旭日東淺析-水處理廠細菌群落
本文分析了6大洲23個國家269個污水處理廠的約1200個活性污泥16S rDNA的樣本。
結果表明，全球活性污泥細菌群落中約有10億個細菌表型(phylotypes)，且服從泊松對數正態多樣性分布(Poisson log normal diversity distribution)。盡管活性污泥具有高度的多樣性，但存在一個全球核心細菌群落(28個OTUs)與活性污泥的性能密切相關。
利用全球數據集進行meta分析表明，活性污泥微生物群落與淡水群落的關系最為密切。與大型生物多樣性相比，活性污泥細菌群落沒有明顯的緯度梯度。
群落在很大程度上受到隨機過程(分散和漂移)的驅動，群落的空間周轉率與群落規模有關。另外決定性因素(溫度和有機物輸入)也很重要。
對于污水處理廠微生物群落的多樣性和生物地理學的了解才剛剛開始。
作者創建了一個全球水微生物群落聯盟(GWMC)(//gwmc.ou.edu/)，其成立于2014年5月，是一個促進全球水微生物研究研究和教育的國際合作和交流的平臺。
在全球系統地收集和分析活性污泥微生物群落。本文提出了五個問題：
(1)活性污泥微生物群落的全球多樣性程度如何?
(2)活性污泥工藝中是否存在跨大陸的核心微生物群?
(3)活性污泥微生物群落是否具有緯向多樣性梯度(LDG)?
(4)微生物多樣性對活性污泥工藝的功能性重要嗎?
(5)確定性因素與隨機性因素在調節活性污泥微生物群落組成、分布和功能方面的相對重要性如何?
采樣
MoBio Power Soil DNA Isolation Kits提取污泥DNA。
515F/806R擴增16S rDNA V4區。
利用SILVA Test Prime v.1.0和SILVA132數據庫檢驗了引物覆蓋度，無錯配情況可覆蓋86.8% 細菌和52.9%的古菌。
UPARSE 97%聚類OTU，共得到96148個OTU。
MiDAS database進行物種劃分。
Resample數量25600，去掉了singletons。
結果
樣本和大洲水平的稀釋曲線
(1)活性污泥微生物群落的全球多樣性程度如何?
不同模型擬合物種豐度分布。泊松對數正態模型最優，可解釋99%的群落變化。
利用尺度定律估算全球WWTP的微生物數量。
對于尺度定律，見前文：
PNAS(2016)-尺度定律預測全球微生物多樣性
(2)活性污泥工藝中是否存在跨大陸的核心微生物群?
篩選方法包含三個條件：
overall abundant OTUs: 先計算出每個OTU在所有樣本中的平均相對豐度mean relative abundance (MRA)。挑出豐度 > 0.1%作為高豐度物種；
ubiquitous OTUs: 在所有樣本中超過80%都出現的物種定義為廣泛出現的OTU；
frequently abundant OTUs：在每個樣本中序列占到80%以上，高豐度在超過一半的樣本中都達標，這種物種被定義為頻繁出現的高豐度物種。
只有滿足這三個條件，才能成為全球核心物種。即一個特定大陸的核心OTU應該是來自該大陸豐度>0.1%的OTU;一個核心OTU也必須在超過80%的樣本中被檢測到，并且在該大陸超過50%的樣本中占主導地位。
28個核心微生物
核心微生物在門水平的分布
根據地球微生物群落項目確定了全球范圍內各種生態系統的核心群落。土壤、人類糞便、空氣和淡水微生物群落分別有9、6、2和1個OTUs被確定為核心類群。動物糞便和海洋沒有發現核心類群，這可能是由于群落組成高度可變。
NMDS表明活性污泥的核心群落與其他生境沒有重疊，說明活性污泥選擇了一個獨特的核心群落。
(3)活性污泥微生物群落是否具有緯向多樣性梯度(LDG)?
中緯度豐度最高。曲線為基于最小二乘回歸的多項式擬合。顏色表示全年平均氣溫。
不同尺度上的DDR。
(4)微生物多樣性對活性污泥工藝的功能性重要嗎?
結構方程模型(SEM)顯示了環境變量、群落組成與污水處理廠功能之間的關系。藍色和紅色箭頭分別代表顯著的正、負相關。群落結構有基于Bray的PCoA的PC1軸代表。
SEM見前文結構方程模型(SEM)
隨機森林分析檢驗了物種與溫度的相關性。紅色的對角線顯示了完美預測的理論曲線。右下角是根據北美和南美的樣本數據進行的訓練，用于預測亞洲樣本的溫度。
環境因子之間的Spearman相關；以及群落結構與環境因子之間的partial Mantel tests.
(5)確定性因素與隨機性因素在調節活性污泥微生物群落組成、分布和功能方面的相對重要性如何?
隨機性比例很高，不論計算距離的方法、不論物種多樣性還是系統發育多樣性。
基于MRM的VPA分析表明地理距離(Geo)對群落變化的作用強于環境因子(Env)。
對于MRM，見前文
R——ecodist&MRM methods
SEM和VPA分析都涉及到了向后篩選變量的過程，見前文
MRM中進行變量篩選
