Stochastic Community Assembly: Does It Matter in Microbial Ecology?

Jizhong Zhou,a,c,d Daliang Ninga,b

（December 2017 Volume 81 Issue 4 e00002-17 Microbiology and Molecular Biology Reviews）

摘要：理解控制群落多样性，功能，演替和生物地理学的机制是生态学（尤其是微生物生态学）的中心主题，但知之甚少。尽管人们认为随机过程在塑造群落结构中起着不可忽略的作用，但相对于决定性过程的重要性却受到了激烈的争论。生态随机性在塑造微生物群落结构中的重要性远未得到人们的重视。进行如此激烈辩论的一些主要原因是难以定义随机性以及用于描述随机性的各种方法。在这里，我们对微生物生态学中随机群落组装的最新研究提供了重要的综述和数据汇总。然后我们描述嵌入在各种生态过程中的随机和确定性组件，包括选择，分散，多样化和漂移。我们还描述了从观测多样性模式推断随机性的不同方法，并重点介绍了描述微生物群落生态随机性的实验方法。此外，我们重点介绍了微生物群落装配研究的研究挑战，差距和未来方向。

前言

生物多样性是衡量地球上各种生物多样性的一种指标（1、2），是生态学和社会的中心议题，因为生物多样性的急剧丧失可能会改变生态系统提供的功能和服务（3、4）。自上世纪以来，已从不同角度（例如，分类学，系统发育和功能多样性）跨空间，时间和生态梯度对生物多样性的各个方面进行了深入研究。在生态学中已观察到各种基本的生物多样性模式，例如纬度多样性模式（5–9），物种丰度分布（SAD）（10–12），物种-区域关系（SAR）（13–16），距离-衰减关系（17–20），以及物种与时间的关系（19，21–25）。但是，控制这种多样性模式的机制和因素仍然不清楚，并且存在很大争议。传统的基于生态位的理论假设，确定性因素（例如物种特征，物种间的相互作用（例如，竞争，捕食，互惠和权衡）和环境条件（例如，pH，温度，盐和水分）控制着社区结构体，

通常被称为确定性过程（26、27）。相反，中立理论假设社区结构独立于物种特征，并受出生，死亡，定植，灭绝和物种形成的随机过程控制（28、29）。尽管最近，人们普遍认为确定性过程和随机过程在地方社区的组装过程中同时发生（30-33），但关于它们在控制社区结构，继承和生物地理学方面的相对重要性的争论仍在集中讨论（34-37）。 ）。微生物是地球上最多样化的生命，几乎生活在每个可以想象的环境中（38）。尽管众所周知微生物的生物多样性非常高（12、39-43），但为什么以及如何产生和维持如此高的多样性却是微生物学家长期以来的困惑。各种确定性因素，例如环境条件的变化（44–48），寄主的栖息地条件（49、50），碳和养分资源异质性（40、51），物种性状和/或种间相互作用（52–54），和植物多样性（55-60）在控制微生物群落结构中很重要。但是，仅凭它们不足以解释极端情况。

在自然界中观察到的微生物群落的多样性很高。大量研究（例如13、14、61-63）表明，尽管对所有常规测量的环境变量进行了广泛的测量，但微生物群落结构的大量变化无法用环境和/或距离效应来解释。可以相信，在许多情况下，观察到的大量微生物群落变异可能是由于历史偶然性（例如优先效应），生态漂移和/或扩散限制而引起的群落聚集的随机过程引起的（29、31、32） ，35，36，62，64–66）。然而，随机过程在控制微生物生物多样性中的重要性仅在最近的一些研究中才被认识到（33,35,36,67,68）。部分原因是由于微生物规模小，微生物群落的多样性以及大多数微生物的未培养状态，与宏观生态学相比，微生物群落结构，演替和生物地理学的基本机制普遍缺乏了解（35） 。

在过去的十年中，随着大规模高通量宏基因组学技术的快速发展和应用（69），微生物群落组装的基础机制受到了极大的关注，尤其是在过去的几年中，更加注重随机性（图1）。 ）。虽然已经获得了一些深刻的见识，但已报道了有争议的结果（例如，参见参考文献32、36、64、70和71）。近期的一些评论/分析对控制微生物群落结构和总体生物地理格局的生态过程提供了极好的概述（72、73）。但是，缺乏对生态随机性在控制微生物群落结构和生物地理格局方面的重要性的批判性评论。因此，作为对先前分析的补充，在这里，我们主要集中于微生物生态学中生态随机性研究的最新发现的综述和综合。我们首先对检查随机性以及确定性，生态学的理论和实证研究进行历史回顾。我们描述了嵌入到生态过程中的随机和/或确定性组件，包括选择，分散，多样化和漂移，重点是微生物。接下来，我们描述了从观测多样性模式推断随机性的不同方法，而并不局限于微生物研究。此外，我们重点介绍了实验方法来检查随机性在微生物生态学中的重要性。最后，我们指出了微生物群落装配研究的几个研究方向。

随机与确定：历史概述

传统生态学在历史上很多时候都是基于生态位的概念和理论。生态学中的生态位理论的基本假设是，物种具有不同的生态位，它们是物种能够持续生存的生物和非生物条件的集合(74,75)。物种

生境是由它们的特性所决定的，这些特性使它们能够获得资源，逃避敌人，在各种不利的环境中生存(30)。种群常常需要权衡(也就是说，充分发挥一种生态功能的代价是发挥另一种功能的代价)(76)，这样它们才能在中长期内与群落共存(26、77)。根据生态学中的生态位理论，确定性过程对群落结构模式有很大的控制作用。决定过程常常包含非随机、基于生态位的任何生态过程

包括环境过滤和各种生物相互作用(如竞争、促进、互惠和掠夺)的机制(表1)(30、31、35、62)。近100年来，生态位的概念已被广泛应用于群落生态学、生物地理学和进化生态学等领域(30、75、78-85)，在确定生态学理论的发展中发挥了重要作用。虽然生态位是生态学中一个重要的基本概念，但是基于生态位的理论在解释群落结构模式方面却面临着许多挑战。第一，生态位本质上是高维的(86)。确定生态位范围的大小(30,87)是一个无法完成的任务。第二，基于生态位的理论主要研究如何权衡(如参考文献76、88和89)来解释物种的丰富度和分布。当观察到物种间的生态位差异时，物种间必须进行权衡才能使之共存。但是，很少有证据支持生态位的不同会导致权衡，从而影响稳定物种的共存(30,90)。另外，一些物种在空间和时间上的非随机分布模式也符合对基于非小生境的随机过程的预测(29、91、92)。所以，关键生态位理论的某些组成部分/预测还有待检验，值得商榷。二十世纪中期以来，中立论(29、93、94)对生态位理论提出了直接挑战。

    中性理论假定，所有物种(例如，参见参考文献95)或个体(例如，参见参考文献29)在生态功能上是相等的，物种的动态特性受随机过程控制，而不是受竞争能力差异控制(28,29,95),96)。和确定过程不同，这种随机过程被称为生态过程，它所产生的群落多样性模式与只由随机机会产生的模式并无差别。这类进程通常包括概率扩散(例如，定居点的随机机会)，随机物种形成和灭绝，生态漂移(例如，生物数量的随机变化)(29、30、35、62、67)(表1)。中立论挑战了生态位理论的两个基本概念：所有物种/个体都是不同的，而且环境在控制丰富度和物种分布方面扮演了重要角色(11、97)。虽然对所有人的生态等效性作出了极端的假设，但中性理论在预测许多群落的基本生态模式方面取得了比生态位理论更好的成功，如物种丰富度分布和物种-区域关系(11、29、74、92、98)，这表明随机过程可能比物种的功能发挥更重要(99)。虽然中性理论因其惊人的简单和可扩展性而备受关注(93)，但它对传统生态学的一些基本概念(11)提出了挑战，因此从它开始，人们对中性理论进行了激烈的讨论。第一个假设是，所有物种在功能上相等(92,98)，这引起了极大的争议，因为现实世界中没有什么是中性的(93)。第二，一些中性模型的参数估计(11)是非常困难的。而且，由于不同的过程(或假设)可能会产生非常相似甚至相同的多样性模式，因此很难从多样性模式(如物种丰富模式)(11、74、93)中推断潜在的过程。所以，原则上，如果观察到的模式符合中性模型(或空模型)的预期，那么我们就不能否定确定性过程的重要性，除非我们确保确定性过程不能产生。同样或者相似的图案中立论尽管受到种种强烈批评，但仍被广泛接受，作为发展新生态学理论和研究社区聚集机制的宝贵假设或近似值(11、93)。

    经过对“生态位过程”和“中性过程”的激烈争论后，研究者们认识到两者之间并不存在相互排斥的现象。相反，这两种方法是互补的，在建立群落的同时也起作用(33,74,92,98,100,101)。在此基础上，发展了多种理论模型(74、89、92、102)，同时考虑确定性和随机过程。不过，克拉克及其同事(86,103)最近对从确定论到随机性这一连续体这一新出现的共识提出了质疑，他们认为随机性只发生在数学模型中，不会发生在自然中，因此只能代表未知过程(34)(86)。但是，社会变迁的某些组成部分(例如，随机的出生和死亡)必然是随机的，因此，从确定论到随机性的连续性这一假设是可以证明的(34)。

界定生态随机

尽管从生态位和中立角度统一群落结构很重要，但这一点很难做到，部分是因为文献中所用的随机意义不同，包括环境、人口、遗传、生态、组成和中性随机(34、35、104-106)。按照标准词典的定义，如果结果是概率的，那么这个过程就被认为是随机的(或随机的)相对于某个参考状态。比如， Vellend等(34)将群落生态学中的中性随机性定义为，由于出生、死亡、移民和移徙的随机过程，群落结构中的物种特征发生随机变化。它还可以指由空间而不是环境变量解释的或由定植引起的随机变异(34)。由于中立在生态学文献中通常被认为等同于随机(例如，中立过程通常是随机过程的同义词)，因此把这两个词放在一起也会造成混乱。本论文采用“生态随机性”一词来指代这类随机性，并将其应用于群落生态学研究。生态学上的随机现象这个术语大约是40年前使用的，但是现在还没有使用清晰的定义(104)。本文对群落生态学中所用到的随机现象给出了一个更直观的定义。按照一般的系统理论，系统有两个基本属性：结构和功能。群体结构包括物种组成和丰富度分布。所以，总体而言，群落生态学中的生态随机性(表1)可界定为出生、死亡、迁移、时空变化和/或历史偶然(如殖民化次序[在下文中详述])。这一术语的优点在于它涵盖了生态研究中使用的各种其他术语的背景，如人口统计、成分或中性随机。这也符合其它文献中所用的术语，如遗传、生理和进化随机性，它们分别对应于遗传学、生理学和进化生物学的不同领域。给出这一定义后，我们描述了各种生态过程中的随机因素，以协调生态位和中立点。

生态学进程的随机性

四种生态学过程

生态系统中一个最基本的问题就是如何创造和保持多样性。控制物种内部遗传多样性的传统机制称为进化过程，包括突变、选择、基因流动和遗传漂移(107)。与此相反，物种间差异形成的机制一般称为生态过程(72)。Vellend (108)与进化过程平行地把生态过程划分为四个基本过程：物种形成、选择、扩散和生态漂移。由于 Nemergut等人提出，即使不创造新物种，进化过程的改变也会改变群落结构(67)，即使用多样化而非物种形成。Hansen等(72)提出了四种相同的过程，它们是微生物生物地理模型的基础。维伦德的概念性框架有一些优点。第一，通过同时考虑确定性(如选择)和随机性(如生态漂移)过程，使生态和中性观点得到统一。其中三种(分散性、漂移性、多样性或物种形成)是中性理论的关键(29)。第二，它清楚地认识到进化过程(即多样化)在促进群落结构方面的重要性，因为这两种过程都与控制群落多样性和生物地理密切相关(67,72)。另外，框架还提供了有效的操作方式。这样的话，不同生境的群落(37)可以在同一概念框架下进行比较。这样，韦伦德的概念框架就有可能统一各种经验和理论努力，并将微生物从描述性观察研究转变为机械预测研究(67)。接下来，我们将从其相对重要性出发，简要介绍与这些过程中每一个过程相关的由随机和/或确定成分控制的微生物群落结构。

选择

生态学上，由于适应能力的差异(如生存、生长和繁殖)而改变群落结构的生态力是控制群落聚集的主要力量(67、72、108、109)(图7)。(2)。选定的结果来自地方和区域范围内确定性因素，包括非生物状况(如温度、湿度、 pH和盐度)以及各种拮抗或协同生物相互作用(如竞争、促进、互惠和捕食)。除不同微生物间的生物相互作用之外，过滤寄主(即寄主内部环境只允许某些微生物分类群定殖或持续存在)是宿主相关微生物群落选择的另一个重要过程(50,110)。毫无疑问，选项并非随机(30,34)(图2 E)。从环境异质性的角度将选择分为两大类。在环境条件相同的情况下(例如，非生物和生物)，预计群落结构或物种/组成的转变几乎不会发生变化。这种选择叫做同质选择(图2 A)(37)。反之，如果环境条件随空间或时间(如不均匀性)而变化，则可能会有群落结构的高度变化，即所谓的变量选择(37,108)。为一致性起见，这里我们称之为异质选择(图2 A)。

扩散

扩散是生态与进化的基础(111)。扩散化指的是群落生态学中生物在空间中的迁移和成功建立(72,108)。在生物体迁移到新地点受到限制和/或阻碍的情况下，扩散被视为是有限的。如果通过主动和被动途径，有机体的运动往往会受到限制，这与一般情况不同。很多因素都可能影响到成功建设，如环境过滤、生物相互作用和优先作用(详情见下文)(72)。离散不能被看作是确定的或随机的(34,112)，而不是选择或漂移(图2 E)。这可能依赖于确定性和随机因素(72)。举例来说，如果扩散速度取决于人口数量，那么扩散是随机的，因为相对富裕的物种拥有较高的扩散概率。然而，分散性可能相当高种间的差异依赖于种的特性和活动状态(如孢子或休眠状态)。在这种观点下，分散性是确定的。另外，新生境的环境条件也会对成功建立物种有很大的影响，这很确定。所以在理论上，不能把扩散限制单独用作随机过程的唯一证据(72)，因为扩散可以是确定的，随机的，或者两者都有。但实际上，许多研究仍然认为分散是中性的，因为实地研究难以确定分散的程度，无法将分散与群落结构模式挂钩，也无法评估分散的过程和速度(112)。

因为微生物体积小，丰度高，分布广泛，生成时间短，很少检测微生物的扩散过程，所以很少了解它们(66,67)。关于微生物生态学的一个主要问题是，是否存在扩散限制(113-115)，目前仍存在争议。过去，人们认为微生物无处不在，因此不受扩散限制(113、114)。通过十几年的深入研究，众所周知在分散性限制(72、116、117)方面，微生物显示出很强的生物地理格局。此外，虽然某些微生物能在短距离内自我驱动，但微生物的扩散通常被认为是被动的(67)。因为从物种特征来看，被动扩散通常是随机的(34)，微生物扩散在很大程度上可被视为随机(67)。但在某些情况下，被动分散并不总是那么随意。比如，微生物的大小和形状会影响它们在小土孔中的传播速度。

正如其他方法一样，通过零模型分析从模式中进行推理的过程也面临着困难和一些重大挑战。第一，针对特定的零假设，开发随机算法来生成合适的模式是困难的。在空模型上施加的限制太少，会使它变得非常随意，以至于空的期望和观察到的模型很容易不同，从而增加了 I型错误的几率。取而代之的是，放置异常约束会使无效结果太接近观察到的模式，从而导致出现第二类错误(201)的可能性更大。约束零模型的不同方法会产生不同的结果(201,212)。所以零模型分析的实验结果对所用的模型，方法，算法和多样性度量都非常敏感(201,224)。第二，样本数量，包括检测到的分类单元数目和被分析的群落数目，也是值得关注的问题。动物和植物群落生态研究的大多数数据集为中小型，通常少于100个分类单元和/或100个分类单元群落(201)。由于高通量技术的发展，微生物生态学研究的数据日益增多，如数千至数十万个分类单元。由于假阳性和数据自相关(201)，零模型分析可能不适用于如此庞大的数据集。其三，选择合适的区域物种库(即β多样性)是进行零模式分析的重要前提和挑战。种库不要太小或太大(205)。基于经验，区域物种库应包括那些可能在合理的时间范围内在特定地点定植的物种(205)(对于微生物来说，通常需要几个星期或几个月才能生长，而对于大型微生物来说，适合生长几年)。值得一提的是，与零模型预期偏差的绝对大小随物种库规模的增大而增大，但一般不会影响到不同群落之间的相对偏差(205)。所以应采用相对比较法(例如，采用标准效应量)。四、以发病率数据为基础的多数数零模型方法(203,205)。丰富度数据可能包含比发生率数据更多的物种相关信息，因此可能更适合用于推断潜在群落聚集机制(201)。但是，将丰度数据包含在零模型随机化中更为复杂和具有挑战性(109、212)，需要进一步改进(212)。

另外，零模型分析假设强大的交互总是会导致群落和无效期望之间存在明显的差异。但是，当强相互作用和变化多端的迁移组合在一起时，很可能形成明显的随机群落结构(136,225)。零模型下的时间分析

有清晰或可检测迁移历史的数据序列有助于缓解这个潜在的问题(136)。虽然零模型分析面临着种种挑战，但其在各种生态问题上的应用仍然是一种有益的借鉴(201)。零模分析也被纳入到新指标的发展中，以测量生物分类的β-多样性，以及推论α和β-多样性系统发展的群落聚集机制。传统的β多样性指数(无零模型分析)可以用来推断随机过程(30,31,35,153,162,170,226-228)的相对重要性。举例来说，生物复制之间的生物分类多样性明显提高，而且生产力提高了随机过程的影响(31)。然而，传统的β多样性指标在物种库规模较大的地区之间进行比较，可能会导致对随机因子整体重要性的估计不足。有关环境或空间因素(162)。因为传统的β多样性指标不是独立于局部多样性(α- diversity)和区域多样性(205)而存在的，所以大部分指标和统计分析被用来估计β多样性(例如， Jaccard)和 Sorensen相异指数，而这两个指标不一定能直接进行比较，所以很难得出有意义的结果(205、229、230)。原因在于所有三个分集分量(α、β和γ)的经典度量都是相关的，其中两个分量的任何变化都会影响第三个分量(205,231)的估计。为消除α多样性对β多样性估计的影响，β多样性度量(β RC)(205)以概率模型为基础，旨在通过修改Raup-Crick度量(232)来控制物种丰富度差异。根据分类共生数据可估算每对群落的β RC。若β RC值大于0.95 (alpha=0.05，通过两个尾部检验)，则给定群落中的一对共有物种将显著减少。当β RC值小于-0.95时，给定群落中的物种数就会大大多于随机发现的物种数(205)。在所有成对群落的组合中，β RC均可得到。基于每个群落的平均β RC，可以检测出是否存在变异和/或群落结构的转换率与零期望不同，以及群落偏离零期望的程度，以及非生物和生物因素对此种偏离的影响(205)。假定零点模型能够反映出，如果是真正的随机集合，并且排除了确定性，则当群落之间的随机过程占优势，并且/或分散程度相对较高(既不有限也不太强)时，平均β RC应接近于零；如果环境条件有利于相似物种(如环境过滤)和/或极强的分散(如均质分散)，则平均β RC应接近于-1；如果环境条件(如竞争排斥)和/或扩散十分有限，则平均β RC应接近于1 (205)。然而，该指标只使用随机数据。因为丰度指标与发生率指标(229,233)相比更加有用和实用，所以将基于Raup-Crick的计量扩展为考虑相对丰度数据，由此获得的指标称为 RCBray (109)。

除分类学指标外，零模式方法还被广泛地纳入了发展系统发育的β多样性指标，例如 NRI (净相关指数)和 NTI (最近的分类学指数)(83,206)。该指数用于根据观察到的平均系统发生率测量系统发生聚类的标准化指标距离(MPDobs)和随机预期的平均系统发生距离(MPDexp)及其标准差，而 NTI则根据观察到的平均系统发生距离(MNTDobs)及其标准差的系统聚类进行标准化测量最近系统发生邻居距离(MNTDexp)及其标准差(83,234)。在 NRI或 NTI>2或<-2 (即与零期望值相比有2个标准差)的情况下，一个共存的分类单元分别比一个无效期望值高(即系统发生聚类)和一个距离过远(即系统过度分散)。在许多社区中，平均 NRI或 NTI显著大于零表明系统出现聚类，而平均 NRI或 NTI显著小于零表明系统出现过度分散(62)。相似的零模型分析已经扩展到测量系统β的变化情况，使得基于β MNTD的

度量标准(beta NRI和 beta NTI)已经制定(62,235)。同样，对于单组比较，β NRI或β NTI值>+2或<-2表示系统发育转化率大于或小于零期望值(62,109)。两组间的平均β NRI和β NTI均明显大于或小于零，说明系统发育更新率大于或小于零(62,235)。虽然如上文所述(β) NRI或(β) NTI的显着值与确定性过程有关，但(β) NRI或(β) NTI的值并不显著(对于一个群落或一个对进行比较，该值在-2到2之间)，一般认为是影响随机组合的表现。已经使用了以零为基础的模式为基础的系统发展和分类指标来评估各种环境下微生物的随机程度，如土壤(228,236)，海洋(237,238)，地下水(33,62)，以及动物粪便(154)。近来，在零模型基础上制定了β多样性指标(β NTI和 RCBray)，用来对各种群落装配过程进行量化(37、68、100、101、109)(见下文)。零点方法比中性模型更灵活，因为算法有多种选择。此外，由于零模型方法可以基于分类和系统发展多样性指标，而且应当扩大到功能多样性指标，因此，更容易制定一个基于零模型方法的统计框架，以消除不同进程的影响(见下文)。但是，零模型法是基于启发式随机算法，缺乏明确的生物学机制(239)。事实上，它是零模型的一种特殊类型，但作为机械动力学模型，它应该更接近于真实的随机种群动态。但现有的中性模型方法缺乏对系统发展和功能多样性的基本信息进行探索的能力，而零模型方法可以有效地降低中性模型对不同群体组装过程的相关作用的推断能力。正如上面所述，零模型法和中性模型法都存在一个内在的问题，即观察到的模式不能否定确定性过程的重要性，因为生态位模型能够显示出与零/中性模型相似的模式。有效地将生态位模型与中性模型相结合是解决这一问题的重要途径。尽管它们有不可克服的缺陷，

正如上面所提到的，多变量分析不能解决的缺点可以帮助建立生态位模型，把零或中性模型不能实现的群落结构与环境变量和生态系统功能参数联系起来。所以，所有这三种方法都应该以补充和强化的方式同时使用，并且应该考虑它们的优点和缺点，谨慎地解释其结果。在此基础上，进一步开发和整合不同的研究方法，建立一个生态位与中性理论的统一框架。

检验生态学随机重要性的试验方法

生态随机性的重要性很难从上述各种方法所确定的模式中推论出来，因为观测数据总是与其他各种因素相结合。控制生态群落多样性的生态随机性需要在野外和实验室进行试验验证。控制群落中直接测试随机性的相对重要性。Chase (153)建立了长期的人工池塘实验(20个中观，一半在干旱中)。研究结果显示，在无干旱生产者和无脊椎动物池塘群落中，β值较高，这很可能与生态漂变和无脊椎动物的结合有关。而遭受干旱的池塘则因为干旱所造成的生态位选择而更为相似。此外，池塘的β多样性较高，生产率也较高，表明随机性随生产率的提高而增加(生产者和小动物)(31)。但由于缺乏对受干扰池塘的组装历史的控制，以及最初的环境异质性，对这些实验结果(153、240)的解释可能变得复杂。为识别随机装配的存在以及它们在决定群落装配方面的相对作用，一个理想的实验系统应该确保复制群落之间的初始条件(如初始密度和初始环境异质性)和环境条件相(153,240)。一个实验室系统，如基于微生物的生物反应器，可以帮助解决这类挑战。以微生物为基础的实验室系统比以动植物为基础的系统有若干独特的优势(36、52、241-243)。第一，微生物很小，而且产生的时间很短，这使得我们可以在短期内用可控的实验单元来操纵和监控随机和确定过程对群落动态的影响。此外，大量重复试验可以在相同的环境条件下，同样的来源群落中建立和维护反应堆，因此可以最大限度地减少初始条件的差异以及复合因素对实验结果的影响。充分的重复样本可用性是用零模型方法解决随机问题的关键(35)。此外，实验室系统是封闭的系统，因此，能够在整个系统的范围内测量各种感兴趣的功能参数，以便把社区结构与生态系统功能联系起来，虽然非常重要，但实际上很难实现。多年前，利用基于微生物电解池的反应器系统，研究了随机组合对确定微生物群落结构所起的作用(36)。经过2个月的研究，用 GeoChip (44,69,244,245)功能基因阵列(GeoChip 44,69,245)确定的功能群落结构在14个复制反应器中有很大差异，它们在相同条件下同样的来源上运行。零点模型和中性模型分析表明，生态漂移(即最初的随机性定居)以及随后的生物相互作用，是确定微生物群落结构的关键(36)。该研究为随机组合(即随机定居点)在控制微生物群落结构方面的主导作用提供了明确的证据。

近几十年来，当代选择和历史偶然因素在群落结构和生物地理学中的相对重要性一直是微生物生态学研究中的核心问题，但也引起了广泛的争议(116,138,246)。但生态学所面临的巨大挑战是，要获得详细的信息，即使并非不可能。有关历史资料多数情况下(137)。所以，最好选择有已知历史的实验操作。通过大量实验操作研究和理论分析，证明了历史重要性对群落结构偶然性的影响。一般是通过小型生境斑块(247,248)，大型物种库(137,249-251)，高生产力(31、135、156)，低压力或干扰(153、240)以及低掠夺(202、252)。物种的功能性状(如鞭毛、细胞大小和金属抗性等)与竞争能力和分散性有关，这对历史上偶然聚集也很重要(136,137)。最终，通过对实验和理论数据的综合，得出结论认为，只有当区域物种被包括在一起时，才可能出现历史上的偶然性的群体聚集，而早到物种能够迅速占领或改变生态位，直到晚到物种能够迅速占领或改变生态位。种至(137)。许多实验研究表明，历史偶然会影响群落的结构，但对历史偶然是否会影响群落的功能却知之甚少(36,253)。近来，一些研究表明，历史偶然会影响生态系统的运作过程，如生产力、分解作用、营养和能量流(36,253–256)。举例来说，通过在实验室研究中使用10种可降解木材的真菌，证明早期移民的不同历史导致了群落结构的巨大变化。

(253)结构和生态系统功能(即分解和呼吸作用)表明，在群落组合过程中，物种迁移历史上有很小的差异，可导致群落功能的显著变化。类似地，基于微生物电解池的反应器中的随机增殖也导致群落不仅结构不同，而且功能独特(例如通过发酵生产甲烷或CO2)(36)。因为生态演替问题一直是生态研究的核心问题

有关临时群落动态的资料有助于预测生物多样性和生态系统服务对环境变化(257,258)的反应。虽然我们已经深入研究了生态群落结构(30-32,36,62,64,91,157,186,193,205,221,259)的形成机制，但是，环境扰动导致的生态演替却鲜为人知(260,261)。理解随机和确定过程在调节微生物群落演替中的相对重要性，以及地下水对微生物群落对营养输入的影响(35)。利用地下水生态系统来检验随机性对控制微生物群落演替的重要性的一个主要优点是，扩散并不是限制研究本地规模群落聚集的主要因素(<10 m)，因为具有较高的水力传导性。试验结果表明，地下水微生物群落对营养物质变化的反应主要是随机的，但控制生物多样性和演替的动力是动态的，而非静态的(35)。这也与之前的一些研究结果相吻合，它们显示了生态随机性对大规模微生物群落演替的重要性(31,153,257)。

定量群落组装方法

量化框架

虽然已通过多种方法对生态随机性进行了广泛的研究，但直到最近有人尝试用零模型分析法来进一步分解和量化这四种基本生态过程的相对重要性，才得以实现。Stegen等人作为探索性工作，开发了基于零模型的统计框架。量化各种生态过程(如选择和传播)对微生物群落结构、演替和生物地理的贡献(37,68,100,101,109,152)(图3)。以零模型(β NTI、β NRI和 RCBray)为基础，通过β多样性指数(β NTI、β NRI和 RCBray)建立了系统发育多样性和分类多样性的变化或转换机制。对不同的环境变量进行保守性测试，然后选择合适的系统发育指标β NTI或β NRI进行后续分析。下一步，选择将基于目标基因在不同群体中的系统发育多样性进行分组。因为同一性选择导致了在系统发展中更为相似的群体，所以同一性选择的百分比被认为是成对比较的分数，β NTI值<-2。反之，异质选择会降低系统发育的相似性，并以β NTI值>+2的配对比较分数量化。然后，使用分类β-多样性度 RCBray，将成对比较进一步分为<2个绝对β NTI值(也就是说，这些成对比较没有指定用于选择)。同化分散产生的群落在分类上也较为相似，因此将同化分散的相对影响量化为对比较的一部分，绝对ββ NTI值<2, RCBray值<-0.95。而分散限制则使群落在分类中的相似性降低，因此，将分散限制量化为两组比较中绝对β NTI值<2, RCBray值<0.95。绝对β NTI值<2，绝对 RCBray值<0.95的成对比较分数

作为“主导”的一部分，主要包括选择不佳、分散性差、多样化和/或漂移(37)。

当前还没有进一步划分不同组件的方法。除选择的影响微乎其微外，“弱”选择也可能是由于相互影响和/或对比选择的影响力较大的选择力量所致(即某些分类单元处于同一选择之下，而其他分类单元属于异类选择)，从而产生随机的系统发展模式(101)。另外，应当注意的是，通过这种方法检测到的"选择"部分也可以包含分散的确定因素(例如，主动推进)，以及某些多样性程度，如正变异的多样性(图3)。通过对模拟模型进行预期分析，结果表明，新框架能够准确地预测各种生态过程在控制不同群落间空间循环方面的相对重要性(37)。这个新的框架已经被应用到有限的微生物群体中，并得到了非常有趣的发现(37,68,100,101,109,151,152)。使用这个新框架，例如 Stegen和其他人。(109)结果表明，地下深微粒沉积物中的微生物群主要是通过选择来控制的(占总量的60%)。但对于较浅的粗粒状沉积物，选择较弱(约占总周转量的30%)。类似地，分散性限制造成大约30%的空间交易额，而均质化的分散性解释20%的空间变动。另外，不受控制的进程(37)控制了25%的空间转移。这一新框架通过使用以前的方法(109)，对生态过程在调解社区集会中的相对重要性作出了一个推断。微生物生态学在这方面有很大的进展，因为这是第一次微生物生态学家能够从统计学上获得关于群落组装过程的定量信息。

虽然这一新的统计方法对于了解生态过程对微生物群落结构和演替的影响提供了有价值的见解(37,68,109,152)，但是它也有一些局限性。第一种方法是一组群落比较的分数(37,109)，它代表整个群落级别绝对β NTI值>2的成对群落。通过这种方式，当绝对β NTI值>2时，整个群体的换手率将被视为一个有力的选择。这样做也许不合适，因为众所周知，自然选择的角色通常发生在个体群体的层面。微生物群落中，虽然有一些种群是自然选择的，但也有一些种群可能会发生强烈的漂移。这一差别不能通过总体群落水平的指标来确定。这一框架，在地下水微生物组的最新研究中，分别用于不同类别，而非整个群落，其结果证明了特定群落的组合过程(101)。因为这一框架也适用于任何具有系统发生信号的功能基因/性状，所以通过集中于功能基因以获得更高的解析度，可以进一步改善这一特性。第二，多样性是微生物群落聚集的重要进化和生态过程(67、72、108)，这个框架没有考虑到多样性(37)。三是在扩展框架下，将生态漂移和选择力弱混为一谈。分权(37,68,152)。亟需通过进一步分析确定生态漂移对于控制群落动态的相对重要性(37)。另外，还需要对来自不同栖息地的不同微生物群落广泛地应用该框架，以验证其普遍性和适用性。

阐述统计框架的假设

虽然原始文献中没有清楚地阐述统计框架的基本假设，但上述框架中仍有若干重要假设。首先认为系统发育多样性反映了功能性状的多样性；群体系统发生学的一个重要观点是群体组合是由功能特征决定的，因此，假设群体特征的分散性意味着群体组合的特定过程(262)。如果系统发生距离与生态位不同，即由于生态位保守性，即物种保留其祖先生态特性的趋势(263)，即系统发展信号(62)。多因素分析(62,109)可以在一定程度上验证系统发育信号的存在，但它面临一些困难。第一个原因是由于多种参数(如 pH、温度和盐)造成的，并不是所有参数都具有很强的系统发生信号或类似的系统发生信号(264)。很多生态位没有或者是无法测量的。还不清楚这些未测量的生态位中是否有系统发育的信号。类似地，由于适应性进化迅速，一般情况下，在密切相关的微生物中，系统发生信号只存在于较短的系统发生距离(62、68、109、265)中。密切相关的微生物之间的亲缘距离估计易受序列误差、定量准确度、可重复性以及因不同树木构造方法而在有系统发育的树木方面存在不确定性(69、160、266)。而且，微生物之间的水平基因转移可能是一个严重的系统发育问题信号，尤其是对某些功能性状(如抗抗生素性)而言，造成一种生态相似的生物在系统发育方面不密切相关的现象(267)。所幸的是，最近的一项研究表明，微生物的系统发育特征是保守的(268)，而且许多微生物特征(264)具有强烈的系统发育特征信号。然而，应该注意到，这种分析的结果可能与所用的分子标记有关。举例来说，广泛使用的16 S rRNA基因短序列(如V3-V4区)只能解决属或家族水平的差异(69)。如此粗略的解析度可能不足以检测出物种和菌株的生态力。另一个基本假设是，在确定某些生态过程，特别是选择过程时，系统发育信息比分类信息更有用。过去，系统发展的多样性和分类的多样性都被用于推断社区聚集的机制(例如，确定性和随机性)(31、62、83、109、153、205)。但在这种框架下，当区分群体组合机制时，这两种类型的差异并不被认为是相等的，尤其是由于上述系统发展信号。首先利用系统发展β多样性分析了选择的重要性，然后利用分类β多样性分析了分散化和其它过程。也就是说，系统发育多样性比分类学多样性在反映选择时更具信息性。这一假说也许是对的，因为最近的一篇观点文章认为，系统发展多样性更能代表功能特性的生态差异(269)。原因在于系统发育多样性，特别是丰度加权的系统发育指标，包含了有关进化历史和生物生态的信息(269)。三是生态过程对社区结构的影响各不相同。拟议统计框架将生态过程按选择、分散和无控制(包括多样化、漂移、弱选择和弱分散)顺序划分。这一顺序分析的基本假设是，所有生态过程都对社区结构的形成非常重要，但这一选择有着更为明显的意义。影响力比分散性和其他过程重要。这种假设似乎是正确的，因为大量研究表明，选择对于小型地方治理社区结构至关重要，而分散和多样化则是区域物种库的关键因素(30、142)。对于确定性和随机性过程如何在局部范围内形成社区结构的研究问题，更多人感兴趣的是多样化和分散的重要性(108)。所以，首先要确定选择对社区结构的影响，然后分析区域性因素(如分散和多样化)的影响。在原来的假设中，漂移是纯随机过程中所有空模型的剩余部分。

另外一个基本假设是，每一步所用的方法都能有效地分析不同生态过程的重要性：通过系统演化的β多样性来选择，通过分类的β多样性来传播。通过对群落装配过程中模拟模型的分析，结果表明该方法能够有效地描述各种影响(37)，但目前还不能确定该方法是否适用于所有群落。直观地说，其有效性可能随着群落组合的复杂性和主导过程而改变。举例来说，如果确定过程是主要的，这种方法可能非常有效，但是如果随机过程更加重要，这种方法可能不那么可靠。在检验空间尺度、采样工作、采样误差、生物分类学分类等方面也具有重要意义。

分子生物学系统发生分析，零模型算法及类群相似度指标(35,203)。需要指出的是，生态选择、分散、多样化和漂变通常不能直接测量群落生态。类似于生态中立性的情形(270)，上述框架提供了生态过程的统计估计，由于种种原因，这些过程应该被看作是各种生态过程的统计代理。第一，因为这个框架所基于的上述假设可能会被违背，所以很难得到接近“真实”值的测量。第二，每一步都存在统计不确定性，特别是关于零模型变化、群落相似指数、区域池大小、发病率和丰度数据的算法。在不同选择的情况下，对不同生态过程的估算可能有很大差异。另外，尤其是在微生物研究方面，由于自然生态系统的复杂性，以及用于取样和相关分析的分子方法(160、161、266、271)本身存在着巨大的差异，因此，要得到准确的实验数据估计是非常困难的。基于以上原因，对统计选择、统计分散、统计多样化和统计漂变等不同术语采用务实的定义是明智的。与随机和确定的情况(34,272)相似，这些过程之间的操作差异似乎有点武断。虽然统计过程中的测量值和生态过程的实际值之间可能有差异，甚至有很大差异，但这一概念框架应该可以用来进行比较。若所有群落都在同一地点进行分析，则比较结果应更具有可比性和意义。

结论与未来展望

近年来，在微生物生态学研究中，揭示生物多样性的潜在机制受到广泛关注。和传统观点相反，在过去十年中，各种理论、观察和/或实验研究都明确证明了随机过程对微生物群落结构形成的作用，以及演替和生物地理的重要性(例如，参考文献32,33,35,36,64,177,178,193和273)。但这些研究大多是基于分类学和/或系统发展的多样性，而非功能的多样性。据认为，物种的功能特性(即功能多样性)可能对基因的随机组合起着重要作用(137)。今后微生物群落组合研究必须考虑到功能多样性以及分类和系统发育的多样性(239,274)。还有必要采用新的统计方法，在微生物群落组装(63、69)中考虑功能多样性问题。这一以功能为基础的方法可能有助于推断环境过滤与生物相互作用(如竞争作用)，从而形成群落结构(275-277)。此外，为了解决有趣的生态学假设，还需要采取新的方法来整合所有相关数据(例如，分类学、系统发展、功能、环境和空间)。维伦德把生态过程分为选择性、分散性、漂移性和多样性这四个方面，这一概念体系在微生物生态学领域得到广泛认同(67,72)。在这一框架下，制定了量化的选择和分散化统计方法(37、68、109)。但在理论框架中没有包括多元化(37、68)。多样性可在以下方面发挥重要作用：通过在更大的时间和空间范围内调节区域物种库，塑造微生物群落结构(34)。所以，亟需新的方法来量化多样化的相对重要性，并将其纳入现有的框架。利用已标记基因的核酸序列进行随机化的最新方法(195)可以提供一种量化多样性相对重要性的有效方法。生态学的核心概念是生态漂变。因为漂变过程中受选择性、分散性和多样性等因素的影响较大，所以对其进行检测是一个巨大的挑战。鉴于较大的规模和较高的扩散可能性，通常认为漂变对微生物群落无关紧要，这可能是无效的(72)。为探测微生物群落中的生态漂变，今后的研究应集中在可重复性良好的实验设计研究(35、36、72)上，以研究在相同或类似环境条件下的稀有分类单元和/或活跃种群的动态。类似地，很难用最新开发的框架(37、68、109)估计生态漂变的相对重要性，因为它是与其他进程(占主导地位)相结合的。在不受控制的情况下，需要新的方法来分离漂变和多样化的影响。另外，中性和小生境模型以及不同方法(例如，多元、中性和零模型方法)应当以互补和加强的方式加以结合，以便对生态随机性的重要性进行系统评估(例如，漂移和随机)，因为没有一个方法是完美的(33、100、101、239)。若与实验相结合，能更有效地确定生态随机性的重要性。但是，将不同的方法纳入数据分析和解释，对生态漂变和其他过程进行量化，仍然是一个挑战。新的基于机器学习的计算方法能够大大改善集成问题。

虽然过去十年来人们对此有了更深层次的认识，但大多数关于解开控制群落组装的机制的研究都是基于观察调查。因为观测调查数据总是与其他各种因素相结合，直接对群落多样性和组合历史进行实验操作就变得越来越重要(34)。但是，尤其是在自然环境中，对微生物群落的组装实验操作极其困难。(b)新的、经过充分复制和控制的试验战略和方法，如与自然生态系统相似的合成生态系统(278)，应对确定过程和随机过程在社区结构和演替中的相对重要性进行严格评估(136、279)。就是这个

人造生态系统可使研究者对微生物多样性(如多样性程度和物种特征)、系统输入和输出参数、组合过程(如繁殖次序和扩散)和环境因素(280)进行精确控制。此外，直接改变微生物群落来检验装配理论在这一领域的应用是一个挑战。为了得到可复制的时序数据，将理论分析与生态系统管理工作结合起来，可以成为检验社区组合和演替的概念和理论的可行方法(35、136)。对群落组合历史是否和如何影响生态系统功能的了解很有限(36,253)。许多研究表明，生物多样性对生态系统功能至关重要(例如，参见参考文献281和282)，但是还不清楚影响微生物多样性与生态系统功能关系的基本机制。近来的一些研究表明，随机过程对于调节微生物群落的结构和功能都非常重要(36,253)，但需要更系统地检查各种生态系统，以了解随机群落的组装过程是否会影响到生态系统的功能，以及环境因素如何影响到微生物群落的组装和它们之间的关系。特别是从进化论的观点来看，需要有一个新的基于功能特征的框架，以便将各种生态过程(选择、扩散、漂移和多样化)纳入生态系统功能范畴(67)。但对微生物群落装配和生态系统功能重要的功能特性进行识别和测量是一项重大挑战(67)。在不断变化的环境中，预测微生物群落结构与功能的未来状况是微生物生态学领域的一个重要目标。但是，由于随机过程导致结构和功能的不可预测性，随机群落的组合对预知的微生物生态研究提出了严峻的挑战(69)。因此，以往的微生物生态学研究多侧重于确定性过程，而忽视了随机过程的重要性(283)。虽然存在着这些挑战，但已经取得了许多进展。这有助于我们更好地理解在生态群落中随机组合的重要性。虽然随机性过程是不可预测的，但影响随机群落组合的因素和条件多多少少是可以预测的。如上文所述，当生境较小、物种库较大、生产率较高、干扰较少和/或捕食较少时，更有可能出现随机群落。理解了影响随机群落组装的因素和条件后，对随机可能性范围进行预测仍然是可行的(137)。所以，未来的一些重要研究问题应该集中在何时生态随机性具有重要意义，何时不具有重要意义(137)。随着时间和条件的变化，微生物群落对随机过程的敏感度越来越高，微生物群落生态的可预测性越来越强。还可利用这一知识来协助保护生物多样性、恢复生态系统、环境管理、农业管理和疾病控制(31,35,137)。合理使用群落组合历史可作为一种有用工具，在生态系统管理中实现所需的生态系统功能(137、253)。