم خاک به عنوان یک فایل ورودی برای تعیین متاژنوم نمونه های خاک C. salsa استفاده شد. سپس فراوانی کلاس ژن پیش بینی شده در گروه KEGG Orthology (KO) سطح 3 مورد تجزیه و تحلیل قرار گرفت. نتایج Tax4Fun در Doby (بسته R) آنالیز شد.

2.5. تجزیه و تحلیل همبستگی جوامع میکروبی کلیدی و عوامل زیست اقلیمی.

ما از ArcGIS برای استخراج عددی فاکتورهای زیست اقلیمی کلیدی از 13 نقطه نمونه برداری خاک استفاده کردیم. تجزیه و تحلیل افزونگی جنسهای کلیدی جوامع میکروبی (پنج نشانگر زیستی، پنج میکروبیوم اصلی) و عوامل زیست اقلیم با استفاده از

نرم افزار Canoco 5. تبدیل داده های Log2 به طور یکنواخت قبل از تجزیه و تحلیل انجام شد. ضرایب همبستگی اسپیرمن برای فراوانی پنج نشانگر زیستی، پنج میکروبیوم هسته و ادغام داده‌های فاکتور زیست‌اقلیمی با استفاده از SPSS محاسبه شد. نتایج آنالیز همبستگی با استفاده از نقشه پیت (بسته R) ترسیم شد.

سیستانچمی تواند در برابر پیری مقاومت کند

3. نتایج

پیش‌بینی تغییر توزیع جهانی C. salsa در دوره‌های مختلف. ROC محاسبه شده نشان داد

که مقدار AUC {{0}}.977 بود (شکل S2)، که نشان می‌دهد مدل به خوبی با داده‌ها مطابقت دارد. ) در شکل 2 و جدول 2 نشان داده شده است. C. تناسب رشد سالسا بر اساس آستانه آماری به پنج دسته تقسیم شد: نامناسب (کلاس 5: 0-20 درصد)، حاشیه ای (کلاس 4: 20-50 درصد)، منصفانه (کلاس 3: 50-75 درصد)، خوب (کلاس 2: 75-

90 درصد) و عالی (کلاس 1: 90-100 درصد). این مقاله فقط مناطق پراکنش مناسب برای کلاس 1، کلاس 2 و کلاس 3 را مورد بحث قرار می دهد. پراکنش های بالقوه فعلی C. salsa نشان می دهد که این گونه به طور گسترده در سه منطقه آب و هوایی پراکنده شده است: آب و هوای معتدل بیابانی، آب و هوای نیمه گرمسیری مدیترانه، و صحرای استوایی. مناطق آب و هوایی تمام قاره ها، به جز قطب جنوب، دارای مناطقی هستند که برای C. salsa مناسب بودند. این مناطق عمدتاً در آسیای مرکزی و غربی و شمال آفریقا پراکنده بودند و در مرکز و غرب آمریکای شمالی، مرکز آمریکای جنوبی و غرب اقیانوسیه پراکنده بودند. مناطق مناسب عالی (کلاس 1) بیشترین توزیع را در مصر داشتند (76 750 کیلومتر مربع)، در حالی که مناطق مناسب خوب (کلاس 2) و منصفانه (کلاس 3) بیشترین توزیع را در چین داشتند (کلاس 2: {{ 13}} کیلومتر مربع و کلاس 3: 1 024 600 کیلومتر مربع). مناطق مناسب از نظر زیست محیطی در آسیا عمدتاً به چین (کلاس 1: 45 775 کیلومتر مربع)، اردن (کلاس 1: 16 075 کیلومتر مربع)، اسرائیل (کلاس 1: 14 975 کیلومتر مربع)، عربستان سعودی (کلاس 1: 14 975 کیلومتر مربع) محدود شده است. عربستان (کلاس 1: 14 925 کیلومتر مربع)، و ایران (کلاس 1: 12 600 کیلومتر مربع). مناطق مناسب C. salsa در آفریقا عمدتاً در مصر، لیبی (کلاس 1: 34 400 کیلومتر مربع) و تونس (کلاس 1: 275 کیلومتر مربع) توزیع شده است. مناطق مناسب برای C. salsa در آمریکای جنوبی عمدتاً در شیلی توزیع شده است (کلاس 1: 16 550 کیلومتر مربع).

از منظر فضایی (شکل 2)، روند تغییر منطقه ای مناسب برای پنج دوره ابتدا افزایش یافته و سپس با بزرگترین منطقه در سال 2050 کاهش یافته است (شکل 3a، شکل S3). ما شاهد کاهش زیادی در ناحیه مناسب C. salsa در LGM نسبت به آن در چهار دوره دیگر بودیم. در مقایسه با کنونی (4 358 775 کیلومتر مربع)، مناطق مناسب 50 درصد ({7}} کیلومتر مربع) در دوره LGM، 10 درصد (MH: 3 910 350 کیلومتر مربع) در دوره MH کاهش یافته است. و 1 درصد ({13}} کیلومتر مربع) در دوره 2070 و 2 درصد (4 428 950 کیلومتر مربع) در دوره 2050 افزایش یافته است. قابل توجه است که از زمان حال تا آینده (از 1960 تا 2080)، منطقه عالی (کلاس 1) برای C. salsa به تدریج کاهش یافت (اکنون، 243 200 کیلومتر مربع؛ 2050، 232 425 کیلومتر مربع؛ 2070، { {29}} کیلومتر مربع).

سیستانچعصاره بسیاری داردسلامتیفواید

3.2. پیش بینی مناطق توزیع مناسب C. salsa در چین و محدوده متغیرهای بیوکلیماتیک.

نواحی مناسب برای رشد C. salsa در چین عمدتاً به شمال غربی سین کیانگ، مرکزی مغولستان داخلی، شمال شانشی، شمال شانشی، شمال شرقی چینگهای، شمال گانسو و بیشتر نینگ شیا محدود بود (شکل 2b). مناسب‌ترین مناطق در چین عمدتاً در سین‌کیانگ توزیع شده‌اند که منطقه عالی (کلاس 1) 23 650 کیلومتر مربع را پوشش می‌دهد، منطقه خوب (کلاس)

2) مساحت 220 950 کیلومتر مربع، و منطقه نمایشگاهی (کلاس 3) مسافت 189 975 کیلومتر مربع را پوشش می‌دهد. در میان مناطق خوب (کلاس 2)، سین کیانگ 60.99 درصد را به خود اختصاص داده است و پس از آن مغولستان داخلی (86 300 کیلومتر مربع) و گانسو (24 450 کیلومتر مربع) به ترتیب با 23.82 درصد و 6.75 درصد قرار دارند (شکل 3b). نتایج مدل MaxEnt نشان داد که سین کیانگ به ویژه برای رشد C. salsa مناسب است. با این حال، زیستگاه های مختلف، مانند بیابان شنی، علفزار، و استپ بیابانی، در همان منطقه در طول سفرهای صحرایی یافت شد. بنابراین، ما به شدت به ویژگی‌های جوامع میکروبی خاک و رابطه آنها با محیط زیست در اکوتیپ‌های مختلف C. salsa در تاچنگ، سین‌کیانگ، چین علاقه‌مند بودیم.

اهمیت هر متغیر زیست اقلیمی برای توزیع C. salsa در جدول 2 نشان داده شده است. همه مقادیر میانگین 1{11}} تکرار بودند. سه متغیر زیست اقلیمی برتر با بیشترین تأثیر بر توزیع C. salsa عبارتند از: بارش خشک ترین سه ماهه (bio17)، بارش گرم ترین سه ماهه (bio18)، و میانگین محدوده روزانه (bio2) با نرخ مشارکت نسبی 25.81. درصد، 17.65 درصد و 13.70 درصد به ترتیب. همانطور که توسط منحنی پاسخ به دست آمده توسط مدل MaxEnt نشان داده شده است، محدوده فاکتور زیستی زمانی قابل محاسبه است که احتمال پیش‌بینی از 0.5 بیشتر شود. به عنوان مثال، محدوده bio17 از 135.30- تا 11.34 میلی متر، محدوده bio 18 از 206.60- تا 4.40 میلی متر و محدوده bio2 از 11.65 تا 12.50 درجه بود.

3.3. میکروبیوم‌های خاک از سه اکوتیپ از C. salsa که جوامع میکروبی متمایز و همپوشانی را نشان می‌دهند.

توالی 16S rRNA منجر به 518 217 خواندن خام شد که در میان آنها 441 576 از نظر کیفیت و طول غربالگری شدند. مجموعه داده شامل 11 818-26 431 (میانگین: 20 150) توالی در هر نمونه بود. خواندن های با کیفیت بالا بر اساس خوشه بندی شدند

>97 درصد هویت توالی در 2 788 OTU میکروبی (جدول 1).

جامعه میکروبی به 34 فیلا و 321 جنس طبقه بندی شد. در سطح شاخه (شکل 4a)، اکتینوباکتری ها (DS، 31.94 درصد؛ GD؛ 46.42 درصد؛ GL، 33.33 درصد)، پروتئوباکتری ها (DS،

23.25 درصد ; GD، 22.53 درصد ; GL، 24.68 درصد) و Gemmatimonadetes (DS، 17.77 درصد؛ GD، 8.02 درصد؛ GL، 8.36 درصد) در سه اکوتیپ غالب بودند. در سطح جنس (شکل 4b)، استپ بیابانی تحت سلطه Euzebya (4.82 درصد) و Arthrobacter (1.74 درصد) بود، در حالی که غالب ترین جنس در شن - بیابان Arthrobacter (8.35 درصد) و Bacillus (4.95 درصد) بود. ). باسیلوس (6.89 درصد) و آرتروباکتر (5.57 درصد) در علفزار غالب بودند. 10 جامعه میکروبی فراوان در استپ صحرا به هشت شاخه طبقه بندی شدند (شکل 4c)، جوامع موجود در صحرای شنی به هفت شاخه طبقه بندی شدند (شکل 4d)، و جوامع موجود در علفزار به 10 شاخه طبقه بندی شدند (شکل 4e) ).

اندازه گیری تنوع درون نمونه (-تنوع) تغییر تنوع را از علفزار به بیابان شنی و بیابانی- استپی نشان داد (شکل 4f). تنوع جوامع میکروبی خاک در هر نمونه بر روی شاخص های شانون، چائو 1، فیشر، و شاخص های تنوع گونه های مشاهده شده مورد ارزیابی قرار گرفت. شاخص های شانون، چائو 1، گونه های مشاهده شده و فیشر نشان می دهد که تنوع جوامع خاک مرتع

بالاتر از دو جامعه اکوتیپ دیگر بود. نتایج منحنی های نادر (شکل S5) به جز YM1 و HJ3 مشابه نتایج فوق بود. نتایج AMOVA (جدول S3) نشان داد که بین سه اکوتیپ تفاوت معنی داری وجود دارد (p < 0.01).="" نتایج="" pcoaهای="" بدون="" محدودیت="" نمودارهای="" 2="" بعدی="" فاصله="" unifrac="" وزن‌نشده="" (شکل="" 4g)="" نشان="" داد="" که="" نمونه‌های="" خاک="" میکروبیوم‌های="" باکتریایی="" از="" اکوتیپ‌های="" مختلف،="" به="" جز="" ym1="" و="" hj3،="" به="" خوبی="" خوشه‌بندی="" شدند.="" خوشه‌بندی="" درخت="" تنوع="" فاصله="" بری="" بر="" اساس="" نتایج="" الگوریتم="" تک="" خوشه‌بندی="" (شکل="" 4h)="" از="" سه="" نمونه="" خاک="" اکوتیپ="" نشان="" داد="" که="" نمونه‌های="" مرتع،="" به="" جز="" ym2،="" به‌خوبی="" خوشه‌بندی="" شده‌اند،="" نمونه‌های="" خاک="" بیابانی-استپی،="" به="" جز="" ja1،="" از="" نزدیک="" خوشه‌بندی="" شدند.="" و="" نمونه‌های="" خاک="" شن-کویر="" از="" نزدیک="" خوشه‌بندی="">

3.4. غربالگری میکروبیوم افتراقی سه اکوتیپ از C. salsa.

نقشه‌های حرارتی فراوانی جنس‌های مختلف (شکل 5a) نشان می‌دهد که فراوانی جنس نمونه‌های استپ بیابانی با نمونه‌های دو اکوتیپ دیگر متفاوت است. همانطور که در نتایج نشان داده شده است

LEfSe (شکل 5c) و RF (شکل 5d)، نقشه حرارتی کوچک در سمت راست، فراوانی ویژگی‌های میکروبی را در سه اکوتیپ در سطح جنس نشان می‌دهد. جنس هایی که می توانند اکوتیپ بیابانی-استپی را نشان دهند عبارتند از: Gillisia، Illumatobacter، Salegentibacter، Marinimicrobium و غیره. Variibacter یک نماد نمادین است.

سطح جنس که می تواند نشان دهنده اکوتیپ شن-کویر باشد. بیومارکرهای موجود در اکوتیپ علفزار حاوی Flavisolibacter و Agromyces هستند. پس از ترکیب نتایج دو روش، 11 نشانگر زیستی انتخاب شد (جدول S4). شکل 5b نقشه حرارتی فراوانی 11 نشانگر زیستی را نشان می دهد.

3.5. غربالگری میکروبیوم اصلی و پیش‌بینی عملکرد متابولیک سه اکوتیپ C. salsa.

یک نمودار ون (شکل 5e) برای OTU های به دست آمده از تمام نمونه های خاک رسم شد و نتایج نشان داد که این سه اکوتیپ 1712 OTU مشترک دارند. روش تداوم از تابع هسته در میکروبیوم بسته R برای شناسایی میکروبیوم هسته در سه اکوتیپ از C. سالسا به تصویب رسید. این میکروبیوم باکتریایی هسته حاوی شش OTU بود و با 19.64 درصد کل میکروبیوم مطابقت داشت. با حذف جنس های تعریف نشده و تکراری، این OTU ها به شش جنس طبقه بندی شدند و فراوانی آنها در یک نقشه حرارتی ترسیم شد (شکل 5f).

نتایج پیش‌بینی عملکردی (شکل 6، فایل تکمیلی 2) نشان می‌دهد که مسیرهای متابولیسم عملکردی میکروبیوم‌های خاک در سه اکوتیپ C. salsa از نظر کربوهیدرات یکسان بوده و متابولیسم‌های اسید آمینه در بین مسیرهای متابولیکی فراوان است. حمل و نقل غشایی و انتقال سیگنال نیز در پردازش اطلاعات محیطی فراوان بود.

3.6. تجزیه و تحلیل همبستگی بین جوامع میکروبی و متغیرهای زیست اقلیمی سه اکوتیپ از C. salsa.

تجزیه و تحلیل اضافی هسته، فراوانی میکروبیوم بیومارکر، و متغیرهای زیست اقلیم در سطح جنس انجام شد، و تجزیه و تحلیل مجدد بر اساس اثرات انجام شد. تفسیر واریانس تعدیل شده 5/32 درصد بود. بارش گرم ترین سه ماهه (bio18) 23.9 درصد از جوامع میکروبی را توضیح داد (p=0.07). میانگین دمای گرمترین محله (bio10) و میانگین محدوده روزانه (bio2) با ایلوماتوباکتر همبستگی مثبت و با باسیلوس همبستگی منفی داشت (شکل 7a).

تجزیه و تحلیل همبستگی برای هسته، فراوانی میکروبیوم بیومارکر، و هفت متغیر زیست‌اقلیمی انجام شد. نتایج شبکه همبستگی (شکل 7b) نشان داد که Illumatobacter و Salegentibacter (بیومارکرها در استپ بیابانی) با میانگین محدوده روزانه (bio2) و میانگین دمای گرمترین سه ماهه (bio10) همبستگی مثبت معنی داری داشتند، اما ارتباط معنی داری با ارتفاع منفی داشتند. alt) و بارش گرم ترین سه ماهه (bio18). در مقابل، آگرومایسس (بیومارکر در علفزار) با ارتفاع (ارتفاع) و بارندگی گرمترین محله (bio18) همبستگی مثبت داشت، اما با میانگین محدوده روزانه (bio2) و میانگین دمای گرمترین چهارم (bio10) همبستگی منفی داشت. علاوه بر این، آرتروباکتر (میکروبیوم هسته) با میانگین محدوده روزانه (bio2) و میانگین دمای گرمترین سه ماهه (bio10) همبستگی منفی معنیداری داشت. روبروباکتر به طور قابل توجهی با بارش سالانه همبستگی مثبت داشت (bio12).