PARTIE 1 Révéler l'impact de l'environnement sur la salsa de Cistanche : de la régionalisation écologique globale aux caractéristiques de la communauté microbienne du sol

ABSTRAIT:Comprendre la relation réglementaire entre l'environnement etSalsa Cistanche, nous avons intégré ici les méthodes macro- et micro-dimensions. D'un point de vue macro, le modèle MaxEnt a indiqué que les pays le long de l'initiative "la Ceinture et la Route", comme la Chine, l'Égypte et la Libye, étaient particulièrement adaptés à la croissance deC. salsadepuis les temps anciens (dernier maximum glaciaire et milieu de l'Holocène) jusqu'au futur (2050 et 2070). Le test Jackknife a révélé que les précipitations sont un facteur écologique important qui affecte la distribution de C. salsa. D'un point de vue macro, les données de séquençage des amplicons d'ARNr 16S ont montré que les communautés microbiennes du sol de trois écotypes (désert-steppe, prairie et gravier-désert) étaient significativement différentes (p < 0,001).="" l'analyse="" du="" microbiome="" de="" base="" a="" démontré="" que="" les="" genres="" bactériens="" arthrobacter,="" sphingomonas="" et="" bacillus="" étaient="" des="" taxons="" de="" base="" enrichis="">C. salsa. Le LEfSe et la forêt aléatoire ont été utilisés pour creuser le Gillisia (steppe désertique), Flavisolibacter (prairie) et Variibacter(désert de gravier) comme biomarqueurs permettant de distinguer les communautés microbiennes des trois écotypes. Le profil de prédiction a montré que la fonction métabolique de la communauté microbienne était enrichie dans les voies métaboliques et le traitement de l'information environnementale. Les analyses de corrélation ont révélé que l'altitude, les précipitations du quart le plus chaud (bio18), l'amplitude diurne moyenne (bio2) et la température moyenne du quart le plus chaud (bio10) étaient des facteurs écologiques importants qui affectent la composition des communautés microbiennes du sol. Ce travail a fourni de nouvelles informations sur la relation réglementaire entre la distribution appropriée desC. salsa, les communautés microbiennes du sol et les moteurs écologiques. De plus, il a approfondi la compréhension de l'interaction entre les plantes du désert et les facteurs écologiques dans les environnements arides.

MOTS CLÉS:Salsa Cistanche, MaxEnt, séquençage des amplicons ARNr 16S, communauté microbienne du sol, impact environnemental.

Cistanche deserticola a de nombreux effets, cliquez ici pour en savoir plus

Pour plus d'information veuillez contacter:Joanna.jia@wecistanche.com

1. INTRODUCTION

La valeur économique des plantes médicinales a augmenté rapidement ces dernières années avec le développement mondial et l'utilisation des plantes naturelles. La tige charnue deSalsa Cistancheest un organe végétal comestible et médicinal qui est couramment utilisé comme tonique rénal, aphrodisiaque, traitement anti-âge et antioxydant, laxatif intestinal, traitement de protection du foie et traitement anti-radiation. Des études phytochimiques modernes sur C. salsa ont permis d'identifier et d'isoler des quantités considérables de composés bioactifs, tels que divers glycosides phényléthanoïdes, iridoïdes, alditols et lignine, qui ont d'importantes valeurs médicales et comestibles.1 Avec le développement rapide du marché de médicaments et d'aliments sains, la demande deC. salsaa fortement augmenté et s'accompagne de la surexploitation et du pillage des ressources sauvages. Par conséquent, l'introduction et la culture artificielles à grande échelle deC. salsasont devenus une mesure importante pour protéger les ressources sauvages et ralentir la désertification écologique. Cependant, les recherches sur la culture artificielle deC. salsareste limité.

L'environnement a un impact considérable sur la croissance et le développement de C. salsa.2 Les plantes poussent dans différents environnements, formant différents écotypes qui présentent des changements significatifs d'ingrédients inactifs et d'expression génique.3,4 Au niveau macro, la recherche a montré que la température, la lumière, les précipitations et les types de sol ont tous un effet sur la croissance des plantes et ses ingrédients actifs.5,6 L'étude de l'interaction entre l'environnement et les plantes et la caractérisation complète des différents écotypes de plantes sont bénéfiques pour la sélection et la culture de hautes -variétés de qualité.7 D'un point de vue macro, les plantes peuvent avoir un impact considérable sur les organismes du sol même si elles n'ont que peu ou pas de contact direct avec le système du sol par leurs racines.8,9 Cependant, les recherches actuelles sur la relation entre les plantes et le l'environnement, y compris les facteurs climatiques et la communauté microbienne du sol, n'est toujours pas clair.

Le modèle de distribution des espèces (SDM) est un modèle statistique qui a été établi à l'aide des données de distribution des espèces existantes et des variables environnementales pour déduire les besoins écologiques des espèces et projeter leurs aires de distribution potentielles,10,11 explorer les zones de croissance appropriées en combinant les facteurs climatiques et pédologiques, déterminer l'environnement approprié pour les plantes médicinales et protéger et cultiver scientifiquement les plantes menacées.12,13 Les SDM, tels que MaxEnt et biomod2, ont répondu avec succès aux prédictions des tendances de distribution imposées aux plantes menacées et écologiques pendant le changement climatique.14,15

Le séquençage de l'amplicon d'ARNr 16S d'échantillons de sol de la rhizosphère végétale a été réalisé pour explorer la diversité des communautés microbiennes, fournissant de nouvelles informations sur la relation entre les plantes et les communautés microbiennes du sol.16,17

Dans cette étude, nous avons exploré la relation entre l'environnement etC. salsades dimensions macro et micro. Nous avons effectué ce qui suit. (1) Nous avons utilisé le modèle MaxEnt pour prédire les zones globales de croissanceC. salsadepuis les temps anciens jusqu'au futur (cinq périodes : dernier maximum glaciaire [LGM], mi-Holocène [MH], présent, 2050 et 2070) et calculé les zones appropriées de différents niveaux et le taux de contribution et la gamme des variables bioclimatiques affectant la distribution deC. salsa.(2) En combinaison avec le travail sur le terrain, nous avons collecté des échantillons de sol de trois écotypes (désert-steppe, prairie et gravier-désert) de la meilleure zone de croissance (Tacheng et Xinjiang) de

C. salsa. Nous avons effectué un séquençage d'amplicon d'ARNr 16S pour explorer les caractéristiques des communautés microbiennes du sol. Nous avons également comparé les différences de microbiomes du sol dans les trois écotypes et déterminé les principaux microbiomes et biomarqueurs qui pourraient faire la distinction entre les trois écotypes. (3) Nous avons effectué une analyse de corrélation et une analyse redondante sur la base de l'abondance des microbiomes de base, des biomarqueurs et des variables bioclimatiques pour explorer la relation de régulation entreC. salsaet l'environnement.

Cistanchea de nombreux effets anti-fatigue

2. MATÉRIELS ET MÉTHODES

2.1. Modélisation de niche écologique.

Dans cette recherche, cinq ressources ont été utilisées pour rechercher les sites actuels deC. salsadans le monde : (1) GBIF ; (3) Infrastructure nationale d'information sur les spécimens (4) littérature publiée; et (5) travail sur le terrain. Les données d'échantillon sans latitude et longitude étaient basées sur une requête de latitude et de longitude de carte en ligne. La méthode d'analyse tampon a été utilisée pour relire et filtrer les points de distribution obtenus afin d'éliminer l'effet de simulation de surajustement causé par une grande corrélation spatiale. La résolution spatiale des variables bioclimatiques était de 2,5 minutes d'arc (environ 4,5 km2) et la distance tampon était fixée à 3 km. Un seul point de distribution a été retenu lorsque la distance entre les points de distribution était inférieure à 3 km. Une fois les points en double supprimés, 76 occurrences, toutes provenant de la véritable zone de production de C. salsa, ont été collectées et utilisées pour l'analyse (Figure 1a, Fichier supplémentaire 1).

Nous avons utilisé les 19 variables bioclimatiques de WorldClim comme prédicteurs environnementaux. Les données de variables bioclimatiques actuelles de cette étude ont été collectées à partir des données de surveillance de la base de données WorldClim version 1.418 pendant la période 1960-1990 avec une résolution de 2,5 arc-min. Les variables bioclimatiques anciennes (LGM et MH) et futures (futur 2050 et futur 2070) disponibles dans WorldClim version 1.4 à une résolution de 2,5 minutes d'arc ont été utilisées comme prédicteurs des modèles de distribution des espèces. Pour éviter la multicolinéarité, nous avons effectué une analyse de corrélation sur les points de fond et éliminé l'une des variables de chaque paire avec un Pearson

valeur de corrélation > 0.819 (Figure S1). Les huit variables bioclimatiques finalement incluses dans les modèles étaient l'amplitude diurne moyenne (bio2), la température moyenne du quart le plus humide (bio8), la température moyenne du quart le plus sec (bio9), la température moyenne du quart le plus chaud (bio10) , les précipitations annuelles (bio12), les précipitations du trimestre le plus sec (bio17), les précipitations du trimestre le plus chaud (bio18) et les précipitations du trimestre le plus froid (bio19).

Nous avons utilisé le modèle d'entropie maximale du progiciel open source (MaxEnt v.3.4.0),20 qui peut être téléchargé pour créer un modèle de distribution d'espèces pourC. salsa. Les paramètres suivants ont été utilisés dans les paramètres de base : semences aléatoires et pourcentage de test aléatoire de 25 et 10 répétitions. En définissant le pourcentage de test aléatoire sur 25 % , nous avons sélectionné au hasard 75 % des points de distribution pour l'ensemble d'apprentissage. En fixant le nombre de répétitions à 10, nous avons exécuté le modèle 10 fois avec les mêmes paramètres et fait la moyenne de la sortie de toutes les exécutions pour obtenir le résultat final. L'aire sous la courbe de l'opérateur de réception (AUC) a été utilisée pour évaluer la qualité d'ajustement du modèle, et le modèle avec la valeur AUC la plus élevée a été considéré comme le plus performant. La procédure jackknife a été utilisée pour évaluer l'importance des variables. Des courbes de réponse ont été utilisées pour obtenir la gamme des variables bioclimatiques.

ArcGIS a été utilisé pour analyser les variables bioclimatiques qui affectent la distribution de C. salsa et pour classer et calculer la zone propice à la production.

2.2. Prélèvement et description d'échantillons de sol. C. salsa

est naturellement distribué dans les trois écotypes de désert de gravier, de prairie et de steppe désertique. En avril 2017, nous avons collecté des échantillons de tige et de sol charnus représentant les principaux écotypes de C. salsa à Tacheng, Xinjiang, Chine (Figure 1b, Tableau 1). Des échantillons de désert de gravier ont été prélevés à Hejiaoke, comté de Toli (HJ1, HJ2 et HJ3). Des échantillons de prairies ont été prélevés dans le comté de Yumin (YM1, YM2, YM3 et YM4). Des échantillons de steppe désertique ont été collectés à Jiang Alhan (JA1, JA2, JA3, JA4, JA5 et JA6). Les échantillons de sol que nous avons collectés proviennent tous du sol à la surface de C. salsa et de son site parasite hôte. Bons spécimens avec

les numéros de bons de 20170510079-DT à 20170510091-DT ont été déposés dans l'herbier de l'Institut de développement des plantes médicinales de l'Académie chinoise des sciences médicales à Pékin, en Chine. Après avoir été nettoyés, les tissus de la tige succulente ont été coupés en petits morceaux, immédiatement congelés dans de l'azote liquide, puis stockés à -80 degrés jusqu'à un traitement ultérieur. Des carottes de sol ont été prélevées à une profondeur de 20 cm à l'aide de

un foreur cylindrique en acier inoxydable d'un diamètre de 5 cm puis stocké à -20 degrés dans un réfrigérateur portable. Après avoir été transportés au laboratoire, les échantillons de sol ont été passés à travers un tamis de 2 mm pour éliminer les tissus végétaux, les racines, les roches et autres débris, puis stockés à -20 degrés dans un réfrigérateur avant d'autres expériences.

2.3. Extraction d'ADN et séquençage d'ARNr 16S.

L'ADN du sol a été extrait à l'aide d'un kit d'isolement d'ADN PowerSoil (MoBio Laboratories, Carlsbad, CA) conformément au manuel. La pureté et la qualité de l'ADN génomique ont été vérifiées sur des gels d'agarose 0.8 %. La région hypervariable V3-4 du gène bactérien de l'ARNr 16S a été amplifiée avec les amorces 338F (ACTCCTACGGGAGGCAGCAG) et 806R (GGACTACHVGGGTWTCTAAT).21 Pour chaque échantillon de sol, une séquence de code-barres 10- chiffres a été ajoutée aux 5 ′ fin des amorces directes et inverses (Allwegene Co., Pékin). La PCR a été réalisée sur un Mastercycler Gradient (Eppendorf, Allemagne) en utilisant des volumes de réaction de 25 μL contenant 12,5 μL de KAPA 2G Robust HotStart ReadyMix, 1 μL d'amorce de transmission (5 μM), 1 μL d'amorce inverse (5 μM), 5 μL de ADN (la quantité totale de matrice est de 30 ng) et 5,5 μL de H2O. Les paramètres de cycle étaient les suivants : 95 degrés pendant 5 min, suivis de 28 cycles de 95 degrés pendant 45 s, 55 degrés pendant 50 s et 72 degrés pendant 45 s, avec une extension finale à 72 degrés pendant 10 min. Trois produits de PCR par échantillon ont été regroupés pour atténuer les biais de PCR au niveau de la réaction. Les produits de PCR ont été purifiés à l'aide d'un kit d'extraction de gel QIAquick (QIAGEN, Allemagne) puis quantifiés à l'aide d'une PCR en temps réel. Le séquençage en profondeur a été réalisé sur une plateforme MiSeq par Allwegene Co. (Pékin). Après l'exécution, l'analyse d'image, l'appel de base et l'estimation des erreurs ont été effectuées à l'aide d'Illumina Analysis Pipeline Version 2.6.

2.4. Analyse des données de séquençage des amplicons d'ARNr 16S.

Toutes les données de séquençage ont été soumises au NCBI Short Archive (SRA) sous la soumission SRA SUB7456002. Les données brutes ont d'abord été examinées et les séquences ont été supprimées sur la base des considérations suivantes : séquences inférieures à 200 pb avec un score de faible qualité (inférieur ou égal à 20) et contenant des bases ambiguës ou ne correspondant pas aux séquences d'amorces et aux étiquettes de code-barres. Les lectures qualifiées ont été séparées à l'aide de séquences de codes-barres spécifiques à l'échantillon et découpées avec Illumina Analysis Pipeline Version 2.6. Ensuite, les ensembles de données ont été analysés à l'aide de QIIME. Les séquences ont été regroupées en unités taxonomiques opérationnelles (OTU) à un niveau de similarité de 97 % 22 pour générer des courbes de raréfaction et calculer les indices de richesse et de diversité. L'outil Ribosomal Database Project Classifier a été utilisé pour classer toutes les séquences en différents groupes taxonomiques, dans lesquels le seuil de confiance est fixé à 0,7.23 Des analyses de regroupement ont été effectuées sur la base des informations OTU de chaque échantillon en utilisant R 3.6.1 pour examiner la similarité entre différents échantillons.24 La matrice des distances UniFrac entre les communautés microbiennes de chaque échantillon a été calculée à l'aide du coefficient de Tayc et représentée sous la forme d'une méthode de groupe de paires non pondérée avec un arbre de regroupement des moyennes arithmétiques, qui décrit la dissemblance (1- similarité) entre plusieurs échantillons.25 Un fichier arborescent au format Newick a également été généré par cette analyse. La diversité alpha a été appliquée pour analyser la complexité de la diversité des espèces pour un échantillon à l'aide de quatre indices, à savoir Chao1, les espèces observées et Shannon et Fisher

indices de diversité. Ces indices ont été calculés à l'aide du logiciel QIIME (Boulder, CO, USA) en Python (v.1.8.0) (La Jolla, CA, USA).26 L'analyse de la diversité bêta a été utilisée pour évaluer les différences dans les échantillons en termes de complexité des espèces. La diversité bêta a été calculée à l'aide de l'analyse des coordonnées principales (PCoA) et de l'analyse par grappes dans QIIME.27 L'analyse de la variance moléculaire (AMOVA) a été réalisée à l'aide de la mère.28 Le test de Kruskal-Wallis a été utilisé pour calculer la différence d'OTU entre les groupes (valeur de 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.="">

Les méthodes d'analyse discriminante linéaire (LDA) et de forêt aléatoire (RF) du site Web MicrobiomeAnalyst ont été utilisées pour déterminer les biomarqueurs du microbiome. Un test factoriel non paramétrique de rang de somme de Kruskal-Wallis a d'abord été effectué pour identifier les caractéristiques avec une abondance différentielle significative compte tenu du facteur expérimental ou de la classe d'intérêt. Ensuite, LDA (le seuil est fixé à 2) a été effectué pour calculer la taille d'effet de chaque caractéristique différentiellement abondante. Les caractéristiques ont été considérées comme significatives sur la base de leur valeur de p ajustée. Le seuil de valeur p ajusté par défaut était 0.05. L'analyse RF a été effectuée à l'aide du package randomForest5. Cette méthode utilise un ensemble d'arbres de classification, dont chacun est développé via une sélection aléatoire de caractéristiques à partir d'un échantillon bootstrap à chaque branche.

Tax4Fun (package R, http://tax4fun.gobics.de/) a été utilisé pour prédire les profils fonctionnels microbiens des microbiomes dans les échantillons de sol. La table OTU Biom du microbiome du sol a été utilisée comme fichier d'entrée pour l'imputation du métagénome des échantillons de sol de C. salsa. Ensuite, les abondances prédites des classes de gènes ont été analysées au niveau 3 du groupe KEGG Orthology (KO). Les résultats de Tax4Fun ont été analysés dans Doby (package R).

2.5.Analyse de corrélation des communautés microbiennes clés et des facteurs bioclimatiques.

Nous avons utilisé ArcGIS pour extraire numériquement les principaux facteurs bioclimatiques des 13 points d'échantillonnage du sol. L'analyse de redondance des genres clés des communautés microbiennes (cinq biomarqueurs, cinq microbiomes centraux) et des facteurs bioclimatiques a été réalisée à l'aide de

Logiciel Canoco 5. La conversion des données Log2 a été effectuée uniformément avant l'analyse. Les coefficients de corrélation de Spearman ont été calculés pour l'abondance de cinq biomarqueurs, cinq microbiomes principaux et l'intégration des données des facteurs bioclimatiques en appliquant SPSS. Les résultats de l'analyse de corrélation ont été dessinés par pheatmap (package R).

Cistanchepeut résister au vieillissement

3. RÉSULTATS

Prédiction du changement de distribution globale de C. salsa dans les différentes périodes. Le ROC calculé a montré

que la valeur AUC était {{0}}.977 (Figure S2), ce qui indique que le modèle correspondait bien aux données.30 Résultats de la simulation d'adéquation de l'habitat pour cinq périodes (LGM, MH, présent, 2050 et 2070 ) ont été illustrés à la figure 2 et au tableau 2. L'aptitude à la culture de la salsa de C. a été divisée en cinq catégories sur la base d'un seuil statistique : inapproprié (classe 5 : 0 à 20 %), marginal (classe 4 : 20 à 50 %), passable (classe 3 : 50−75 pour cent), bon (classe 2 : 75−

90 %) et excellent (classe 1 : 90-100 %). Cet article n'abordait que les aires de répartition appropriées pour les classes 1, 2 et 3. Les répartitions potentielles actuelles de C. salsa indiquaient que cette espèce était largement répartie dans trois zones climatiques : climat désertique tempéré, climat méditerranéen subtropical et désert tropical. régions climatiques. Tous les continents, à l'exception de l'Antarctique, contiennent des régions propices à C. salsa. Ces régions étaient principalement réparties en Asie centrale et occidentale et en Afrique du Nord et étaient dispersées dans le centre et l'ouest de l'Amérique du Nord, le centre de l'Amérique du Sud et l'ouest de l'Océanie. Les zones convenables excellentes (classe 1) étaient les plus largement distribuées en Égypte (76 750 km2), tandis que les zones convenables bonnes (classe 2) et passables (classe 3) étaient les plus largement distribuées en Chine (classe 2 : {{ 13}} km2 et classe 3 : 1 024 600 km2). Les zones écologiquement appropriées en Asie étaient principalement limitées à la Chine (classe 1 : 45 775 km2), la Jordanie (classe 1 : 16 075 km2), Israël (classe 1 : 14 975 km2), l'Arabie saoudite Arabie (classe 1 : 14 925 km2) et Iran (classe 1 : 12 600 km2). Les zones propices à C. salsa en Afrique étaient principalement réparties en Égypte, en Libye (classe 1 : 34 400 km2) et en Tunisie (classe 1 : 275 km2). Les zones propices à C. salsa en Amérique du Sud étaient principalement réparties au Chili (classe 1 : 16 550 km2).

D'un point de vue spatial (Figure 2), la tendance de changement régional appropriée pour les cinq périodes a d'abord augmenté puis diminué avec la plus grande zone en 2050 (Figure 3a, Figure S3). Nous avons constaté une forte diminution de la superficie appropriée de C. salsa dans le LGM par rapport à celle des quatre autres périodes. Par rapport à l'actuel (4 358 775 km2), les zones convenables ont diminué de 50 % (2 160 975 km2) pendant la période LGM, de 10 % (MH : 3 910 350 km2) pendant la période MH, et de 1 % (4 328 800 km2) au cours de la période 2070 et augmenté de 2 % (4 428 950 km2) au cours de la période 2050. Notamment, du présent au futur (de 1960 à 2080), l'excellente zone (classe 1) pour C. salsa s'est progressivement réduite (présent, 243 200 km2 ; 2050, 232 425 km2 ; 2070, { {29}} km2).

Cistancheextrait a beaucoupsantéavantages

3.2. Prévision des zones de distribution appropriées de C. salsa en Chine et gamme de variables bioclimatiques.

Les zones propices à la croissance de C. salsa en Chine étaient principalement limitées au nord-ouest du Xinjiang, au centre de la Mongolie intérieure, au nord du Shaanxi, au nord du Shanxi, au nord-est du Qinghai, au nord du Gansu et à la majeure partie du Ningxia (figure 2b). Les zones les plus appropriées en Chine étaient principalement réparties dans le Xinjiang, dont l'excellente zone (classe 1) couvrait 23 650 km2, la bonne zone (classe

2) couvrait 220 950 km2, et la zone équitable (classe 3) couvrait 189 975 km2. Parmi les bonnes zones (classe 2), le Xinjiang représentait 60,99 % , suivi de la Mongolie intérieure (86 300 km2) et du Gansu (24 450 km2) avec 23,82 % et 6,75 %, respectivement (Figure 3b). Les résultats du modèle MaxEnt ont indiqué que le Xinjiang était particulièrement adapté à la croissance de C. salsa. Cependant, différents habitats, tels que le désert de gravier, les prairies et la steppe désertique, ont été trouvés dans la même zone lors des sorties sur le terrain. Par conséquent, nous nous sommes fortement intéressés aux caractéristiques des communautés microbiennes du sol et à leur relation avec l'environnement dans différents écotypes de C. salsa à Tacheng, Xinjiang, Chine.

L'importance de chaque variable bioclimatique pour la distribution de C. salsa est indiquée dans le tableau 2. Toutes les valeurs étaient des moyennes de 10 répétitions. Les trois principales variables bioclimatiques ayant la plus grande influence sur la distribution de C. salsa étaient les précipitations du quart le plus sec (bio17), les précipitations du quart le plus chaud (bio18) et l'amplitude diurne moyenne (bio2) avec des taux de contribution relatifs de 25,81. pour cent, 17,65 pour cent et 13,70 pour cent, respectivement. Comme l'indique la courbe de réponse obtenue par le modèle MaxEnt, la plage du facteur bio a pu être calculée lorsque la probabilité de prédiction dépassait 0,5. Par exemple, la plage de bio17 était de -135,30 à 11,34 mm, celle de bio 18 était de -206,60 à 4,40 mm et celle de bio2 était de 11,65 à 12,50 degrés.

3.3. Microbiomes du sol de trois écotypes de C. salsa présentant des communautés microbiennes distinctes et se chevauchant.

Le séquençage de l'ARNr 16S a donné 518 217 lectures brutes, parmi lesquelles 441 576 ont été examinées pour la qualité et la longueur. L'ensemble de données contenait 11 818−26 431 (moyenne : 20 150) séquences par échantillon. Les lectures de haute qualité ont été regroupées sur la base de

>97 % d'identité de séquence dans 2 788 OTU microbiennes (tableau 1).

La communauté microbienne a été classée en 34 embranchements et 321 genres. Au niveau du phylum (Figure 4a), les Actinobactéries (DS, 31,94 % ; GD ; 46,42 % ; GL, 33,33 % ), les Protéobactéries (DS,

23,25 % ; GD, 22,53 % ; GL, 24,68 %) et Gemmatimonadetes (DS, 17,77 % ; GD, 8,02 % ; GL, 8,36 %) étaient dominants dans les trois écotypes. Au niveau du genre (Figure 4b), la steppe désertique était dominée par Euzebya (4,82 %) et Arthrobacter (1,74 %), alors que les genres les plus dominants dans le gravier- désert étaient Arthrobacter (8,35 %) et Bacillus (4,95 %). ). Bacillus (6,89 %) et Arthrobacter (5,57 %) dominaient dans les prairies. Les 10 communautés microbiennes les plus abondantes dans la steppe désertique ont été classées en huit phylums (Figure 4c), celles du désert de gravier ont été classées en sept phylums (Figure 4d) et celles des prairies ont été classées en 10 phylums (Figure 4e ).

Les mesures de la diversité au sein de l'échantillon (-diversité) ont révélé un changement de diversité de la prairie au désert de gravier et à la steppe désertique (Figure 4f). La diversité des communautés microbiennes du sol dans chaque échantillon a été évaluée sur les indices de Shannon, Chao 1, Fisher et de diversité des espèces observées. Les indices de Shannon, Chao 1, des espèces observées et de Fisher suggèrent que la diversité des communautés du sol des prairies

était supérieur à celui des deux autres communautés d'écotypes. Les résultats des courbes de raréfaction (Figure S5) étaient similaires aux résultats ci-dessus, à l'exception de YM1 et HJ3. Les résultats AMOVA (tableau S3) ont montré qu'il existe des différences significatives (p <0.01) entre="" les="" trois="" écotypes.="" les="" résultats="" des="" pcoa="" sans="" contrainte="" des="" parcelles="" 2d="" à="" distance="" unifrac="" non="" pondérées="" (figure="" 4g)="" ont="" indiqué="" que="" les="" échantillons="" de="" sol="" de="" microbiomes="" bactériens="" de="" différents="" écotypes,="" à="" l'exception="" de="" ym1="" et="" hj3,="" étaient="" bien="" regroupés.="" le="" regroupement="" d'arbres="" de="" diversité="" de="" distance="" de="" bray="" basé="" sur="" les="" résultats="" de="" l'algorithme="" de="" regroupement="" unique="" (figure="" 4h)="" des="" échantillons="" de="" sol="" des="" trois="" écotypes="" a="" démontré="" que="" les="" échantillons="" de="" prairies,="" à="" l'exception="" de="" ym2,="" étaient="" étroitement="" regroupés,="" les="" échantillons="" de="" sol="" de="" steppe="" désertique,="" à="" l'exception="" de="" ja1,="" étaient="" étroitement="" regroupés,="" et="" les="" échantillons="" de="" sol="" du="" désert="" de="" gravier="" étaient="" étroitement="">

3.4. Dépistage différentiel du microbiome de trois écotypes de C. salsa.

Les cartes thermiques de l'abondance des différents genres (figure 5a) ont indiqué que l'abondance du genre des échantillons de la steppe désertique était différente de celle des échantillons des deux autres écotypes. Comme le montrent les résultats de

LEfSe (Figure 5c) et RF (Figure 5d), la mini carte thermique à droite indique l'abondance des caractéristiques microbiennes dans les trois écotypes au niveau du genre. Les genres qui peuvent représenter l'écotype désert−steppe comprennent Gillisia, Illumatobacter, Salegentibacter, Marinimicrobium, etc.

niveau de genre qui peut représenter l'écotype gravier-désert. Les biomarqueurs de l'écotype des prairies contiennent Flavisolibacter et Agromyces. Une fois les résultats des deux méthodes combinés, 11 biomarqueurs ont été sélectionnés (tableau S4). La figure 5b montre la carte thermique de l'abondance de 11 biomarqueurs.

3.5. Dépistage central du microbiome et prédiction de la fonction métabolique des trois écotypes de C. salsa.

Un diagramme de Venn (figure 5e) a été tracé pour les OTU obtenues à partir de tous les échantillons de sol, et les résultats ont montré que les trois écotypes partageaient 1712 OTU. La méthode de persistance a été adoptée à partir de la fonction centrale dans le microbiome du package R pour identifier le microbiome central dans les trois écotypes de C. salsa. Ce microbiome bactérien central contenait six OTU et correspondait à 19,64 % de l'ensemble du microbiome. À l'exclusion des genres non définis et dupliqués, ces OTU ont été classées en six genres et leurs abondances ont été tracées sur une carte thermique (Figure 5f).

Les résultats de la prédiction fonctionnelle (Figure 6, Fichier supplémentaire 2) suggèrent que les voies métaboliques fonctionnelles des microbiomes du sol dans les trois écotypes de C. salsa étaient identiques en glucides et que les métabolismes des acides aminés étaient abondants parmi les voies métaboliques. Le transport membranaire et la transduction du signal étaient également abondants dans le traitement de l'information environnementale.

3.6.Analyse de corrélation entre les communautés microbiennes et les variables bioclimatiques de trois écotypes de C. salsa.

L'analyse redondante du noyau, de l'abondance du microbiome biomarqueur et des variables bioclimatiques a été effectuée au niveau du genre, et une nouvelle analyse a été effectuée sur la base des effets. L'interprétation ajustée de la variance était de 32,5 %. Les précipitations du quart le plus chaud (bio18) expliquent 23,9 % des communautés microbiennes (p=0.07). La température moyenne du quartier le plus chaud (bio10) et la plage diurne moyenne (bio2) étaient positivement corrélées avec Illumatobacter et négativement corrélées avec Bacillus (Figure 7a).

Une analyse de corrélation a été effectuée pour le noyau, l'abondance du microbiome biomarqueur et sept variables bioclimatiques. Les résultats du réseau de corrélation (Figure 7b) ont révélé qu'Illumatobacter et Salegentibacter (biomarqueurs dans la steppe désertique) étaient significativement positivement corrélés avec l'amplitude diurne moyenne (bio2) et la température moyenne du quart le plus chaud (bio10) mais significativement négativement corrélés avec l'altitude ( alt) et les précipitations du trimestre le plus chaud (bio18). Au contraire, Agromyces (biomarqueur dans la prairie) était positivement corrélé avec l'altitude (alt) et les précipitations du quart le plus chaud (bio18) mais était corrélé négativement avec l'amplitude diurne moyenne (bio2) et la température moyenne du quart le plus chaud (bio10). De plus, Arthrobacter (microbiome central) était significativement corrélé négativement avec l'amplitude diurne moyenne (bio2) et la température moyenne du quart le plus chaud (bio10). Rubrobacter était significativement positivement corrélé avec les précipitations annuelles (bio12).