Deciphering factors driving soil microbial life‐history strategies in restored grasslands
Notice bibliographique
Résumé
Abstract In macroecology, the concept of r‐ and K‐strategy has been widely applied, yet, there have been limited studies on microbial life‐history strategies in temperate grasslands using multiple sequencing approaches. Total phospholipid fatty acid (PLFA) analysis, high‐throughput meta‐genomic sequencing, and GeoChip technologies were used to examine the changes in microbial life‐history traits in a chronosequence of restored grasslands (1, 5, 10, 15, 25, and 30 years since restoration). Grassland restoration increased the relative abundances of Actinobacteria, Proteobacteria, and Bacteroidetes but reduced the relative abundances of Acidobacteria, Planctomycetes, and Chloroflexi. PLFA analysis revealed that grassland restoration reduced the fungi:bacteria and Gram‐positive:Gram‐negative bacteria ratios. Combined with the meta‐genomic data, we found that grassland restoration shifted microorganisms from oligotrophic (K‐) to copiotrophic (r‐) groups, consistent with the increased rRNA operon copy number of the microbial community. Structural equation modeling showed that soil properties positively ( p < 0.05) while plant properties negatively ( p < 0.05) affected microbial life‐history traits. We built a framework to highlight the importance of plant and soil properties in driving microbial life‐history traits during grassland restoration. Finally, by incorporating meta‐genomic and other microbiological data, this study showed that microbial life‐history traits support the idea that rRNA operon copy number is a trait that reflects resource availability to soil microorganisms.
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) | 0,000 | 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 ».