TEIL 1 Aufdeckung der Auswirkungen der Umwelt auf Cistanche-Salsa: Von der globalen ökologischen Regionalisierung bis zu den Eigenschaften der mikrobiellen Gemeinschaft im Boden

ABSTRAKT:Verständnis der regulatorischen Beziehung zwischen Umwelt undCistanche-Salsa, hier haben wir die Makro- und Mikrodimensionsmethoden integriert. Aus makroökonomischer Sicht zeigte das MaxEnt-Modell, dass Länder entlang der „Belt and Road“-Initiative, wie China, Ägypten und Libyen, besonders geeignet für das Wachstum von sindC. Salsavon der Antike (letztes Gletschermaximum und mittleres Holozän) bis in die Zukunft (2050 und 2070). Der Jackknife-Test zeigte, dass Niederschlag ein wichtiger ökologischer Faktor ist, der die Verbreitung von C. salsa beeinflusst. Aus einer Makroperspektive zeigten die 16S-rRNA-Amplikon-Sequenzierungsdaten, dass die mikrobiellen Bodengemeinschaften von drei Ökotypen (Wüste – Steppe, Grasland und Kieswüste) signifikant unterschiedlich waren (p < 0,001).="" die="" analyse="" des="" kernmikrobioms="" zeigte,="" dass="" die="" bakteriengattungen="" arthrobacter,="" sphingomonas="" und="" bacillus="" angereicherte="" kerntaxa="">C. Salsa. LEfSe und Random Forest wurden verwendet, um Gillisia (Wüstensteppe), Flavisolibacter (Grasland) und Variibacter auszugraben(Kieswüste) als Biomarker, die zwischen mikrobiellen Gemeinschaften der drei Ökotypen unterscheiden können. Das Vorhersageprofil zeigte, dass die Stoffwechselfunktion der mikrobiellen Gemeinschaft durch Stoffwechselwege und die Verarbeitung von Umweltinformationen bereichert wurde. Korrelationsanalysen ergaben, dass die Höhe, der Niederschlag im wärmsten Viertel (Bio18), die mittlere Tagesreichweite (Bio2) und die mittlere Temperatur des wärmsten Viertels (Bio10) wichtige ökologische Faktoren waren, die die Zusammensetzung der mikrobiellen Gemeinschaften im Boden beeinflussen. Diese Arbeit lieferte neue Einblicke in die regulatorische Beziehung zwischen der geeigneten Verteilung vonC. Salsa, mikrobielle Gemeinschaften im Boden und ökologische Treiber. Darüber hinaus vertiefte es das Verständnis der Wechselwirkung zwischen Wüstenpflanzen und ökologischen Faktoren in ariden Umgebungen.

SCHLÜSSELWÖRTER:Cistanche-Salsa, MaxEnt, 16S-rRNA-Amplikonsequenzierung, Bodenmikrobengemeinschaft, Umweltauswirkungen.

Cistanche deserticola hat viele Wirkungen, klicken Sie hier, um mehr zu erfahren

Für mehr Informationen, kontaktieren sie bitte:Joanna.jia@wecistanche.com

1. EINLEITUNG

Der wirtschaftliche Wert von Heilpflanzen ist in den letzten Jahren mit der weltweiten Entwicklung und Nutzung natürlicher Pflanzen rasant gestiegen. Der fleischige Stamm vonCistanche-Salsaist ein essbares und medizinisches Pflanzenorgan, das häufig als Nierenstärkungsmittel, Aphrodisiakum, Anti-Aging- und Antioxidationsbehandlung, Darmabführmittel, Leberschutzbehandlung und Antistrahlenbehandlung verwendet wird. Moderne phytochemische Studien zu C. salsa haben zur Identifizierung und Isolierung beträchtlicher Mengen bioaktiver Verbindungen geführt, wie z. B. verschiedener Phenylethanoidglykoside, Iridoide, Alditole und Lignin, die wichtige medizinische und essbare Werte haben.1 Mit der schnellen Entwicklung des Marktes für Medizin und gesunde Lebensmittel, die Nachfrage nachC. Salsahat stark zugenommen und geht mit Raubbau und Plünderung wilder Ressourcen einher. Daher ist die groß angelegte künstliche Einführung und Kultivierung vonC. Salsasind zu einer wichtigen Maßnahme geworden, um wilde Ressourcen zu schützen und die ökologische Wüstenbildung zu verlangsamen. Forschungen zum künstlichen Anbau vonC. Salsableibt begrenzt.

Die Umwelt hat einen massiven Einfluss auf das Wachstum und die Entwicklung von C. salsa.2 Pflanzen wachsen in unterschiedlichen Umgebungen und bilden unterschiedliche Ökotypen, die signifikante Veränderungen in Wirkstoffen und Genexpression aufweisen.3,4 Auf Makroebene hat die Forschung herausgefunden, dass Temperatur, Licht, Niederschläge und Bodentypen haben alle einen Einfluss auf das Pflanzenwachstum und seine Wirkstoffe.5,6 Die Untersuchung der Wechselwirkungen zwischen Umwelt und Pflanzen und die umfassende Charakterisierung verschiedener Ökotypen von Pflanzen sind für die Auswahl und den Anbau von High -Qualitätssorten.7 Aus makroökonomischer Sicht können Pflanzen einen erheblichen Einfluss auf Bodenorganismen haben, selbst wenn sie durch ihre Wurzeln wenig oder keinen direkten Kontakt mit dem Bodensystem haben.8,9 Aktuelle Forschungen zur Beziehung zwischen Pflanzen und der Umwelt, einschließlich Klimafaktoren und mikrobieller Gemeinschaft im Boden, ist noch unklar.

Das Artenverteilungsmodell (SDM) ist ein statistisches Modell, das unter Verwendung vorhandener Artenverteilungsdaten und Umweltvariablen erstellt wurde, um die ökologischen Bedürfnisse von Arten abzuleiten und ihre potenziellen Verbreitungsgebiete zu prognostizieren,10,11 geeignete Wachstumsgebiete zu erkunden, indem Klima- und Bodenfaktoren kombiniert werden, bestimmen die geeignete Umgebung für Heilpflanzen und schützen und züchten gefährdete Pflanzen wissenschaftlich.12,13 SDMs wie MaxEnt und biomod2 haben erfolgreich auf die Vorhersagen von Verbreitungstrends reagiert, die gefährdeten und ökologischen Pflanzen während des Klimawandels auferlegt wurden.14,15

Die 16S-rRNA-Amplikon-Sequenzierung von Bodenproben aus der Rhizosphäre von Pflanzen wurde durchgeführt, um die Vielfalt mikrobieller Gemeinschaften zu untersuchen und neue Einblicke in die Beziehung zwischen Pflanzen und mikrobiellen Gemeinschaften im Boden zu gewinnen.16,17

In dieser Studie untersuchten wir die Beziehung zwischen der Umwelt undC. Salsaaus der Makro- und Mikrodimension. Folgendes haben wir durchgeführt. (1) Wir haben das MaxEnt-Modell verwendet, um die globalen geeigneten Wachstumsbereiche vorherzusagenC. Salsavon der Antike bis in die Zukunft (fünf Perioden: Letztes Glazialmaximum [LGM], mittleres Holozän [MH], Gegenwart, 2050 und 2070) und berechnete die geeigneten Gebiete auf verschiedenen Ebenen sowie die Beitragsrate und den Bereich der bioklimatischen Variablen, die das beeinflussen Verteilung vonC. Salsa.(2) In Kombination mit Feldarbeit sammelten wir Bodenproben von drei Ökotypen (Wüstensteppe, Grasland und Kieswüste) aus den besten Anbaugebieten (Tacheng und Xinjiang) von

C. Salsa. Wir führten eine 16S-rRNA-Amplikonsequenzierung durch, um die Eigenschaften von mikrobiellen Gemeinschaften im Boden zu untersuchen. Wir haben auch die Unterschiede in den Bodenmikrobiomen in den drei Ökotypen verglichen und die Kernmikrobiome und Biomarker bestimmt, die zwischen den drei Ökotypen unterscheiden könnten. (3) Wir haben Korrelationsanalysen und Redundanzanalysen auf der Grundlage der Häufigkeit der Kernmikrobiome, Biomarker und bioklimatischen Variablen durchgeführt, um die regulatorische Beziehung zwischen ihnen zu untersuchenC. Salsaund die Umwelt.

Cistanchehat viele Wirkungen in Anti-Müdigkeit

2. MATERIALIEN UND METHODEN

2.1. Ökologische Nischenmodellierung.

In dieser Recherche wurden fünf Ressourcen verwendet, um nach den gegenwärtigen Standorten von zu suchenC. Salsaweltweit: (1) GBIF ; (3) Nationale Probeninformationsinfrastruktur (4) veröffentlichte Literatur; und (5) Feldarbeit. Beispieldaten ohne Längen- und Breitengrad basierten auf einer Breiten- und Längengradabfrage einer Online-Karte. Die Pufferanalysemethode wurde verwendet, um die erhaltenen Verteilungspunkte Korrektur zu lesen und zu filtern, um den Effekt einer übermäßig angepassten Simulation zu eliminieren, der durch eine große räumliche Korrelation verursacht wird. Die räumliche Auflösung der bioklimatischen Variablen betrug 2,5 Bogenminuten (etwa 4,5 km2), und die Pufferentfernung wurde auf 3 km festgelegt. Bei einer Entfernung von weniger als 3 km zwischen den Verteilungspunkten wurde nur ein Verteilungspunkt beibehalten. Nachdem doppelte Punkte entfernt wurden, wurden 76 Vorkommen, alle aus dem echten Produktionsgebiet von C. salsa, gesammelt und für die Analyse verwendet (Abbildung 1a, Ergänzungsdatei 1).

Wir haben die 19 bioklimatischen Variablen von WorldClim als Umweltprädiktoren verwendet. Die vorliegenden bioklimatischen Variablendaten dieser Studie wurden aus den Überwachungsdaten der WorldClim-Datenbank Version 1.418 von 1960 bis 1990 mit einer Auflösung von 2,5 Bogenminuten gesammelt. Die alten (LGM und MH) und zukünftigen (future 2050 und future 2070) bioklimatischen Variablen, die in WorldClim Version 1.4 mit einer Auflösung von 2,5 Bogenminuten verfügbar sind, wurden als Prädiktoren für die Artenverteilungsmodelle verwendet. Um Multikollinearität zu vermeiden, haben wir eine Korrelationsanalyse an Hintergrundpunkten durchgeführt und eine der Variablen in jedem Paar mit einem Pearson eliminiert

Korrelationswert > 0.819 (Abbildung S1). Die acht bioklimatischen Variablen, die schließlich in die Modelle aufgenommen wurden, waren die mittlere Tagesschwankung (bio2), die mittlere Temperatur des nassesten Viertels (bio8), die mittlere Temperatur des trockensten Viertels (bio9), die mittlere Temperatur des wärmsten Viertels (bio10) , Jahresniederschlag (Bio12), Niederschlag des trockensten Viertels (Bio17), Niederschlag des wärmsten Viertels (Bio18) und Niederschlag des kältesten Viertels (Bio19).

Wir haben das Open-Source-Softwarepaket Maximum Entropy Model (MaxEnt v.3.4.0) verwendet,20 das heruntergeladen werden kann, um ein Artenverteilungsmodell zu erstellenC. Salsa. Die folgenden Parameter wurden in den Grundeinstellungen verwendet: zufälliger Seed und ein zufälliger Testprozentsatz von 25 und 10 Wiederholungen. Indem wir den zufälligen Testprozentsatz auf 25 Prozent festlegten, wählten wir zufällig 75 Prozent der Verteilungspunkte für den Trainingssatz aus. Indem wir die Anzahl der Wiederholungen auf 10 festlegten, ließen wir das Modell 10 Mal mit den gleichen Einstellungen laufen und mittelten die Ausgabe aller Läufe, um das Endergebnis zu erhalten. Die Fläche unter der Kurve des empfangenden Bedieners (AUC) wurde verwendet, um die Anpassungsgüte des Modells zu bewerten, und das Modell mit dem höchsten AUC-Wert wurde als das leistungsstärkste angesehen. Zur Bewertung der Wichtigkeit der Variablen wurde das Jackknife-Verfahren verwendet. Reaktionskurven wurden verwendet, um den Bereich der bioklimatischen Variablen zu erhalten.

ArcGIS wurde verwendet, um die bioklimatischen Variablen zu analysieren, die die Verbreitung von C. salsa beeinflussen, und um das für die Produktion geeignete Gebiet zu klassifizieren und zu berechnen.

2.2. Sammlung und Beschreibung von Bodenproben. C. Salsa

kommt natürlicherweise in den drei Ökotypen Kieswüste, Grasland und Wüstensteppe vor. Im April 2017 haben wir in Tacheng, Xinjiang, China, fleischige Stamm- und Bodenproben gesammelt, die die wichtigsten Ökotypen von C. salsa repräsentieren (Abbildung 1b, Tabelle 1). Kieswüstenproben wurden in Hejiaoke, Kreis Toli (HJ1, HJ2 und HJ3) gesammelt. Grünlandproben wurden im Landkreis Yumin (YM1, YM2, YM3 und YM4) gesammelt. Wüstensteppenproben wurden von Jiang Alhan (JA1, JA2, JA3, JA4, JA5 und JA6) gesammelt. Die von uns gesammelten Bodenproben stammen alle aus dem Boden auf der Oberfläche von C. salsa und seinem Wirtsparasitenstandort. Belegmuster mit

Belegnummern von 20170510079-DT bis 20170510091-DT wurden im Herbarium des Instituts für Heilpflanzenentwicklung an der Chinesischen Akademie der Medizinischen Wissenschaften in Peking, China, hinterlegt. Nach der Reinigung wurden saftige Stammgewebe in kleine Stücke geschnitten, sofort in flüssigem Stickstoff eingefroren und dann bis zur weiteren Verarbeitung bei –80 Grad gelagert. Bodenkerne wurden in einer Tiefe von 20 cm unter Verwendung genommen

B. einem zylindrischen Bohrer aus Edelstahl mit einem Durchmesser von 5 cm, und dann bei –20 Grad in einem tragbaren Kühlschrank gelagert. Nach dem Transport ins Labor wurden die Bodenproben durch ein 2-mm-Sieb geleitet, um Pflanzengewebe, Wurzeln, Steine ​​und andere Ablagerungen zu entfernen, und dann vor weiteren Experimenten bei –20 Grad in einem Kühlschrank gelagert.

2.3. DNA-Extraktion und 16S-rRNA-Sequenzierung.

Boden-DNA wurde unter Verwendung eines PowerSoil-DNA-Isolierungskits (MoBio Laboratories, Carlsbad, CA) gemäß dem Handbuch extrahiert. Die Reinheit und Qualität der genomischen DNA wurden auf 0,8-prozentigen Agarosegelen überprüft. Die hypervariable V3-4-Region des bakteriellen 16S-rRNA-Gens wurde mit den Primern 338F (ACTCCTACGGGAGGCAGCAG) und 806R (GGACTACHVGGGTWTCTAAT) amplifiziert.21 Für jede Bodenprobe wurde eine 10--stellige Barcode-Sequenz an die 5 'Ende der Forward- und Reverse-Primer (Allwegene Co., Beijing). Die PCR wurde auf einem Mastercycler Gradient (Eppendorf, Deutschland) unter Verwendung von 25 μL Reaktionsvolumina durchgeführt, die 12,5 μL KAPA 2G Robust HotStart ReadyMix, 1 μL Forwarding Primer (5 μM), 1 μL Reverse Primer (5 μM), 5 μL enthielten DNA (Gesamtmatrizenmenge beträgt 30 ng) und 5,5 μl H2O. Die Zyklusparameter waren wie folgt: 95 Grad für 5 min, gefolgt von 28 Zyklen mit 95 Grad für 45 s, 55 Grad für 50 s und 72 Grad für 45 s, mit einer abschließenden Verlängerung bei 72 Grad für 10 min. Drei PCR-Produkte pro Probe wurden gepoolt, um PCR-Verzerrungen auf Reaktionsebene abzumildern. Die PCR-Produkte wurden mit einem QIAquick Gel Extraction Kit (QIAGEN, Deutschland) aufgereinigt und anschließend mit Real-Time-PCR quantifiziert. Die Tiefensequenzierung wurde auf einer MiSeq-Plattform von Allwegene Co. (Peking) durchgeführt. Nach dem Lauf wurden Bildanalyse, Base-Calling und Fehlerschätzung mit Illumina Analysis Pipeline Version 2.6 durchgeführt.

2.4. Analyse von 16S-rRNA-Amplikon-Sequenzierungsdaten.

Alle Sequenzierungsdaten wurden unter der SRA-Einreichung SUB7456002 an das NCBI Short Archive (SRA) übermittelt. Rohdaten wurden zuerst gescreent und Sequenzen wurden auf der Grundlage der folgenden Überlegungen entfernt: Sequenzen kürzer als 200 bp mit niedrigem Qualitäts-Score (weniger als oder gleich 20) und mehrdeutige Basen oder nicht übereinstimmende Primersequenzen und Barcode-Tags enthalten. Qualifizierte Reads wurden mit probenspezifischen Barcode-Sequenzen getrennt und mit Illumina Analysis Pipeline Version 2.6 getrimmt. Anschließend wurden die Datensätze mit QIIME analysiert. Die Sequenzen wurden in Operational Taxonomic Units (OTUs) mit einem Ähnlichkeitsgrad von 97 Prozent 22 geclustert, um Verdünnungskurven zu erstellen und Richness- und Diversity-Indizes zu berechnen. Das Ribosomal Database Project Classifier-Tool wurde verwendet, um alle Sequenzen in verschiedene taxonomische Gruppen zu klassifizieren, in denen die Konfidenzschwelle auf 0,7 festgelegt ist Ähnlichkeit zwischen verschiedenen Proben.24 Die UniFrac-Abstandsmatrix zwischen mikrobiellen Gemeinschaften aus jeder Probe wurde unter Verwendung des Tayc-Koeffizienten berechnet und als ungewichtete Paargruppenmethode mit arithmetischem Mittelwert-Clustering-Baum dargestellt, der die Unähnlichkeit (1--Ähnlichkeit) zwischen ihnen beschreibt mehrere Proben.25 Durch diese Analyse wurde auch eine Baumdatei im Newick-Format erzeugt. Alpha-Diversität wurde angewendet, um die Komplexität der Artenvielfalt für eine Stichprobe unter Verwendung von vier Indizes zu analysieren, nämlich Chao1, beobachtete Arten und Shannon und Fisher

Diversity-Indizes. Diese Indizes wurden mit der QIIME-Software (Boulder, CO, USA) in Python (v.1.8.0) (La Jolla, CA, USA) berechnet.26 Die Beta-Diversity-Analyse wurde verwendet, um die Unterschiede in den Proben in Bezug auf zu bewerten Artenkomplexität. Die Beta-Diversität wurde mithilfe der Hauptkoordinatenanalyse (PCoA) und der Clusteranalyse in QIIME berechnet.27 Die Analyse der molekularen Varianz (AMOVA) wurde unter Verwendung der Mutter durchgeführt.28 Der Kruskal-Wallis-Test wurde verwendet, um die OTU-Differenz zwischen den Gruppen zu berechnen (p-Wert<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.="">

Lineare Diskriminanzanalyse (LDA) und Random Forest (RF)-Methoden auf der MicrobiomeAnalyst-Website wurden verwendet, um Mikrobiom-Biomarker zu bestimmen. Zunächst wurde ein nichtparametrischer faktorieller Kruskal-Wallis-Summen-Rang-Test durchgeführt, um Merkmale mit signifikanter unterschiedlicher Häufigkeit unter Berücksichtigung des experimentellen Faktors oder der interessierenden Klasse zu identifizieren. Als nächstes wurde LDA (der Schwellenwert wird auf 2 gesetzt) ​​durchgeführt, um die Effektgröße jedes unterschiedlich häufigen Merkmals zu berechnen. Merkmale wurden auf der Grundlage ihres angepassten p-Werts als signifikant angesehen. Der standardmäßig angepasste Grenzwert für den p-Wert war 0,05. Die HF-Analyse wurde mit dem randomForest-Paket5 durchgeführt. Diese Methode verwendet ein Ensemble von Klassifikationsbäumen, von denen jeder durch zufällige Merkmalsauswahl aus einer Bootstrap-Stichprobe an jedem Zweig gewachsen wird.

Tax4Fun (R-Paket, http://tax4fun.gobics.de/) wurde verwendet, um die mikrobiellen Funktionsprofile von Mikrobiomen in den Bodenproben vorherzusagen. Die OTU-Biom-Tabelle des Bodenmikrobioms wurde als Eingabedatei für die Metagenom-Imputation von C. salsa-Bodenproben verwendet. Dann wurden die vorhergesagten Genklassenhäufigkeiten auf der KEGG Orthology (KO)-Gruppenebene 3 analysiert. Die Ergebnisse von Tax4Fun wurden in Doby (R-Paket) analysiert.

2.5.Korrelationsanalyse wichtiger mikrobieller Gemeinschaften und bioklimatischer Faktoren.

Wir haben ArcGIS verwendet, um wichtige bioklimatische Faktoren aus den 13 Bodenprobenahmestellen numerisch zu extrahieren. Es wurde eine Redundanzanalyse der wichtigsten Gattungen der mikrobiellen Gemeinschaften (fünf Biomarker, fünf Kernmikrobiome) und bioklimatischer Faktoren durchgeführt

Canoco 5-Software. Die Log2-Datenkonvertierung wurde einheitlich vor der Analyse durchgeführt. Spearman-Korrelationskoeffizienten wurden für die Häufigkeit von fünf Biomarkern, fünf Kernmikrobiomen und die Datenintegration von bioklimatischen Faktoren durch Anwendung von SPSS berechnet. Die Ergebnisse der Korrelationsanalyse wurden von Pheatmap (R-Paket) gezeichnet.

Cistanchekann dem Altern widerstehen

3. ERGEBNISSE

Vorhersage der globalen Verteilungsverschiebung von C. salsa in den verschiedenen Zeiträumen. Der berechnete ROC zeigte

dass der AUC-Wert {{0}} 0,977 (Abbildung S2) war, was anzeigt, dass das Modell gut mit den Daten übereinstimmte ) wurden in Abbildung 2 und Tabelle 2 dargestellt. Die Eignung für den Anbau von C. salsa wurde anhand statistischer Schwellenwerte in fünf Kategorien eingeteilt: ungeeignet (Klasse 5: 0–20 Prozent), marginal (Klasse 4: 20–50 Prozent), ausreichend (Klasse 3: 50–75 Prozent), gut (Klasse 2: 75–

90 Prozent ) und ausgezeichnet (Klasse 1: 90–100 Prozent ). Dieser Artikel diskutierte nur die geeigneten Verbreitungsgebiete für Klasse 1, Klasse 2 und Klasse 3. Die gegenwärtigen potenziellen Verbreitungsgebiete von C. salsa zeigten, dass diese Art in drei Klimazonen weit verbreitet war: gemäßigtes Wüstenklima, subtropisches mediterranes Klima und tropische Wüste Klimaregionen. Alle Kontinente außer der Antarktis enthalten Regionen, die für C. salsa geeignet waren. Diese Regionen waren hauptsächlich in Zentral- und Westasien und Nordafrika verteilt und in Zentral- und Westnordamerika, Zentralsüdamerika und Westozeanien verstreut. Ausgezeichnet (Klasse 1) geeignete Gebiete waren in Ägypten am weitesten verbreitet (76 750 km2), während die gut (Klasse 2) und mäßig (Klasse 3) geeigneten Gebiete in China am weitesten verbreitet waren (Klasse 2: {{ 13}} km2 und Klasse 3: 1 024 600 km2). Die ökologisch geeigneten Gebiete in Asien beschränkten sich primär auf China (Klasse 1: 45 775 km2), Jordanien (Klasse 1: 16 075 km2), Israel (Klasse 1: 14 975 km2), Saudi Arabien (Klasse 1: 14 925 km2) und Iran (Klasse 1: 12 600 km2). Die geeigneten Flächen von C. salsa in Afrika waren hauptsächlich in Ägypten, Libyen (Klasse 1: 34 400 km2) und Tunesien (Klasse 1: 275 km2) verbreitet. Geeignete Flächen für C. salsa in Südamerika waren hauptsächlich in Chile verbreitet (Klasse 1: 16 550 km2).

Aus räumlicher Perspektive (Abbildung 2) nahm der geeignete regionale Änderungstrend für die fünf Perioden zunächst zu und dann ab, wobei die größte Fläche im Jahr 2050 war (Abbildung 3a, Abbildung S3). Wir sahen eine große Abnahme geeigneter C. salsa-Flächen innerhalb des LGM im Vergleich zu denen in den anderen vier Perioden. Verglichen mit heute (4 358 775 km2) verringerten sich geeignete Flächen um 50 Prozent (2 160 975 km2) in der LGM-Periode, um 10 Prozent (MH: 3 910 350 km2) in der MH-Periode, und um 1 Prozent (4 328 800 km2) im Zeitraum 2070 und um 2 Prozent (4 428 950 km2) im Zeitraum 2050 gestiegen. Bemerkenswert ist, dass von der Gegenwart bis in die Zukunft (von 1960 bis 2080) das ausgezeichnete Gebiet (Klasse 1) für C. salsa allmählich geschrumpft ist (gegenwärtig, 243 200 km2; 2050, 232 425 km2; 2070, { {29}} km2).

CistancheExtrakt hat vieledie GesundheitVorteile

3.2. Vorhersage der geeigneten Verbreitungsgebiete von C. salsa in China und des Bereichs bioklimatischer Variablen.

Die geeigneten Gebiete für das Wachstum von C. salsa in China beschränkten sich hauptsächlich auf das nordwestliche Xinjiang, die zentrale Innere Mongolei, das nördliche Shaanxi, das nördliche Shanxi, das nordöstliche Qinghai, das nördliche Gansu und den größten Teil von Ningxia (Abbildung 2b). Die am besten geeigneten Gebiete in China waren hauptsächlich in Xinjiang verteilt, wovon das ausgezeichnete Gebiet (Klasse 1) 23 650 km2 umfasste, das gute Gebiet (Klasse

2) umfasste 220 950 km2 und das Messegebiet (Klasse 3) umfasste 189 975 km2. Unter den guten Gebieten (Klasse 2) entfielen 60,99 Prozent auf Xinjiang, gefolgt von der Inneren Mongolei (86 300 km2) und Gansu (24 450 km2) mit 23,82 Prozent bzw. 6,75 Prozent (Abbildung 3b). Die Ergebnisse des MaxEnt-Modells zeigten, dass Xinjiang besonders geeignet für das Wachstum von C. salsa war. Bei Exkursionen wurden jedoch unterschiedliche Lebensräume wie Kieswüste, Grasland und Wüstensteppe im selben Gebiet gefunden. Daher waren wir sehr interessiert an den Eigenschaften von mikrobiellen Gemeinschaften im Boden und ihrer Beziehung zur Umwelt in verschiedenen Ökotypen von C. salsa in Tacheng, Xinjiang, China.

Die Bedeutung jeder bioklimatischen Variable für die Verbreitung von C. salsa ist in Tabelle 2 dargestellt. Alle Werte waren Mittelwerte von 1 0 Wiederholungsläufen. Die drei wichtigsten bioklimatischen Variablen mit dem größten Einfluss auf die Verteilung von C. salsa waren der Niederschlag im trockensten Viertel (Bio17), der Niederschlag im wärmsten Viertel (Bio18) und die mittlere Tagesreichweite (Bio2) mit relativen Beitragsraten von 25,81 Prozent, 17,65 Prozent bzw. 13,70 Prozent. Wie aus der vom MaxEnt-Modell erhaltenen Antwortkurve hervorgeht, konnte der Bereich des Biofaktors berechnet werden, wenn die Vorhersagewahrscheinlichkeit 0,5 überstieg. Beispielsweise reichte der Bereich von bio17 von –135,30 bis 11,34 mm, der von bio 18 von –206,60 bis 4,40 mm und der von bio2 von 11,65 bis 12,50 Grad.

3.3. Bodenmikrobiome von drei Ökotypen von C. salsa mit unterschiedlichen und überlappenden mikrobiellen Gemeinschaften.

Die 16S-rRNA-Sequenzierung führte zu 518 217 Raw-Reads, von denen 441 576 auf Qualität und Länge gescreent wurden. Der Datensatz enthielt 11 818−26 431 (Mittelwert: 20 150) Sequenzen pro Probe. Die Lesevorgänge hoher Qualität wurden auf der Grundlage von gruppiert

>97 Prozent Sequenzidentität in 2 788 mikrobielle OTUs (Tabelle 1).

Die mikrobielle Gemeinschaft wurde in 34 Phyla und 321 Gattungen eingeteilt. Auf Phylum-Ebene (Abbildung 4a), Aktinobakterien (DS, 31,94 Prozent; GD; 46,42 Prozent; GL, 33,33 Prozent), Proteobakterien (DS,

23,25 Prozent; GD, 22,53 Prozent; GL, 24,68 Prozent) und Gemmatimonadetes (DS, 17,77 Prozent; GD, 8,02 Prozent; GL, 8,36 Prozent) dominierten in den drei Ökotypen. Auf Gattungsebene (Abbildung 4b) wurde die Wüstensteppe von Euzebya (4,82 Prozent) und Arthrobacter (1,74 Prozent) dominiert, während die dominantesten Gattungen in der Kieswüste Arthrobacter (8,35 Prozent) und Bacillus (4,95 Prozent) waren ). Bacillus (6,89 Prozent) und Arthrobacter (5,57 Prozent) dominierten im Grünland. Die 10 am häufigsten vorkommenden mikrobiellen Gemeinschaften in der Wüstensteppe wurden in acht Phyla eingeteilt (Abbildung 4c), die in der Kieswüste wurden in sieben Phyla eingeteilt (Abbildung 4d) und die im Grasland wurden in 10 Phyla eingeteilt (Abbildung 4e ).

Die Messungen der Diversität innerhalb der Stichprobe ( -Diversität) zeigten eine Diversitätsänderung vom Grasland zur Kieswüste und Wüstensteppe (Abbildung 4f). Die Vielfalt der mikrobiellen Gemeinschaften im Boden in jeder Probe wurde anhand der Indizes für die Diversität von Shannon, Chao 1, Fisher und beobachteten Arten bewertet. Die von Shannon, Chao 1, beobachteten Arten und die Fisher-Indizes legten nahe, dass die Vielfalt der Graslandbodengemeinschaften

höher war als die der anderen beiden Ökotypgemeinschaften. Die Ergebnisse der Verdünnungskurven (Abbildung S5) waren den obigen Ergebnissen ähnlich, mit Ausnahme von YM1 und HJ3. AMOVA-Ergebnisse (Tabelle S3) zeigten signifikante Unterschiede (p < 0,01)="" zwischen="" den="" drei="" ökotypen.="" die="" ergebnisse="" der="" unbeschränkten="" pcoas="" von="" ungewichteten="" unifrac-distanz-2d-plots="" (abbildung="" 4g)="" zeigten,="" dass="" die="" bodenproben="" von="" bakteriellen="" mikrobiomen="" aus="" verschiedenen="" ökotypen,="" außer="" ym1="" und="" hj3,="" gut="" geclustert="" waren.="" die="" baumclusterung="" der="" bray-distanzdiversität="" basierend="" auf="" den="" ergebnissen="" des="" single-clustering-algorithmus="" (abbildung="" 4h)="" der="" bodenproben="" der="" drei="" ökotypen="" zeigte,="" dass="" die="" graslandproben,="" mit="" ausnahme="" von="" ym2,="" eng="" geclustert="" waren,="" die="" bodenproben="" der="" wüstensteppe,="" mit="" ausnahme="" von="" ja1,="" eng="" geclustert="" waren,="" und="" die="" bodenproben="" der="" kieswüste="" wurden="" nah="">

3.4. Differentielles Mikrobiom-Screening von drei Ökotypen von C. salsa.

Die Wärmekarten der Häufigkeiten verschiedener Gattungen (Abbildung 5a) zeigten, dass sich die Gattungshäufigkeit der Proben aus der Wüstensteppe von derjenigen der Proben der anderen beiden Ökotypen unterschied. Wie die Ergebnisse zeigen

LEfSe (Abbildung 5c) und RF (Abbildung 5d), die Mini-Heatmap rechts zeigt die Häufigkeit der mikrobiellen Merkmale in den drei Ökotypen auf Gattungsebene. Zu den Gattungen, die den Wüstensteppen-Ökotyp darstellen können, gehören Gillisia, Illumatobacter, Salegentibacter, Marinimikrobium usw. Variibacter ist ein Symbol

Gattungsebene, die den Ökotyp Schotterwüste repräsentieren kann. Die Biomarker im Grünland-Ökotyp enthalten Flavisolibacter und Agromyces. Nachdem die Ergebnisse der beiden Methoden kombiniert wurden, wurden 11 Biomarker ausgewählt (Tabelle S4). Abbildung 5b zeigt die Heatmap der Häufigkeit von 11 Biomarkern.

3.5. Kernmikrobiom-Screening und Vorhersage der Stoffwechselfunktion der drei Ökotypen von C. salsa.

Ein Venn-Diagramm (Abbildung 5e) wurde für die OTUs erstellt, die aus allen Bodenproben erhalten wurden, und die Ergebnisse zeigten, dass die drei Ökotypen 1712 OTUs gemeinsam hatten. Die Persistenzmethode wurde von der Kernfunktion im Mikrobiom des R-Pakets übernommen, um das Kernmikrobiom in den drei Ökotypen von C. salsa zu identifizieren. Dieses bakterielle Kernmikrobiom enthielt sechs OTUs und entsprach 19,64 Prozent des gesamten Mikrobioms. Unter Ausschluss undefinierter und duplizierter Gattungen wurden diese OTUs in sechs Gattungen eingeteilt und ihre Häufigkeit in einer Heatmap eingezeichnet (Abbildung 5f).

Die funktionellen Vorhersageergebnisse (Abbildung 6, Ergänzungsdatei 2) deuteten darauf hin, dass die funktionellen Stoffwechselwege der Bodenmikrobiome in den drei Ökotypen von C. salsa in Bezug auf Kohlenhydrate identisch waren und dass der Aminosäurestoffwechsel unter den Stoffwechselwegen reichlich vorhanden war. Membrantransport und Signaltransduktion waren auch bei der Verarbeitung von Umweltinformationen reichlich vorhanden.

3.6. Korrelationsanalyse zwischen mikrobiellen Gemeinschaften und bioklimatischen Variablen von drei Ökotypen von C. salsa.

Die redundante Analyse des Kerns, der Biomarker-Mikrobiomhäufigkeit und der bioklimatischen Variablen wurde auf Gattungsebene durchgeführt, und die Reanalyse wurde auf der Grundlage von Effekten durchgeführt. Die angepasste Interpretation der Varianz betrug 32,5 Prozent. Niederschlag des wärmsten Viertels (bio18) erklärte 23,9 Prozent der mikrobiellen Gemeinschaften (p=0,07). Die mittlere Temperatur des wärmsten Viertels (Bio10) und der mittlere Tagesbereich (Bio2) korrelierten positiv mit Illumatobacter und negativ mit Bacillus (Abbildung 7a).

Eine Korrelationsanalyse wurde für den Kern, die Biomarker-Mikrobiomhäufigkeit und sieben bioklimatische Variablen durchgeführt. Die Ergebnisse des Korrelationsnetzwerks (Abbildung 7b) zeigten, dass Illumatobacter und Salegentibacter (Biomarker in der Wüstensteppe) signifikant positiv mit dem mittleren Tagesbereich (Bio2) und der mittleren Temperatur des wärmsten Viertels (Bio10) korrelierten, aber signifikant negativ mit der Höhe korrelierten ( alt) und Niederschlag des wärmsten Viertels (bio18). Im Gegensatz dazu war Agromyces (Biomarker im Grünland) positiv mit der Höhe (alt) und dem Niederschlag des wärmsten Viertels (bio18) korreliert, aber negativ mit der mittleren Tagesschwankung (bio2) und der mittleren Temperatur des wärmsten Viertels (bio10). Darüber hinaus korrelierte Arthrobacter (Kernmikrobiom) signifikant negativ mit dem mittleren Tagesbereich (Bio2) und der mittleren Temperatur des wärmsten Viertels (Bio10). Rubrobacter korrelierte signifikant positiv mit dem Jahresniederschlag (Bio12).