自抗生素具有杀菌抑菌的功效被发现以来, 其生产与使用急剧增加, 从而导致抗生素在废水、河流及土壤等不同环境中被频繁检出[1].其中, 大环内酯类、磺胺类、甲氧苄啶类和喹诺酮类在污水处理厂的进出水中含量最高, 尤其是大环内酯类中的阿奇霉素(azithromycin, AZM)已被列入欧盟2015/495/EU标准的第一观察名单.抗生素广泛使用所诱导产生的抗生素抗性基因(antibiotic resistance genes, ARGs)已经成为一个新兴的公共卫生问题[2].污水处理系统通常被认为是抗生素和ARGs的储存地.此外, 重金属也是污水处理厂中常见的污染物, 例如铜、锌和镍等[3]会提高ARGs的丰度, 并影响ARGs的传播[3, 4].多种污染物并存引发的复合污染问题成为环境污染领域研究的热点.活性污泥法是应用最广泛的污水处理技术之一, 因此, 探究抗生素和重金属复合污染对污水处理系统微生物群落及ARGs传播的影响具有重要意义.
活性污泥由复杂的微生物群体构成, 包括真核生物、细菌、古菌和病毒, 其中细菌群落占比最高.目前, 大部分关于抗生素或重金属对活性污泥系统的生态效应聚焦于细菌, 且证实部分细菌是ARGs的潜在宿主, 对其传播具有重要影响[5~8].相比于细菌, 古菌在活性污泥系统中也发挥着重要作用, 例如, 氨氧化古菌是污水处理中氨氧化过程的重要参与者, 亦是冬季低温下的优势活性氨氧化微生物, 对于污水硝化作用的贡献要明显高于其他细菌类别[9].此外, 已有研究发现古菌中的甲烷短芽孢杆菌(Methanobrevibacter)携带了四环素类抗性基因[10], 且古菌与嗜热细菌之间存在水平基因转移(horizontal gene transfer, HGT)[11].这些结果表明, 古菌在维持活性污泥系统功能及ARGs传播方面的重要作用.此外, 需要注意的是, 古菌群落是由占比不同的丰富微生物和稀有微生物组成.有研究人员提出微生物全尺度分类法[12], 可将微生物分为6类: 丰富菌属(abundant taxa, AT)、中丰度菌属(moderate taxa, MT)、稀有菌属(rare taxa, RT)、条件丰富菌属(conditionally abundant taxa, CAT)、条件丰富或稀有菌属(conditionally rare or abundant taxa, CRAT)和条件稀有菌属(conditionally rare taxa, CRT).但是, 不同类型古菌对抗生素和重金属复合污染的响应及其对ARGs传播的影响尚不清楚.
本文选择阿奇霉素(AZM)和金属铜(Cu)为研究对象, 使铜维持在环境浓度水平保持不变, 探究低温下不同浓度AZM对活性污泥中古菌群落(6类菌)多样性、结构和组成的影响, 解析ARGs的赋存特征和共现模式, 并确定其潜在古菌宿主, 以期为推动抗生素与重金属复合污染的环境风险评价和开展ARGs污染防治提供新的思路和理论基础.
1 材料与方法 1.1 活性污泥微宇宙的构建与试验设计投加浓度为1 mg·L-1的铜和不同浓度的AZM(0.05~40 mg·L-1)到活性污泥反应器中, 以探究复合污染对微宇宙反应器的短期冲击影响.硫酸铜和阿奇霉素(AZM)分别购自上海麦克林生化有限公司和阿拉丁试剂(中国上海)有限公司.投加的AZM分4类浓度: 环境浓度(E: 0.05 mg·L-1)、低浓度(L: 0.5 mg·L-1)、中浓度(M: 5 mg·L-1)和高浓度(H, H1: 20 mg·L-1和H2: 40 mg·L-1)[6, 13~15].不含任何污染物和只含铜(1 mg·L-1) 的反应器分别命名为Blank和Cu_E.同时含有铜和AZM的反应器, 依据AZM浓度的不同, 依次被命名为AZM_E、AZM_L、AZM_M、AZM_H1和AZM_H2.
每个反应器设置一个平行对照.所有的反应器使用的是500 mL玻璃锥形瓶, 包含125 mL活性污泥和125 mL合成废水.活性污泥采集于北京市某城市污水处理厂曝气池中, 活性污泥[ρ(MLSS)]控制在4 000 mg·L-1.人工配水的组成为: ρ(葡萄糖)0.281 g·L-1、ρ(氯化铵)0.134 g·L-1、ρ(碳酸氢钠)0.420 g·L-1、ρ(磷酸二氢钾)0.050 g·L-1、ρ(氯化钾)0.080 g·L-1、ρ(氯化钠)0.590 g·L-1和微量溶液1mL·L-1[16].污染物胁迫试验进行6个周期(每周期8~42 h).从7周期开始不再向反应器投加铜或AZM, 研究污染物后效应(3个周期, 每周期8~25 h), 对应的反应器命名为: Blank_P、Cu_E_P、AZM_E_P、AZM_L_P、AZM_M_P、AZM_H1_P和AZM_H2_P.氨氮完全去除代表一个周期结束, 溶解氧和pH分别控制在2 mg·L-1和7.0~7.5, 反应器的水温维持在12~15℃.
1.2 基因组DNA提取与测序在第六和第九周期结束时从对应的反应器收集活性污泥样品, 共15个: 1个种泥(Seed)、7个胁迫样品和7个后效应样品.活性污泥样品经冻干处理后, 称取0.05~0.10 g干污泥, 利用E.Z.N.A.ⓇSoil DNA试剂盒(Omega Bio-tek, USA)提取基因组DNA, 并用NanoDrop-2000(Thermo Fisher Scientific, USA)测定DNA浓度.使用Illumina MiSeq PE300测序仪(Illumina, USA) 进行古菌16S rRNA基因(V3~V4区)测序(北京奥维森科技有限公司).原始测序数据上传至Sequence Read Archive(SRA)数据库, 登录号为PRJNA698404.
1.3 序列分析与微生物全尺度分类测序得到的原始序列经过滤和去除嵌合体后得到有效序列, 进行后续分析.相似度大于97%的序列被划分到相同的操作分类单元(operational taxonomic units, OTUs).通过RDP数据库将OTUs进行物种注释.采用Mothur(version 1.39.3)软件计算群落多样性指数(Shannon指数; Simpson指数)、丰富度指数(Chao 1指数; ACE指数)和覆盖率指数(Coverage指数)来评价古菌群落多样性和丰富度.采取全尺度的分类方法[12]对古菌进行分类.其中AT的相对丰度在所有样品中都在1%以上; CAT的部分样品相对丰度在1%以上, 其余样品大于0.1%而小于1%; CRAT的样品相对丰度从低于0.1%到高于1%都存在; MT的所有样品相对丰度在0.1%~1%之间; CRT的部分样品的相对丰度低于1%大于0.1%, 其余样品低于0.1%; RT的所有样品相对丰度均低于0.1%.同时, 采用主成分分析(principal component analysis, PCA)探究不同类型微生物的群落结构相似度.
1.4 抗性基因分析使用PICRUSt(Phylogenetic Investigation of Communities by Reconstruction of Unobserved States)预测分析不同样品的ARGs. 根据笔者之前研究[17]确定的KOs (Kyoto Encyclopedia of Genes and Genomes Orthologs) 将样品中不同类型抗生素对应的ARGs挑选出来. 主要涉及的抗生素有氟喹诺酮-喹诺酮-氟苯尼考-氯霉素-胺酰醇类(fluoroquinolone- quinolone- florfenicol- chloramphenicol- amphenicol, FCA)、β-内酰胺类、大环内酯-林考胺-链霉杀阳菌类(macrolide-lincosamide-streptogramin B, MLSB)、万古霉素、氨基糖苷类、四环素类或其他类别抗生素.使用Heml软件绘制ARGs分布的热图(Heatmap).
1.5 统计分析采用Microsoft Excel 2019对数据进行处理与方差分析.使用SPSS统计软件(version 26)计算Spearman秩相关系数(SRCCs)构建相关矩阵, 稳定的相关性定义为SRCC≥0.6或≤-0.6且P值≤0.05[18].使用Cytoscape(version 3.7.1)来展示微生物菌属(六大类)之间、ARGs之间和微生物菌属与ARGs之间的网络关系, 以探究其交互作用.
2 结果与讨论 2.1 微生物群落的多样性与结构变化 2.1.1 微生物群落多样性和丰富度所有样品的Coverage指数均高于95%, 说明测序深度足够.不同样品的多样性指数变化如图 1(a)和1(b)所示.Cu_E的Shannon指数略高于Blank, 表明微生物的多样性高于Blank, 这可能是重金属铜是一些微生物生长必要的元素, 促进它们的生长[6].此外, AZM_E的Shannon指数低于Cu_E, 这可能是低浓度的AZM与铜的胁迫作用使微生物的多样性有所减少.而随着AZM浓度上升, 微生物多样性增加, 这可能是对污染物敏感的优势菌属减少, 种类较多的稀有菌属有所增加.后效应期间, AZM与铜复合污染样品的Shannon指数上升趋势与胁迫效应的基本一致, 并无明显变化, 表明微生物多样性在短期内恢复缓慢.此外, Cu_E的Chao1指数略低于空白样品, AZM_E的Chao1指数明显高于Cu_E, 推测可能是低浓度AZM与铜的复合污染对微生物具有拮抗作用.而随着AZM浓度的升高, 尤其是从AZM_M开始, Chao1指数明显逐渐下降, 微生物的丰富度逐渐降低.Zhao等[7]的研究也出现了微生物丰富度随着抗生素浓度增高而下降的现象, 与本研究的结果一致.但后效应期间微生物的Chao1指数略有增加, 丰富度有所恢复, 尤其是在Cu_E_P中, 表明微生物的丰富度可以较快地从单一铜污染中恢复.从整体上看, 后效应期间所有样品的微生物的多样性与丰富度都高于胁迫效应期间[图 1(c)和1(d)], 表明在撤去污染物后, 微生物多样性与丰富度是有一定程度的恢复.总之, 随着AZM浓度增加, 微生物多样性上升, 丰富度逐渐下降, 后效应期间多样性与丰富度恢复缓慢.
基于微生物全尺度分类方法, 共得到4类古菌类群(AT、CAT、CRT和RT), 通过PCA对复合污染下不同类群微生物的群落结构进行分析.如图 2所示, 整个微生物群落可分为3个组别: Ⅰ(Blank、Cu_E和AZM_E及其后效应样品)、Ⅱ(AZM_L_P和AZM_M_P)和Ⅲ(Seed、AZM_M和AZM_H及其后效应样品).不同浓度AZM的样品分布在不同组别, 但是大部分胁迫与后效应期间的样品聚在一起, 说明不同浓度AZM导致了微生物群落结构的改变, 而后效应影响不明显.此外, 在组Ⅰ中, Blank与Cu_E距离相近, 说明环境浓度的铜对微生物群落结构的影响较小, 这与前人关于低浓度铜对微生物群落结构影响的研究结果一致[6].在组Ⅱ中, 后效应的低浓度和中浓度AZM样品微生物距离相近、结构相似, 这可能是它们对于污染物胁迫后的恢复能力是相似的.从AT分类来看, Blank、Blank_P和Cu_E_P聚在一起、AZM_E和AZM_L_P聚在一起、高浓度样品聚在一起, 说明AT类群的群落结构也受AZM浓度的影响较大, 且它们之间较为分散, 进一步表明丰富菌属受AZM浓度影响较显著.CAT与AT的群落结构类似, 这可能是它们两种分类的微生物都是丰富菌属, 对污染胁迫的响应也相似.复合污染及后效应下, CRT的群落结构分布与整个微生物类群结构的变化类似, 说明CRT在古菌群落结构稳定性维持方面具有重要作用.从RT分类看, 虽然不同样品也分类为3个组别, 但是彼此相距较近, 表明复合污染对稀有菌属的微生物群落结构影响相对较小.因此, 各类群微生物对复合污染的响应存在差异, 且丰富菌属要明显于稀有菌属.
如图 3(a)所示, AT是整个微生物群落中占主导地位的微生物类群, 占总体的71.81%~96.83%, 其次是CAT, 占3.47%~27.07%, 而CRT与RT占比极小.其中, Cu_E中的AT低于Blank的相对丰度, 这可能是铜抑制了AT类群的活性.而投加AZM后, AZM_E、AZM_L和AZM_M的相对丰度与Blank相差不大, 表明AT对中低浓度AZM并不敏感.而AZM_H1的相对丰度有所下降, 可能是高浓度的AZM抑制AT的生长.后效应期间, AT相对丰度略有恢复.而Cu_E中的CAT相对丰度明显高于Blank, 这可能是低浓度的铜元素促进CAT的生长, 而环境浓度的AZM使其相对丰度下降.而随着AZM浓度的增高, 其相对丰度呈现不断增加的趋势, 在后效应期间其趋势基本一致, 表明CAT对不同浓度的AZM具有明显抗性.
如图 3(b)所示, AT中占比最高的古菌菌属是甲烷鬃菌属(Methanosaeta, 33.66%~85.95%), 它具有将乙醇转化为甲烷的功能[19].Methanosaeta在Cu_E中的相对丰度与Blank相差不大, 但在AZM_E中的相对丰度高于Cu_E, 这可能与低浓度AZM与铜复合污染的拮抗作用有关.随着AZM浓度增高, Methanosaeta相对丰度逐渐下降, 复合污染拮抗效果逐渐减弱, 对该菌生长的抑制作用逐渐增强.后效应期间, Methanosaeta的相对丰度较胁迫样品略有增加, 表明复合污染后效应的影响较小, 使其得到一定程度恢复.甲烷杆菌属(Methanobacterium, 4.91%~13.11%)是通过甲酸盐和H2/CO2产生甲烷的古菌[20], 随着AZM浓度升高, 相对丰度逐渐增加, 抑制作用逐渐降低, 表明Methanobacterium对AZM具有高抗性.甲烷八叠球菌属(Methanosarcina, 1.29%~24.40%)是产生甲烷效率最高的古菌之一[21], 它在Cu_E中的相对丰度高于Blank, 这可能是因为铜是Methanosarcina生长所需的元素之一[6].而在高于环境浓度的AZM样品中, 相对丰度逐渐增加, 表明Methanosarcina对AZM的胁迫具有明显抗性, 且在最高浓度的后效应样品(AZM_H2_P)中相对丰度最高.
在CAT中[图 3(c)], 甲烷螺菌属(Methanospirillum, 1.02%~10.78%)是CAT中占比最高的古菌属, 被认为能够利用氢气产甲烷的古菌[22].它在Cu_E中的相对丰度高于Blank.在投加AZM后, AZM_E中的Methanospirillum相对丰度有所下降, 生长受到了抑制, 这可能与低浓度AZM与Cu复合污染的协同作用有关, 而随着AZM浓度的增加, 其相对丰度逐渐增加, 表现出对AZM的高抗性.后效应中CAT各菌属的变化趋势与胁迫样品基本一致, 在短期内未得到恢复, 表明了复合污染对CAT各菌属存在短期后效应.除此之外, Methanoregula(0.91%~7.01%)和甲烷食甲基菌属(Methanomethylovorans, 0.59%~7.04%)与Methanospirillum的变化趋势类似.
2.2.2 稀有菌属在CRT中, 甲烷囊菌属(Methanoculleus, 0.05%~0.87%)占主导地位[图 3(d)], 其是存在于海底甲烷水合物沉积物中产生甲烷的菌属[23].该菌在Cu_E中的相对丰度明显高于Blank, 这可能是铜对Methanoculleus的生长较为关键.而在AZM_E中该菌的相对丰度下降, 表明生长受到了抑制, 但随着AZM浓度上升Methanoculleus的相对丰度逐渐上升, 表明该菌对高浓度的AZM与铜复合污染具有高抗性.在后效应期间, 相对丰度又进一步增加, 这可能是在撤销污染物后, 该菌的生长繁殖能力恢复较快.有趣的是, 另一种菌甲烷链球菌属(Methanomassiliicoccus)在Blank、Cu_E和AZM_E中并不存在, 但从AZM_L开始出现, 在AZM中浓度和高浓度的样品中占比较大, 这表明Methanomassiliicoccus对AZM具有显著的抗性, 并且适合在AZM存在, 尤其是高浓度的环境中生长, 而后效应期间在AZM_H1_P中占比最高.
在RT中[图 3(e)], 没有一种菌属一直占有主导地位, 且各菌属在不同样品中的分布规律并不明显, 这可能是稀有菌属对污染比较敏感, 受到抑制比较明显[24].甲烷泡菌属(Methanofollis)在Cu_E中相对丰度较高, 而其他菌属在胁迫作用期间几乎并不存在.在后效应期间, 除AZM_E_P中的Methanofollis和甲烷叶菌属(Methanolobus)以及AZM_H2_P中的Methanofollis和甲烷粒菌属(Methanocorpusculum)相对丰度较高外, 其余样品中的各个菌属依旧保持在很低水平, 这可能是后效应期间菌属生长繁殖能力并没有在短时间内从复合污染的胁迫中恢复.综上, 不同类型生物中均存在抗性与恢复特性不同的特定菌属, 对AZM和铜复合污染的响应不同.
2.3 抗生素抗性基因的分析本文通过PICRUSt研究了样品中ARGs的赋存特征(图 4).如图 4(a)所示, 样品中ARGs基因数量为3.9×105~9.9×105 copies·ng-1, 其中, Seed的ARGs基因数量高于其他样品.随着AZM浓度增加, ARGs基因数量呈增长趋势, 胁迫效应的样品略高于后效应的样品, 说明复合污染会引起ARGs的增殖.本文共获得7类29种ARGs, 其中, 被广泛使用的β-内酰胺类抗生素[25](33.96%, 4种亚型)占最大比例.除此之外, 主要包括FCA(22.52%, 7种亚型)、MLSB(20.39%, 5种亚型)、其他抗生素(9.30%, 3种亚型)、万古霉素(6.68%, 3种亚型)、四环素(5.97%, 2种亚型)和氨基糖苷类(1.15%, 5种亚型).自用抗生素药物调查显示, 自用抗生素药物主要类型为MLSB、四环素类和喹诺酮类[26].此外, β-内酰胺类和MLSB在AZM_H2中基因数量最高, 而FCA在AZM_L和AZM_L_P中基因数量相对较高, 说明在铜与AZM选择压下抗性基因的数量和分布也会受到较大影响, 表明投加AZM也会对其他抗生素对应的ARGs产生影响.
通过ARGs亚型分布的热图可以看出[图 4(b)], 在5个氨基糖苷类的亚型ARGs中, 其中aacC2/4基因数量最高, aacC1基因数量最低, 其基因总数均随着AZM的增加而减少, 说明AZM抑制了氨基糖苷类抗性基因的表达.检测到的7个FCA类的亚型ARGs, 在多数样品中占比最高的基因为emrB/qacA和adeA/cmeA/mexA, 其次为catB3和qepA. AZM_E和AZM_L中各基因数量均低于其他样品.β-内酰胺类的所有样品中ampC和cfxA的数量均高于其他基因, 而pbp2X的数量较少.除pbp2X外, 其余基因均随AZM浓度的增加而增加.在5个MLSB类亚型ARGs中, ermK的基因数量是ereA的4倍多.ermB/C在大部分样品中未检出.tetA/tetG/tetH/tetJ是四环素类中基因数较多的亚型, 而tetL/tetK几乎未检出.万古霉素类3个亚型ARGs中, vraR的基因数最低, 且随着AZM浓度的增加而减少.综上, AZM复合污染会引起ARGs的增殖, 尤其是高浓度下, 但是其对各ARGs亚型的影响存在差异.
2.4 微生物与ARGs的网络分析自然生态系统中的微生物并不是作为个体种群单独存在的.相反, 它们相互作用, 形成复杂的微生物群落[27].本文通过网络分析探究微生物与ARGs的交互作用(图 5).在胁迫效应和后效应的交互网络中, 分别有166条和152条关系线, 其中超过70%为正相关(胁迫效应129条, 后效应108条), 表明微生物间、ARGs间及两者之间多为共现模式, Zhao等[28]发现不同ARGs类型间存在明显的共现模式, 表明ARGs之间存在有共同选择的潜力.在不同类型菌属间的交互作用中, 不管是胁迫效应还是后效应下, CAT与其他类群间的关系线都最多, 表明CAT与其他类群关系更加紧密, 在微生物交互网络中处于关键生态位.Li等[18]的研究发现CRAT是生活在热水系统管壁生物膜的核心微生物类群, 这与不同的生物介质或存在形态有关.此外, 从RT与其他类群微生物的交互中可以看出, 在胁迫效应中, 稀有菌属RT与其他类型菌的关系较后效应密切, 表明稀有菌属在胁迫效应中的重要作用.
相较于微生物间的交互作用, ARGs-ARGs的交互网络更复杂, 且胁迫效应ARGs与ARGs之间的关系线(79条)要明显多于后效应(41条), 表明复合污染胁迫下抗性基因间的交互作用更复杂.胁迫效应期间, 其他类别抗生素的亚型marR和emrD与其他ARGs的关系线最多, 各是10条, 且其中8条为正相关.在后效应期间, 四环素类的tetA/tetG/tetH/tetJ和其他类别抗生素的marR与其他ARGs的关系线最多(各8条), 联系最密切, 且大部分为正相关.FCA的亚型oprJ与其他ARGs大部分呈现负相关(5条).结果表明: 四环素类和其他类抗生素与其余抗生素类别的ARGs呈现共现模式, 而FCA类抗生素的ARGs与其余ARGs呈现互斥模式.在Zhao等[28]的研究中发现, 四环素类的抗性基因更有可能和氨基糖苷类呈现共现模式, 而氯霉素类与其他抗性基因呈现互斥模式.
此外, 在微生物种属与ARGs网络关系中, 胁迫效应期间, 属于AT的Methanobrevibacter与MLSB、β-内酰胺类和氨基糖苷类的亚型ARGs呈现正相关(11条), 它可能是携带多种ARGs的潜在宿主, 属于多重耐药菌.在后效应期间, 属于RT的Methanolobus与MLSB、FCA、万古霉素和氨基糖苷类的亚型ARGs呈现正相关(8条), CAT的Methanospirillum和甲烷球形菌属(Methanosphaera)与四环素类的亚型ARGs呈现正相关(3条).因此, 部分丰富菌属和稀有菌属的古菌都可成为ARGs的潜在宿主, 并且可能是多种ARGs的携带者, 需要给予更多的关注与开展深入地研究.
3 结论(1) 在复合污染选择压下, 随着AZM浓度增加, 古菌多样性上升, 丰富度下降, 且在后效应期间丰富度缓慢恢复; 各类群微生物群落结构对复合污染的响应不同, 且丰富菌属较稀有菌属更敏感, 其中CRT在古菌群落结构稳定性维持方面具有重要作用.
(2) 不同类型生物中均存在抗性与恢复特性不同的特定菌属, 且丰富菌属对复合污染的抗性高于稀有菌属, 其中Methanosaeta、Methanobacterium和Methanosarcina是古菌群落中的优势菌属.
(3) 本文共检测出7类ARGs中的29种ARGs, 其中, β-内酰胺类占比最大, 达33.96%; 复合污染会引起ARGs的增殖, 尤其是高浓度下, 但其对各ARGs亚型的影响存在差异.
(4) CAT是胁迫与后效应期间微生物交互网络中的关键菌属, 而RT在胁迫效应中处于重要生态位; ARGs间的共现与互斥模式均存在; Methanobrevibacter和Methanolobus与多种ARGs呈现正相关, 是多种ARGs的潜在古菌宿主.
[1] | Guo J H, Li J, Chen H, et al. Metagenomic analysis reveals wastewater treatment plants as hotspots of antibiotic resistance genes and mobile genetic elements[J]. Water Research, 2017, 123: 468-478. DOI:10.1016/j.watres.2017.07.002 |
[2] | Xiong W G, Sun Y X, Ding X Y, et al. Antibiotic resistance genes occurrence and bacterial community composition in the Liu xi River[J]. Frontiers in Environmental Science, 2014, 2: 1-6. |
[3] | Li L G, Dechesne A, He Z M, et al. Estimating the transfer range of plasmids encoding antimicrobial resistance in a wastewater treatment plant microbial community[J]. Environmental Science & Technology Letters, 2018, 5(5): 260-265. |
[4] | Stepanauskas R, Glenn T C, Jagoe C H, et al. Coselection for microbial resistance to metals and antibiotics in freshwater microcosms[J]. Environmental Microbiology, 2006, 8(9): 1510-1514. DOI:10.1111/j.1462-2920.2006.01091.x |
[5] | Wang Z C, Xia P H, Gao M C, et al. Long-term effects of combined divalent copper and tetracycline on the performance, microbial activity and community in a sequencing batch reactor[J]. Bioresource Technology, 2018, 249: 916-923. DOI:10.1016/j.biortech.2017.11.006 |
[6] | Li S S, Ma B R, Zhao C K, et al. Long-term effect of different Cu (Ⅱ) concentrations on the performance, microbial enzymatic activity and microbial community of sequencing batch reactor[J]. Environmental Pollution, 2019, 255. DOI:10.1016/j.envpol.2019.113216 |
[7] | Zhao Y F, Gao J F, Wang Z Q, et al. Responses of bacterial communities and resistance genes on microplastics to antibiotics and heavy metals in sewage environment[J]. Journal of Hazardous Materials, 2021, 402. DOI:10.1016/j.jhazmat.2020.123550 |
[8] | Zhao R X, Yu K, Zhang J Y, et al. Deciphering the mobility and bacterial hosts of antibiotic resistance genes under antibiotic selection pressure by metagenomic assembly and binning approaches[J]. Water Research, 2020, 186. DOI:10.1016/j.watres.2020.116318 |
[9] | Pan K L, Gao J F, Fan X Y, et al. The more important role of archaea than bacteria in nitrification of wastewater treatment plants in cold season despite their numerical relationships[J]. Water Research, 2018, 145: 552-561. DOI:10.1016/j.watres.2018.08.066 |
[10] | Li B, Yang Y, Ma L P, et al. Metagenomic and network analysis reveal wide distribution and co-occurrence of environmental antibiotic resistance genes[J]. The ISME Journal, 2015, 9(11): 2490-2502. DOI:10.1038/ismej.2015.59 |
[11] | Fuchsman C A, Collins R E, Rocap G, et al. Effect of the environment on horizontal gene transfer between bacteria and archaea[J]. PeerJ, 2017, 5. DOI:10.7717/peerj.3865 |
[12] | Dai T J, Zhang Y, Tang Y S, et al. Identifying the key taxonomic categories that characterize microbial community diversity using full-scale classification: a case study of microbial communities in the sediments of Hangzhou Bay[J]. FEMS Microbiology Ecology, 2016, 92(10). DOI:10.1093/femsec/fiw150 |
[13] | Zhang M Q, Yuan L, Li Z H, et al. Tetracycline exposure shifted microbial communities and enriched antibiotic resistance genes in the aerobic granular sludge[J]. Environment International, 2019, 130. DOI:10.1016/j.envint.2019.06.012 |
[14] | Liu H, Yang Y K, Sun H F, et al. Effect of tetracycline on microbial community structure associated with enhanced biological N & P removal in sequencing batch reactor[J]. Bioresource Technology, 2018, 256: 414-420. DOI:10.1016/j.biortech.2018.02.051 |
[15] | Wang L X, Deng S, Wang S J, et al. Analysis of aerobic granules under the toxic effect of ampicillin in sequencing batch reactors: Performance and microbial community[J]. Journal of Environmental Management, 2017, 204: 152-159. DOI:10.1016/j.jenvman.2017.08.027 |
[16] | Verhagen F J M, Laanbroek H J. Competition for ammonium between nitrifying and heterotrophic bacteria in dual energy-limited chemostats[J]. Applied and Environmental Microbiology, 1991, 57(11): 3255-3263. DOI:10.1128/aem.57.11.3255-3263.1991 |
[17] | Fan X Y, Gao J F, Pan K L, et al. Functional genera, potential pathogens and predicted antibiotic resistance genes in 16 full-scale wastewater treatment plants treating different types of wastewater[J]. Bioresource Technology, 2018, 268: 97-106. DOI:10.1016/j.biortech.2018.07.118 |
[18] | Li N, Li X, Zhang H J, et al. Microbial community and antibiotic resistance genes of biofilm on pipes and their interactions in domestic hot water system[J]. Science of the Total Environment, 2021, 767. DOI:10.1016/j.scitotenv.2020.144364 |
[19] | Rotaru A E, Shrestha P M, Liu F H, et al. A new model for electron flow during anaerobic digestion: direct interspecies electron transfer to Methanosaeta for the reduction of carbon dioxide to methane[J]. Energy & Environmental Science, 2014, 7(1): 408-415. |
[20] | Kelly W J, Leahy S C, Li D, et al. The complete genome sequence of the rumen methanogen Methanobacterium formicicum BRM9[J]. Standards in Genomic Sciences, 2014, 9(1). DOI:10.1186/1944-3277-9-15 |
[21] | Yu Y, Kim J, Hwang S, et al. Use of real-time PCR for group-specific quantification of aceticlastic methanogens in anaerobic processes: population dynamics and community structures[J]. Biotechnology and Bioengineering, 2006, 93(3): 424-433. DOI:10.1002/bit.20724 |
[22] | Zhao Z Q, Sun C, Li Y, et al. Upgrading current method of anaerobic co-digestion of waste activated sludge for high-efficiency methanogenesis: Establishing direct interspecies electron transfer via ethanol-type fermentation[J]. Renewable Energy, 2020, 148: 523-533. DOI:10.1016/j.renene.2019.10.058 |
[23] | Chen S C, Weng C Y, Lai M C, et al. Comparative genomic analyses reveal trehalose synthase genes as the signature in genus Methanoculleus[J]. Marine Genomics, 2019, 47. DOI:10.1016/j.margen.2019.03.008 |
[24] | Shade A, Jones S E, Caporaso J G, et al. Conditionally rare taxa disproportionately contribute to temporal changes in microbial diversity[J]. mBio, 2014, 5(4). DOI:10.1128/mBio.01371-14 |
[25] | Ana K M S, Madriaga J, Espino M P, et al. β-Lactam antibiotics and antibiotic resistance in Asian lakes and rivers: An overview of contamination, sources and detection methods[J]. Environmental Pollution, 2021, 275. DOI:10.1016/j.envpol.2021.116624 |
[26] | Szekeres E, Baricz A, Chiriac C M, et al. Abundance of antibiotics, antibiotic resistance genes and bacterial community composition in wastewater effluents from different Romanian hospitals[J]. Environmental Pollution, 2017, 225: 304-315. DOI:10.1016/j.envpol.2017.01.054 |
[27] | Barberán A, Bates S T, Casamayor E O, et al. Using network analysis to explore co-occurrence patterns in soil microbial communities[J]. The ISME Journal, 2012, 6(2): 343-351. DOI:10.1038/ismej.2011.119 |
[28] | Zhao R X, Feng J, Huang J, et al. Reponses of microbial community and antibiotic resistance genes to the selection pressures of ampicillin, cephalexin and chloramphenicol in activated sludge reactors[J]. Science of the Total Environment, 2021, 755. DOI:10.1016/j.scitotenv.2020.142632 |