降低估算土壤微生物源碳的不确定性

Article，2024-8-22，PNAS，[IF 9.4]

DOI：https://doi.org/10.1073/pnas.2401916121

第一作者：Han Hu (胡汗)，Chao Qian (钱超)，Ke Xue (薛轲)

通讯作者：Yuting Liang (梁玉婷)，Chao Liang (梁超)

主要单位：

中国科学院南京土壤研究所

中国科学院大学

Determination of amino sugar concentrations in bacterial and fungal strains

为了解决以前公式的局限性并减少估算时的不确定性，我们利用数据集计算了革兰氏阳性（GP）和革兰氏阴性（GN）菌株的平均MurA浓度。结果表明，GP和GN菌株的平均MurA浓度分别为24.1 mg g^-1（95% CI：21.9-26.3，RSE = 4.7%）和3.3 mg g^-1（95% CI：3.0 -3.7，RSE = 5.4%）（图1a）。值得注意的是，我们估计的GP菌株的平均MurA浓度明显高于目前公式（p < 0.05）。这一差异可能是由于我们的数据库中纳入了几个高MurA含量的GP菌株（如Gaffkya、Aerococcus等），而这些菌株并不在之前的数据集中。此外，我们的研究结果表明，放线菌的平均MurA浓度（28.4 mg g^-1，95% CI：24.5-32.7）明显高于厚壁菌（20.9 mg g^-1，95% CI：18.8-23.3，图1a）。这表明，我们在计算细菌的平均MurA浓度时，有必要像估算GP和GN一样，分别考虑厚壁菌和放线菌的浓度和权重。

我们用细菌生物量的平均碳含量（460 mg C g^-1）除以细菌菌株的平均MurA浓度，计算出细菌转换因子如下（其中，a和b分别代表土壤细菌群落中的厚壁菌和放线菌的比例。）：

图1 细菌胞壁酸（MurA）浓度、真菌氨基葡萄糖（GlcN）浓度（a）及细菌GlcN与MurA的摩尔比（b）。

符号 * 表示平均值之间存在显著差异，因为它们的95%置信区间没有重叠。只有细菌具有MueA，因此b图中没有真菌。

确定真菌转换因子的方法与确定细菌转换因子的方法类似。我们的研究结果表明，真菌菌株的平均GlcN浓度为42.7 mg g^-1（95% CI：40.3-45.2，RSE = 2.9%，图1a）。由于土壤GlcN并非完全来自真菌，因此在估算真菌衍生GlcN浓度的方法是从土壤中GlcN总浓度中减去细菌GlcN浓度。在目前流行的公式中，细菌GlcN浓度是通过假设细菌细胞中GlcN与MurA的摩尔比为2（95% CI：1.32-3.05，RSE = 22.1%）来估算的，这一摩尔比仅仅是通过8个观测值计算的。因此，我们收集了352株细菌的GlcN与MurA的摩尔比数据。我们发现，厚壁菌、放线菌和GN的摩尔比无明显差异。我们估计，细菌细胞的平均摩尔比为1.63（95% CI：1.61-1.76，RSE = 2.3%，图1b）。因此，估计的FDC的公式如下（公式中，GlcN和MurA分别为土壤中GlcN和MurA的浓度，179.17和251.23分别为GlcN和MurA的相对分子质量）：

Determination of the optimal ratio of bacterial group composition

为了尽量减少细菌群落组成的全球变化对预测BDC浓度的影响，我们利用机器学习方法估算了土壤中的厚壁菌：GN（R² = 0.82）、放线菌：GN（R² = 0.76）、MurA（R² = 0.81）和GlcN浓度（R² = 0.94）的全球分布。根据这些全球地图，我们利用公式1估算了BDC浓度的全球分布。我们发现，当假定厚壁菌：放线菌：GN的比例为0.48：0.12：0.40时，估计的BDC分布图与预测的BDC分布图之间的R²达到最大值（图2a）。这表明，当采用这一假定的比例时，预测的BDC全球平均误差为7.5%，只有27%的区域误差相对较大（>10%）。与此相反，当使用当前公式中的比例（GP:GN = 0.65:0.35）时，预测的BDC全球平均误差为12.5%，超过50% 的区域误差较大。此外，我们发现，假设厚壁菌：放线菌：GN的比例为0.48：0.12：0.40，预测值可分别解释全球BDC和MDC变化的97.6%和99.9%（图S6）。因此，我们建议用一个新的比例（0.48：0.12：0.40）来取代目前的比例，以估算细菌转换因子，从而提高估算BDC浓度的可信度。总的来说，估算BDC的公式如下：

爱因斯坦曾经说过：“Everything should be made as simple as possible, but not simpler”。虽然我们在此报告的恒定细菌转换因子（31.3）可以很好地预测BDC浓度的全球分布，但我们对微生物生物地理学的理解不断加深，这就强调了在某些情况下需要考虑转换因子的区域差异。因此，我们采用滑动窗口分析法来确定每种气候下每个特定生态系统的最佳细菌转换因子，范围从28.8（热带湿地）到34.2（寒冷冰川）不等（具体请参考文章附录）。因此，对于某些研究，特别是涉及跨气候研究的研究，我们建议根据具体的生态系统和气候使用可变的细菌换算系数，而不是仅仅依赖恒定的细菌换算系数（31.3）。

值得注意的是，将土壤中的氨基糖浓度转换成MDC浓度仍有局限性。例如，某些肽聚糖能抵抗降解，从而使氨基糖保留在完整的细胞壁中。细菌肽聚糖中MurA与d-alanine的比例始终为1:1，尽管与MurA的位置不同。这一证据也支持了假设。此外，即使在同一菌株中，由于饥饿的土壤细菌细胞较小，底物有限的土壤中的细菌可能比营养丰富的土壤中的细菌表现出更高的MurA浓度。这可能会导致我们高估营养贫瘠土壤中的细菌转换因子，从而使这些地区的MDC对SOC的贡献率超过100%。我们的分析表明，根据目前流行的公式，MDC贡献率超过100%的地区占全球面积的1.0%，而根据我们修订后的公式，这一比例仅为0.5%。这一差异表明，我们的研究部分缓解了这一限制，但仍需进一步研究。解决这些局限性仍然具有挑战性。

图2 最佳的厚壁菌：放线菌：革兰氏阴性菌性菌比例的确定。

a 确定最佳的厚壁菌：放线菌：GN比例，以尽量减少细菌群组成的全球变化对细菌衍生碳估算的影响。x轴、y轴和z轴上的数据为非线性分布。

b 细菌和真菌衍生碳的估算公式。MurA和GlcN分别代表土壤中MurA和GlcN的浓度。

Estimation of the global MDC stock

我们估算了表层土壤（0-30厘米）和底层土壤（30-100厘米）中MDC浓度、贡献和储量的全球分布情况。我们的研究结果表明，表层土壤中MDC总浓度的全球平均值为11.3 g kg^-1，其对SOC的贡献为43.3%，其中细菌贡献为12.5%，真菌贡献为30.9%。在底土中，总MDC的全球平均浓度为5.5 g kg^-1，占SOC总量的57.6%，其中细菌占24.5%，真菌占33.1%。我们估计全球MDC总储量约为758 Pg，其中311 Pg储存在表土中（67 Pg储存在细菌残体中，244 Pg储存在真菌残体中），447 Pg储存在底土中（130 Pg存在细菌残体中，317 Pg储存在真菌残体中）。

在热带气候条件下，MDC对SOC的贡献率（55.2%）与寒冷气候条件下（54.2%）相当。然而，由于SOC库较大，大部分MDC储量仍主要分布在高纬度北方地区（图3）。我们的估算表明，寒带和极地气候区的MDC平均浓度为12.2 mg g^-1，占全球MDC总储量的65%或490 Pg MDC（图3）。这可能是因为微生物生物量在低温条件下周转缓慢。值得注意的是，这些地区储存了最大量的MDC，但正在经历前所未有的变暖，变暖速度比低纬度地区更快。因此，储存的MDC会发生分解，从而可能对大气碳库产生相当大的影响。此外，预计补充MDC储量需要很长的时间，可能长达几十年甚至更长。这些地区的MDC损失可能会对当地生态系统产生持久影响。因此，准确评估微生物衍生碳储量对于制定有效政策和实施应对气候变化挑战的措施至关重要。

综上所述，我们完善了MDC浓度的量化公式。我们估计全球MDC对SOC的平均贡献率为50.5%，全球MDC总储量约为758 Pg。这一进步至关重要，原因有以下几点。首先，它使下一代微生物模型的参数化更加精确，这对预测SOC动态至关重要。其次，它有助于更深入地理解土壤-大气碳循环，通过促进陆地的大气二氧化碳封存，提供有助于减缓气候变化的见解。此外，在我们的研究中融入人工智能技术，也证明了其在土壤科学领域的巨大潜力。这些技术在量化氨基酸糖和微生物群组成的全球模式方面发挥了重要作用，展示了人工智能在增进我们对土壤生态系统的了解方面的广泛适用性。