Interactions between below‐ground traits and rhizosheath fungal and bacterial communities for phosphorus acquisition
Notice bibliographique
Résumé
Abstract Plant–soil–microbe interactions play a central role in plant nutrient acquisition and thus ecosystem functioning and nutrient availability in agroecosystems. Adjustments in root morphology, root exudation and associations with micro‐organisms such as arbuscular mycorrhizal fungi are common for phosphorus acquisition. Yet how plant below‐ground functional traits interact with microbial communities for P acquisition remains largely unknown, limiting our understanding of phosphorus availability in agroecosystems. Interactions between below‐ground functional traits and rhizosheath soil microbial communities for P acquisition were investigated across eight herbaceous species with contrasting root traits. Root morphological and physiological traits involved in P acquisition were quantified simultaneously with PLFA (phospholipid fatty acid) and NLFA (neutral lipid fatty acid) microbial bioindicators. Multiple correlations were observed between root morphology, root exudates and rhizosheath fungal and bacterial communities. Root exudates and in particular release of malate and malonate were strongly linked with indicators of Gram‐negative bacteria, which were correlated with changes in rhizosheath soil P concentration and plant P content. Our results suggest that root exudation of carboxylates may play an important role in plant–soil–microbe interactions for P acquisition, underlining their likely role in shaping microbial communities. Incorporating these interactions in biogeochemical models would lead to better predicting power and understanding of P cycling and ecosystem functioning. A free Plain Language Summary can be found within the Supporting Information of this article.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».