原文链接：Engineering natural microbiomes toward enhanced bioremediation by microbiome modeling | Nature Communications

Abstract

Engineering natural microbiomes for biotechnological applications remains challenging, as metabolic interactions within microbiomes are largely unknown, and practical principles and tools for microbiome engineering are still lacking. Here, we present a combinatory top-down and bottom-up framework to engineer natural microbiomes for the construction of function-enhanced synthetic microbiomes. We show that application of herbicide and herbicide-degrader inoculation drives a convergent succession of different natural microbiomes toward functional microbiomes (e.g., enhanced bioremediation of herbicide-contaminated soils). We develop a metabolic modeling pipeline, SuperCC, that can be used to document metabolic interactions within microbiomes and to simulate the performances of different microbiomes. Using SuperCC, we construct bioremediation-enhanced synthetic microbiomes based on 18 keystone species identified from natural microbiomes. Our results highlight the importance of metabolic interactions in shaping microbiome functions and provide practical guidance for engineering natural microbiomes.

摘要

工程化天然微生物组用于生物技术应用仍然具有挑战性，因为微生物组内的代谢相互作用大部分是未知的，并且微生物组工程的实用原则和工具仍然缺乏。在这里，我们提出了一个组合的自上而下和自下而上的框架，用于工程化天然微生物组，以构建功能增强的合成微生物组。我们表明，除草剂和除草剂降解菌接种的应用驱动了不同天然微生物组向功能微生物组（例如，增强除草剂污染土壤的生物修复）的收敛演替。我们开发了一个代谢建模管线，SuperCC，可用于记录微生物组内的代谢相互作用，并模拟不同微生物组的性能。利用SuperCC，我们基于从天然微生物组中鉴定的18个关键物种构建了生物修复增强的合成微生物组。我们的结果突显了代谢相互作用在塑造微生物组功能方面的重要性，并为工程化天然微生物组提供了实用指导。

图1：合成微生物组构建的实验设计和一般方案。

合成微生物组构建的工作流程基于自上而下和自下而上策略的平衡组合。该工作流程始于通过除草剂施用和/或除草剂降解菌接种来改造自然微生物组，以获得功能性微生物组。在自上而下阶段，将三种不同土壤分别用两种除草剂（BO和DBHB，分别代表复杂和简单的污染物）和三种接种剂（单株菌株及协同或竞争菌群）的替代组合处理，从而获得320个土壤样品用于测试降解能力和追踪动态微生物组演替。然后，通过探索菌株丰度变化结合菌株分离来识别潜在的关键物种。然后，使用这些关键物种构建简化的微生物组来替代复杂的功能微生物组。在自下而上阶段，使用新开发的微生物组建模框架SuperCC来模拟具有不同关键物种组合的简化微生物组的性能，以优化关键物种的组合。具有最佳关键物种组合的合成微生物组用于进一步测试和应用。除了微生物组模拟外，SuperCC还提供了一种基于学习合成微生物组的代谢相互作用的新的合成细胞设计的计算策略。BO代表辛酰溴苯腈，DBHB代表3,5-二溴-4-羟基苯甲酸。

图 2：施用除草剂和接种细菌降解剂后，微生物组对污染物的降解效率提高。

a, b 紫色土壤 (P)；c, d 黄色肉桂土壤（Y）； e, f 红色土壤（R）。在添加了 BO 或 DBHB（50 毫克/升）的 MM 培养基中，利用0.5 克处理土壤降解 10 小时后，检测 BO 或 DBHB（b、d、f）的残留量来分析降解效率。

对于 BO 的降解，1、2 和 3 分别代表 BO、协同菌群（7D-2&X-1），以及 BO 和协同菌群的组合（BO&7D-2&X-1）。

对于 DBHB 降解，1、2、3 和 4分别代表 DBHB、DBHB 与菌株 7D-2 的组合（DBHB&7D-2）、DBHB 与菌株 H8 结合处理（DBHB&H8），以及 DBHB 与竞争菌群组合（DBHB&7D-2&H8）。

BO代表辛酰溴苯腈，DBHB代表3,5-二溴-4-羟基苯甲酸。数据以平均值 ±SD （n = 3 个生物独立重复）。源数据以源数据文件提供。

图3：微生物组多样性的变化。

a 紫色土壤微生物组的α多样性水平。红色和黄色肉桂土壤微生物组的α多样性水平详见补充图5。箱线图显示了不同处理的土壤的香农指数（n=4个生物独立重复）。箱线图上方的字母表示在P＜0.05（经过Tukey’s HSD校正的单因素方差分析）的显着差异。箱子内的水平线代表中值。箱子的顶部和底部分别代表第75和第25个四分位数。BO代表辛酰溴苯腈，DBHB代表3,5-二溴-4-羟基苯甲酸。

b 根据时间和处理分组的β多样性（Bray–Curtis差异）的非度量多维标度（NMDS）图。样品根据处理和时间标记不同的形状和颜色。有关处理的详细信息请参见面板c。

c 研究中使用的处理方式。

d 在每个时间点（0-30天）不同土壤微生物组之间的Bray–Curtis距离在接种处理而不是除草剂处理中随着处理时间的增加而减少。灰色线表示线性回归线。灰色带表示线性回归线的95%置信区间。P值为双侧。源数据见源数据文件。

图 4：微生物组的功能变化。

a 根据 KEGG 模块丰度对所有宏基因组进行主成分分析（PCA）。P，紫色土壤；Y，黄色肉桂土壤；R，红色土壤。0 d 和 30 d，分别指第 0 天和第 30 天从 BO&X-1&7D-2 处理中采集的样本。

b 微生物组中 BO 和 DBHB 的代谢途径。这些途径是通过功能基因注释重建的。

c 如 (b) 所示，参与降解BO的功能基因的丰度。数据以平均值 ± SD 表示（n = 3 个生物独立重复）。差异的显著性采用双侧学生 t 检验（**P < 0.01；*P < 0.05）。

d 参与 BO 降解的功能基因的分类（如 b 所示）。

BO代表辛酰溴苯腈，DBHB代表3,5-二溴-4-羟基苯甲酸。源数据作为源数据文件提供。

图5：由示范和关键属相对丰度驱动的微生物组丰度变化的相似性。

a LEfSe分析鉴定的差异丰度属的Venn图，显示了大多数丰度变化的属在接种处理中是共享的。

b 在不同土壤之间共享的差异丰度属的百分比。显示了在除草剂和接种组合处理中（包括BO&7D-2&X-1和DBHB&7D-2&H8）的差异丰度属。P，紫色土壤；Y，黄色肉桂土壤；R，红色土壤。BO代表辛酰溴苯腈，DBHB代表3,5-二溴-4-羟基苯甲酸。

c 通过LEfSe和随机森林分析鉴定的关键属的相对丰度。显示了每个关键属在早期（0-9天）和晚期（18-30天）样本中的平均丰度。数据以均值±标准偏差（n=12个早期阶段的生物独立重复；n=8个晚期阶段的生物独立重复）呈现。使用双侧Student's t检验评估差异的显着性（**P<0.01；*P<0.05）。源数据见源数据文件。

图6：两成员菌群中代谢相互作用的模拟和实验验证。

通过群落建模预测的菌株 7D-2 和 X-1 在单培养（a）和共培养（b）中的代谢相互作用。为模拟实验验证提供了十个可检验的预测。预测后面括号中的字母指的是支持相应预测的 c-g 图板。

BO代表辛酰溴苯腈，DBHB代表3,5-二溴-4-羟基苯甲酸；BRO 溴苯腈。

c、d 比较 7D-2 和 X-1 单独生长与共培养的细胞生长情况。图中显示了在以 BO（b）或溴菌腈（c）为唯一碳源的培养基中培养的每种菌株的菌落形成单位（CFU）的对数转换值。数据以平均值 ± SD 表示（n = 3 个生物独立重复）。

e-g X-1（e）、7D-2（f）和共培养物（g）对 BO 的降解能力。图中显示了以 BO 为唯一碳源的培养基中 BO 降解过程中产生的 BO 和溴虫腈的浓度。数据以平均值 ± SD 表示（n = 3 个生物独立重复）。源数据以源数据文件的形式提供。

图 7：不同微生物组性能的模拟和实验验证。

a 预测的关键物种组合的生物量（1/h）。网格中的灰色/白色单元格分别表示细菌组合中包含/不包含的物种。网格左侧的条形图表示在五种培养基中预测的生物量：以 BO 为唯一碳源和氮源的培养基（BO）、添加葡萄糖的 BO 培养基（BO.G）、添加 NH4+ 的 BO 培养基（BO.NH⁴⁺）、添加 NO^3- 的 BO 培养基（BO.NO^3-）以及添加葡萄糖和 NH⁴⁺ 的 BO 培养基（BO.G.NH⁴⁺）。BO代表辛酰溴苯腈。

b 通过在三种土壤中分别使用三元菌群进行盆栽实验，对模拟 BO 处理进行了实验验证。所有三元菌群都包括菌株 7D-2 和 X-1，以及一个选定的关键菌株。包括菌株 7D-2 和 X-1 以及外源菌株（大肠杆菌）的菌群被用作阴性对照。数据以平均值 ± SD 表示（n = 3 个生物独立重复）。

c 三种培养基中 BO 降解和细菌生长性能的实验验证。点的颜色代表培养基，大小代表合成菌群的生长情况。

d 实验验证了菌株 BR1 利用 NO^3- 改善菌株 7D-2 生长的预测。菌株 7D-2 可以在以 NH4+ 为唯一氮源（NH⁴⁺）的培养基中生长，但不能在以 NO^3- 为唯一氮源（NO^3-）的培养基中生长。菌株 BR1 可以利用 NO^3- 作为生长的唯一氮源。灰线指的是菌株 7D-2 和 BR1 分别在 NO^3- 培养基中的生物量之和，该生物量远低于菌株 7D-2 和 BR1 在同一培养基中的共培养生物量，这表明菌株 7D-2 和 BR1 的共培养改善了两种菌株在 NO^3- 培养基中的生长。数据以平均值 ± SD 表示（n = 3 个生物独立重复）。原始数据以原始数据文件形式提供。

图 8：SuperCC 在学习功能微生物组代谢网络的基础上计算设计的合成细胞。

a 预测的合成细胞，包含 SuperCC 确定的菌株 X-1、7D-2 和 BR1 的关键反应，模拟了 X-1&7D-2&BR1 微生物组的代谢功能。图中显示了关键反应，包括必要反应（红色，ER）和有益反应（绿色，HR）。详细反应信息见补充表 8。BO代表辛酰溴苯腈，DBHB代表3,5-二溴-4-羟基苯甲酸。

b 菌株（X-1、7D-2 和 BR1）、合成微生物组（X-1&7D-2&BR1）和不同合成细胞的性能比较。X-1 + ER、7D-2 + ER 和 BR1 + ER 分别代表基于 X-1、7D-2 和 BR1 底盘细胞的合成细胞。其他两个菌株的基本反应被添加到底物细胞中。例如，X-1 + ER 表示在 X-1 中加入 7D-2 和 BR1 的 ER。上述三种合成细胞在以 BO 为唯一碳源和氮源的培养基（BO）和添加葡萄糖和 NH⁴⁺ 的 BO 培养基（BO + G + NH⁴⁺）中恢复了合成微生物组的功能，但在添加 NH⁴⁺ 的 BO 培养基（BO + NH⁴⁺）或 NO^3- 的 BO 培养基（BO + NO^3-）中则失效。在菌株 X-1 中发现了有助于合成细胞在 BO + NH⁴⁺ 或 BO + NO^3- 培养基中生长的另外三个反应（HR），它们使合成细胞恢复了合成微生物组的性能。源数据以源数据文件的形式提供。