2023, Vol. 44
, ZHU Xu-yan , ZHAO Xing-qing
, LU Jin , ZHOU Yu-cheng , ZHANG Xin-yi , WANG Xiao-peng
矿山开采、矿物富集分离和尾矿堆积等过程都会产生大量的废水, 矿山废水含有大量的重金属离子、酸、碱、固体悬浮物和各种选矿药剂等.其特点是排放量大、持续性强, 对周围环境产生了巨大的危害.还会通过食物链进入人体, 极大程度地危害人类的生命健康[1].微生物担负着调控生态系统、维持地球物质循环、缓冲和净化污染等多方面的功能.微生物对环境胁迫的响应要比同一环境中的动物和植物更加灵敏.所以, 微生物活动的改变通常被认为是生态影响的一个重要指标[2].
矿山排水中的重金属污染被认为是不同类型生境中微生物群落组成的重要环境因素[3].pH值是酸性矿山废水(acid mine drainage, AMD)中嗜酸生物群落组成的最强预测因子, 在不同地区具有广泛的时空尺度[4].许多研究发现微生物结构及多样性与地球化学参数之间的关系, 证明了环境变量如金属浓度、电导率、pH、硫酸盐、温度、硫化物和盐度等都对环境中微生物群落有较强的影响[5], 从而使得生物多样性和结构特征也发生调整, 以适应不同生境.这些研究初步洞悉了影响微生物群落结构以及多样性的物理和化学因素, 并增加了对微生物如何应对环境变化作出反应的理解.
矿山水体中的微生物影响整个矿山生物地球化学过程, 但大多数研究者专注于酸矿水[6], 对矿区水系统中不同类型废水中的微生物群落结构变化及差异了解不多.矿山废水伴随矿产资源开发的全过程, 每一过程都呈现不同的污染特性, 笼统地对其进行研究不利于充分掌握整个矿山水体污染信息.不同过程产生的废水中的理化性质差异显著, 从而使得微生物群落结构也在不断地调整以适应生境.因此, 深入研究矿山水系统中不同类型废水的生态效应对于整个矿山废水的管理、排放和修复具有重要的意义.
安徽铜陵地区是长江中、下游典型的多金属矿集区之一.铜陵狮子山矿区在长期的开采过程中, 产生了大量废水, 对周边生态环境有严重影响.因此, 选择铜陵狮子山矿区水系统开展一项综合研究, 通过对矿山水系统中产生的不同类型的废水(露天采矿区废水、堆矿区渗流水、选矿区选矿井废水、矿山渗透水和生活池塘水等)为研究对象, 对矿区水体理化特征及重金属污染特征进行分析, 使用高通量测序对微生物群落组成及多样性进行研究.本研究的主要目的是：①表征矿山水系统不同类型水体污染分布特征; ②提供一个与采矿活动相关的区域水系统中微生物群组成和多样性的新的见解; ③量化参数与微生物群落组成之间的关系.这项调查通过深入了解矿山水系统中微环境, 探讨环境因子对微生物在矿山水环境中地理分布所起的作用, 以期揭示微生物群落对环境因子的胁迫响应.
1 材料与方法 1.1 样品采集和保存狮子山矿区位于铜陵市东郊约7 km处, 是铜陵地区Cu、Ag、Fe和S等矿产较为集中的区域之一.本研究采样点设在狮子山杨山冲尾矿库及周边, 根据矿山总平面布置(图 1), 针对不同水体类型, 选取露天采矿区废水(采矿区有一自上而下的溪流, 分别在山顶、山腰和山脚下选取了3个采样点MW1、MW2和MW3, 其中MW3是溪流、地下水、雨水等汇聚在采矿坑内形成的一个大水塘, 水深约2 m)、堆矿区废水(堆矿区淋溶渗流水, HW)、选矿区废水(选矿井废水, DW)、矿山岩石层的裂隙渗透水(矿山渗透水, SW)和山脚下生活池塘水(PW, 作为参考点), 每个采样点采集5份水样充分混匀, 分别放置于经过灭菌处理的血清瓶中, 获得7个混合样, 标记后放入冰盒中, 快速带回实验室.将每个血清瓶的水样一分为二, 一份用于理化性质测定, 一份用于分子生物学分析.
|
MW1、MW2和MW3表示采矿区废水、堆矿区废水(HW)、选矿区废水(DW)、矿山渗透水(SW)和生活池塘水(PW) 图 1 采样位置示意 Fig. 1 Sampling locations |
水样pH值采用PHS-3C型实验室pH计测定, 水样电导率采用DDS-307电导率仪测定, 水样中二价铁离子(Fe2+)采用邻菲罗啉比色法(GB code)测定, 水样中的COD采用重铬酸钾法(GB code)测定, 水样中阴离子(Cl-、SO42-和NO3-)在中国江苏省常州市环境监测中心采用离子色谱法测定.水样中的重金属浓度(Cu、Pb、Zn和Cd)采用火焰原子分光光度法测定, 测定精度0.000 1 mg·L-1[7].矿山水体重金属综合污染状况由重金属污染指数法(HPI)评价, 当HPI < 100时, 则可认为该水体的重金属污染程度在最高可接受水平范围内, 反之则不在可接受范围内.
|
式中, Si为污染物i在水域中允许的最高浓度(mg·L-1)[以《地表水环境质量标准》(GB 3838-2002)Ⅴ类水域标准限值]; k为比例常数, 通常取1; Ci为水体中污染物i的检测浓度(mg·L-1).
1.3 微生物群落结构及多样性分析按照MOBIO PowerSoilⓇ DNA Isolation Kit试剂盒操作方法提取水体样品宏基因组DNA, 提取后于-80℃冰箱保存.以提取的样品宏基因组DNA为模板针对微生物16S rRNA基因V4区进行PCR扩增.PCR扩增产物用1.0%的琼脂糖进行电泳验证, 此时对PCR扩增产物采用纯化试剂盒进行纯化, 使用EZNA Gel Extraction Kit凝胶回收试剂盒回收PCR混合产物.最后采用Illumina HiSeq 2500(Magigene, Guangdong)平台进行高通量测序[8].
1.4 统计与数据处理数据采用Microsoft Excel 2013进行统计, 包括变异系数(CV)的计算[9].通过QIIME平台去除原始序列中的低质量序列, 根据标签序列分开来自不同样品的序列.利用Uchime软件去除在PCR过程中形成的嵌合体, 获得的高质量序列用Usearch方法进行聚类, 以16S rRNA基因序列97%相似度作为分类操作单元OTUs(operational taxonomic units)的划分标准.Chao1和Shannon多样性指数的计算利用QIIME平台完成, 通过RDP Classifier鉴定OTU代表性序列的微生物分类地位.Spearman相关性分析用SPSS Statistics 25.0完成[10].用R软件(版本3.6.1)中的各种数据包可以完成Heatmap和PCoA等图并进行分析检验.另外, 用Canoco软件(version 4.5, Microcomputer Power, USA)进行CCA分析来揭示环境理化因子与微生物群落以及环境因子之间的相关性.
|
式中, α表示STEDV函数, β表示AVERAGE函数.
2 结果与分析 2.1 水的理化性质和重金属污染矿山水系统中不同生境水体(采矿区废水、堆矿区废水、选矿区废水、矿山渗透水和生活池塘水)理化性质及重金属污染特征见表 1.结果显示大部分采样点(MW1、MW2、HW和DW)水样理化性质的检出值远高于《地表水环境质量标准》(GB 3838-2002)Ⅴ类水域标准限值.水体pH除MW3、PW和SW的大致呈现中性(6.96~7.38), 其他4个采样点(MW1、MW2、HW和DW)均表现为强酸性(2.32~3.73), 狮子山矿区酸矿水的酸化程度较高.水体COD(55.72~472.88 mg·L-1)、EC(75.2~569.8 mS·cm-1)、Cl-(9.7~26.4 mg·L-1)、SO42-(273.8~10 879 mg·L-1)和NO3-(ND~27.60 mg·L-1)均表现为PW和MW3样品中的数值显著低于其他采样点.DW的COD最高(472.88 mg·L-1), HW的EC及Cl-和SO42-数值均最高, 所有采样点ρ(SO42-)均超过地表水环境质量标准(250mg·L-1).此外, 本研究中的矿山废水与其他寡营养环境不同的是, 水体中的N浓度较高, NO3-除SW和PW未被检测到, 其他采样点的NO3-浓度远超水体富营养化评价指标中N浓度[ρ(TN)：0.2~0.3mg·L-1].
|
表 1 矿山水理化性质及重金属污染评价1) Table 1 Mine water physicochemical properties and evaluation of heavy metal pollution |
以《地表水环境质量标准》(GB 3838-2002)Ⅴ类水域标准限值[ρ(Fe2+)、ρ(Cu)、ρ(Pb)、ρ(Zn)和ρ(Cd)分别为0.3、1.0、0.1、2.0和0.01mg·L-1]作为评价标准.与之相比, 重金属Cu、Zn在DW点污染最严重, 超标准值达到1 338.91倍和23.78倍, 重金属Cd和Pb在HW点超标标准值达到66倍和4.5倍.由重金属污染指数HPI分析得出, 7个采样点水体重金属污染指数依次为：HW(5 924.63)>DW(5 350.77)>MW1(4 333.03)>MW2(4 246.81)>SW(110.66)>MW3(105.87)>PW(105.16), 采样点HW、DW、MW1和MW2的HPI值(6 030.5~4 246.81)远远超过最高可接受值100, 可知MW1、MW2、HW和DW的排水重金属污染高, 其余3个采样点(SW、MW3、PW)的HPI值均在100左右, PW污染指数最低(105.16), 矿山水系统不同区域废水污染特征差异显著.
CV可以反映总体样本中各采样点平均变异程度.变异系数越大, 说明环境参数的可变化性增加[9], 因此矿区水系统中因水功能不同而排放的废水受外界干扰较大, 在空间上的分布有较大的差异.通过计算各种理化参数的变异系数, 发现变异系数值普遍高于39%.其中变异程度最小的为重金属Pb(39.38%), 最大的为重金属Cu, 达到了239.79%.
2.2 微生物组结构和多样性通过对矿山水系统不同类型水体样品进行Illumina HiSeq 2500测序, 得到了该矿区水系统中微生物群落的多样性.由表 2可知各采样点在构建的OTUs数量为：SW(5 547)>MW1(5 220)>MW2(4 868)>PW(3 683)>MW3(2 737)>HW(2 317)>DW(2 541).同时, 表 2中的Shannon、Chao1和Observed species指数也验证了上述物种丰富度排名.Shannon指数表征物种多样性的均匀性, SW(Shannon指数为9.50)具有最大多样性和均匀性, DW(Shannon指数为6.70)则最少.在物种丰富度上, 由Chao1指数和Observed species指数得出, Chao1指数的最大值为MW2(7 262), Observed species指数的最大值为SW(4 664), 而这两者的最小值均在DW, Chao1和Observed species指数分别为3 255和2 005.
|
|
表 2 微生物群落多样性指数(97%序列相似性) Table 2 Microbial community diversity index (97% sequence similarity) |
通过Venn图可以直观地表明环境样本的OTUs数目组成相似性及重叠情况[11].图 2显示了7个采样点的OTUs重叠数量为177个, 且每个采样点都有自己独特的微生物物种.
|
图 2 OTU维恩图 Fig. 2 OTU Venn diagram |
为了获得更好的可视化和探索物种组成相似性的数据, 基于Weighted Unifrac距离的主坐标分析(PCoA)显示了不同水体的理化性质对微生物群落β-多样性的综合影响(图 3).约有77.73%的微生物群落组成变异得到解释(第一维第二维分别是55.71%和22.02%), 这表明本次选取研究的水体的环境参数对分布和组成有显著影响.PCoA结果显示, 理化性质相近的样本常是聚类成簇的, 例如MW1和MW2聚类相似, MW3和PW聚类相似, 这从相似性度量热图也能得到相似的结果(图 4).
|
图 3 铜陵矿区采样点及相关环境变量的主成分分析(PCoA) Fig. 3 Principal co-ordinates analysis (PCoA) of sampling sites and related environmental variables in Tongling Mining area |
|
图 4 基于Bray-Curtis距离计算得出相似性度量热图 Fig. 4 Calculating thermal map of similarity measurement based on Bray-Curtis distance |
OTUs序列条数可以分成不同的类别, 各水体中的微生物群落在门(1%)水平上的相对丰度总共18门[图 5(a)].主要由细菌(80.87%)和古菌(19.13%)组成.其中古菌3门, 包括Crenarchaeota、Euryarchaeota和Parvarchaeota; 细菌15门, 包括Acidobacteria、Actinobacteria、Bacteroidetes、Chlamydiae、Chloroflexi、Cyanobacteria、Firmicutes、Nitrospirae、OD1、OP11、OP3、Planctomycetes、Proteobacteria、Verrucomicrobia和WS6. 其中Proteobacteria、Euryarchaeota、Bacteroidetes、Nitrospirae和OD1为优势菌群[图 5(b)], 分别占总序列的37.89%、14.82%、12.39%、7.88%和7.10%(相对丰度>5%), 优势菌群占总菌群的80.08%.其他一些菌群丰富度比较少, 但仍在大部分样品中检测到.其中包括Crenarchaeota(2.53%)、Acidobacteria(1.99%)、Firmicutes(1.80%)、Parvarchaeota(1.78%)、Cyanobacteria(1.49%)和Planctomycetes(1.33%).由微生物种类在门水平上的分类揭示了所有矿山水系统水样中的微生物群落组成差异明显[图 5(a)].最优势菌Proteobacteria在PW中占该区域微生物群落丰富度比例最高(56.95%), 其次在MW1、MW2、MW3、HW和SW中占比为31.35%~52.10%; Proteobacteria占比最低的区域在DW, 为7.35%.另外, Bacteroidetes在MW3和PW中较为优势, 在其他5个采样点中占比均较弱.Nitrospirae在MW1、MW2和HW中较为优势, 而OD1则在SW、DW中较为优势.此外, 古菌中的Euryarchaeota也在MW1、MW2、HW和DW中为优势菌门, 占比分别为12.50%、14.31%、39.52%和34.60%, 其在MW3和PW中占比最少分别为0.40%和0.30%.相反, Crenarchaeota在MW1和MW2分别占比只有7.55%和8.49%, Parvarchaeota在SW的占比也仅为11.35%.从中可以看出不同微生物在不同类型水体中的分布情况也不相同.
|
(a) 不同类型水样中微生物相对丰度, (b) 整个水样中微生物相对丰度 图 5 矿区水样中微生物在门水平的相对丰度 Fig. 5 Relative abundance of microorganisms at the phylum level in water samples from mining areas |
由各采样点酸矿水理化性质、重金属浓度与微生物在门水平上相对丰度之间的Spearman相关性热图可知[图 6(a)], 在门水平上, 除去Cl-与微生物相关性不明显之外, 其余10个环境因子均与微生物有显著相关性, 尤其是与Proteobacteria、Bacteroidetes、Firmicutes和Verrucomicrobia呈显著相关性[图 6(a)].pH值与Firmicutes和WS6呈极显著负相关(P < 0.01).优势细菌群中, Proteobacteria和Bacteroidetes与重金属(Fe2+、Cu、Pb、Zn和Cd)、EC和COD等物理化学参数呈负相关.但是Nitrospirae和OD1则相反, 其与重金属(Fe2+、Cu、Pb、Zn和Cd)、EC、SO42-和NO3-等呈正相关.另外, Firmicutes与EC、Pb呈显著正相关(P < 0.05), 与SO42-、Cd呈极显著正相关(P < 0.01).Verrucomicrobia则与COD、EC、SO42-、NO3-和Pb呈显著负相关(P < 0.05), 与Fe2+、Cu和Zn呈极显著负相关(P < 0.01).其余门类微生物与各环境因子的相关性均不显著.
|
(a) 相关性热图, (b) 典型对应分析; *表示P < 0.05, **表示P < 0.01, P值为相关性检验结果; (a) 横坐标表示水的理化性质和重金属信息, 纵坐标表示微生物群落丰度信息; 蓝色表示负相关, 棕色表示正相关, 颜色越深, 相关性越高 图 6 理化性质和重金属与微生物群落的相关性热图和典型相关性分析 Fig. 6 Heat map and canonical correlation analysis of physicochemical properties, heavy metals, and microbial communities |
通过量化环境变量对微生物群落的组成和分布影响, 得到了典型对应分析[图 6(b)].CCA分析结果显示, 微生物群落结构与环境理化性质之间存在明显的关联, 箭头代表不同的环境因子, 射线越长表示该环境因子的影响越大.本研究中共有11个环境变量(pH、COD、EC、Cl-、SO42-、NO3-、Fe2+、Cu、Pb、Zn和Cd)与微生物群落结构相关.重金属(Cu、Pb、Zn和Cd)和pH、EC、SO42-、COD等均是重要影响因素.图 6(b)中, Euryarchaeota、Actinobacteria、Acidobacteria和OD1等微生物与重金属Cu、Pb、Zn和Cd均呈正相关, Bacteroidetes、Cyanobacteria和Verrucomicrobia等微生物与重金属Cu、Pb、Zn、Cd和EC呈负相关, 与pH呈正相关.OP3、OP11和Chloroflexi等微生物与11个环境因子呈不明显的相关性.
环境因子对3种古菌的影响有较大的差异(图 6).古菌Euryarchaeota与pH值呈显著负相关, Crenarchaeota和Parvarchaeota与pH值呈负相关.此外, Euryarchaeota还与Cd、Fe2+、Cu、Zn和NO3-呈显著正相关, 与SO42-、EC和Pb呈极显著正相关.相反的是, 其他两种古菌与环境因子并未表现出较显著的相关性.
3 讨论 3.1 水的理化性质及重金属污染特性本研究中, 铜陵狮子山矿区水系统中不同类型废水(采矿区废水、堆矿区废水、选矿区废水、矿山渗透水和生活池塘水)的理化性质表现出明显的异质性(表 1).pH值在MW1、MW2、HW和DW呈强酸性.这可能是MW1、MW2和HW裸露堆积的大量硫化物矿石表面不断被氧化分解, 经过雨水的淋溶后产生了大量的H+, 导致了水体pH的降低[12].DW的pH呈强酸性, 可能是由于选矿区水样受选矿药剂的影响.SW主要来源于矿山废水通过土壤及岩石层的裂隙渗透而进入含水层, 或者透过防水墙.SW的pH值大致呈中性, 这与其距离采矿区较远, 受到矿山排放废水影响较少及经土壤层过滤后等有关[13].另外, MW3和作为对照样品的PW的pH值也大致呈中性.MW3和PW这两处的COD、EC、COD、SO42-和NO3-也明显低于其他5个采样点, 可能矿山废水未直接排入矿坑和生活池塘水, 加上这两处受地下水及雨水的稀释作用.另外, HW和DW中的SO42-浓度远远高出PW数十倍甚至达到了数百倍, 这可能是由于HW矿石中的硫化物会被氧化溶解于水中, DW选矿药剂的作用, 而导致水中的SO42-浓度增加[14].
矿山废水中的重金属对周边环境的影响一直被认为是一个严重的问题[15].本研究中, 对矿区水系统中不同水体的重金属浓度进行了分析, 发现MW1、MW2、HW和DW水体污染严重, 排水所含重金属主要来自采矿活动.这主要归因于矿石裸露风化、矿石处置、选矿药剂、当地空气和水的可用性等[16, 17].其中, HW重金属污染最为严重(HPI=5 924.63), 主要是由于HW堆放的大量矿石经过不断地氧化以及雨水的淋溶而导致重金属浓度较高[18], 这点从pH值的强酸性也可以得到验证.其中HW的Fe2+浓度较高可能是来源于金属硫化矿的持续氧化所致[19].从整体来看, 该地区Cd污染普遍严重, 超过V类水域标准限值的47~66倍, 对农业灌溉、生产以及生态环境的影响较大, 并且其生产出来的农产品对人体健康危害也较大[20].这从以前的研究可以得知铜陵矿区不同土地利用类型中Cd的污染严重[21].另外, 重金属Cu对该地区的影响也较为严重, DW中ρ(Cu)甚至达到了1 338.91 mg·L-1, 这主要是由于狮子山是铜矿产地, 并且在选矿池中主要是筛选铜, 而且酸性排水对矿石的持续溶解也有重要影响.
3.2 重金属污染对水细菌群落组成和多样性的影响由7个采样点OTUs的Venn图分布(图 2)、重金属污染情况表(表 1)和微生物群落指数表(表 2), 了解到了微生物群落受环境因素和重金属污染的分布情况, 还发现微生物会通过改变自身丰度和结构来适应生境的改变[22].不同类型的废水所具有的环境不同, 因此存在于其中的微生物种类有明显的差异[图 5(a)].特别是, 当水体微生物群落暴露于极端环境下时, 敏感的微生物种类和丰度会消亡减少, 而抗性微生物则由于适应新的生境而增多, 从而导致微生物群落的组成结构发生改变, 同时这些不太多样化的微生物种群的活性和对附加干扰的抵抗力可能也会降低.本研究中重金属污染最重的DW的微生物群落多样性和丰度均比其他4个区域弱(表 2), 如Bacteroidetes和Cyanobacteria在重金属污染较重的水体中几乎没有分布或者分布很少[表 1和图 5(a)], 这表明这些微生物对重金属的耐受性较差, 无法适应此类重污染的环境.相反的是, Nitrospirae、Actinobacteria和Euryarchaeota却能在重金属污染程度严重的水体(MW1、MW2、HW和DW)中分布丰富, 这表明这些微生物对重金属有良好的抗性[表 1和图 5(a)].同时, 从相关性热图中也可以发现相同的结果[图 6(a)], 即Nitrospirae等微生物与重金属呈正相关.这也从另一方面阐释了在长期酸化及重金属污染下, 重金属能够诱导特定微生物群落的建立[23], 水体中微生物群落结构多样性和丰度也会因此受到改变[24].
在所研究的矿山废水系统中得到了两类最优势的门Proteobacteria和Euryarchaeota[图 5(b)], 其将近占总微生物群落一半, 而敏感的种系则比较少.一般来说, Proteobacteria对重金属的耐受力很强[25], 在重金属污染土壤中也为优势菌群[26].但是在本研究中, Proteobacteria与重金属(Fe2+、Cu、Pb和Zn)呈显著负相关[图 6(a)].Proteobacteria在DW中的丰富度最低.Yin等[27]也发现在重金属高污染沉积物中, Proteobacteria的丰度相对降低.Jose等[28]的研究发现在重金属ρ(Cu)、ρ(Zn)和ρ(Cd)分别为97、1 159和50mg·L-1的Eloor水样中, Proteobacteria的丰富度达到了78.3%.因此推测可能是DW中极高的Cu浓度才导致了Proteobacteria丰度的降低.有研究表明, 在重金属Cu浓度较高区域中Proteobacteria丰度会明显降低[29].这也说明了Proteobacteria生活方式的复杂性.
另外, 本研究中较为优势的门是古菌Euryarchaeota, 其在多种环境中均为优势菌群, 如农田[30, 31], 铅锌尾矿[32].Euryarchaeota与重金属Cu、Pb、Zn、Cd和Fe2+呈显著正相关, 特别与重金属Pb呈极显著正相关[图 6(a)], 同时在HW和DW中具有分布优势[图 5(a)], 以上都说明了Euryarchaeota对重金属具有高耐受性.本研究发现, 另外两门古菌Crenarchaeota和Parvarchaeota在所有样本中均表现出低丰富度[图 5(a)].Wang等[33]的研究发现Crenarchaeota在酸矿水灌溉的农田中为最优势古菌门.但是在本研究中, Crenarchaeota仅少量出现在MW1和MW2中, 而且在其他同样为重金属污染严重的HW和DW中几乎没有, 这可能与Crenarchaeota对重金属Cu呈负相关有关.另外, 发现Parvarchaeota除了在SW中有少量占比外, 在其他6个采样点中几乎不存在, 这可能与其活性相对较低有关[34], 并且其生态作用尚未得到清晰揭示[35].
此外, 本研究认为Fe2+与微生物群落的相关性很可能是由于Fe2+是铁氧化剂的主要能源来源, 它是原核生态系统的主要生产者, 将二氧化碳固定在有机物中, 这种有机碳随后支持大量的异养嗜酸菌.Fe2+也经常在酸矿水中被检测到[36].Fe2+在酸矿水中常常被化能自养的嗜酸微生物氧化, 并且为其提供能量, 而嗜酸微生物则起到了高效催化剂的作用, 其促进了Fe2+向Fe3+的转化.
3.3 影响水微生物结构和多样性的环境变量从矿山7个采样点中, 发现有5种相似的微生物群落聚集(图 3和图 4), 根据分析得其聚集成簇的成因主要有以下两点: 首先是对pH、SO42-、EC等理化性质较相似(表 1), 其次是重金属污染状况相似(表 1).正如先前的研究表明[37], 系统进化聚类经常是由于生存环境的筛选.有研究表明微生物群落是由多种因素综合作用驱动的[38~40].
通过进一步研究发现, pH值对酸矿水中的微生物群落结构以及多样性有很大影响(图 6).有研究也表明微生物群落的变化与pH值的变化有很强的相关性[41].Tan等[42]研究Richmond矿山时也发现, 季节的变化使得酸矿水的pH值下降, 古细菌的相对丰度也因此升高, 同时Jiang等[43]的研究发现pH值对电子垃圾场的微生物群落多样性起重要影响.Proteobacteria和Bacteroidetes与pH值呈正相关, 这些微生物在pH值较低的区域中占比明显降低甚至几乎没有[图 5(a)].Korehi等[44]的研究也发现在pH值为3以下时, Proteobacteria相对丰度会显著降低.这可能是由于低pH会使细胞内很多酶失去活性, 抑制一些微生物的生长.相反的是, Euryarchaeota和Firmicutes则与pH值呈负相关, 其在pH值较高的区域中占比很低.另外Liu等[45]的研究也发现Euryarchaeota的相对丰度是随着pH的增加而降低, 与pH呈负相关.这可能是由于在pH值为3~4时, 耐酸微生物细胞膜上的脂质体能够形成有规则的囊泡结构, 而这种结构对H+有较低的渗透性, 并且无法在pH值为7时形成.因此在选择用于修复酸矿水的微生物时, pH值不容忽视, 而且pH值对微生物群落的具体影响机制仍需要更深入的研究.
水体电导率也是影响微生物群落结构的另一个参数.Guo等[46]的研究也发现电导率与微生物群落结构有一定的相关性.电导率决定着水体盐度, 而由电导率所引起的盐度的变化也影响着微生物群落[47].本研究中[图 6(a)], Proteobacteria、Bacteroidetes和Verrucomicrobia与电导率呈显著负相关.在Kim等[48]的研究中, Proteobacteria与电导率呈负相关, 但是Bacteroidetes与电导率呈正相关.这与本研究结果的不同可能是在该矿区中Bacteroidetes绝大部分分布在pH值较高的水体区域中, 其主要还是受到pH值的影响.Verrucomicrobia在矿山废水中的占比极少, Keshri等[49]的研究也发现Verrucomicrobia仅少量存在于南非矿井水中.另外, Euryarchaeota和Firmicutes与电导率呈显著正相关.张玥等[50]的研究也发现Euryarchaeota与电导率呈正相关.
另外几种环境因子(SO42-、COD、NO3-和Cl-)对微生物群落结构以及多样性也有影响.与Cl-和NO3-相比较, SO42-和COD对微生物群落的影响也较显著[图 6(b)].之前提到, 硫化物矿石的氧化过程会产生大量的SO42-, 同时还会导致水体pH值的下降.因此推测SO42-与pH值的联系较为密切, 并且这两者在本研究中呈负相关[图 6(b)], 而且绝大多数微生物对SO42-和pH值所作出的胁迫反应都相反[图 6(a)].但是SO42-对微生物的具体机制仍有待深入了解.此外, Chen等[51]的研究结果表明COD浓度是调节细菌群落结构的重要因素.Guo等[52]的研究也发现较高的COD会导致微生物多样性的丰富性.
总体而言, 从本研究对矿区水体理化性质与微生物群落结构及多样性分析可以看出, pH、EC、SO42-和COD等对微生物群落结构均有显著影响.此外, 还发现整个矿区中的微生物群落结构变化呈现区域性.
4 结论(1) 矿山不同区域产生的废水的重金属浓度及理化性质差异显著, 其中采矿区(MW1, MW2)、选矿区(DW)和堆矿区废水(HW) 的pH呈强酸性, 污染最严重.矿山开采过程中形成的大量废水, 不同功能类型废水, 微生物群落结构显著不同, 其中重金属污染最重的DW的微生物群落多样性和丰度均比其他4个区域弱, 水体中重金属污染和理化性质严重影响着微生物群落丰富度及组成.
(2) 通过PCoA结果显示, 理化性质相近的样本常是聚类成簇的.相关性热图和典型性相关分析(CCA)结果表明, 矿山水体中微生物群落主要受到pH、EC、SO42-、COD和重金属综合污染的影响.本研究的矿山废水系统中, Euryarchaeot和Nitrospirae是最优势菌, 占总微生物群落一半, 对重金属的耐受力强且生活方式复杂.
| [1] | Mahar A, Wang P, Ali A, et al. Challenges and opportunities in the phytoremediation of heavy metals contaminated soils: a review[J]. Ecotoxicology and Environmental Safety, 2016, 126: 111-121. DOI:10.1016/j.ecoenv.2015.12.023 |
| [2] | Zhao X Q, Huang J, Lu J, et al. Study on the influence of soil microbial community on the long-term heavy metal pollution of different land use types and depth layers in mine[J]. Ecotoxicology and Environmental Safety, 2019, 170: 218-226. DOI:10.1016/j.ecoenv.2018.11.136 |
| [3] | Fan M C, Lin Y B, Huo H B, et al. Microbial communities in riparian soils of a settling pond for mine drainage treatment[J]. Water Research, 2016, 96: 198-207. DOI:10.1016/j.watres.2016.03.061 |
| [4] |
张浙, 卢然, 伍思扬, 等. 长江经济带矿山土壤重金属污染及健康风险评价[J]. 环境科学, 2022, 43(7): 3763-3772. Zhang Z, Lu R, Wu S Y, et al. Heavy metal pollution and health risk assessment of mine soil in Yangtze River Economic Belt[J]. Environmental Science, 2022, 43(7): 3763-3772. DOI:10.13227/j.hjkx.202109102 |
| [5] | Auld R R, Mykytczuk N C S, Leduc L G, et al. Seasonal variation in an acid mine drainage microbial community[J]. Canadian Journal of Microbiology, 2017, 63(2): 137-152. DOI:10.1139/cjm-2016-0215 |
| [6] | Fu S F, He S, Shi X S, et al. The chemical properties and microbial community characterization of the thermophilic microaerobic pretreatment process[J]. Bioresource Technology, 2015, 198: 497-502. DOI:10.1016/j.biortech.2015.09.029 |
| [7] | Tyson G W, Chapman J, Hugenholtz P, et al. Community structure and metabolism through reconstruction of microbial genomes from the environment[J]. Nature, 2004, 428(6978): 37-43. DOI:10.1038/nature02340 |
| [8] | Fierer N, Hamady M, Lauber C L, et al. The influence of sex, handedness, and washing on the diversity of hand surface bacteria[J]. Proceedings of the National Academy of Sciences of the United States of America, 2008, 105(46): 17994-17999. |
| [9] | Yeong W C, Khoo M B C, Tham L K, et al. Monitoring the coefficient of variation using a variable sampling interval EWMA chart[J]. Journal of Quality Technology, 2017, 49(4): 380-401. DOI:10.1080/00224065.2017.11918004 |
| [10] | Edgar R C. Search and clustering orders of magnitude faster than BLAST[J]. Bioinformatics, 2010, 26(19): 2460-2461. DOI:10.1093/bioinformatics/btq461 |
| [11] |
黄健, 朱旭炎, 陆金, 等. 狮子山矿区不同土地利用类型对土壤微生物群落多样性的影响[J]. 环境科学, 2019, 40(12): 5550-5560. Huang J, Zhu X Y, Lu J, et al. Effects of different land use types on microbial community diversity in the Shizishan Mining area[J]. Environmental Science, 2019, 40(12): 5550-5560. DOI:10.13227/j.hjkx.201905050 |
| [12] |
郑先坤, 冯秀娟, 王佳琪, 等. 酸性矿山废水的成因及源头控制技术[J]. 有色金属科学与工程, 2017, 8(4): 105-110. Zheng X K, Feng X J, Wang J Q, et al. Origin and source control technologies of acid mine drainage[J]. Nonferrous Metals Science and Engineering, 2017, 8(4): 105-110. DOI:10.13264/j.cnki.ysjskx.2017.04.018 |
| [13] |
毛玉明, 吴初平, 袁位高, 等. 钱塘江源头不同林分类型的水质效应研究[J]. 浙江林业科技, 2013, 33(5): 31-34. Mao Y M, Wu C P, Yuan W G, et al. Study on effect of different forest type on water quality at the source of Qiantang river[J]. Journal of Zhejiang Forestry Science & Technology, 2013, 33(5): 31-34. DOI:10.3969/j.issn.1001-3776.2013.05.006 |
| [14] |
白润才, 李彬, 李三川, 等. 矿山酸性废水处理技术现状及进展[J]. 长江科学院院报, 2015, 32(2): 14-19. Bai R C, Li B, Li S C, et al. Development and status of the treatment technology for acid mine drainage[J]. Journal of Yangtze River Scientific Research Institute, 2015, 32(2): 14-19. |
| [15] | Xie Y Y, Lu G N, Yang C F, et al. Mineralogical characteristics of sediments and heavy metal mobilization along a river watershed affected by acid mine drainage[J]. PLoS One, 2018, 13(1). DOI:10.1371/journal.pone.0190010 |
| [16] |
景炬辉, 刘晋仙, 李毳, 等. 中条山铜尾矿坝面土壤细菌群落的结构特征[J]. 应用与环境生物学报, 2017, 23(3): 527-534. Jing J H, Liu J X, Li C, et al. The structural characteristics of a soil bacterial community in a dam of copper mine tailings in Zhongtiaoshan mountains, Shanxi[J]. Chinese Journal of Applied and Environmental Biology, 2017, 23(3): 527-534. |
| [17] |
张振飞, 曾婷, 聂云妮, 等. 赣南地区选矿药剂自然光解及光催化降解特性[J]. 有色金属工程, 2018, 8(5): 50-56. Zhang Z F, Zeng T, Nie Y N, et al. Natural photolysis and photocatalytic degradation characteristics of reagent for beneficiation in Gannan region[J]. Nonferrous Metals Engineering, 2018, 8(5): 50-56. DOI:10.3969/j.issn.2095-1744.2018.05.012 |
| [18] |
周艳, 陈樯, 邓绍坡, 等. 西南某铅锌矿区农田土壤重金属空间主成分分析及生态风险评价[J]. 环境科学, 2018, 39(6): 2884-2892. Zhou Y, Chen Q, Deng S P, et al. Principal component analysis and ecological risk assessment of heavy metals in farmland soils around a Pb-Zn mine in southwestern China[J]. Environmental Science, 2018, 39(6): 2884-2892. DOI:10.13227/j.hjkx.201707125 |
| [19] | Vera M, Schippers A, Sand W. Progress in bioleaching: fundamentals and mechanisms of bacterial metal sulfide oxidation-part A[J]. Applied Microbiology and Biotechnology, 2013, 97(17): 7529-7541. DOI:10.1007/s00253-013-4954-2 |
| [20] | Yang Q Q, Li Z Y, Lu X N, et al. A review of soil heavy metal pollution from industrial and agricultural regions in China: pollution and risk assessment[J]. Science of the Total Environment, 2018, 642: 690-700. DOI:10.1016/j.scitotenv.2018.06.068 |
| [21] |
汪峰, 黄言欢, 李如忠, 等. 有色金属矿业城市典型村镇土壤重金属污染评价及来源解析[J]. 环境科学, 2022, 43(9): 4800-4809. Wang F, Huang Y H, Li R Z, et al. Contamination assessment and source apportionment of soil heavy metals in typical villages and towns in a nonferrous metal mining city[J]. Environmental Science, 2022, 43(9): 4800-4809. |
| [22] | Jayanthi B, Emenike C U, Agamuthu P, et al. Selected microbial diversity of contaminated landfill soil of Peninsular Malaysia and the behavior towards heavy metal exposure[J]. CATENA, 2016, 147: 25-31. DOI:10.1016/j.catena.2016.06.033 |
| [23] | Zhang W Y, Guo R, Yang Y, et al. Long-term effect of heavy-metal pollution on diversity of gastrointestinal microbial community of Bufo raddei[J]. Toxicology Letters, 2016, 258: 192-197. DOI:10.1016/j.toxlet.2016.07.003 |
| [24] | Pereira L B, Vicentini R, Ottoboni L M M. Changes in the bacterial community of soil from a neutral mine drainage channel[J]. PLoS One, 2014, 9(5). DOI:10.1371/journal.pone.0096605 |
| [25] |
张紫薇, 陈召莹, 张甜娜, 等. 岗南水库沉积物好氧反硝化菌群落时空分布特征[J]. 环境科学, 2022, 43(1): 314-328. Zhang Z W, Chen Z Y, Zhang T N, et al. Spatial and temporal distribution of aerobic denitrification bacterial community in sediments of Gangnan reservoir[J]. Environmental Science, 2022, 43(1): 314-328. |
| [26] | Sinkko H, Lukkari K, Sihvonen L M, et al. Bacteria contribute to sediment nutrient release and reflect progressed eutrophication-driven hypoxia in an organic-rich continental sea[J]. PLoS One, 2013, 8(6). DOI:10.1371/journal.pone.0067061 |
| [27] | Yin H Q, Niu J J, Ren Y H, et al. An integrated insight into the response of sedimentary microbial communities to heavy metal contamination[J]. Scientific Reports, 2015, 5. DOI:10.1038/srep14266 |
| [28] | Jose J, Giridhar R, Anas A, et al. Heavy metal pollution exerts reduction/adaptation in the diversity and enzyme expression profile of heterotrophic bacteria in Cochin estuary, India[J]. Environmental Pollution, 2011, 159(10): 2775-2780. |
| [29] |
邵宗圆, 王悦, 张菊, 等. 耐铜植物茵陈蒿根际细菌群落结构及影响因素[J]. 生态学报, 2017, 37(22): 7679-7688. Shao Z Y, Wang Y, Zhang J, et al. The bacterial community structure associated with a copper-tolerant plant, Artemisia capillaries Thunb., and its influencing factors[J]. Acta Ecologica Sinica, 2017, 37(22): 7679-7688. |
| [30] | Lee H J, Jeong S E, Kim P J, et al. High resolution depth distribution of Bacteria, Archaea, methanotrophs, and methanogens in the bulk and rhizosphere soils of a flooded rice paddy[J]. Frontiers in Microbiology, 2015, 6. DOI:10.3389/fmicb.2015.00639 |
| [31] | Liu Y L, Wang P, Pan G X, et al. Functional and structural responses of bacterial and fungal communities from paddy fields following long-term rice cultivation[J]. Journal of Soils and Sediments, 2016, 16(5): 1460-1471. |
| [32] | Chen L X, Li J T, Chen Y T, et al. Shifts in microbial community composition and function in the acidification of a lead/zinc mine tailings[J]. Environmental Microbiology, 2013, 15(9): 2431-2444. |
| [33] | Wang H, Zeng Y F, Guo C L, et al. Bacterial, archaeal, and fungal community responses to acid mine drainage-laden pollution in a rice paddy soil ecosystem[J]. Science of the Total Environment, 2018, 616-617: 107-116. |
| [34] | Chen L X, Hu M, Huang L N, et al. Comparative metagenomic and metatranscriptomic analyses of microbial communities in acid mine drainage[J]. The ISME Journal, 2015, 9(7): 1579-1592. |
| [35] | Chen L X, Huang L N, Méndez-García C, et al. Microbial communities, processes and functions in acid mine drainage ecosystems[J]. Current Opinion in Biotechnology, 2016, 38: 150-158. |
| [36] | Zhang X H, Tang S, Wang M, et al. Acid mine drainage affects the diversity and metal resistance gene profile of sediment bacterial community along a river[J]. Chemosphere, 2019, 217: 790-799. |
| [37] | Amaral-Zettler L A, Zettler E R, Theroux S M, et al. Microbial community structure across the tree of life in the extreme Río Tinto[J]. The ISME Journal, 2011, 5(1): 42-50. |
| [38] | Frossard A, Hartmann M, Frey B. Tolerance of the forest soil microbiome to increasing mercury concentrations[J]. Soil Biology and Biochemistry, 2017, 105: 162-176. |
| [39] | Liu S, Ren H X, Shen L D, et al. pH levels drive bacterial community structure in sediments of the Qiantang River as determined by 454 pyrosequencing[J]. Frontiers in Microbiology, 2015, 6. DOI:10.3389/fmicb.2015.00285 |
| [40] | Zhao Q, Li R Y, Ji M, et al. Organic content influences sediment microbial fuel cell performance and community structure[J]. Bioresource Technology, 2016, 220: 549-556. |
| [41] |
王瑞, 代丹, 张弛, 等. 太湖不同介质电导率时空变化特征[J]. 环境科学, 2019, 40(10): 4469-4477. Wang R, Dai D, Zhang C, et al. Temporal and spatial variations in the conductivity in different media in Taihu Lake, China[J]. Environmental Science, 2019, 40(10): 4469-4477. |
| [42] | Tan G L, Shu W S, Zhou W H, et al. Seasonal and spatial variations in microbial community structure and diversity in the acid stream draining across an ongoing surface mining site[J]. FEMS Microbiology Ecology, 2009, 70(2): 277-285. |
| [43] | Jiang B, Adebayo A, Jia J L, et al. Impacts of heavy metals and soil properties at a Nigerian e-waste site on soil microbial community[J]. Journal of Hazardous Materials, 2019, 362: 187-195. |
| [44] | Korehi H, Blöthe M, Schippers A. Microbial diversity at the moderate acidic stage in three different sulfidic mine tailings dumps generating acid mine drainage[J]. Research in Microbiology, 2014, 165(9): 713-718. |
| [45] | Liu J, Hua Z S, Chen L X, et al. Correlating microbial diversity patterns with geochemistry in an extreme and heterogeneous environment of mine tailings[J]. Applied and Environmental Microbiology, 2014, 80(12): 3677-3686. |
| [46] | Guo W, Andersen M N, Qi X B, et al. Effects of reclaimed water irrigation and nitrogen fertilization on the chemical properties and microbial community of soil[J]. Journal of Integrative Agriculture, 2017, 16(3): 679-690. |
| [47] |
李鹏洋, 安启睿, 王新皓, 等. 辽河四平段流域河流沉积物微生物群落多样性和结构分析[J]. 环境科学, 2022, 43(5): 2586-2594. Li P Y, An Q R, Wang X H, et al. Analysis on diversity and structure of microbial community in river sediment of siping section of Liaohe river[J]. Environmental Science, 2022, 43(5): 2586-2594. |
| [48] | Kim J M, Roh A S, Choi S C, et al. Soil pH and electrical conductivity are key edaphic factors shaping bacterial communities of greenhouse soils in Korea[J]. Journal of Microbiology, 2016, 54(12): 838-845. |
| [49] | Keshri J, Mankazana B B J, Momba M N B. Profile of bacterial communities in South African mine-water samples using Illumina next-generation sequencing platform[J]. Applied Microbiology and Biotechnology, 2015, 99(7): 3233-3242. |
| [50] |
张玥, 孔强, 郭笃发, 等. 黄河三角洲土壤古菌群落结构对盐生植被演替的响应[J]. 中国环境科学, 2016, 36(7): 2162-2168. Zhang Y, Kong Q, Guo D F, et al. The response of soil archaeal community structure to halophyte vegetation succession in the Yellow River Delta[J]. China Environmental Science, 2016, 36(7): 2162-2168. |
| [51] | Chen C J, Sun F Q, Zhang H Q, et al. Evaluation of COD effect on anammox process and microbial communities in the anaerobic baffled reactor (ABR)[J]. Bioresource Technology, 2016, 216: 571-578. |
| [52] | Guo X P, Pang W H, Dou C L, et al. Sulfamethoxazole and COD increase abundance of sulfonamide resistance genes and change bacterial community structures within sequencing batch reactors[J]. Chemosphere, 2017, 175: 21-27. |