【SBB】美国六种森林中微生物共生生态网络的生物地理格局
微生物群落在多种生物化学循环进程中扮演着重要的角色，了解土壤微生物群落结构、组成和分布对于探究微生物群落的构建机制至关重要。许多研究表明不同生态系统的微生物群落受不同生物地理学参数（地点、纬度、土地利用、pH和多种环境变量）调控。但是，在自然生态系统中的微生物并不是作为个体单独存在的，它们彼此相互作用以形成复杂的微生物群落并服务于多种生态系统功能。因此，我们对微生物群落的理解不仅应着眼于个体/物种水平的特征（例如物种的丰富度和丰度），更重要的是关注微生物群落的复杂种间特征。利用宏基因组数据的共线性生态网络分析是一种评价无法观察到的、复杂微生物群落种间关系及特征的有效方法，尽管这种方法在不同相关性方法上还存在一定的局限性。在过去的几年中，研究指出微生物群落的多样性可能是由多种环境/生物地理因素驱动的，但是，尚不清楚微生物群落的复杂种间特征是否也受任何环境/生物地理因素影响。将网络理论与生物地理学相结合是宏观生态学中最重要挑战之一。在过去的几十年中，已经针对沿环境梯度变化的宏观生物进行了生态网络研究（例如食物网，互惠网络和宿主生物网络），显示出在不同环境下生态网络的高度变化。但是，很少研究微生物共生网络特征（例如拓扑）如何在生物地理梯度之间变化。
山东大学海洋研究院屠奇超教授、中科院生态环境研究中心邓晔研究员、美国俄克拉荷马大学环境基因组研究所周集中院士、吴力游教授等人以美国6个地点的天然林为研究对象（包括圣地亚哥的科罗拉多岛、波多黎各的Luquillo长期生态定位站、北卡Coweeta试验站、科罗拉多Niwot Ridge生态站、马萨诸塞州哈佛森林生态站和俄勒冈州H.J. Andrews森林），这些样点包括了从北方温带到热带森林（纬度9°~44°）于2012年夏天收集这些样点的土壤进行细菌、真菌和固氮基因分析。微生物共线性网络的构建基于16S、ITS和nifH基因扩增子序列数据。
通过基于随机矩阵理论（RMT）使用分子生态网络分析（Molecular Ecological NetworkAnalysis, MENA）构建网络（阈值r为0.74），与其它网络构建方法相比，该方法的特别之处在于网络是自动定义的，并且对噪声具有鲁棒性，从而为与高通量宏基因组学数据相关的问题提供了出色的解决方案。为了从统计学上评估构建的网络是否与无生态意义的随机网络存在差异，开发并应用了基于置换的空模型分析，通过固定节点和链接数，同时使节点之间的关系随机化，来构建随机网络的空模型。共构建了1000个随机网络评估观察到的网络和随机网络之间的网络参数（例如测地距离，聚类系数和模块化）是否存在显着差异。计算了网络拓扑参数，例如连通性，测地距离，模块性，度中心性，中间性中心，Zi和Pi值等。
他们发现6种美国典型森林的网络拓扑结构呈梯度模式。在热带和温带森林生态系统中的微生物共线性网络表现出明显不同的网络拓扑特征。在与网络拓扑指数相关的各种生物地理参数中，温度发挥着主导作用。温度等生物地理变量不仅可以调节微生物群落的多样性和组成，而且可以调节微生物物种之间的共生生态网络。
该项研究结果以“Biogeographic patterns of microbialco-occurrence ecological networks in six American forests”为题，于2020年6月录用在Soil Biology and Biochemistry上。（IF=5.795）
本人在这方面也是初学者，下面是一些关于微生物网络解释得比较好的文章，与君学习共享：
微生物网络构建原理: SparCC, MENA, LSA, CoNet
屠奇超，男，山东大学海洋研究院教授，山东大学齐鲁青年学者。
主要从事微生物生态学与生物信息学相关研究，具体包括微生物群落对环境变化的响应机制、微生物群落生态学、以及大数据背景下的微生物生态信息学研究。通过宏基因组及生物信息学分析，系统研究了大气二氧化碳升高对微生物群落结构及功能的影响；开发了GeoChip4、HuMiChip、HuMiChip2等高通量功能基因芯片，用于复杂环境中微生物群落功能基因及物种的快速分析与鉴定；开发了微生物菌株及亚种水平鉴定算法及高准确度氮循环数据库。未来工作将主要着眼于海洋微型生物群落，以宏基因组测序为主要研究手段，研究海洋微型生物之群落结构、功能、多样性、生物地理学分布、生态学机制、及其在全球生物地球化学循环中所起的作用。
浙江大学 本硕 (2002-2008)
美国俄克拉荷马大学 博士 (2008-2014)
美国俄克拉荷马大学 博士后 (2014-2015)
美国洛斯阿拉莫斯国家实验室 访问学者 (2010-2011)
浙江大学 讲师，求是青年学者 (2015-2018)
山东大学 教授，齐鲁青年学者 (2018-)
主要研究成果：
1. Tu et al.,NCycDB: a curated integrative database for fast and accurate metagenomicprofiling of nitrogen cycling genes. Bioinformatics. (2019), 35(6): 1040-1048.
2. Tu et al.,Metagenomic reconstruction of nitrogen cycling pathways in a CO2-enrichedgrassland ecosystem, Soil Biology and Biochemistry, (2017) 106, pp 99-108,2017/3.
3. Tu et al.,HuMiChip2 for strain level identification and functional profiling of humanmicrobiomes. Appl Microbiol Biotechnol,(2017) 101(1), pp 423-435, 2017/1.
4. Tu et al.,Gene content dissimilarity for subclassification of highly similar microbialstrains. BMC Genomics. (2016) 17:647.
5. Tu et al.,Biogeographic Patterns of Soil Diazotrophic Communities across Six Forests inNorth America. Molecular Ecology. (2016) 25, 2937–2948.
6. Tu et al.,The diversity and co-occurrence patterns of N2-fixing microbial communities ina CO2-enriched grassland soil ecosystem. Microbial Ecology. (2016) 71(3):604-15
7. Tu et al.,Fungal communities respond to long-term CO2 elevation by community reassembly.Applied and Environmental Microbiology. (2015) 81(7): 2445-2454.
8. Tu et al.,Strain/Species identification in metagenomes using genome-specific markers.Nucleic Acids Research. (2014) 42.8: e67-e67. (Editor's pick by Genomeweb)
9. Tu et al.,“GeoChip 4: a functional gene arrays-based high throughput environmentaltechnology for microbial community analysis”. Molecular Ecology Resources.(2014) 14: 914–928.
10. Tu et al.,Strain/Species-Specific Probe Design for Microbial Identification Microarrays.Applied and Environmental Microbiology. (2013) 79.16: 5085-5088.