文章题目：Number and dissimilarity of global change factors influences soil properties and functions
期刊：Nature Communications
影响因子：16.6
发表时间：2022.4
参考文献：Bi M, Li H, Meidl P, et al. Number and dissimilarity of global change factors influences soil properties and functions[J]. Nature Communications, 2024, 15(1): 1-14.https://doi.org/10.5281/zenodo.13384438
1. 研究背景
● 土壤生物群落和功能受到多种人为压力的影响，包括气候变化、化学污染或微塑料。
● 这些压力并非孤立发生，土壤属性和功能似乎受到同时作用的全球变化因子数量的定向驱动。
● 以往的研究集中在单一全球变化因子对土壤属性和功能的影响，但对多个因子共同作用的研究较少
2. 研究目的
● 多个全球变化因子（GCFs）对土壤属性和功能的联合效应
3. 科学假设
● 因子差异性有助于预测土壤对多个共同作用的GCF的生物生态响应
● 因子差异性越大或因子数量越多，对土壤性质和功能的联合效应与预期效应的偏差越大
● 因子的不相似性或因子的数量可能驱动因子相互作用（协同或拮抗）的出现
4. 实验材料与方法
● 构建了一个包含12个因子的因子池，并计算了随机选择的共同作用因子的不相似性指数。
● 通过测量土壤属性和功能对单一因子的响应来计算不相似性指数。
● 进行了微宇宙实验，测试了不同数量因子（2、5、8个因子水平）的共同作用对土壤属性和功能的影响。
● 使用层次建模框架和机器学习算法来测试可能的驱动因子（因子数量和因子不相似性）对土壤响应的变异性的影响。
● 开发了一种基于土壤响应与零模型预测偏差的方法来评估GCFs相互作用的出现
5. 结果与讨论
● 不仅因子的数量重要，因子的不相似性也是预测因子共同效应的关键。
● 通过分析土壤属性和功能与三个零模型预测的偏差，研究表明更高的因子不相似性和更多的因子数量可以导致与零模型的偏差更大，并触发更频繁的协同因子净相互作用的发生。
● 研究强调了在未来研究中考虑因子相似性的重要性，并为理解因子的高维效应提供了机制洞察。
图 1 a 多因子实验设计。对照组有 20 个重复；水对照组（不添加有机溶剂）有 10 个重复；单个 GCF 有 8 个重复；多因子组中每个因子水平有 50 个重复；实验单位总数 = 20 + 10 + 8(\times\)12 + 3(\times\)50 = 276。2 级、5 级和 8 级的因子组合是从全部组合中随机抽取的，即从 12 个因子库中抽取 2 个、5 个和 8 个因子，不重复。b 分析工作流程。每个多因子处理的归一化差异指数是根据单因子和随机选择的因子组合之间的欧氏距离计算得出的。 c 实验微观世界和测量的响应变量。
图 2 对于每种土壤酶活性[a(1)-e(1)、a(2)-e(2)和 a(3)-e(3)]，估算了单因子（n = 8）和多因子组（2、5 和 8 个因子，每个因子组包含 50 个处理）的效应大小[a(1)-(3)]、 然后用散点图[b(1)-d(1)、b(2)-d(2)和 b(3)-d(3)]表示土壤酶活性响应与归一化因子差异指数的相关性，斯皮尔曼相关系数和相关性的显著性分别用\(r\)和 p 表示。使用的统计检验是双侧检验。e(1)-(3)]表示随机森林模型解释的土壤响应变异性（R2）。添加的预测因子代表因子同一性效应、因子数量、因子相似性和因子组成对模型解释率的贡献。点为平均值，误差条为其 95% 置信区间 (CI)（置换 n = 1000）。
图 3 a 实验设计中的处理。单因子处理以蓝色椭圆形表示。每个多因子处理用红色椭圆表示。b 多因子处理的交互作用类型分类工作流程。该工作流程包括两部分：（1）估计多因子处理的组成因子的联合响应分布；（2）确定多因子处理的净交互类型。c 150 个多因子处理的重标度 DN 和净交互类型的可视化。 d 不同因子差异指数和三个不同因子组中土壤响应的重标度 DN 的统计分析。
