微生物是地球上多样性最高的群体^[1], 在地球碳、氮、硫、磷和多种金属循环中扮演着极其重要的角色.现如今在全世界范围内, 污水处理厂广泛采用生物反应过程来处理城镇污水, 通过微生物的降解作用去除污水中的有机污染物和无机营养盐等物质^[2].作为应用最广泛的生物技术之一, 污水处理厂中的活性污泥可以说是现代城市社会的重要基础设施.活性污泥中微生物群落物种组成复杂且多样性极高, 其工艺原理是利用微生物絮体或颗粒来消解碳、氮、磷、微型污染物(如毒素、杀虫剂、激素、药品等)和病原菌.随着我国城镇化进程的加快, 我国污水处理能力日渐提升.据统计截止到2020年, 全国污水收集管道超过100万km、每日污水处理规模超过2亿m³, 活性污泥法在污水处理中发挥着极其重要的作用.探究微生物多样性的影响因素及其形成机制对于预测生态系统对环境变化的响应十分关键^[3~5], 同时也有助于提高污水处理厂中生物反应过程的效率^{[6, 7]}.

近年来, 宏基因组学技术迅猛发展, 在全面研究微生物群落与环境之间的关系上逐渐发挥出巨大的优势.关于微生物群落在多种环境中的生态多样性和群落分布特征的研究逐年增加, 宏基因组学技术已广泛应用于海洋、洁净水体、空气和土壤等环境中对于微生物的研究^[8~11].生物地理学和微生物生态学的关键目标之一就是探究不同环境中微生物群落在大空间尺度的全球性分布特征^[12].宏观生态学研究表明, 大型动植物的物种丰度分布遵循一定的维度梯度模式, 即物种丰度从赤道向两极递减^[13].一般来说, 植物和动物的α多样性呈现出随纬度升高而降低的趋势, 但是关于污水厂活性污泥中微生物群落的α多样性变化规律学术界仍未得出一致的结论^[14].在全球范围的较大空间尺度上, 气候类型是影响活性污泥中微生物群落最重要的因素^[7], 但其并未表现出多样性随纬度呈现规律变化的现象^[15].此外, 在较小的空间尺度上, 污水处理厂活性污泥中的微生物群落主要受工艺操作参数和进水水质参数的影响^[16].此外, 微生物代谢过程均对温度高度敏感, 人类活动造成的气候变暖有可能会严重影响微生物的有机体性能, 从而会对生态系统的功能产生难以预知的重大影响^[17].因此在全球尺度上探究不同气候类型对污水厂活性污泥中微生物群落分布和代谢过程的影响显得越发关键^[18].

近年来对于活性污泥中微生物生态学的研究逐步增多, 但是对于不同气候带下污水处理厂中微生物群落的多样性和地理学分布特征的研究还较为初期^[15].已有研究多为聚焦单一污水处理厂或小空间尺度少数几个污水处理厂的活性污泥微生物群落^{[19, 20]}, 对于较大空间尺度或者不同气候类型下污水处理厂微生物群落的分布及多样性的了解仍然有待提升.探究不同气候带下污水处理厂中微生物群落的多样性和分布特征, 对于解释微生物群落中的个体作用、研究污水处理工艺的效果、定量化分析微生物群落与污水处理效率之间的关系十分关键, 同时也可为改进污水处理厂的工艺设计和操作提供可靠依据^[7].本研究在NCBI数据库(https://www.ncbi.nlm.nih.gov/)中筛选公开数据进行荟萃分析, 探究了我国3种气候类型下污水处理厂中, 活性污泥微生物群落结构和多样性的变化趋势及其主要环境影响因子, 以期为活性污泥工艺的调控与改善提供理论依据, 促进活性污泥工艺的应用与发展.

在NCBI数据库中筛选公开数据进行荟萃分析, 聚焦分析中国不同气候带污水处理厂中活性污泥中微生物群落组成异同.由于荟萃分析假设不同研究之间相互独立, 因此本研究选择从同一个研究系统中选择一组数据进行荟萃分析.为避免不同采样方法、采样点位、采样时间对研究结果造成混杂效应, 确定筛选数据标准如下: ①数据样本的采样点范围覆盖至少3个气候带, 每个气候带包含至少3个城市, 每个城市至少采集来自2个污水厂的12个样本, 每个污水厂至少采集3个来自曝气池曝气区域不同位置(前、中、后)的混合样本.②样品采集时间为每年6~11月, 并且污水处理厂处于正常且相对稳定的运行状态(10:00~14:00).③所有样品均采用统一的采样方法、预处理方法、DNA提取方法和测序方法进行处理.

根据以上标准从公开数据中共筛选出202个样本, 其中季风影响的夏季湿热大陆性气候(monsoon-influenced hot-summer humid continental climate, Dwa)共90个样本、亚热带湿润气候(humid subtropical climate)共112个样本^[15].此外, 根据冬季降雨量, 又分为冬季多降雨的亚热带湿润气候(humid subtropical climate, Cfa, 60个样本)、冬季少降雨的亚热带湿润气候(humid subtropical climate, Cwa, 52个样本)^[15].从城市分布来看, Dwa气候类型的样品来自北京、大连、哈尔滨、济南、青岛和西安, Cfa气候类型的样品来自上海、无锡、长沙和武汉, Cwa气候类型的样品来自成都、重庆和厦门.在污水厂处理工艺层面, 其曝气池分类包括: 完全混合式(9个样品)、推流式(136个样品)、序列间歇式(24个样品)和氧化沟式(21个样品), 其他12个样品的曝气池工艺未知.本研究中污水厂脱氮工艺较为一致, 即202个样品均采用了硝化和反硝化脱氮工艺.

为了最大程度地减小实验方法对样品的影响, 所有样品的预处理、DNA提取和16S rRNA测序均采用相同的实验方法进行.在污水厂均采用相同的方法采集污泥样本: 每个样品采集1 L混合水样充分混合并采用无菌管保存, 24 h内冷藏(≤4℃)运输至实验室进行离心, 取沉淀相保存于-80℃用于微生物提取.经过预处理的样品均运送至清华大学X.W.实验室, 采用MoBio PowerSoil DNA提取试剂盒提取污泥样品的DNA.所有DNA样品均运送至美国俄克拉荷马大学环境基因组学学会实验室, 通过相同的Illumina MiSeq测序平台完成16S rRNA的测序实验. 16S rRNA基因测序的引物为细菌和古菌16S rRNA V4区的通用引物: 515F(GTGCCAGC MGCCGCGGTAA)和806R(GGACTACHVGGGTW TCTAAT).所有样品均在同一批次进行混合并在同一台Illumina MiSeq测序仪进行测序.最后, 在相关网站上(http://zhoulab5.rccc.ou.edu:8080/root)完成原始数据的整合以及物种信息分类, 生成完整的OTU(operational taxonomic unit)表格.详细实验步骤和数据预处理过程可见参考文献[15].

研究使用置换多元方差分析(permutational multivariate analysis of variance, PERMANOVA)检验城市、气候类型和污水厂处理工艺这3种因素对微生物群落的影响.使用主坐标分析(principal co-ordinates analysis, PCoA)和3种非参数检验方法(analysis of similarities, Anosim; permutational multivariate analysis of variance, Adonis; multi-response rermutation procedure, MRPP)检验Dwa、Cfa和Cwa3种气候类型下微生物群落整体组成的差异.使用方差分析(analysis of variance, ANOVA)检验研究了微生物群落多样性和环境因子在3种气候类型下的变化情况.使用Mantel检验研究了微生物群落与环境因子之间的关系.以上分析均通过R语言vegan包完成.使用分段结构方程模型(piecewise structural equation model, PSEM)分析纬度、环境因子对微生物多样性的直接和间接影响.在PSEM模型中, 若Fisher检验的P值大于0.05则表明每个线性回归模型均未出现显著性相关关系丢失, 反之则存在显著性相关关系丢失.采用Fisher检验的C值和Akaike信息准则(AIC)在多个PSEM模型中进行比较, Fisher检验的C值和AIC值越低则整体模型拟合度越好.该模型计算通过R语言中的piecewiseSEM函数完成.

本研究还使用凝聚力模型(cohesion models)分析微生物群落内部不同属微生物之间的相互作用, 并进一步分析了群落中具有较强凝聚力的关键微生物物种对整体群落稳定性的作用^[21].比较具有较强凝聚力的部分微生物属组成的群落以及随机微生物群落对整体微生物群落的解释度, 若前者高于后者的95%置信区间, 那么使用具有较强凝聚力的微生物物种构建的模型被认为与使用随机微生物物种构建的模型之间具有显著性差异^[21].该模型计算通过R语言完成.

本研究对比了气候类型、城市和污水厂处理工艺这3种因素对微生物群落影响的相对重要性.PERMANOVA结果显示, 活性污泥中的微生物群落受城市影响最显著(R²=0.472, P=0.001), 其次为气候类型(R²=0.066, P=0.001), 而处理工艺影响较弱(R²=0.009, P=0.064)(表 1). PCoA结果也表明, 16S rRNA基因测序所得微生物物种组成在Dwa、Cfa和Cwa这3种气候类型下聚类为3部分[图 1(a)], 在14个城市同样聚类为多个部分[图 1(b)], 微生物群落在4种处理工艺下聚类不明显[图 1(c)].可见在较大空间尺度下, 气候类型和城市的不同均可显著改变微生物物种组成, 但是处理工艺影响较弱.

表 1 (Table 1)

表 1 污水厂微生物群落受城市、气候类型和处理工艺影响的置换多元方差分析1) Table 1 Permutational multivariate analysis of variance(PERMANOVA)indicating significant effects of city, climate types, and process types on microbial communities in WWTPs 影响因子 Df SumSqs MeanSq F.Model R2 P值 城市 14 0.568 0.044 15.776 0.472 0.001 气候类型 3 0.080 0.027 9.566 0.066 0.001 处理工艺 5 0.002 0.001 1.327 0.009 0.064 1)Df表示自由度, SumSqs表示不同影响因子的平方和, MeanSq表示不同影响因子的平均平方和, F.Model表示F检验参数

表 1 污水厂微生物群落受城市、气候类型和处理工艺影响的置换多元方差分析1) Table 1 Permutational multivariate analysis of variance(PERMANOVA)indicating significant effects of city, climate types, and process types on microbial communities in WWTPs

图 1

Fig. 1

图 1 主坐标分析对16S rRNA基因测序所得OTUs在不同气候类型、不同城市和不同处理工艺的分析 Fig. 1 Principal co-ordinates analysis(PCoA)of all detected OTUs from 16S rRNA gene sequencing under different climates, different cities, and different process types

由于不同城市间存在明显的地理隔离, 因此本文重点研究中国Dwa、Cwa和Cfa气候类型下污水厂微生物群落组成的异同.3种非参数检验(Adonis、Anosim和MRPP)的结果证明: 不同气候类型下微生物群落的差异显著(表 2).进一步的ANOVA分析显示, 微生物群落多样性受气候类型影响显著, Dwa类型下α多样性最高而β多样性最低, Cfa类型下α多样性最低而β多样性最高(表 3).

表 2 (Table 2)

表 2 不同气候类型污水厂微生物群落差异性分析1) Table 2 Dissimilarity test(Bray Curtis)of microbial communities in WWTPs from different climate zones 分组 MRPP Anosim Adonis δ P值 R P值 F P值 Dwa vs. Cwa 0.716 0.001 0.240 0.001 11.504 0.001 Dwa vs. Cfa 0.735 0.001 0.203 0.001 10.165 0.001 Cwa vs. Cfa 0.731 0.001 0.067 0.007 5.663 0.001 1)δ表示组间平均距离的总加权平均值, R表示方差统计R值, F表示F检验参数

表 2 不同气候类型污水厂微生物群落差异性分析1) Table 2 Dissimilarity test(Bray Curtis)of microbial communities in WWTPs from different climate zones

表 3 (Table 3)

表 3 污水厂微生物群落多样性的ANOVA分析1) Table 3 ANOVA analysis of microbial α-and β-diversity in WWTPs 项目 Dwa Cfa Cwa P值(气候类型) α多样性 10.52±0.086a 10.51±0.052b 10.52±0.069ab 0.032 β多样性 0.337±0.179b 0.364±0.195a 0.346±0.183ab 0.019 1)不同小写字母的数值表示在不同气候带间存在显著性差异(P < 0.05)

表 3 污水厂微生物群落多样性的ANOVA分析1) Table 3 ANOVA analysis of microbial α-and β-diversity in WWTPs

16S rRNA基因测序在污水厂活性污泥中共检测到了43个门类的细菌及古菌, 其中相对丰度大于1%的门类主要有7个, 分别为变形菌门(Proteobacteria)、拟杆菌门(Bacteroidetes)、放线菌门(Actinobacteria)、绿弯菌门(Chloroflexi)、酸杆菌门(Acidobacteria)、厚壁菌门(Firmicutes)和浮霉菌门(Planctomycetes).这7个门类占整体测序微生物总量的82.7%~98.8%, 为活性污泥中常见门类.本研究中, 未确定分类的微生物门类(Unclassified)占整体微生物群落总量的比例可高达14.6%, 这与已有的研究结果较为一致, 即污水厂活性污泥中功能和分类未知的微生物门类占比相当高^[22].在3种气候类型下均存在的物种占总物种的36.47%, Dwa、Cfa和Cwa气候类型独有的物种分别占总物种的16.34%、11.93%和11.63%(图 2).说明在Dwa气候类型下物种的重合度较低, 物种组成存在较大差异.

图 2

Fig. 2

图 2 在Dwa、Cfa和Cwa这3种气候类型下微生物OTUs多样性韦恩图 Fig. 2 Diversity of microbial OTUs under three climatic types of Dwa, Cfa, and Cwa

如表 4所示, 本研究检测了各污水处理厂中进水污染物浓度、溶解氧(DO)、pH、电导率和水温的变化.在Cwa、Dwa和Cfa气候条件下, 绝大多数环境因子均有显著不同(P < 0.05), 其中: 污染物浓度, 包括BOD、COD、NH₄⁺-N、TN、TP和MLSS, 在Dwa均最高, 在Cfa和Cwa较低.pH在Cfa最高, 在Dwa和Cwa较低.水温和电导率则在Cwa最高, 而在Dwa和Cfa较低.DO在3种气候条件下无显著差异(P>0.1).为检测以上环境因子是否影响微生物群落组成的变化, 采用Mantel检验计算环境因子与微生物群落组成的关系.结果如表 5所示, 进水的pH、水温、电导率和氮浓度(NH₄⁺-N、TN)均与微生物群落间存在显著相关关系, 这表明以上5个环境因子可以显著影响微生物群落中细菌及古菌的物种组成. 为进一步探究环境因子对微生物群落组成多样性的影响, 本研究中采用PSEM分析了微生物多样性与环境因子之间的关系, 在PSEM模型中, 若Fisher检验的P值大于0.05则表明每个线性回归模型均未出现显著性相关关系丢失, 反之则存在显著性相关关系丢失, 采用Fisher检验的C值和Akaike信息准则(AIC)在多个PSEM模型中进行比较, Fisher检验的C值和AIC值越低则整体模型拟合度越好.选择Mantel检验中与微生物群落显著相关的TN、NH₄⁺-N、pH、电导率和水温作为原始模型的重要环境因子[图 3(a)和3(b)], 在PSEM原始模型构建中, 检验纬度对以上环境因子以及微生物群落α多样性和β多样性的直接影响, 以及环境因子对α多样性和β多样性的直接影响.结果显示, 微生物群落的α多样性受到水温(r=0.466)和电导率(r=0.354)的正影响显著(P < 0.05), 纬度的影响不显著[图 3(c)].该模型的AIC值为71.55, P值为0.113.而微生物群落的β多样性除了受到水温(r=0.568)、TN(r=0.256)和电导率(r=0.243)的正影响外, 还受到纬度的负影响(r=-0.277)显著[P < 0.05, 图 3(d)].该模型的AIC值为64.79, P值为0.552.这表明, 在不同纬度的污水处理厂, 纬度的变化可直接影响微生物群落的β多样性发生变化, 而纬度对α多样性的影响则是通过影响电导率和水温等环境因子来间接改变.

表 4 (Table 4)

表 4 污水厂环境因子差异性的ANOVA分析1) Table 4 Dissimilarity tests of WWTPs environmental variables 项目 ρ/mg·L-1 pH 水温/℃ 电导率/μS·cm-1 BOD COD NH4+-N TN TP MLSS DO Dwa 194.04a 419.32a 27.97a 42.83a 5.44a 5 005.5a 2.54a 6.99b 24.77c 1 272.2b Cfa 125.49c 241.15c 24.11b 36.38b 4.12ab 3 769.1b 2.42a 7.09a 25.97b 853.6c Cwa 155.63b 314.32b 23.89b 37.96b 4.01b 3 086.2c 2.77a 6.97b 28.75a 2 205.2a 1)同列不同小写字母表示在不同气候带间存在显著性差异(P < 0.05)

表 4 污水厂环境因子差异性的ANOVA分析1) Table 4 Dissimilarity tests of WWTPs environmental variables

表 5 (Table 5)

表 5 微生物群落组成和环境因子的Mantel检验 Table 5 Mantel tests of microbial community composition and environmental variables 环境因子 Mantel检验 偏Mantel检验 P值 r值 P 值 r值 BOD 0.475 -0.002 1.000 -0.177 COD 0.714 -0.033 1.000 -0.219 NH4+-N 0.001 0.247 0.001 0.228 TN 0.001 0.229 0.002 0.127 TP 0.278 0.030 0.206 0.043 MLSS 0.328 0.127 0.956 -0.074 DO 0.214 0.086 0.299 0.017 pH 0.001 0.085 0.001 0.235 水温 0.001 0.312 0.001 0.509 电导率 0.001 0.139 0.001 0.359

表 5 微生物群落组成和环境因子的Mantel检验 Table 5 Mantel tests of microbial community composition and environmental variables

图 3

Fig. 3

红色实线表示两因子间具有显著的负相关性(P < 0.05), 黑色实线表示两因子间具有显著的正相关性(P < 0.05);(a)和(b)为PSEM分析的原始模型, (c)和(d)为PSEM分析的预测模型; 对α多样性的分阶段结构方程分析模型中, AIC=71.55, Fisher's C=15.55, P=0.113; 对β多样性的结构方程分析模型中, AIC=64.79, Fisher's C=8.79, P=0.552 图 3 环境因子对污水厂微生物群落α多样性和β多样性预测分析的结构方程模型 Fig. 3 Piecewise structural equation models using environmental variables as predictors of the α-and β-diversity of microbial communities

为了探究不同气候类型对微生物群落物种间相互作用的影响, 采用凝聚力模型来评估微生物群落不同属之间的相互作用, 并根据其作用强弱进行排序.为探究微生物不同属之间相互作用对整体群落稳定性的影响, 按照微生物种间相互作用的强弱排序依次去除相互作用最弱的微生物.在Dwa、Cfa和Cwa气候条件下, 分别使用529、554和516个微生物属进行凝聚力模型的分析.为了探究微生物群落物种间交互作用对整体群落稳定性的影响, 按照微生物种间相互作用的强弱排序依次去除相互作用最弱的微生物属.在3种气候类型下, 正凝聚力模型和负凝聚力模型均与微生物群落物种组成差异性矩阵显著相关(P < 0.001), 且正凝聚力模型越弱群落越稳定, 见表 6.

表 6 (Table 6)

表 6 凝聚矩阵对微生物物种组成差异性矩阵的代表性预测结果1) Table 6 Representative results of cohesion as a predictor of Bray-Curtis dissimilarity 项目 微生物物种组成 Dwa Cfa Cwa 物种数 529 554 516 最优模型物种数 329 192 6 最优模型解释度(R2) 0.190 0.115 0.030 正凝聚矩阵P值 < 0.001 < 0.001 < 0.001 负凝聚矩阵P值 < 0.001 < 0.001 < 0.001 正凝聚矩阵方向 凝聚矩阵越弱群落越稳定 凝聚矩阵越弱群落越稳定 凝聚矩阵越弱群落越稳定 负凝聚矩阵方向 凝聚矩阵越弱群落越稳定 凝聚矩阵越弱群落越稳定 凝聚矩阵越弱群落越稳定 1)最优模型物种数, 具有最大R2模型中使用的物种; 凝聚矩阵方向, 凝聚矩阵越弱群落越稳定表示凝聚矩阵绝对值与Bray-Curtis矩阵绝对值正相关

表 6 凝聚矩阵对微生物物种组成差异性矩阵的代表性预测结果1) Table 6 Representative results of cohesion as a predictor of Bray-Curtis dissimilarity

在Dwa气候类型下, 对整体微生物群落具有最高解释度(R²≈0.190)的凝聚力模型中包含101个具有最强凝聚力的微生物属, 此时该模型对于整体微生物群落的解释度显著高于随机凝聚力模型, 见图 4(a).这表明, 在Dwa气候类型下, 存在少数具有较强相互作用的微生物可以维持整体微生物群落的稳定性.在Cfa气候类型下, 对整体微生物群落具有最高解释度(R²≈0.115)的凝聚力模型中包含192个具有最强凝聚力的微生物属, 此时该模型对于整体微生物群落的解释度显著高于随机凝聚力模型, 见图 4(b).但该凝聚力模型对整体微生物群落的解释度明显低于Cfa气候类型下的凝聚力模型.这表明, 在Cfa气候类型下, 同样存在具有较强相互作用的微生物可以维持整体微生物群落的稳定性.而在Cwa气候类型下, 对整体微生物群落具有最高解释度(R²≈0.030)的凝聚力模型中包含6个具有最强凝聚力的微生物属, 但是其凝聚力模型相较于随机组对于整体微生物群落的解释度无显著性差异, 见图 4(c).当依次去除种间交互作用最弱的微生物时, 使用具有较强交互作用的微生物构建的凝聚矩阵对整体微生物群落物种组成差异性矩阵的解释度R²始终较低(< 4%), 无明显变化.这表明, 在Cwa气候类型下, 不存在可以维持整体微生物群落稳定性的关键性物种.

图 4

Fig. 4

红色实线表示采用凝聚力最强的微生物物种计算的凝聚力值, 蓝色实线表示采用随机子集的微生物物种计算的凝聚力值中位数, 蓝色虚线表示采用随机子集的微生物物种计算的凝聚力值95%的上下置信区间 图 4 Dwa、Cfa和Cwa气候类型下凝聚矩阵对微生物群落物种组成布Bray-Curtis不相似矩阵的解释度R2值 Fig. 4 Relationships between the adjusted model R2 values for the Bray-Curtis dissimilarity vs. cohesion regression analysis under the Dwa, Cfa, and Cwa climate types

本研究利用公开数据库中数据进行荟萃分析, 选择利用高通量测序测定不同气候类型污水厂曝气池中微生物物种信息.在较大空间尺度上, 微生物群落组成受城市影响最大, 其次为气候类型, 而污水厂处理工艺影响不显著.该结果与已有研究结果较为一致, 即在全球尺度上污水厂微生物群落受地理位置影响最大, 其次为气候类型, 最后为污水厂处理工艺^{[7, 15]}.由于不同城市间存在明显的地理隔离, 因此本文重点研究中国Dwa、Cwa和Cfa气候类型下污水厂微生物群落组成的异同.在不同气候类型下, 污水厂曝气池环境因子、微生物群落结构和多样性存在显著不同.从检测到的微生物物种丰度来看, 细菌与古菌在3种气候类型下丰度均较高, 在污水厂生物处置过程中作用更为重要.细菌丰度较高的门类为污水厂常见门类, 例如: 样品中检测到的优势菌群拟杆菌门(Bacteroidetes), 是一类在人畜粪便中常见的菌, 可水解几丁质、半纤维素和纤维素^[23].

不同气候类型显著影响了微生物群落物种组成, 该变化与微生物物种间凝聚力模型显著相关, 说明微生物群落可以通过部分关键物种间的强相互作用对整体群落产生较大影响^[24].微生物间的代谢物交换是其相互作用之一, 可增强微生物群落内部的自我强化作用, 进而增强整体群落组成的稳定性^[25].在Dwa气候条件下, 微生物物种间负凝聚力越强则其整体群落组成的稳定性越强, 表明微生物物种间通过负凝聚力形成的负反馈路径可以增强整体群落的稳定性.这个结果与已有研究较为一致^{[9, 26, 27]}.研究表明, 微生物群落中物种之间存在广泛的负相互作用, 例如竞争和捕食^[24].由于微生物不同物种之间对于生存资源具有潜在的竞争关系, 因此负相互作用在物种间的相互作用中占有重要的地位^{[21, 24]}.对于负相互作用占据主导地位的另一种解释是, 微生物群落在多样性极高的情况下, 正相互作用是向特定的少数物种分配资源, 而这种结果产生的进化效益较低^{[21, 24]}.

已有研究显示, 随机性因素和确定性因素均可改变污水处理厂中活性污泥的微生物群落结构^[15], 本研究重点探究不同确定性因素对微生物群落结构的作用.Mantel检验发现, 微生物群落结构与水温、电导率、pH、NH₄⁺-N和TN均显著相关, 而水温与微生物群落结构相关性最强.这表明微生物群落结构可以通过调控运行参数而改变, 并且其结构对水温变化最为敏感.此外, 本研究发现Dwa类型下α多样性最高而β多样性最低, Cfa类型下α多样性最低而β多样性最高, 这表明不同气候类型或者不同纬度的微生物群落α多样性和β多样性响应机制存在较大不同.

进一步的PSEM结果显示, 水温和电导率对微生物群落的α多样性有强烈的显著正影响[图 3(c)].这与已有结果较为相似, 即在局部小尺度^[28-30]和区域大尺度^{[7, 15, 31]}上, 温度均为影响活性污泥微生物群落结构的关键因素, 这种效应对慢生长型微生物(如氨氧化细菌和亚硝酸盐氧化细菌)多样性和丰度影响尤其重要.已有研究显示, 在全球范围的大尺度上, 温度是影响活性污泥中微生物群落结构的主要因素, 但是温度对微生物α多样性(物种丰度)仅有较弱影响^[15].本研究中发现, 温度对微生物群落α多样性的影响, 在小尺度比在大尺度可能更为重要.此时, 纬度对微生物群落α多样性无直接影响, 而是通过影响水温和电导率来间接施加影响.相反, 纬度对微生物群落的β多样性具有直接的负影响.此时, 水温、电导率和总氮均对β多样性有显著正影响.这表明在Dwa、Cfa和Cwa气候类型下, 随纬度变化微生物α多样性和β多样性显著变化的机制存在较大不同: 纬度降低可直接增加活性污泥中微生物群落的β多样性, 而纬度通过影响水温和电导率来间接影响α多样性.

资源竞争理论预测, 在较低至中等水平资源供应的情况下微生物群落多样性较高^[32], 但在高水平资源供应的情况下快速增长的r型微生物较高效的K型微生物多样性更高^[33].本研究中并未探究进水中不同水平的BOD、COD、TN、NH₄⁺-N、TP等营养物质浓度对微生物群落结构及其多样性的影响, 因此后续研究可进一步探究此项内容.

本研究采用荟萃分析方法对污水厂活性污泥中微生物群落的高通量测序数据进行了分析.结果表明不同气候类型下污水厂微生物群落的结构、多样性和稳定性存在显著性不同, 其群落主要受进水的水温、pH、电导率和氮浓度影响.Dwa气候下α多样性最高而β多样性最低, Cfa气候下α多样性最低而β多样性最高.这种α多样性和β多样性对气候响应的不同是由不同机制决定的: 纬度改变可直接影响微生物群落β多样性, 而纬度改变则通过间接改变进水的水温和电导率来影响微生物群落α多样性.微生物群落稳定性在Dwa气候下最高, 在Cfa气候其次, 此时微生物群落通过增强一小部分关键物种间的负凝聚力来增强群落稳定性.而Cwa气候下微生物群落稳定性较低, 不存在具有较强负凝聚力的关键物种.本研究结果表明, 在较大空间尺度上, 污水处理厂微生物群落结构、多样性和稳定性对气候类型敏感, 其群落α多样性和β多样性对纬度变化的响应机制存在较大不同.

致谢: 感谢清华大学环境学院代天娇等在数据分析方面提供的帮助.