ส่วนที่ 1 การเปิดเผยผลกระทบของสิ่งแวดล้อมต่อ Cistanche Salsa: จากการทำให้เป็นภูมิภาคทางนิเวศวิทยาทั่วโลกไปจนถึงลักษณะชุมชนจุลินทรีย์ในดิน

บทคัดย่อ:เพื่อให้เข้าใจถึงความสัมพันธ์ด้านกฎระเบียบระหว่างสิ่งแวดล้อมและซิสแทนเช่ ซัลซ่าในที่นี้ เรารวมวิธีการมิติมาโครและไมโคร จากมุมมองแบบมหภาค โมเดล MaxEnt ระบุว่าประเทศต่างๆ ตามแผนริเริ่มหนึ่งแถบ หนึ่งเส้นทาง เช่น จีน อียิปต์ และลิเบีย มีความเหมาะสมอย่างยิ่งต่อการเติบโตของค. ซัลซ่าตั้งแต่สมัยโบราณ (Last Glacial Maximum และ mid-Holocene) ไปจนถึงอนาคต (2050 และ 2070) การทดสอบมีดสั้นเปิดเผยว่าการตกตะกอนเป็นปัจจัยทางนิเวศวิทยาที่สำคัญซึ่งส่งผลต่อการกระจายของ C. salsa จากมุมมองของมาโคร ข้อมูลการจัดลำดับแอมพลิคอน 16S rRNA แสดงให้เห็นว่าชุมชนจุลินทรีย์ในดินของระบบนิเวศน์สามชนิด การวิเคราะห์ไมโครไบโอมหลักแสดงให้เห็นว่าแบคทีเรียจำพวก Arthrobacter, Sphingomonas และ Bacillus ได้รับการเสริมสมรรถนะแก่กลุ่มแท็กซ่าของค. ซัลซ่า. LEfSe และป่าสุ่มถูกนำมาใช้ในการขุด Gillisia (ทะเลทราย–บริภาษ), Flavisolibacter (ทุ่งหญ้า) และ Variibacter(กรวด−ทะเลทราย) เป็นตัวบ่งชี้ทางชีวภาพที่สามารถแยกแยะระหว่างชุมชนจุลินทรีย์จากสามระบบนิเวศน์ โปรไฟล์การทำนายแสดงให้เห็นว่าฟังก์ชันเมตาบอลิซึมของชุมชนจุลินทรีย์อุดมไปด้วยวิถีเมแทบอลิซึมและการประมวลผลข้อมูลสิ่งแวดล้อม การวิเคราะห์สหสัมพันธ์เปิดเผยว่าระดับความสูง ปริมาณน้ำฝนในไตรมาสที่ร้อนที่สุด (bio18) ช่วงกลางวันเฉลี่ย (bio2) และอุณหภูมิเฉลี่ยของไตรมาสที่ร้อนที่สุด (bio10) เป็นปัจจัยทางนิเวศวิทยาที่สำคัญที่ส่งผลกระทบต่อองค์ประกอบของชุมชนจุลินทรีย์ในดิน งานนี้ให้ข้อมูลเชิงลึกใหม่เกี่ยวกับความสัมพันธ์ด้านกฎระเบียบระหว่างการกระจายที่เหมาะสมของค. ซัลซ่าชุมชนจุลินทรีย์ในดิน และตัวขับเคลื่อนระบบนิเวศ ยิ่งไปกว่านั้น ยังช่วยให้เข้าใจถึงปฏิสัมพันธ์ระหว่างพืชทะเลทรายและปัจจัยทางนิเวศวิทยาในสภาพแวดล้อมที่แห้งแล้งได้อย่างลึกซึ้งยิ่งขึ้น

คีย์เวิร์ด:ซิสแทนเช่ ซัลซ่า, MaxEnt, การจัดลำดับแอมพลิคอน 16S rRNA, ชุมชนจุลินทรีย์ในดิน, ผลกระทบต่อสิ่งแวดล้อม

Cistanche deserticola มีเอฟเฟกต์มากมาย คลิกที่นี่เพื่อทราบข้อมูลเพิ่มเติม

สำหรับข้อมูลเพิ่มเติมกรุณาติดต่อ:Joanna.jia@wecistanche.com

1. บทนำ

มูลค่าทางเศรษฐกิจของพืชสมุนไพรเพิ่มขึ้นอย่างรวดเร็วในช่วงไม่กี่ปีที่ผ่านมาด้วยการพัฒนาและการใช้ประโยชน์ของพืชธรรมชาติทั่วโลก flก้านอายของซิสแทนเช่ ซัลซ่าเป็นอวัยวะพืชที่รับประทานได้และเป็นยาที่ใช้กันทั่วไปเป็นยาบำรุงไต ยาโป๊ การรักษาต่อต้านวัยและต้านอนุมูลอิสระ ยาระบายในลำไส้ การรักษาปกป้องตับ และการรักษาป้องกันรังสี การศึกษาพฤกษเคมีสมัยใหม่เกี่ยวกับ C. salsa ส่งผลให้สามารถระบุและแยกสารประกอบออกฤทธิ์ทางชีวภาพในปริมาณมาก เช่น ฟีนิลทานอยด์ไกลโคไซด์ อิริดอยด์ อัลดิทอล และลิกนิน ซึ่งมีคุณค่าทางการแพทย์และกินได้ที่สำคัญ1 ด้วยการพัฒนาอย่างรวดเร็วของตลาด ยาและอาหารเพื่อสุขภาพ ความต้องการค. ซัลซ่าเพิ่มขึ้นอย่างรวดเร็วและมาพร้อมกับการใช้ทรัพยากรป่ามากเกินไปและการปล้นสะดม ดังนั้นการแนะนำและการเพาะปลูกเทียมขนาดใหญ่ของค. ซัลซ่าได้กลายเป็นมาตรการสำคัญในการปกป้องทรัพยากรป่าและการทำลายล้างของระบบนิเวศอย่างช้าๆ อย่างไรก็ตาม งานวิจัยเกี่ยวกับการเพาะปลูกเทียมของค. ซัลซ่ายังคงจำกัด

สิ่งแวดล้อมส่งผลกระทบอย่างใหญ่หลวงต่อการเจริญเติบโตและการพัฒนาของ C. salsa2 พืชเติบโตในสภาพแวดล้อมที่แตกต่างกัน ก่อให้เกิดระบบนิเวศที่แตกต่างกันซึ่งแสดงการเปลี่ยนแปลงที่สำคัญของส่วนผสมที่ไม่ใช้งานและการแสดงออกของยีน3,4 ในระดับมหภาค การวิจัยพบว่าอุณหภูมิ แสงสว่าง ปริมาณน้ำฝน และชนิดของดินล้วนมีผลต่อการเจริญเติบโตของพืชและส่วนประกอบสำคัญ5,6 การศึกษาปฏิสัมพันธ์ระหว่างสิ่งแวดล้อมกับพืชและลักษณะเฉพาะที่ครอบคลุมของระบบนิเวศน์ของพืชต่างๆ เป็นประโยชน์ต่อการเลือกและการเพาะปลูกพืชสูง -พันธุ์ที่มีคุณภาพ7 จากมุมมองมหภาค พืชสามารถมีผลกระทบอย่างมากต่อสิ่งมีชีวิตในดิน แม้ว่าจะมีการสัมผัสโดยตรงกับระบบดินเพียงเล็กน้อยหรือไม่มีเลยผ่านทางรากก็ตาม8,9 อย่างไรก็ตาม งานวิจัยในปัจจุบันเกี่ยวกับความสัมพันธ์ระหว่างพืชกับ สิ่งแวดล้อม รวมทั้งปัจจัยด้านสภาพอากาศและชุมชนจุลินทรีย์ในดิน ยังไม่ชัดเจน

แบบจำลองการกระจายชนิดพันธุ์ (SDM) เป็นแบบจำลองทางสถิติที่สร้างขึ้นโดยใช้ข้อมูลการกระจายพันธุ์ที่มีอยู่และตัวแปรด้านสิ่งแวดล้อมเพื่ออนุมานความต้องการทางนิเวศวิทยาของชนิดพันธุ์และคาดการณ์พื้นที่การกระจายที่มีศักยภาพ 10,11 สำรวจพื้นที่การเจริญเติบโตที่เหมาะสมโดยผสมผสานปัจจัยสภาพอากาศและดิน กำหนดสภาพแวดล้อมที่เหมาะสมสำหรับพืชสมุนไพร และปกป้องและปลูกพืชที่ใกล้สูญพันธุ์ในทางวิทยาศาสตร์ 12,13 SDM เช่น MaxEnt และ biomod2 ตอบสนองต่อการคาดการณ์ของแนวโน้มการกระจายของพืชที่ใกล้สูญพันธุ์และพืชในระบบนิเวศได้สำเร็จในช่วงที่สภาพอากาศเปลี่ยนแปลง14,15

ได้ทำการจัดลำดับแอมพลิคอน 16S rRNA ของตัวอย่างดินไรโซสเฟียร์ของพืชเพื่อสำรวจความหลากหลายของชุมชนจุลินทรีย์ โดยให้ข้อมูลเชิงลึกใหม่เกี่ยวกับความสัมพันธ์ระหว่างพืชและชุมชนจุลินทรีย์ในดิน16,17

ในการศึกษานี้ เราสำรวจความสัมพันธ์ระหว่างสิ่งแวดล้อมกับค. ซัลซ่าจากมิติมาโครและไมโคร เราดำเนินการดังต่อไปนี้ (1) เราใช้แบบจำลอง MaxEnt เพื่อทำนายพื้นที่การเติบโตที่เหมาะสมทั่วโลกของค. ซัลซ่าจากสมัยโบราณสู่อนาคต (ห้าช่วง: Last Glacial Maximum [LGM], mid-Holocene [MH], ปัจจุบัน, 2050 และ 2070) และคำนวณพื้นที่ที่เหมาะสมของระดับต่างๆ และอัตราการมีส่วนร่วมและช่วงของตัวแปรทางชีวภูมิอากาศที่มีผลต่อ การกระจายของค. ซัลซ่า.(2) ร่วมกับงานภาคสนาม เรารวบรวมตัวอย่างดินสามชนิด (ทะเลทราย–บริภาษ ทุ่งหญ้า และกรวด–ทะเลทราย) ตัวอย่างดินจากพื้นที่ปลูกที่ดีที่สุด (Tacheng และ Xinjiang) ของ

ค. ซัลซ่า. เราทำการจัดลำดับแอมพลิคอน 16S rRNA เพื่อสำรวจลักษณะของชุมชนจุลินทรีย์ในดิน นอกจากนี้เรายังเปรียบเทียบความแตกต่างของ microbiomes ของดินในสามระบบนิเวศน์และกำหนด microbiomes หลักและ biomarkers ที่สามารถแยกแยะระหว่างสาม ecotypes (3) เราทำการวิเคราะห์สหสัมพันธ์และการวิเคราะห์ซ้ำซ้อนบนพื้นฐานของความอุดมสมบูรณ์ของไมโครไบโอมหลัก ไบโอมาร์คเกอร์ และตัวแปรทางชีวภาพเพื่อสำรวจความสัมพันธ์ด้านกฎระเบียบระหว่างค. ซัลซ่าและสิ่งแวดล้อม

Cistancheมีฤทธิ์ต้านความเหนื่อยล้ามากมาย

2. วัสดุและวิธีการ

2.1. การสร้างแบบจำลองเฉพาะทางนิเวศวิทยา

ในการวิจัยครั้งนี้ มีการใช้ทรัพยากร 5 อย่างเพื่อค้นหาสถานที่ปัจจุบันของค. ซัลซ่าทั่วโลก: (1) GBIF ; (3) โครงสร้างพื้นฐานข้อมูลตัวอย่างแห่งชาติ (4) วรรณกรรมที่ตีพิมพ์; และ (5) งานภาคสนาม ข้อมูลตัวอย่างที่ไม่มีละติจูดและลองจิจูดนั้นใช้การสืบค้นละติจูดและลองจิจูดของแผนที่ออนไลน์ วิธีการวิเคราะห์บัฟเฟอร์ถูกใช้เพื่อตรวจทานและกรองจุดแจกจ่ายที่ได้รับเพื่อขจัดผลของการจำลองเกินขนาดที่เกิดจากสหสัมพันธ์เชิงพื้นที่ขนาดใหญ่ ความละเอียดเชิงพื้นที่ของตัวแปรทางชีวภาพคือ 2.5 arc-min (ประมาณ 4.5 km2) และระยะ Buffer ตั้งไว้ที่ 3 km เมื่อระยะห่างระหว่างจุดแจกจ่ายน้อยกว่า 3 กม. จะคงไว้จุดแจกจ่ายเพียงจุดเดียว หลังจากลบจุดที่ซ้ำกันออกไป 76 ครั้ง ทั้งหมดจากพื้นที่การผลิตที่แท้จริงของ C. salsa ถูกรวบรวมและใช้สำหรับการวิเคราะห์ (รูปที่ 1a, ไฟล์เสริม 1)

เราใช้ตัวแปรทางชีวภาพ 19 ตัวของ WorldClim เป็นตัวทำนายด้านสิ่งแวดล้อม ข้อมูลตัวแปรทางชีวสภาพอากาศในปัจจุบันของการศึกษานี้รวบรวมจากข้อมูลการติดตามของฐานข้อมูล WorldClim เวอร์ชัน 1.418 ระหว่างปี 1960-1990 ด้วยความละเอียด 2.5 arc-min ตัวแปรทางชีวภาพแบบโบราณ (LGM และ MH) และอนาคต (อนาคต 2050 และอนาคต 2070) ที่มีอยู่ใน WorldClim เวอร์ชัน 1.4 ที่ความละเอียด 2.5 arc-min เป็นตัวทำนายของแบบจำลองการกระจายพันธุ์ เพื่อหลีกเลี่ยงการเกิด multicollinearity เราจึงทำการวิเคราะห์สหสัมพันธ์บนจุดพื้นหลังและกำจัดตัวแปรตัวใดตัวหนึ่งในแต่ละคู่ด้วยเพียร์สัน

ค่าสหสัมพันธ์ > 0.819 (รูปที่ S1) ตัวแปรทางชีวภูมิอากาศแปดประการที่รวมอยู่ในแบบจำลองสุดท้าย ได้แก่ ช่วงกลางวันเฉลี่ย (bio2) อุณหภูมิเฉลี่ยของไตรมาสที่ฝนตกชุก (bio8) อุณหภูมิเฉลี่ยของไตรมาสที่แห้งที่สุด (bio9) อุณหภูมิเฉลี่ยของไตรมาสที่ร้อนที่สุด (bio10) ปริมาณน้ำฝนรายปี (bio12) ปริมาณน้ำฝนในไตรมาสที่แห้งที่สุด (bio17) ปริมาณน้ำฝนในไตรมาสที่ร้อนที่สุด (bio18) และปริมาณน้ำฝนในไตรมาสที่หนาวที่สุด (bio19)

เราใช้โมเดลเอนโทรปีสูงสุดของแพ็คเกจซอฟต์แวร์โอเพนซอร์ซ (MaxEnt v.3.4.0),20 ซึ่งสามารถดาวน์โหลดเพื่อสร้างแบบจำลองการกระจายสปีชีส์สำหรับค. ซัลซ่า. พารามิเตอร์ต่อไปนี้ถูกใช้ในการตั้งค่าพื้นฐาน: random seed และ random test เปอร์เซ็นต์ 25 และ 10 ซ้ำ โดยการตั้งค่าเปอร์เซ็นต์การทดสอบแบบสุ่มเป็น 25 เปอร์เซ็นต์ เราสุ่มเลือกจุดแจกจ่าย 75 เปอร์เซ็นต์สำหรับชุดการฝึก ด้วยการตั้งค่าจำนวนการทำซ้ำเป็น 10 เรารันโมเดล 10 ครั้งด้วยการตั้งค่าเดียวกันและหาค่าเฉลี่ยเอาท์พุตของการรันทั้งหมดเพื่อให้ได้ผลลัพธ์สุดท้าย พื้นที่ใต้เส้นโค้งตัวดำเนินการรับ (AUC) ถูกใช้เพื่อประเมินความพอดีของแบบจำลอง และแบบจำลองที่มีค่า AUC สูงสุดถือเป็นตัวดำเนินการที่ดีที่สุด ขั้นตอนการใช้มีดแม่แรงเพื่อประเมินความสำคัญของตัวแปร เส้นโค้งการตอบสนองถูกใช้เพื่อให้ได้ช่วงของตัวแปรทางชีวภูมิอากาศ

ArcGIS ใช้ในการวิเคราะห์ตัวแปรทางชีวภาพที่ส่งผลต่อการกระจายของ C. salsa และเพื่อจำแนกและคำนวณพื้นที่ที่เหมาะสมสำหรับการผลิต

2.2. การรวบรวมตัวอย่างดินและคำอธิบาย ค. ซัลซ่า

มีการกระจายตามธรรมชาติในระบบนิเวศสามประเภท ได้แก่ กรวด-ทะเลทราย ทุ่งหญ้า และทะเลทราย-บริภาษ ในเดือนเมษายน 2017 เราได้รวบรวมตัวอย่างลำต้นและดิน fleshy ที่เป็นตัวแทนของระบบนิเวศน์สำคัญของ C. salsa ในเมือง Tacheng ซินเจียง ประเทศจีน (รูปที่ 1b, ตารางที่ 1) ตัวอย่าง Gravel−desert ถูกรวบรวมจาก Hejiaoke, Toli County (HJ1, HJ2 และ HJ3) ตัวอย่างทุ่งหญ้าถูกรวบรวมจาก Yumin County (YM1, YM2, YM3 และ YM4) ตัวอย่างบริภาษทะเลทรายถูกเก็บจาก Jiang Alhan (JA1, JA2, JA3, JA4, JA5 และ JA6) ตัวอย่างดินที่เรารวบรวมมาจากดินบนพื้นผิวของ C. salsa และบริเวณที่เป็นปรสิต ตัวอย่างบัตรกำนัลกับ

หมายเลขบัตรกำนัลจาก 20170510079-DT ถึง 20170510091-DT ถูกฝากไว้ในสมุนไพรของสถาบันพัฒนาพืชสมุนไพรที่ Chinese Academy of Medical Sciences ในกรุงปักกิ่ง ประเทศจีน หลังจากทำความสะอาดแล้ว เนื้อเยื่อต้นกำเนิดที่ชุ่มฉ่ำจะถูกหั่นเป็นชิ้นเล็กๆ แล้วนำไปแช่แข็งในไนโตรเจนเหลวทันที และเก็บไว้ที่อุณหภูมิ −80 องศาจนกว่าจะนำไปแปรรูปต่อไป ขุดแกนดินที่ความลึก 20 ซม. โดยใช้

สว่านเจาะกระแทกสเตนเลสสตีลที่มีเส้นผ่านศูนย์กลาง 5 ซม. แล้วเก็บที่อุณหภูมิ -20 องศาในตู้เย็นแบบพกพา หลังจากขนส่งไปยังห้องปฏิบัติการแล้ว ตัวอย่างดินจะถูกส่งผ่านตะแกรงขนาด 2 มม. เพื่อขจัดเนื้อเยื่อพืช ราก หิน และเศษซากอื่นๆ จากนั้นเก็บไว้ในตู้เย็นที่อุณหภูมิ -20 องศาก่อนทำการทดลองต่อไป

2.3. การสกัดดีเอ็นเอและการจัดลำดับ 16S rRNA

ดีเอ็นเอของดินถูกสกัดโดยใช้ PowerSoil DNA Isolation Kit (MoBio Laboratories, Carlsbad, CA) ตามคู่มือ ตรวจสอบความบริสุทธิ์และคุณภาพของจีโนม DNA บนเจลอะกาโรส 0.8 เปอร์เซ็นต์ บริเวณที่แปรผันได้สูง V3-4 ของยีน 16S rRNA ของแบคทีเรียถูกขยายด้วยไพรเมอร์ 338F (ACTCCTACGGAGGCAGCAG) และ 806R (GGACTACHVGGGGTWTCTAAT) 21 สำหรับตัวอย่างดินแต่ละตัวอย่าง ลำดับบาร์โค้ด 10- หลักถูกเพิ่มลงใน 5 ′ ปลายไพรเมอร์เดินหน้าและถอยหลัง (Allwegene Co., Beijing) PCR ถูกดำเนินการบน Mastercycler Gradient (Eppendorf, Germany) โดยใช้ปริมาตรปฏิกิริยา 25 μL ที่มี KAPA 2G Robust HotStart ReadyMix 12.5 μL 1 μL ของ forwarding primer (5 μM), 1 μL ของ reverse primer (5 μM), 5 μL ของ DNA (ปริมาณแม่แบบทั้งหมดคือ 30 ng) และ 5.5 ไมโครลิตรของ H2O พารามิเตอร์การปั่นจักรยานมีดังนี้: 95 องศาเป็นเวลา 5 นาที ตามด้วย 28 รอบที่ 95 องศาเป็นเวลา 45 วินาที 55 องศาเป็นเวลา 50 วินาที และ 72 องศาเป็นเวลา 45 วินาที โดยมีการขยายสุดท้ายที่ 72 องศาเป็นเวลา 10 นาที ผลิตภัณฑ์ PCR สามรายการต่อตัวอย่างถูกรวมเข้าด้วยกันเพื่อลดความเอนเอียง PCR ระดับปฏิกิริยา ผลิตภัณฑ์ PCR ถูกทำให้บริสุทธิ์โดยใช้ QIAquick Gel Extraction Kit (QIAGEN ประเทศเยอรมนี) จากนั้นจึงวัดปริมาณโดยใช้ PCR แบบเรียลไทม์ การจัดลำดับเชิงลึกดำเนินการบนแพลตฟอร์ม MiSeq โดย Allwegene Co. (ปักกิ่ง) หลังจากการรัน การวิเคราะห์รูปภาพ การเรียกฐาน และการประมาณข้อผิดพลาดได้ดำเนินการโดยใช้ Illumina Analysis Pipeline เวอร์ชัน 2.6

2.4. การวิเคราะห์ข้อมูลการจัดลำดับ 16S rRNA Amplicon

ข้อมูลการจัดลำดับทั้งหมดถูกส่งไปยัง NCBI Short Archive (SRA) ภายใต้การส่ง SRA SUB7456002 ข้อมูลดิบถูกคัดกรองครั้งแรก และลำดับถูกลบออกตามการพิจารณาต่อไปนี้: ลำดับที่สั้นกว่า 200 bp ที่มีคะแนนคุณภาพต่ำ ( น้อยกว่าหรือเท่ากับ 20) และประกอบด้วยเบสที่คลุมเครือหรือไม่ตรงกับลำดับไพรเมอร์และแท็กบาร์โค้ด การอ่านที่มีคุณสมบัติเหมาะสมถูกแยกออกโดยใช้ลำดับบาร์โค้ดเฉพาะตัวอย่างและตัดแต่งด้วย Illumina Analysis Pipeline เวอร์ชัน 2.6 จากนั้นจึงวิเคราะห์ชุดข้อมูลโดยใช้ QIIME ลำดับถูกจัดกลุ่มเป็นหน่วยอนุกรมวิธานในการปฏิบัติงาน (OTU) ที่ระดับความคล้ายคลึงกันที่ 97 เปอร์เซ็นต์ 22 เพื่อสร้างเส้นโค้งแรร์แฟคชันและคำนวณดัชนีความสมบูรณ์และความหลากหลาย เครื่องมือตัวแยกประเภทโครงการฐานข้อมูล Ribosomal ใช้เพื่อจำแนกลำดับทั้งหมดออกเป็นกลุ่มอนุกรมวิธานที่แตกต่างกัน ซึ่งเกณฑ์ความเชื่อมั่นถูกตั้งค่าเป็น 0.7.23 การวิเคราะห์คลัสเตอร์ได้ดำเนินการบนพื้นฐานของข้อมูล OTU จากแต่ละตัวอย่างโดยใช้ R 3.6.1 เพื่อตรวจสอบ ความคล้ายคลึงกันระหว่างตัวอย่างที่แตกต่างกัน24 เมทริกซ์ระยะทาง UniFrac ระหว่างชุมชนจุลินทรีย์จากแต่ละตัวอย่างคำนวณโดยใช้ Tayc coefficient และแสดงเป็นวิธีการกลุ่มคู่ที่ไม่มีการชั่งน้ำหนักด้วยแผนภูมิคลัสเตอร์ค่าเฉลี่ยเลขคณิต ซึ่งอธิบายความแตกต่าง (1- ความคล้ายคลึงกัน) ระหว่าง ตัวอย่างหลายตัวอย่าง.25 ไฟล์ทรีรูปแบบ Newick ยังถูกสร้างขึ้นผ่านการวิเคราะห์นี้ ความหลากหลายของอัลฟ่าถูกนำมาใช้ในการวิเคราะห์ความซับซ้อนของความหลากหลายของสปีชีส์สำหรับตัวอย่างโดยใช้ดัชนีสี่ตัว ได้แก่ Chao1 สปีชีส์ที่สังเกตได้ และแชนนอนและฟิชเชอร์

ดัชนีความหลากหลาย ดัชนีเหล่านี้คำนวณโดยใช้ซอฟต์แวร์ QIIME (Boulder, CO, USA) ใน Python (v.1.8.0) (La Jolla, CA, USA) การวิเคราะห์ความหลากหลายของเบต้า 26 ถูกใช้เพื่อประเมินความแตกต่างในตัวอย่างในแง่ของ ความซับซ้อนของสายพันธุ์ ความหลากหลายของเบต้าคำนวณโดยใช้การวิเคราะห์พิกัดหลัก (PCoA) และการวิเคราะห์คลัสเตอร์ใน QIIME.27 การวิเคราะห์ความแปรปรวนของโมเลกุล (AMOVA) ดำเนินการโดยใช้แม่28 การทดสอบ Kruskal−Wallis ใช้เพื่อคำนวณความแตกต่าง OTU ระหว่างกลุ่ม (ค่า p<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.="">

การวิเคราะห์จำแนกเชิงเส้น (LDA) และวิธีการสุ่มฟอเรสต์ (RF) ในเว็บไซต์ MicrobiomeAnalyst ใช้เพื่อกำหนดไมโครไบโอมไบโอมาร์คเกอร์ การทดสอบอันดับ Kruskal−Wallis sum−rank แบบแฟคทอเรียลแบบไม่อิงพารามิเตอร์ได้ดำเนินการครั้งแรกเพื่อระบุคุณลักษณะที่มีความอุดมสมบูรณ์ของตัวแปรที่มีนัยสำคัญ โดยพิจารณาจากปัจจัยการทดลองหรือระดับความสนใจ ถัดไป ดำเนินการ LDA (ขีดจำกัดถูกตั้งค่าเป็น 2) เพื่อคำนวณขนาดที่เท่ากันของคุณลักษณะที่มีปริมาณต่างกันแต่ละอย่าง คุณสมบัติได้รับการพิจารณาว่ามีนัยสำคัญบนพื้นฐานของค่า p ที่ปรับแล้ว ค่า p-value cutoff ที่ปรับตามค่าเริ่มต้นคือ 0.05 วิเคราะห์ RF โดยใช้แพ็คเกจ randomForest5 วิธีนี้ใช้ชุดของต้นไม้การจำแนกประเภท ซึ่งแต่ละต้นจะเติบโตผ่านการเลือกคุณสมบัติแบบสุ่มจากตัวอย่างบูตสแตรปที่แต่ละสาขา

Tax4Fun (แพ็คเกจ R, http://tax4fun.gobics.de/) ถูกใช้เพื่อทำนายโปรไฟล์การทำงานของจุลินทรีย์ในตัวอย่างดิน ตาราง OTU Biom ของ microbiome ของดินถูกใช้เป็นไฟล์อินพุตสำหรับการใส่ข้อมูลเมตาจีโนมของตัวอย่างดิน C. salsa จากนั้นวิเคราะห์ความอุดมสมบูรณ์ของคลาสยีนที่คาดการณ์ไว้ที่กลุ่ม KEGG Orthology (KO) ระดับ 3 ผลลัพธ์จาก Tax4Fun ถูกวิเคราะห์ใน Doby (แพ็คเกจ R)

2.5.การวิเคราะห์สหสัมพันธ์ของชุมชนจุลินทรีย์ที่สำคัญและปัจจัยทางชีวภาพ

เราใช้ ArcGIS เพื่อแยกปัจจัยทางชีวสภาพอากาศที่สำคัญออกจากจุดสุ่มตัวอย่างดิน 13 จุด การวิเคราะห์ความซ้ำซ้อนของสกุลที่สำคัญของชุมชนจุลินทรีย์ (ไบโอมาร์คเกอร์ห้าตัว ไมโครไบโอมหลักห้าตัว) และปัจจัยทางชีวสภาพอากาศได้ดำเนินการโดยใช้

ซอฟต์แวร์ Canoco 5 การแปลงข้อมูล Log2 ถูกดำเนินการอย่างสม่ำเสมอก่อนการวิเคราะห์ ค่าสัมประสิทธิ์สหสัมพันธ์ของสเปียร์แมนคำนวณสำหรับความอุดมสมบูรณ์ของไบโอมาร์คเกอร์ห้าตัว ไมโครไบโอมหลักห้าตัว และการรวมข้อมูลปัจจัยทางชีวสภาพอากาศโดยใช้ SPSS ผลการวิเคราะห์สหสัมพันธ์วาดโดย pheatmap (แพ็คเกจ R)

Cistancheสามารถต้านทานความชราได้

3. ผลลัพธ์

การคาดการณ์การเปลี่ยนแปลงการกระจายทั่วโลกของ C. salsa ในช่วงเวลาที่แตกต่างกัน ROC ที่คำนวณได้แสดงให้เห็น

ว่าค่า AUC เท่ากับ {0}}.977 (รูปที่ S2) แสดงว่าตัวแบบเห็นด้วยกับข้อมูลเป็นอย่างดี.30 ผลการจำลองความเหมาะสมของที่อยู่อาศัยเป็นเวลาห้าช่วง (LGM, MH, ปัจจุบัน, 2050 และ 2070 ) ถูกแสดงไว้ในรูปที่ 2 และตารางที่ 2 C. ความเหมาะสมในการปลูกซัลซ่าถูกแบ่งออกเป็นห้าหมวดหมู่ตามเกณฑ์เกณฑ์ทางสถิติ: ไม่เหมาะสม (คลาส 5: 0-20 เปอร์เซ็นต์ ), ขอบ (คลาส 4: 20−50 เปอร์เซ็นต์ ), ยุติธรรม (ชั้น 3: 50−75 เปอร์เซ็นต์ ), ดี (ชั้น 2: 75−

90 เปอร์เซ็นต์ ) และยอดเยี่ยม (คลาส 1: 90−100 เปอร์เซ็นต์ ) บทความนี้กล่าวถึงเฉพาะพื้นที่การกระจายที่เหมาะสมสำหรับชั้น 1 ชั้น 2 และชั้น 3 การกระจายที่มีศักยภาพของ C. salsa ในปัจจุบันบ่งชี้ว่าสายพันธุ์นี้มีการกระจายอย่างกว้างขวางในสามเขตภูมิอากาศ: ภูมิอากาศแบบทะเลทรายที่อบอุ่น ภูมิอากาศแบบเมดิเตอร์เรเนียนกึ่งเขตร้อน และทะเลทรายเขตร้อน ภูมิภาคภูมิอากาศ ทุกทวีป ยกเว้นแอนตาร์กติกา มีภูมิภาคที่เหมาะสำหรับ C. salsa ภูมิภาคเหล่านี้ส่วนใหญ่กระจายอยู่ในเอเชียกลางและตะวันตก และแอฟริกาเหนือ และกระจัดกระจายในอเมริกาเหนือกลางและตะวันตก อเมริกาใต้ตอนกลาง และโอเชียเนียตะวันตก พื้นที่ที่เหมาะสมที่ดีเยี่ยม (ระดับ 1) มีการกระจายอย่างกว้างขวางที่สุดในอียิปต์ (76 750 กม. 2) ในขณะที่พื้นที่ที่เหมาะสม (ชั้น 2) และยุติธรรม (ชั้น 3) มีการกระจายอย่างกว้างขวางที่สุดในประเทศจีน (ชั้น 2: {{ 13}} km2 และคลาส 3: 1 024 600 km2) พื้นที่ที่เหมาะสมต่อระบบนิเวศน์ในเอเชียส่วนใหญ่จำกัดเฉพาะจีน (ชั้น 1: 45 775 กม. 2) จอร์แดน (ชั้น 1: 16 075 กม. 2) อิสราเอล (ชั้น 1: 14 975 กม. 2) ซาอุดีอาระเบีย อารเบีย (ชั้น 1: 14 925 km2) และอิหร่าน (ชั้น 1: 12 600 km2) พื้นที่ที่เหมาะสมของ C. salsa ในแอฟริกาส่วนใหญ่กระจายอยู่ในอียิปต์ ลิเบีย (ชั้น 1: 34 400 กม. 2) และตูนิเซีย (ชั้น 1: 275 กม. 2) พื้นที่ที่เหมาะสมสำหรับ C. salsa ในอเมริกาใต้ส่วนใหญ่กระจายอยู่ในชิลี (ชั้น 1: 16 550 km2)

จากมุมมองเชิงพื้นที่ (รูปที่ 2) แนวโน้มการเปลี่ยนแปลงในระดับภูมิภาคที่เหมาะสมสำหรับช่วงห้าช่วงแรกเพิ่มขึ้นและลดลงตามพื้นที่ที่ใหญ่ที่สุดในปี 2050 (รูปที่ 3a รูปที่ S3) เราเห็นการลดลงอย่างมากในพื้นที่ C. salsa ที่เหมาะสมภายใน LGM เมื่อเทียบกับพื้นที่ดังกล่าวในสี่ช่วงที่เหลือ เมื่อเทียบกับปัจจุบัน (4 358 775 km2) พื้นที่ที่เหมาะสมลดลง 50 เปอร์เซ็นต์ (2 160 975 km2) ในช่วง LGM โดย 10 เปอร์เซ็นต์ (MH: 3 910 350 km2) ในช่วงเวลา MH และเพิ่มขึ้น 1 เปอร์เซ็นต์ (4 328 800 km2) ในช่วงเวลา 2070 และเพิ่มขึ้น 2 เปอร์เซ็นต์ (4 428 950 km2) ในช่วงปี 2050 โดยเฉพาะอย่างยิ่ง จากปัจจุบันสู่อนาคต (จากปี 1960 ถึง 2080) พื้นที่ที่ยอดเยี่ยม (คลาส 1) สำหรับ C. salsa ค่อยๆ ลดลง (ปัจจุบัน 243 200 km2; 2050, 232 425 km2; 2070, { {29}} กม2).

Cistancheสารสกัดมีมากมายสุขภาพประโยชน์

3.2. การคาดคะเนพื้นที่การกระจายที่เหมาะสมของ C. salsa ในประเทศจีนและช่วงของตัวแปรทางชีวภาพ

พื้นที่ที่เหมาะสมสำหรับการเติบโตของ C. salsa ในประเทศจีนส่วนใหญ่ถูกจำกัดให้อยู่ทางตะวันตกเฉียงเหนือของซินเจียง มองโกเลียในตอนกลาง มณฑลส่านซีตอนเหนือ ซานซีตอนเหนือ ชิงไห่ตะวันออกเฉียงเหนือ กานซู่ตอนเหนือ และส่วนใหญ่ของหนิงเซี่ย (รูปที่ 2b) พื้นที่ที่เหมาะสมที่สุดในประเทศจีนส่วนใหญ่กระจายอยู่ในซินเจียง ซึ่งพื้นที่ที่ดีเยี่ยม (ชั้นที่ 1) ครอบคลุม 23 650 ตารางกิโลเมตร พื้นที่ที่ดี (ชั้น

2) ครอบคลุม 220 950 km2 และพื้นที่จัดแสดง (ชั้น 3) ครอบคลุม 189 975 km2 ในบรรดาพื้นที่ที่ดี (ระดับ 2) ซินเจียงคิดเป็นร้อยละ 60.99 รองลงมาคือมองโกเลียใน (86 300 กม.2) และกานซู่ (24 450 กม.2) ที่ 23.82 เปอร์เซ็นต์ และ 6.75 เปอร์เซ็นต์ ตามลำดับ (รูปที่ 3b) ผลลัพธ์ของแบบจำลอง MaxEnt ระบุว่าซินเจียงเหมาะอย่างยิ่งสำหรับการเติบโตของ C. salsa อย่างไรก็ตาม พบแหล่งที่อยู่อาศัยที่แตกต่างกัน เช่น กรวด ทะเลทราย ทุ่งหญ้า และที่ราบทะเลทราย ในบริเวณเดียวกันระหว่างการเดินทางภาคสนาม ดังนั้นเราจึงสนใจคุณลักษณะของชุมชนจุลินทรีย์ในดินและความสัมพันธ์กับสิ่งแวดล้อมในระบบนิเวศน์ที่แตกต่างกันของ C. salsa ในเมือง Tacheng ซินเจียง ประเทศจีน

ความสำคัญของตัวแปร bioclimatic แต่ละตัวต่อการกระจายของ C. salsa แสดงไว้ในตารางที่ 2 ค่าทั้งหมดเป็นวิธีการ 10 ทำซ้ำการทำงาน ตัวแปรทางชีวภูมิอากาศสามอันดับแรกที่มีอิทธิพลมากที่สุดต่อการกระจาย C. salsa ได้แก่ ปริมาณน้ำฝนในไตรมาสที่แห้งที่สุด (bio17) ปริมาณน้ำฝนในไตรมาสที่ร้อนที่สุด (bio18) และช่วงกลางวันเฉลี่ย (bio2) ที่มีอัตราการบริจาคสัมพัทธ์เท่ากับ 25.81 เปอร์เซ็นต์ , 17.65 เปอร์เซ็นต์ , และ 13.70 เปอร์เซ็นต์ ตามลำดับ ตามที่ระบุโดยเส้นโค้งการตอบสนองที่ได้รับจากแบบจำลอง MaxEnt ช่วงของปัจจัยทางชีวภาพสามารถคำนวณได้เมื่อความน่าจะเป็นในการทำนายเกิน 0.5 ตัวอย่างเช่น ช่วงของ bio17 คือตั้งแต่ −135.30 ถึง 11.34 มม. ของ bio 18 อยู่ระหว่าง −206.60 ถึง 4.40 มม. และ bio2 อยู่ระหว่าง 11.65 ถึง 12.50 องศา

3.3. จุลินทรีย์ในดินจากระบบนิเวศน์สามชนิดของ C. salsa แสดงชุมชนจุลินทรีย์ที่แตกต่างและทับซ้อนกัน

การจัดลำดับ 16S rRNA ทำให้เกิด 518 217 การอ่านแบบดิบ ซึ่งในจำนวนนั้น 441 576 ถูกคัดกรองสำหรับคุณภาพและความยาว ชุดข้อมูลประกอบด้วยลำดับ 11 818−26 431 (ค่าเฉลี่ย: 20 150) ต่อตัวอย่าง การอ่านคุณภาพสูงจัดกลุ่มบนพื้นฐานของ

>ความเหมือนกันของลำดับ 97 เปอร์เซ็นต์ใน 2 788 OTU ของจุลินทรีย์ (ตารางที่ 1)

ชุมชนจุลินทรีย์แบ่งออกเป็น 34 ไฟลาและ 321 สกุล ที่ระดับไฟลัม (รูปที่ 4a), Actinobacteria (DS, 31.94 เปอร์เซ็นต์ ; GD; 46.42 เปอร์เซ็นต์ ; GL, 33.33 เปอร์เซ็นต์ ), Proteobacteria (DS,

23.25 เปอร์เซ็นต์ ; จีดี, 22.53 เปอร์เซ็นต์ ; GL, 24.68 เปอร์เซ็นต์ ) และ Gemmatimonadetes (DS, 17.77 เปอร์เซ็นต์ ; GD, 8.02 เปอร์เซ็นต์ ; GL, 8.36 เปอร์เซ็นต์ ) มีความสำคัญในระบบนิเวศทั้งสาม ในระดับสกุล (รูปที่ 4b) ทะเลทรายที่ราบกว้างใหญ่มี Euzebya (4.82 เปอร์เซ็นต์) และ Arthrobacter (1.74 เปอร์เซ็นต์) ในขณะที่ทะเลทรายที่มีสกุลที่โดดเด่นที่สุดคือ Arthrobacter (8.35 เปอร์เซ็นต์) และ Bacillus (4.95 เปอร์เซ็นต์) ). บาซิลลัส (6.89 เปอร์เซ็นต์) และ Arthrobacter (5.57 เปอร์เซ็นต์) มีความโดดเด่นในทุ่งหญ้า ชุมชนจุลินทรีย์ที่อุดมสมบูรณ์ 10 อันดับแรกในทะเลทรายที่ราบกว้างใหญ่ถูกจำแนกออกเป็นแปดไฟลา (รูปที่ 4c) ชุมชนในกรวด - ทะเลทรายถูกจำแนกเป็นเจ็ดไฟลา (รูปที่ 4d) และกลุ่มที่อยู่ในทุ่งหญ้าถูกจำแนกเป็น 10 ไฟลา (รูปที่ 4e ).

การวัดความหลากหลายภายในตัวอย่าง ( -diversity) เผยให้เห็นการเปลี่ยนแปลงความหลากหลายจากทุ่งหญ้าเป็นกรวด- ทะเลทรายและทะเลทราย-บริภาษ (รูปที่ 4f) -ความหลากหลายของชุมชนจุลินทรีย์ในดินในแต่ละตัวอย่างได้รับการประเมินบนดัชนี Shannon, Chao 1, Fisher และสังเกตความหลากหลายของชนิดพันธุ์ Shannon, Chao 1, ชนิดที่สังเกตได้, และดัชนีฟิชเชอร์ เสนอว่า -ความหลากหลายของชุมชนดินทุ่งหญ้า

สูงกว่าชุมชนเชิงนิเวศอีกสองชุมชน ผลลัพธ์ของกราฟหายาก (รูปที่ S5) คล้ายกับผลลัพธ์ข้างต้น ยกเว้นสำหรับ YM1 และ HJ3 ผลลัพธ์ของ AMOVA (ตารางที่ S3) แสดงให้เห็นว่ามีความแตกต่างที่มีนัยสำคัญ (p < 0.01)="" ในสามระบบนิเวศน์="" ผลลัพธ์ของ="" pcoas="" ที่ไม่มีข้อจำกัดของแปลง="" 2d="" ระยะทาง="" unifrac="" แบบไม่ถ่วงน้ำหนัก="" (รูปที่="" 4g)="" ระบุว่าตัวอย่างดินของไมโครไบโอมของแบคทีเรียจากระบบนิเวศที่แตกต่างกัน="" ยกเว้น="" ym1="" และ="" hj3="" ถูกจัดกลุ่มอย่างดี="" การจัดกลุ่มต้นไม้หลากหลายระยะทางของ="" bray="" ตามผลลัพธ์อัลกอริธึมการทำคลัสเตอร์เดี่ยว="" (รูปที่="" 4="" ชั่วโมง)="" ของตัวอย่างดินสามประเภทนิเวศแสดงให้เห็นว่าตัวอย่างทุ่งหญ้า="" ยกเว้น="" ym2="" ถูกจัดกลุ่มอย่างใกล้ชิด="" ตัวอย่างดินทะเลทราย-บริภาษ="" ยกเว้น="" ja1="" ถูกจัดกลุ่มอย่างใกล้ชิด="">

3.4. การคัดกรองไมโครไบโอมเชิงอนุพันธ์ของสามอีโคไทป์ของ C. salsa

แผนที่ความร้อนของความอุดมสมบูรณ์ของสกุลที่แตกต่างกัน (รูปที่ 5a) ระบุว่าความหลากหลายของตัวอย่างจากที่ราบทะเลทรายในทะเลทรายนั้นแตกต่างจากตัวอย่างจากอีกสองระบบนิเวศน์ ดังแสดงในผลลัพธ์ของ

LEfSe (รูปที่ 5c) และ RF (รูปที่ 5d) แผนที่ความร้อนขนาดเล็กทางด้านขวาแสดงถึงความอุดมสมบูรณ์ของคุณสมบัติของจุลินทรีย์ในสามอีโคไทป์ในระดับสกุล สกุลที่สามารถเป็นตัวแทนของระบบนิเวศน์ทะเลทราย-บริภาษ ได้แก่ Gillisia, Illumatobacter, Salegentibacter, Marinimicrobium เป็นต้น Variibacter เป็นสัญลักษณ์

ระดับสกุลที่แสดงถึงระบบนิเวศของกรวดและทะเลทราย ไบโอมาร์คเกอร์ในระบบนิเวศทุ่งหญ้าประกอบด้วย Flavisolibacter และ Agromyces หลังจากรวมผลลัพธ์ของทั้งสองวิธีแล้ว ไบโอมาร์คเกอร์ 11 ตัวถูกเลือก (ตารางที่ S4) รูปที่ 5b แสดงแผนที่ความร้อนของไบโอมาร์คเกอร์จำนวน 11 ตัว

3.5. การคัดกรองไมโครไบโอมหลักและการทำนายฟังก์ชันเมตาบอลิซึมของสามอีโคไทป์ของ C. salsa

แผนภาพเวนน์ (รูปที่ 5e) ถูกวางแผนสำหรับ OTU ที่ได้รับจากตัวอย่างดินทั้งหมด และผลลัพธ์แสดงให้เห็นว่าระบบนิเวศน์ทั้งสามมี OTU ร่วมกัน 1712 OTU วิธีการคงอยู่ถูกนำมาใช้จากฟังก์ชันหลักในไมโครไบโอมแพ็คเกจ R เพื่อระบุไมโครไบโอมหลักในระบบนิเวศทั้งสามของ C. salsa ไมโครไบโอมของแบคทีเรียหลักนี้มี OTU หกตัว และสอดคล้องกับ 19.64 เปอร์เซ็นต์ของไมโครไบโอมทั้งหมด ด้วยการยกเว้นจำพวกที่ไม่ได้ระบุและซ้ำซ้อน OTU เหล่านี้ถูกจำแนกออกเป็นหกสกุล และความอุดมสมบูรณ์ของพวกมันถูกวาดในแผนที่ความร้อน (รูปที่ 5f)

ผลการทำนายการทำงาน (รูปที่ 6, ไฟล์เสริม 2) เสนอว่าวิถีเมแทบอลิซึมเชิงหน้าที่ของไมโครไบโอมในดินในระบบนิเวศน์ทั้งสามของ C. salsa มีความเหมือนกันในคาร์โบไฮเดรตและเมแทบอลิซึมของกรดอะมิโนนั้นมีอยู่มากมายในวิถีทางเมแทบอลิซึม การขนส่งเมมเบรนและการส่งสัญญาณยังมีอยู่มากมายในการประมวลผลข้อมูลด้านสิ่งแวดล้อม

3.6.การวิเคราะห์ความสัมพันธ์ระหว่างชุมชนจุลินทรีย์และตัวแปรทางชีวภาพของระบบนิเวศน์สามชนิดของ C. salsa

การวิเคราะห์ซ้ำซ้อนของแกนกลาง ความชุกของไมโครไบโอมของไบโอมาร์คเกอร์ และตัวแปรทางชีวสภาพอากาศได้ดำเนินการที่ระดับสกุล และทำการวิเคราะห์ซ้ำบนพื้นฐานของผล การตีความความแปรปรวนที่ปรับแล้วเท่ากับ 32.5 เปอร์เซ็นต์ ปริมาณน้ำฝนในไตรมาสที่ร้อนที่สุด (bio18) อธิบาย 23.9 เปอร์เซ็นต์ของชุมชนจุลินทรีย์ (p=0.07) อุณหภูมิเฉลี่ยของไตรมาสที่ร้อนที่สุด (bio10) และช่วงกลางวันเฉลี่ย (bio2) มีความสัมพันธ์เชิงบวกกับ Illumatobacter และมีความสัมพันธ์เชิงลบกับบาซิลลัส (รูปที่ 7a)

วิเคราะห์สหสัมพันธ์สำหรับแกนกลาง ความอุดมสมบูรณ์ของไบโอมาร์คเกอร์ และตัวแปรทางชีวภูมิอากาศเจ็ดตัวแปร ผลลัพธ์เครือข่ายสหสัมพันธ์ (รูปที่ 7b) เปิดเผยว่า Illumatobacter และ Salegentibacter (เครื่องหมายไบโอมาร์คเกอร์ในทะเลทราย-บริภาษ) มีความสัมพันธ์เชิงบวกอย่างมีนัยสำคัญกับช่วงกลางวันเฉลี่ย (bio2) และอุณหภูมิเฉลี่ยของไตรมาสที่อบอุ่นที่สุด (bio10) แต่มีความสัมพันธ์เชิงลบอย่างมีนัยสำคัญกับระดับความสูง ( alt) และการเร่งรัดของไตรมาสที่ร้อนที่สุด (bio18) ในทางตรงกันข้าม Agromyces (ตัวบ่งชี้ทางชีวภาพในทุ่งหญ้า) มีความสัมพันธ์เชิงบวกกับระดับความสูง (alt) และการตกตะกอนของไตรมาสที่ร้อนที่สุด (bio18) แต่มีความสัมพันธ์เชิงลบกับช่วงกลางวันเฉลี่ย (bio2) และอุณหภูมิเฉลี่ยของไตรมาสที่ร้อนที่สุด (bio10) นอกจากนี้ Arthrobacter (ไมโครไบโอมหลัก) มีความสัมพันธ์เชิงลบอย่างมีนัยสำคัญกับช่วงกลางวันเฉลี่ย (bio2) และอุณหภูมิเฉลี่ยของไตรมาสที่ร้อนที่สุด (bio10) Rubrobacter มีความสัมพันธ์เชิงบวกอย่างมีนัยสำคัญกับการตกตะกอนประจำปี (bio12)