Algal Organic Matter Drives Methanogen-Mediated Methylmercury Production in Water from Eutrophic Shallow Lakes
Notice bibliographique
Résumé
Algal blooms bring massive amounts of algal organic matter (AOM) into eutrophic lakes, which influences microbial methylmercury (MeHg) production. However, because of the complexity of AOM and its dynamic changes during algal decomposition, the relationship between AOM and microbial Hg methylators remains poorly understood, which hinders predicting MeHg production and its bioaccumulation in eutrophic shallow lakes. To address that, we explored the impacts of AOM on microbial Hg methylators and MeHg production by characterizing dissolved organic matter with Fourier transform ion cyclotron resonance mass spectrometry (FTICR-MS) and three-dimensional excitation-emission matrix (3D-EEM) fluorescence spectroscopy and quantifying the microbial Hg methylation gene hgcA. We first reveal that the predominance of methanogens, facilitated by eutrophication-induced carbon input, could drive MeHg production in lake water. Specifically, bioavailable components of AOM (i.e., CHONs such as aromatic proteins and soluble microbial byproduct-like materials) increased the abundances (Archaea-hgcA gene: 438–2240% higher) and activities (net CH4 production: 16.0–44.4% higher) of Archaea (e.g., methanogens). These in turn led to enhanced dissolved MeHg levels (24.3–15,918% higher) for three major eutrophic shallow lakes in China. Nevertheless, our model results indicate that AOM-facilitated MeHg production could be offset by AOM-induced MeHg biodilution under eutrophication. Our study would help reduce uncertainties in predicting MeHg production, providing a basis for mitigating the MeHg risk in eutrophic lakes.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».